【技术实现步骤摘要】
本申请属于人工智能和电池健康状态(state of health,soh)预测领域。
技术介绍
1、锂离子电池技术作为新能源技术发展中的重要支撑，在推动能源转型、实现碳中和目标以及提升能源利用效率方面发挥着不可替代的作用。而现有的技术很难完全解释锂离子电池的性能退化现象，因此如何更准确地衡量电池的健康状态对于维护锂离子电池等相关设备的稳定性和安全性相当重要。
2、电池soh反映锂离子电池退化程度和健康状态的重要指标。现有的电池soh预测技术大致分为基于数据驱动以及模型和模型-数据驱动的方法。基于模型的方法是基于已知的物理和化学模型的物理退化过程，能够揭示电池性能退化的内在机理，具有很强的解释性。然而，想要通过模型法进行精确地电化学建模却又受电池内部复杂的电化学反应所限制。数据驱动的方法可以不受电池内部电化学反应的复杂影响，通过充分挖掘电池的历史退化数据，充分拟合输入和输出的非线性关系，实现对电池soh的预测。模型-数据驱动融合的方法仍然受限于单一模型的不足，且数据质量和模型性能直接影响最终结果。
本文档来自技高网...
【技术保护点】
1.基于融合退化机理与深度学习的锂离子电池健康状态预测方法，其特征在于，包括：
2.根据权利要求1所述的基于融合退化机理与深度学习的锂离子电池健康状态预测方法，其特征在于，所述被测锂离子电池的特征，包括：恒流充电时间、电池充电阶段IC曲线的峰值所对应的电压、以及电池内阻。
3.根据权利要求2所述的基于融合退化机理与深度学习的锂离子电池健康状态预测方法，其特征在于，在将所述被测锂离子电池的容量和特征输入所述预测模型前，对所述被测锂离子电池特征进行标准化处理。
4.根据权利要求3所述的基于融合退化机理与深度学习的锂离子电池健康状态预测方...
【技术特征摘要】
1.基于融合退化机理与深度学习的锂离子电池健康状态预测方法，其特征在于，包括：
2.根据权利要求1所述的基于融合退化机理与深度学习的锂离子电池健康状态预测方法，其特征在于，所述被测锂离子电池的特征，包括：恒流充电时间、电池充电阶段ic曲线的峰值所对应的电压、以及电池内阻。
3.根据权利要求2所述的基于融合退化机理与深度学习的锂离子电池健康状态预测方法，其特征在于，在将所述被测锂离子电池的容量和特征输入所述预测模型前，对所述被测锂离子电池特征进行标准化处理。
4.根据权利要求3所述的基于融合退化机理与深度学习的锂离子电池健康状态预测方法，其特征在于，所述对所述被测锂离子电池特征进行标准化处理，包括：
5.根据权利要求3所述的基于融合退化机理与深度学习的锂离子电池健康状态预测方法，其特征在于，所述预测模型的损失函数表达式如下：
6.根据权利要求3所述的基于融合退化机理与深度学习的锂离子电池健康状态预测方法，...
【专利技术属性】
技术研发人员：刘瑞，杜中魁，卢山，杨广，孙国栋，温锡昌，
申请(专利权)人：深圳职业技术大学，
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。