【技术实现步骤摘要】
本专利技术涉及电池管理，特别是涉及一种电池健康状态估计模型训练方法。
技术介绍
1、电池作为智能手机、新能源汽车等设备的关键组成部分，其正常运作对整个系统起着至关重要的作用，一旦电池受损出现意外失效，会对整个设备造成严重影响，严重时会危害使用者的人身安全。因此，有必要对电池的健康状态(state ofhealth，soh)进行精准估计，一旦发现电池性能退化或即将失效时，可以及时制定相应对策，以此来规避不必要的损失。
2、电池在循环充放电过程，其soh随着充放电次数的增加会逐渐恶化，上述的失效可以理解为soh降低至规定阈值。随着电池应用场景的增多，电池工作状况也普遍多变，并且部分工况下的电池工作状况数据不好采集，因此数据会一定程度上的稀缺，在该种情况下，就需要更好的对工况数据的特征进行提取，针对电池领域的数据特征提取方面，研究学者提出许多模型驱动方法，如等效电路模型及电化学模型等，但是这些基于模型驱动的方法仅适用于部分型号电池，泛化性较差且当工况发生变化时无法适用。因此，在小子样条件下，获得的特征训练出的模型的准确性和泛化性能
【技术保护点】
1.一种电池健康状态估计模型训练方法，其特征在于，包括如下步骤：
2.如权利要求1所述的电池健康状态估计模型训练方法，其特征在于，所述对所述残差分量进行趋势性检验，并根据趋势性检验结果获得融合趋势信号，进一步包括：
3.如权利要求1所述的电池健康状态估计模型训练方法，其特征在于，所述对所述IMF分量进行通道堆叠获得最终IMF信号，进一步包括：
4.如权利要求3所述的电池健康状态估计模型训练方法，其特征在于，所述构建稠密循环卷积网络，将融合趋势信号及最终IMF信号输入到稠密循环卷积网络分别进行特征提取，以分别获得时序特征及局部振荡特征
【技术特征摘要】
1.一种电池健康状态估计模型训练方法，其特征在于，包括如下步骤：
2.如权利要求1所述的电池健康状态估计模型训练方法，其特征在于，所述对所述残差分量进行趋势性检验，并根据趋势性检验结果获得融合趋势信号，进一步包括：
3.如权利要求1所述的电池健康状态估计模型训练方法，其特征在于，所述对所述imf分量进行通道堆叠获得最终imf信号，进一步包括：
4.如权利要求3所述的电池健康状态估计模型训练方法，其特征在于，所述构建稠密循环卷积网络，将融合趋势信号及最终imf信号输入到稠密循环卷积网络分别进行特征提取，以分别获得时序特征及局部振荡特征，进一步包括：
5.如权利要求4所述的电池健康状态估计模型训练方法，其特征在于，所述将第一最终退化特征输入到对应的初...
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。