锂电池健康状态预测方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种锂电池健康状态预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。方法包括：采集锂电池充放电实验产生的多维时序数据，对多维时序数据进行处理生成模型输入序列；将模型输入序列输入至深度神经网络，得到当前时刻锂电池健康状态的时间导数，并预训练深度神经网络；将模型输入序列输入至贝叶斯LSTM网络，输出下一时刻的锂电池健康状态的预测值，并预训练贝叶斯LSTM网络，对下一时刻的锂电池健康状态的预测值进行不确定性估计；构造总损失函数，利用总损失函数，联合训练深度神经网络与贝叶斯LSTM网络，得到目标预测模型，预测锂电池健康状态。采用本方法能够实现高精度、高可靠性和强适应性地预测锂电池健康状态。

【技术实现步骤摘要】

本申请涉及锂电池，特别是涉及一种锂电池健康状态预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

技术介绍

1、近年来，物理-数据融合方案在多个领域得到了广泛应用，尤其是在电池健康状态（soh）预测领域。然而，当前的物理-数据融合方案大多采用串联式框架，即将物理模型的输出作为预测网络的输入。这种框架存在两大显著缺陷：首先，物理模型的简化误差会传导至预测结果，导致预测精度下降；其次，分阶段训练方式使得联合优化不充分，难以充分发挥物理与数据的协同优势。特别是在电池老化这种强噪声、非平稳过程中，现有技术难以同时保障预测的机理一致性、不确定性量化能力与工况泛化性。

2、锂电池健康状态（soh）预测是电池管理系统的核心技术，其预测精度直接影响设备的安全性与使用寿命。然而，现有的预测方法存在显著局限性。一方面，基于物理模型的方法（例如等效电路模型）依赖于电化学方程的简化，需要精确的参数标定，并且难以适配复杂工况下的非线性退化过程。另一方面，纯数据驱动的方法（例如lstm）虽然能够学习历史数据中的规律，但缺乏物理约束，容易导致预测结果违反实际的本文档来自技高网...

【技术保护点】

1.一种锂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所述的方法，其特征在于，所述采集锂电池充放电实验产生的多维时序数据，基于时间相关性，利用滑动窗口机制对多维时序数据进行处理，生成模型输入序列，包括：

3.根据权利要求2所述的方法，其特征在于，所述利用所述时间导数预训练深度神经网络，包括：

4.根据权利要求1所述的方法，其特征在于，所述将所述模型输入序列输入至贝叶斯LSTM网络，输出下一时刻的锂电池健康状态的预测值，利用所述下一时刻的锂电池健康状态的预测值预训练所述贝叶斯LSTM网络，包括：

5.根据权利要求4所述...

【技术特征摘要】

1.一种锂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所述的方法，其特征在于，所述采集锂电池充放电实验产生的多维时序数据，基于时间相关性，利用滑动窗口机制对多维时序数据进行处理，生成模型输入序列，包括：

3.根据权利要求2所述的方法，其特征在于，所述利用所述时间导数预训练深度神经网络，包括：

4.根据权利要求1所述的方法，其特征在于，所述将所述模型输入序列输入至贝叶斯lstm网络，输出下一时刻的锂电池健康状态的预测值，利用所述下一时刻的锂电池健康状态的预测值预训练所述贝叶斯lstm网络，包括：

5.根据权利要求4所述的方法，其特征在于，所述对所述下一时刻的锂电池健康状态的预测值进行不确定性估...

【专利技术属性】
技术研发人员：怡勇，杨国威，齐绩，詹文炜，田杰，罗欣儿，赖天德，姜久春，杨晓光，
申请(专利权)人：深圳供电局有限公司，
类型：发明
国别省市：