【技术实现步骤摘要】
本专利技术涉及电池rul预测，特别涉及一种基于mnq-lstm的电池剩余寿命预测方法。
技术介绍
1、锂离子电池由于其高能量密度和充放电效率而广泛应用于各种实际应用和设备，电池的服务寿命对于保险成本和其盈利能力至关重要，电池的可用服务时间取决于各种因素，并且通常由于复杂的不确定性以及电池参数、退化过程和偏离预期正常工作条件之间的相互纠缠而难以预测，预见电池的剩余寿命仍然是监测电池健康和寿命的一个挑战。
2、其中，锂离子电池数据中的t形数据结构源自多种工程背景，其描述了数据在时间上的不平衡性，以及适用于个体的统计群组数据。具体来说，形或倒下的“t”形代表了可用信息的特征，即具有丰富起始但数据尾部较少。换句话说，本专利技术考虑的情况是在开始时存在更广范围的丰富数据，而随着时间推移，只能收集到有限范围内较少的数据。如果将数据量随时间展示，将呈现出形的形态。这种情况在产品制造中表现出来，制造商可能在整个业务过程中积累了大量关于他们产品的数据。这部分数据形成了“t”字形的交叉点。然而，一旦新产品被购买并由所有者拥有，制造商可能很难获取...
【技术保护点】
1.一种基于MNQ-LSTM的电池剩余寿命预测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于MNQ-LSTM的电池剩余寿命预测方法，其特征在于，通过若干所述电池寿命样本数据创建带有右侧截断的T型数据，包括步骤：
3.如权利要求2所述的一种基于MNQ-LSTM的电池剩余寿命预测方法，其特征在于，所述差异度量DHT(P||Q)的计算表达式为：
4.如权利要求1所述的一种基于MNQ-LSTM的电池剩余寿命预测方法，其特征在于，所述多个分位数深度神经网络MQ-DNN的构建方法包括步骤：
5.如权利要求4所述的一...
【技术特征摘要】
1.一种基于mnq-lstm的电池剩余寿命预测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于mnq-lstm的电池剩余寿命预测方法，其特征在于，通过若干所述电池寿命样本数据创建带有右侧截断的t型数据，包括步骤：
3.如权利要求2所述的一种基于mnq-lstm的电池剩余寿命预测方法，其特征在于，所述差异度量dht(p||q)的计算表达式为：
4.如权利要求1所述的一种基于mnq-lstm的电池剩余寿命预测方法，其特征在于，所述多个分位数深度神经网络mq-dnn的构建方法包括步骤：
5.如权利要求4所述的一种基于mnq-lstm的电池剩余寿命预测方法，其特征在于，所述将所述多重分位数线性回归模型中的线性项β'τx替换为深度神经网络f(x)，包括步骤：
6.如权利要求1所述的一种基于mnq-lstm的电池剩余寿命预测方法，其特征在于，所述将所述t型数据作为输入特征输入mnq-lstm中...
【专利技术属性】
技术研发人员：雷旭，李建新，高瑞年，秦海龙，谢方建，王佳龙，石玲霞，惠琛星，张江江，程吉东，郭玉龙，潘嘉楠，
申请(专利权)人：长安大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。