电池分容容量预测方法及系统技术方案

本发明专利技术提供电池分容容量预测方法及系统，方法包括：采用了多门专家混合模型MMOE融合技术，结合CNN‑BiLSTM模型、LightGBM模型，CNN‑BiLSTM模型采用CNN算法对数据进行降维处理，采用BiLSTM对这些时序数据挖掘时序特征，采用线性激活函数回归预测最终的容量；采用LightGBM算法，使用带深度限制的Leaf‑wise的叶子生长策略，采用平均绝对百分误差MAPE损失函数回归预测最终的容量；将两个模型的预测结果输入MMOE模块，通过自适应算法进行加权平均，得到最终的电池分容容量预测结果。本发明专利技术解决了容量预测准确性差、检测成本高、需要挖掘的数据量大以及操作效率低的技术问题。

【技术实现步骤摘要】

本专利技术涉及电池生产检测领域，具体涉及电池分容容量预测方法及系统。

技术介绍

1、容量预测作为一项关键技术，对于各行业尤其是新能源领域具有巨大的应用价值。传统的预测方法主要包括基于历史数据的统计模型、趋势分析以及容量规划等，然而，目前行业内采用标准充放电过程检测的方法存在能耗大、测试设备需求量大、电芯制作成本高等问题。

2、在实现本专利技术的研究过程中，发现现有技术存在以下问题。目前各锂电企业大多基于传统方法的分容容量预测，需要人工实际测量统计，而其需要大量的时间成本和电力成本。

3、公布号为cn115291124a的现有专利技术专利申请文献《一种容量预测方法及装置》，该方法包括：获取待测锂电池的化成特征参数；化成特征参数包括化成期间每个时间点的电压、电流、容量、能量和温度之中的任一一项或多项；将化成特征参数进行数据预处理，获取化成特征参数所处的区间；根据化成特征参数所处的区间，从容量预测模型群中调取对应的区间容量预测模型；容量预测模型群中包含若干训练好的不同区间容量预测模型；将化成特征参数输入对应的区间容量预测模型进行预测；输出本文档来自技高网...

【技术保护点】

1.电池分容容量预测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的电池分容容量预测方法，其特征在于，所述S2中，所述样本处理操作包括：脏数据处理以及数据格式处理。

3.根据权利要求2所述的电池分容容量预测方法，其特征在于，利用下述逻辑，对所述样本数据进行Z-score标准化：

4.根据权利要求1所述的电池分容容量预测方法，其特征在于，所述S3中，所述CNN-BiLSTM模型的算法执行过程中，进行多通道数据处理，以得到通道训练数据。

5.根据权利要求1所述的电池分容容量预测方法，其特征在于，所述S3中，利用不少于2次的卷积层，对输...

【技术特征摘要】

1.电池分容容量预测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的电池分容容量预测方法，其特征在于，所述s2中，所述样本处理操作包括：脏数据处理以及数据格式处理。

3.根据权利要求2所述的电池分容容量预测方法，其特征在于，利用下述逻辑，对所述样本数据进行z-score标准化：

4.根据权利要求1所述的电池分容容量预测方法，其特征在于，所述s3中，所述cnn-bilstm模型的算法执行过程中，进行多通道数据处理，以得到通道训练数据。

5.根据权利要求1所述的电池分容容量预测方法，其特征在于，所述s3中，利用不少于2次的卷积层，对输入数据进行卷积神经网络降维，其中，通过平均池化操作，进行信息提取、降采样操作，以得到降维数据；将所述降维数据输入长短时记忆网络，通过进行序列信息建模操作，获取并根据历史上下文信息、未来山下文信息，进行双向长短时记忆网络串联，得到前后工序串联信息。

【专利技术属性】
技术研发人员：李兴硕，徐嘉文，张焰臣，
申请(专利权)人：合肥国轩高科动力能源有限公司，
类型：发明
国别省市：