【技术实现步骤摘要】
本专利技术涉及新能源，具体涉及一种电池健康状态预测方法、装置、设备及介质。
技术介绍
1、锂电池在经历反复充放电循环后，其内阻会逐步增加，内阻的增加又会导致电池在充放电过程中产生显著的发热现象，进而引发锂电池发生不可逆的老化和性能衰退。电池健康状态（state of health，soh）可以用来表示锂电池的剩余寿命，随着锂电池充放电循环次数的增加，soh会降低，即电池剩余寿命减少以及可用容量会逐渐减少，当soh下降到一定阈值例如80%以下时，就需要停止锂电池的使用或者限制使用，因此准确预测锂电池的soh电池对其使用极其重要。目前基于机器学习的方法例如神经网络模型被广泛应用于预测锂电池的soh。
2、在锂电池充放电循环过程中，放电过程存在一个特定的时间节点，在此特定的时间节点之前和之后，电压的下降速率存在显著的差异，这个特定的时间节点被称为放电电压-时间特征曲线拐点，该拐点电压将伴随锂电池老化和性能衰退而逐渐下降。正是由于该拐点的存在，导致采集到的锂电池充放电循环过程的数据分布不均衡，这种不均衡性可能导致神经网络模型在训练过...
【技术保护点】
1.一种电池健康状态预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的电池健康状态预测方法，其特征在于，所述电池健康状态预测模型通过以下步骤训练得到：
3.根据权利要求2所述的电池健康状态预测方法，其特征在于，所述合并每一次样本充放电循环周期的电压-时间衰减特征曲线中相同电压值的样本特征，得到电压分组特征，并获取电压分组特征的衍生特征，进行电压分组特征与衍生特征的特征融合，得到样本融合特征，具体包括：
4.根据权利要求1所述的电池健康状态预测方法，其特征在于，所述电池健康状态预测模型为结合了卷积神经网络与长短期记忆网络的...
【技术特征摘要】
1.一种电池健康状态预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的电池健康状态预测方法，其特征在于，所述电池健康状态预测模型通过以下步骤训练得到：
3.根据权利要求2所述的电池健康状态预测方法，其特征在于，所述合并每一次样本充放电循环周期的电压-时间衰减特征曲线中相同电压值的样本特征，得到电压分组特征，并获取电压分组特征的衍生特征，进行电压分组特征与衍生特征的特征融合，得到样本融合特征，具体包括：
4.根据权利要求1所述的电池健康状态预测方法，其特征在于，所述电池健康状态预测模型为结合了卷积神经网络与长短期记忆网络的复合神经网络模型；
5.根据权利要求4所述的电池健康状态预测方法，其特征在于，所述卷积神经网络层包括顺序连接的卷积层、最大池化层、数据展平层和第一全连接层；
6.根...
【专利技术属性】
技术研发人员：刘爱华，赵广洋，王荣强，宋欣民，
申请(专利权)人：杭州科工电子科技股份有限公司，
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。