【技术实现步骤摘要】
本专利技术涉及电池容量预测，特别是涉及一种锂电池的电池容量预测方法、设备、介质及产品。
技术介绍
1、在当前的科学研究领域，锂电池的健康状态(stateofhealth，soh)是被广泛认为是一项关键指标，它主要用于评估电池的当前性能状态相对于其初始性能的偏差程度。这种评估对电池管理系统(batterymanagementsystem，bms)的优化和功能维持具有至关重要的意义，特别是在电动汽车和大规模能量存储系统等关键应用领域中。锂电池的soh评估不仅涉及电池的容量保持能力，还涵盖了电池的功率特性、内阻变化、热稳定性等多个方面。
2、在容量估算方面，目前的研究趋势集中于基于数据驱动的方法。这种方法依赖于收集和分析大量的电池充放电数据，以识别和提取与电池老化相关的关键特征。典型的数据采集过程包括长时间的充电和放电循环，通常持续数十分钟至数小时，以确保数据的全面性和代表性。然而，对大量数据的需求不可避免地带来了某些局限性，特别是在实时或近实时的应用场景中。高数据需求量可能导致延迟的信息反馈，增加处理和存储的成本，并可能在动态或...
【技术保护点】
1.一种锂电池的电池容量预测方法，其特征在于，包括：
2.根据权利要求1所述的锂电池的电池容量预测方法，其特征在于，根据欧式距离和皮尔逊相关系数，从第二时间序列集中提取最优shapelet特征，具体包括：
3.根据权利要求1所述的锂电池的电池容量预测方法，其特征在于，所述训练集中样本数据包括样本锂电池的输入数据和标签数据，所述输入数据为shapelet特征，所述标签数据为电池容量。
4.根据权利要求1所述的锂电池的电池容量预测方法，其特征在于，采用鹈鹕算法优化所述广义回归神经网络，具体包括：
5.根据权利要求1所述的锂电...
【技术特征摘要】
1.一种锂电池的电池容量预测方法，其特征在于，包括：
2.根据权利要求1所述的锂电池的电池容量预测方法，其特征在于，根据欧式距离和皮尔逊相关系数，从第二时间序列集中提取最优shapelet特征，具体包括：
3.根据权利要求1所述的锂电池的电池容量预测方法，其特征在于，所述训练集中样本数据包括样本锂电池的输入数据和标签数据，所述输入数据为shapelet特征，所述标签数据为电池容量。
4.根据权利要求1所述的锂电池的电池容量预测方法，其特征在于，采用鹈鹕算法优化所述广义回归神经网络，具体包括：
5.根据权利要求1所述的锂电池的电池容量预测方法，其特征在于，从所述第一时间序列集中每个第一时间序列选择前m个数据，得到k个第二时间序列，具体包括：
6.根据权利要求2所述的锂电池的电池容量预测方法，...
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。