【技术实现步骤摘要】
本专利技术属于电池状态检测，具体地，涉及一种基于集成深度学习的锂离子电池荷电状态预测方法、存储介质、设备及计算机程序产品。
技术介绍
1、锂离子电池作为一种高能量密度的电池技术，广泛应用于移动设备、电动汽车和储能系统等领域。伴随着大规模锂离子电池使用，荷电状态的准确监测越发重要。荷电状态代表着电池中可用电量的百分比，能够辅助电池管理系统运行，有效提高电池的使用效率和安全性能。然而，锂离子电池荷电状态受环境温度、充放电电流等因素影响，难以直接测量。
2、传统等效电路模型能够描述锂离子电池动态行为，但该方法高度依赖于先验专家知识，且针对不同类型电池需要重新建模。目前，数据驱动方法在电池荷电状态预测中取得了显著成果，但这些方法在处理时间序列数据时存在一些限制，如忽略时空特征和长期依赖关系。因此，锂离子电池荷电状态的高精度预测仍面临挑战，故迫切需要一种新的技术方法实现客观、准确估计。
技术实现思路
1、针对现有技术中存在的问题，本专利技术提供了一种基于集成深度学习的锂离子电池荷电状态预...
【技术保护点】
1.一种基于集成深度学习的锂离子电池荷电状态预测方法，其特征在于，具体包括如下步骤：
2.根据权利要求1所述的一种基于集成深度学习的锂离子电池荷电状态预测方法，其特征在于，步骤2中对收集的锂离子电池可测变量数据进行预处理的过程为：剔除锂离子电池可测变量数据的离群值后进行归一化。
3.根据权利要求1所述的一种基于集成深度学习的锂离子电池荷电状态预测方法，其特征在于，步骤3包括如下子步骤：
4.根据权利要求3所述的一种基于集成深度学习的锂离子电池荷电状态预测方法，其特征在于，步骤3.2中滑动窗口尺寸内锂离子电池的连续电压、连续电流与荷电...
【技术特征摘要】
1.一种基于集成深度学习的锂离子电池荷电状态预测方法，其特征在于，具体包括如下步骤：
2.根据权利要求1所述的一种基于集成深度学习的锂离子电池荷电状态预测方法，其特征在于，步骤2中对收集的锂离子电池可测变量数据进行预处理的过程为：剔除锂离子电池可测变量数据的离群值后进行归一化。
3.根据权利要求1所述的一种基于集成深度学习的锂离子电池荷电状态预测方法，其特征在于，步骤3包括如下子步骤：
4.根据权利要求3所述的一种基于集成深度学习的锂离子电池荷电状态预测方法，其特征在于，步骤3.2中滑动窗口尺寸内锂离子电池的连续电压、连续电流与荷电状态之间的互信息的计算过程为：
5.根据权利要求1所述的一种基于集成深度学习的锂离子电池荷电状态预测方法，其特征在于，步骤5中卷积对抗自编码网络包括：生成器和辨别器，所述生成器由四个逐渐降维的卷积编码器和四个逐渐升维的卷积解码器依次连接组成，用于对锂离子电池可测变量五元组的重构；所述辨别器由三个卷积编码器、一个展开层和一个全连接层依次连接组成，所述辨别器用于对锂离子电池可测变量五元组以及重构的锂离子电池可测变量五元组进行辨别。
6.根据权利要求5所述的一种基于集成深度学习的锂离子电池荷电状态预测方法，其特征在于，所述卷积编码器由多个第一卷积过滤器、第一relu激活函数和最大池化层依次连接组成，所述第一卷积过滤器用于特征提取，所述第一relu激活函数用于对提取的特征进行特征激活，所述最大池化层用于对激活的特征进行降维。
7.根据权利要求6所述的一种基于集成深度学习的锂离子电池荷电状态预测方法，其特征在于，所述卷积解码器由上采样层、第二卷积过滤器和第二relu激活函数依次连接组成，所述上采样层用于进行特征升维，所述第二卷积过滤器用于对降维的特征进行提取，所述第二relu激活函数用于对提取的特征进行激活。
8.根据权利要求7所述的一种基于集成深度学习的锂离子电池荷电状态预测方法，其特征...
【专利技术属性】
技术研发人员：韩哲哲，姜浩然，钱泽文，汤佳琪，朱昊，童莹，许传龙，
申请(专利权)人：南京工程学院，
类型：发明
国别省市：
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。