基于SE Attention机制的CNN-GRU锂电池容量预测方法、系统及存储介质技术方案

本发明专利技术提供基于SE Attention机制的CNN‑GRU锂电池容量预测方法，包括：根据化成工序和分容工序对锂电池的电芯进行充放电；记录每一颗电芯在充放电过程中的电压数据，并生成对应的电压数据曲线；基于电压数据曲线提取电芯的动态特征；采用核主成分分析(KPCA)算法对动态特征进行数据处理获得主成分特征，并选取累计贡献率90％以上的主成分特征；将选取的主成分特征输入到基于SE Attention机制的CNN‑GRU回归模型中进行处理，以输出电芯的容量数据。本发明专利技术通过将CNN模型用于提取数据中的特征信息，利用GRU模型处理序列数据并捕捉时序信息，同时引入SE Attention机制对特征进行加权处理，从而实现使用少量数据对锂电池容量的准确预测，以解决传统方法中对电池容量测定耗时耗力的问题。

【技术实现步骤摘要】

本专利技术涉及锂电池容量预测，尤其涉及基于se attention机制的cnn-gru锂电池容量预测方法、系统及存储介质。

技术介绍

1、随着科技的发展，锂电池在各种领域中的应用越来越广泛，如电动汽车、移动通信、航空航天等。然而，锂电池的容量预测一直是业界面临的技术难题。准确预测锂电池的容量有助于实现电池的合理使用、延长使用寿命以及提高能源利用效率。因此，锂电池容量预测技术的研究具有重要的实际意义和商业价值。

2、在实际生产中，锂电池的容量通常需要经过化成工序、一次分容和二次分容进行测定，总计需要不少于20天的时间，整个过程耗费了大量时间和能源，因此需要一种基于部分少量数据即可预测最终容量的模型。

3、近年来，随着深度学习技术的不断发展，利用深度学习模型进行锂电池容量预测已成为研究的热点。深度学习模型能够从大量数据中提取有用的特征，并建立复杂的非线性映射关系，从而更准确地预测锂电池容量。

4、其中，se attention(squeeze-and-excitation attention)是一种在深度学习模型中使用的机制本文档来自技高网...

【技术保护点】

1.基于SE Attention机制的CNN-GRU锂电池容量预测方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，在所述S100的步骤中，对所述电芯进行充放电的过程包括如下步骤：

3.根据权利要求1所述的方法，其特征在于，所述S300的步骤还包括：基于测量所述电芯的外部因素确定从所述电压数据曲线中提取的所述电芯的动态特征。

4.根据权利要求3所述的方法，其特征在于，在所述S300的步骤中，所述动态特征包括：

5.根据权利要求1所述的方法，其特征在于，所述S400的步骤还包括：

6.根据权利要求1所述的方法，其...

【技术特征摘要】

1.基于se attention机制的cnn-gru锂电池容量预测方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，在所述s100的步骤中，对所述电芯进行充放电的过程包括如下步骤：

3.根据权利要求1所述的方法，其特征在于，所述s300的步骤还包括：基于测量所述电芯的外部因素确定从所述电压数据曲线中提取的所述电芯的动态特征。

4.根据权利要求3所述的方法，其特征在于，在所述s300的步骤中，所述动态特征包括：

5.根据权利要求1所述的方法，其特征在于，所述s400的步骤还包括：

6.根据权利要求1所述的方法，其特征在于，在所述s500的...

【专利技术属性】
技术研发人员：刘征宇，孙桐，吴桐，王业伟，徐瑞，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：