基于充电特征和迁移学习的电池剩余寿命预测方法及装置制造方法及图纸

本申请提出一种基于充电特征和迁移学习的电池剩余寿命预测方法及装置，涉及电池寿命预测技术领域。其中，方法包括：获取待测电池在距当前最近一次充电过程的充电数据；将充电特征数据输入至预设的电池剩余寿命预测模型，获得待测电池当前的剩余寿命预测值；其中，电池剩余寿命预测模型为已基于迁移学习的方式，学习得到待测电池的充电特征数据与剩余寿命之间映射关系的神经网络模型。该方案可以实现对电池剩余寿命的准确预测。电池剩余寿命的准确预测。电池剩余寿命的准确预测。

【技术实现步骤摘要】
基于充电特征和迁移学习的电池剩余寿命预测方法及装置


[0001]本申请涉及电池寿命预测
，尤其涉及一种基于充电特征和迁移学习的电池剩余寿命预测方法及装置。

技术介绍

[0002]锂离子电池具有高能量密度、高功率密度、长寿命和快速充电等优点，这些优点使得锂离子电池成为新能源汽车最为理想的动力电池之一。在实际应用中，预测锂离子电池的剩余寿命，对于保证设备的正常运行和延长电池的使用寿命都具有非常重要的意义。因此，研究如何准确预测电池的剩余寿命具有非常重要的现实意义。

技术实现思路

[0003]为了解决上述问题，本申请提供了一种基于充电特征和迁移学习的电池剩余寿命预测方法及装置。
[0004]根据本申请的第一方面，提供了一种基于充电特征和迁移学习的电池剩余寿命预测方法，包括：
[0005]获取待测电池在距当前最近一次充电过程的充电数据；
[0006]根据充电数据，确定待测电池的充电特征数据；
[0007]将充电特征数据输入至预设的电池剩余寿命预测模型，获得待测电池当前的剩余寿命预测值；其中，电池剩余本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于充电特征和迁移学习的电池剩余寿命预测方法，其特征在于，包括：获取待测电池在距当前最近一次充电过程的充电数据；根据所述充电数据，确定所述待测电池的充电特征数据；将所述充电特征数据输入至预设的电池剩余寿命预测模型，获得所述待测电池当前的剩余寿命预测值；其中，所述电池剩余寿命预测模型为已基于迁移学习的方式，学习得到所述待测电池的充电特征数据与剩余寿命之间映射关系的神经网络模型。2.根据权利要求1所述的方法，其特征在于，所述充电数据包括：累积充放电循环次数、待测电池在充电过程中的电压值处于预设电压段内的充电时间，以及待测电池在充电时间内至少一个时刻的电压值和温度值；所述根据所述充电数据，确定所述待测电池的充电特征数据，包括：根据所述充电时间，确定所述待测电池在所述充电过程中电压值处于预设电压段内的充电时长；根据所述待测电池在所述充电时间内至少一个时刻的电压值和温度值，获得所述待测电池的电压特征值和温度特征值；将所述累积充放电循环次数、所述充电时长、所述电压特征值和所述温度特征值作为所述充电特征数据。3.根据权利要求2所述的方法，其特征在于，所述电压特征值包括电压标准差和电压分布偏度。4.根据权利要求1所述的方法，其特征在于，所述电池剩余寿命预测模型是通过以下方式训练得到的：构建多层深度网络LSTM模型；根据样本电池在满充满放条件下的实验充电数据，确定源域数据；其中，所述实验充电数据包括：每次完全充电时所述样本电池的累积充放电循环次数、电压值在所述预设电压段内的充电时间、以及在所述充电时间内的至少一个时刻的电压值和温度值；基于所述源域数据对所述多层深度网络LSTM模型进行预训练，获得预训练后的LSTM模型；基于半监督学习的方式，根据所述样本电池在实际应用条件下的实际充电数据，确定目标域数据；其中，所述实际充电数据包括：每次历史充电时所述样本电池的累积充放电循环次数、电压值在所述预设电压段内的充电时间、以及在所述...

【专利技术属性】
技术研发人员：冯飞，张一兴，李云隆，曹强，屈剑锋，魏善碧，尹宏鹏，张可，柴毅，张正萍，刘昌东，张有洪，余友滨，朱红霞，唐小丽，黄小清，
申请(专利权)人：重庆赛力斯新能源汽车设计院有限公司，
类型：发明
国别省市：