基于HS-MoE模型的电池SOC和RUL预测方法技术

本发明专利技术公开了一种基于HS‑MoE模型的电池SOC和RUL预测方法，测试并采集电池运行数据以及SOC和RUL，电池运行数据包含膨胀应力、电流、电压和温度，构建HS‑MoE模型，HS‑MoE模型包含两个层级，每个层级包含多专家模型和一个门控网络模型，训练和校验HS‑MoE模型，预测电池SOC和RUL，在HS‑MoE模型训练完毕之后，在模型效果良好的前提下，部署HS‑MoE模型并使用HS‑MoE模型对电池的SOC和RUL进行预测。本发明专利技术可以在BMS故障时临时替代BMS工作以及提供修正数据，并且以一个模型即实现了SOC和RUL的联合预测，减少了模型训练的时间，降低了成本。

【技术实现步骤摘要】

本专利技术涉及一种电池soc和rul预测方法，特别是一种基于hs-moe模型的电池soc和rul预测方法，属于电池检测。

技术介绍

1、电池soc（state of charge，荷电状态）指标量化了电池当前剩余电量与满充电量的比例，揭示了电池当前的电量状况。soc对于电池管理系统（bms）来说极为关键，它是监控和调节电池充放电行为的核心参数。另一方面，电池的剩余使用寿命（remaining usefullife，rul）是评估其健康状态的核心指标之一，通常以剩余的充放电循环次数来衡量。电池rul的重要性体现在多个层面：它帮助评估电池的健康状况、指导电池的正确使用与维护、提供潜在故障的预警、监测电池容量的衰减、优化电池管理策略，并评估电池再利用的可能性。预测电池soc和rul在实际应用中具有极大的重要性。

2、现有技术中，电池的soc和rul通常可以通过电池管理系统bms获得，但是bms运行过程中，会因为各种原因发生故障或者错误，导致bms停止运行或产生明显错误的电池soc和rul数据。因此有必要通过模型算法对电池soc和rul进行预测，以作为本文档来自技高网...

【技术保护点】

1.一种基于HS-MoE模型的电池SOC和RUL预测方法，其特征在于包含以下步骤：

2.根据权利要求1所述的基于HS-MoE模型的电池SOC和RUL预测方法，其特征在于：所述步骤S1中电池运行数据的采集具体为：

3.根据权利要求1所述的基于HS-MoE模型的电池SOC和RUL预测方法，其特征在于：所述步骤S1中SOC和RUL数据采集具体为：SOC和RUL由电池管理系统计算得出。

4.根据权利要求1所述的基于HS-MoE模型的电池SOC和RUL预测方法，其特征在于：所述步骤S2中多专家模型包含三个专家子模型，每一个专家子模型均是多层感知机模型，每一个专家...

【技术特征摘要】

1.一种基于hs-moe模型的电池soc和rul预测方法，其特征在于包含以下步骤：

2.根据权利要求1所述的基于hs-moe模型的电池soc和rul预测方法，其特征在于：所述步骤s1中电池运行数据的采集具体为：

3.根据权利要求1所述的基于hs-moe模型的电池soc和rul预测方法，其特征在于：所述步骤s1中soc和rul数据采集具体为：soc和rul由电池管理系统计算得出。

4.根据权利要求1所述的基于hs-moe模型的电池soc和rul预测方法，其特征在于：所述步骤s2中多专家模型包含三个专家子模型，每一个专家子模型均是多层感知机模型，每一个专家子模型包含专家子模型输入层、专家子模型第一中间层、专家子模型第二中间层和专家子模型输出层，专家子模型输入层接收输入的电池运行数据，专家子模型第一中间层的维度为64，专家子模型第二中间层的维度为32，专家子模型输出层输出一个16维度的向量。

5.根据权利要求4所述的基于hs-moe模型的电池soc和rul预测方法，其特征在于：所述步...

【专利技术属性】
技术研发人员：常伟，潘多昭，胡志超，
申请(专利权)人：南通乐创新能源有限公司，
类型：发明
国别省市：