一种基于HS-MH-MoE模型和EIS数据的电池SOH和RUL联合预测方法技术

本发明专利技术公开一种基于HS‑MH‑MoE模型和EIS数据的电池SOH和RUL联合预测方法，包括步骤：S1测试并采集电池数据：采用专业阻抗谱测试仪器采集电池EIS数据；S2对不同的EIS数据以及对应的SOH和RUL数据进行融合；S3使用多层多头稀疏MLP子专家模型提取EIS数据特征；S4生成共享特征表示；S5同时预测电池SOH和RUL。本发明专利技术使用简单的多层感知机模型，作为专家子模型，构建HS‑MH‑MoE模型，在一个模型中使用EIS融合数据，联合预测电池SOH和RUL。本发明专利技术兼顾多源数据融合、多层多头稀疏模型集成、多目标预测、特征共享、精度和效率等综合优势，是一个高性能高效率预测模型。

【技术实现步骤摘要】

本专利技术属于电化学，尤其是一种基于hs-mh-moe模型和eis数据的电池soh和rul联合预测方法。

技术介绍

1、电池健康状态（state of health，soh）是衡量电池相对于新状态的性能水平的指标，用于监测电池性能、预测寿命、评估安全性、指导维护计划，并帮助用户做出更换决策，对电池的优化使用和安全管理具有重要作用。

2、电池剩余使用寿命（remaining useful life，rul）是预测电池在当前状态下还能使用多久的指标，它有助于进行预防性维护、优化成本、保障安全、规划资源、提升用户体验、确保系统可靠性、改进产品设计、遵从法规要求，并对电池的回收和再利用提供指导。常见的电池rul有电池剩余循环次数。

3、因此预测电池soh和rul具有很高的应用价值。

4、电化学阻抗谱（electrochemical impedance spectroscopy，eis)是一种用于表征电池内部电化学过程的测试方法。如果电池活性材料减少,使用性能变差，eis曲线也会相应的改变，因此使用eis预测soh和rul是一条可本文档来自技高网...

【技术保护点】

1.一种基于HS-MH-MoE模型和EIS数据的电池SOH和RUL联合预测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种基于HS-MH-MoE模型和EIS数据的电池SOH和RUL联合预测方法，其特征在于，在步骤S3中，所述MLP模型是专家子模型，采用多层感知机模型，为一个3层的网络结构，输入层接收输入数据，中间层为32维向量，激活函数为relu函数，输出层是一个32维向量，激活函数为relu，输出层即为输入数据的特征表达。

3.根据权利要求1所述的一种基于HS-MH-MoE模型和EIS数据的电池SOH和RUL联合预测方法，其特征在于，在步骤S3中，...

【技术特征摘要】

1.一种基于hs-mh-moe模型和eis数据的电池soh和rul联合预测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种基于hs-mh-moe模型和eis数据的电池soh和rul联合预测方法，其特征在于，在步骤s3中，所述mlp模型是专家子模型，采用多层感知机模型，为一个3层的网络结构，输入层接收输入数据，中间层为32维向量，激活函数为relu函数，输出层是一个32维向量，激活函数为relu，输出层即为输入数据的特征表达。

3.根据权利要求1所述的一种基于hs-mh-moe模型和eis数据的电池soh和rul联合预测方法，其特征在于，在步...

【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：