一种基于卷积神经网络的电池早期寿命预测方法及系统技术方案

本发明专利技术公开了一种基于卷积神经网络的电池早期寿命预测方法及系统，其中方法包括：获取待预测电池的采样数据；对所述采样数据进行图形化特征提取处理，得到二维张量数据集合；对所述二维张量数据集合进行调整和堆叠处理，得到三维数据矩阵；根据卷积神经网络构建预测模型，所述预测模型包括特征提取模块和回归预测模块，所述卷积神经网络采用AlexNet网络架构；将所述三维数据矩阵输入到所述预测模型进行电池寿命预测，得到预测结果。本发明专利技术实施例将多组图形化特征组合构成与卷积神经网络图像输入具有等效性的多通道输入数据，利用卷积神经网络良好的特征生成和识别能力，提高了预测电池寿命的可靠性，可广泛应用于人工智能技术领域。术领域。术领域。

【技术实现步骤摘要】
一种基于卷积神经网络的电池早期寿命预测方法及系统


[0001]本专利技术涉及人工智能
，尤其是一种基于卷积神经网络的电池早期寿命预测方法及系统。

技术介绍

[0002]锂离子电池具有高能量密度、长寿命周期、快速充电等优点，在新能源汽车和电网存储系统等领域中得到了广泛的应用。传统的寿命预测方法所使用电池的循环周期数较大，往往在电池容量表现出明显的减低时才能对电池的寿命做出预测。而电池早期寿命预测技术希望仅利用电池早期的少量有限数据就能直接对电池的寿命做出快速可靠预测。但是当前的电池早期寿命预测技术中使用的神经网络模型大多数应用于单通道输入数据，对电池寿命预测的准确性和可靠性较低。综合上述，相关技术中存在的技术问题亟需得到解决。

技术实现思路

[0003]有鉴于此，本专利技术实施例提供一种高准确性和可靠性的基于卷积神经网络的电池早期寿命预测方法及系统。
[0004]一方面，本专利技术提供了一种基于卷积神经网络的电池早期寿命预测方法，方法包括：
[0005]获取待预测电池的采样数据；
[0006]对所述采本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的电池早期寿命预测方法，其特征在于，所述方法包括：获取待预测电池的采样数据；对所述采样数据进行图形化特征提取处理，得到二维张量数据集合；对所述二维张量数据集合进行调整和堆叠处理，得到三维数据矩阵；根据卷积神经网络构建预测模型，所述预测模型包括特征提取模块和回归预测模块，所述卷积神经网络采用AlexNet网络架构；将所述三维数据矩阵输入到所述预测模型进行电池寿命预测，得到预测结果。2.根据权利要求1所述的方法，其特征在于，所述获取待预测电池的采样数据，包括：在所述待预测电池的放电过程中进行数据采集处理，得到放电数据；对所述放电数据进行放电容量与电压数据采样处理，得到采样数据。3.根据权利要求1所述的方法，其特征在于，所述对所述采样数据进行图形化特征提取处理，得到二维张量数据集合，包括：对所述采样数据进行提取处理，得到每个循环周期内的放电容量数据和电压数据，所述采样数据包括所述待预测电池的放电过程中的多个循环周期所收集到的放电数据；根据所述放电容量数据和所述电压数据构建得到第一函数曲线；根据所述放电容量数据对所述电压数据进行微分处理，得到第二函数曲线；根据所述每个循环周期内的放电容量数据的差值和所述电压数据，得到第三函数曲线；分别对所述第一函数曲线、第二函数曲线和第三函数曲线进行电压值采样和并联处理，得到二维张量数据集合，所述二维张量数据集合包括容量电压特征、容量增量特征和容量差值特征。4.根据权利要求1所述的方法，其特征在于，所述对所述二维张量数据集合进行调整和堆叠处理，得到三维数据矩阵，包括：对所述二维张量数据集合中每一个数据进行尺寸调整处理，并在深度方向上对调整后的数据进行堆叠处理，得到三维数据矩阵。5.根据权利要求1所述的方法，其特征在于，所述根据卷积神经网络构建预测模型，包括：根据卷积神经网络构建特征提取模块，所述特征提取...

【专利技术属性】
技术研发人员：何宁，柴艺柯，李弈霆，郭烨年，杨芳芳，
申请(专利权)人：中山大学，
类型：发明
国别省市：