电池健康状态的预测方法及装置、存储介质及电子设备制造方法及图纸

本发明专利技术提供的一种电池健康状态的预测方法及装置、存储介质及电子设备中，使用电池健康状态预测模型中的特征提取网络从电池表征信息中提取关联特征数据，该关联特征数据为深度挖掘电池的各个参数之间的关联关系的特征数据，然后将该关联特征数据作为循环神经网络的输入数据，循环神经网络对关联特征数据进行处理后输出电池的健康状态预测数据。在对电池的健康状态进行预测的过程中，使用特征提取网络提取具有深度关联的关联特征数据，然后将关联特征数据作为时间循环网络的输入数据，从而提高对电池的健康状态进行预测的精确度。提高对电池的健康状态进行预测的精确度。提高对电池的健康状态进行预测的精确度。

【技术实现步骤摘要】
电池健康状态的预测方法及装置、存储介质及电子设备


[0001]本专利技术涉及电池
，特别涉及一种电池健康状态的预测方法及装置、存储介质及电子设备。

技术介绍

[0002]随着新能源的推广，电池作为汽车、中小型无人飞行机以及各种中小型机器设备的储能系统进行使用。随着电池使用时间的增加，性能衰减是不可避免的。为了更好的评估储能系统的使用寿命，需要对电池健康状态(SOH，State OfHealth)进行预测。
[0003]目前预测电池SOH的方式通常是从电池的充放电曲线中提取物理离散特征，例如电压差、温度变化率以及电压拐点峭度等，然后机器学习方法通过物理离散特征对SOH进行预测，传统的电池SOH预测过程中无法关联电池的各个变量的内在关系，使得预测的电池SOH的准确度不高。

技术实现思路

[0004]有鉴于此，本专利技术实施例提供一种电池健康状态的预测方法及装置、存储介质及电子设备，本专利技术通过使用特征提取网络深度挖掘得到关联特征数据，并将该数据作为循环神经网络的输入数据，使得循环神经网络可以依据特征数据预测电池的健康本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电池健康状态的预测方法，其特征在于，包括：获取电池在预设时间范围内的电池表征信息，所述电池表征信息包括电压、电流、温度以及电池容量的信息；利用预先训练完成的电池健康状态预测模型中的特征提取网络从所述电池表征信息中提取关联特征数据；利用所述电池健康状态预测模型中的循环神经网络对所述关联特征数据进行处理，得到所述电池的健康状态预测数据。2.根据权利要求1所述的方法，其特征在于，所述利用预先训练完成的电池健康状态预测模型中的特征提取网络从所述电池表征信息中提取关联特征数据，包括：调用所述特征提取网络对所述电池表征信息进行处理，得到初始特征数据；将所述初始特征数据输入所述电池健康状态预测模型中的全连接层，使得所述全连接层对所述初始特征数据进行降维处理，得到关联特征数据。3.根据权利要求1所述的方法，其特征在于，所述循环神经网络为长短时记忆递归神经网络、门控循环单元或时间卷积神经网络中的一种。4.根据权利要求1所述的方法，其特征在于，所述利用所述电池健康状态预测模型中的循环神经网络对所述关联特征数据进行处理，得到所述电池的健康状态预测数据，包括：触发所述循环神经网络基于预设的网络权重对所述关联特征数据进行处理，输出所述电池的健康状态预测数据。5.根据权利要求1所述的方法，其特征在于，电池健康状态预测模型的训练过程，包括：获取电池实验数据；将所述电池实验数据输入状态预测模型，对所述状态预测模型进行训练，直至所述状态预测模型满足预设的收敛条件时，得到预训练模型；获取电池工况数据；应用所述电池工况数据，对所述预训练模型的网络权重进行调整，得到电池健康状态预测模型。6.根据权利要求5所述的方法，其特征在于，还包括：对所述电池健康状态预测模型进行剪枝处理，得到剪枝后的电池健康状态预测模型。7.根据权利要求5所述的方法，其特征在于，所述将所述电池实验数据输入状态预测模型，对所述状态预测模型进行训练，直至所述状态预测模型满足预设的收敛条件时，得到预训练模型，包括：在所述电池实验数据中选择目标数据；将所述目标数据输入所述状态预测模型，使得所述状态预测模型对所述目标数据进行处理，输出与所述目标数据对应的预测信息，所述预测信息包括健康预测数据和健康度变化率；基于所述预测信息和与所述目标数据对应的预设的监督信号，判断所述...

【专利技术属性】
技术研发人员：赵子豪，周俭节，刘新峰，曹晓辉，钱超，江露露，
申请(专利权)人：阳光储能技术有限公司，
类型：发明
国别省市：