退役动力电池的老化模型和老化状态预测方法及系统技术方案

退役动力电池的老化模型和老化状态预测方法及系统，获取电池簇的老化特征参量序列；老化特征参量序列划分为多段；在老化特征参量序列的各段内，采用不同类型的衰减函数进行拟合，以各类衰减函数对各段的隶属概率与各类衰减函数的加权和，作为各段的融合拟合函数；各段融合拟合函数拼接后得到退役动力电池的老化模型；对各段的融合拟合函数进行聚类，得到各段内各聚类的典型融合函数；建立老化状态预测模型，包括基于Transformer网络的输入层、基于注意力机制的物理约束层、复合损失计算层、以及反馈层；老化状态预测模型输出的老化特征参量融合序列为目标电池簇的老化状态预测结果；基于有限参数实现电池老化状态精准建模与动态预测。

【技术实现步骤摘要】

本专利技术属于动力电池梯次利用，具体涉及一种面向退役动力电池的老化模型和老化状态预测方法及系统。

技术介绍

1、随着全球新能源汽车产业的快速发展，动力电池大规模退役浪潮已经到来。然而，退役动力电池在实际回收场景中普遍面临核心数据缺失的严峻挑战：由于早期电池管理系统数据记录不完整、车辆运行工况复杂多变，一些退役电池仅能获取循环次数、内阻变化及剩余容量等有限参数，而缺乏充电电压曲线、温度历程、放电深度等精细化数据；退役电池因充放电电流、温度曲线、放电深度等历史运行数据丢失或记录不全，导致传统基于电化学机理的老化模型因输入参数维度不足而失效，而纯数据驱动的深度学习方法则因特征稀疏性引发过拟合，两者均无法仅凭循环次数、内阻和容量变化等有限数据建立可靠的衰减规律映射关系。这种数据的高度稀疏性导致传统基于电化学机理的老化模型难以准确拟合电池衰减轨迹，而纯数据驱动的机器学习方法又因样本特征维度不足而出现严重过拟合现象。电池老化轨迹受未知使用场景的强干扰，同一型号电池因历史工况差异可能呈现完全不同的衰减模式，现有静态模型难以自适应区分不同衰减阶段特征，导致对容量跳水点等关本文档来自技高网...

【技术保护点】

1.一种退役动力电池的老化模型和老化状态预测方法，其特征在于，包括：

2.根据权利要求1所述的退役动力电池的老化模型和老化状态预测方法，其特征在于，

3.根据权利要求2所述的退役动力电池的老化模型和老化状态预测方法，其特征在于，

4.根据权利要求3所述的退役动力电池的老化模型和老化状态预测方法，其特征在于，

5.根据权利要求4所述的退役动力电池的老化模型和老化状态预测方法，其特征在于，

6.根据权利要求5所述的退役动力电池的老化模型和老化状态预测方法，其特征在于，

7.根据权利要求5所述的退役动力电池的老化模型和老化...

【技术特征摘要】

1.一种退役动力电池的老化模型和老化状态预测方法，其特征在于，包括：

2.根据权利要求1所述的退役动力电池的老化模型和老化状态预测方法，其特征在于，

3.根据权利要求2所述的退役动力电池的老化模型和老化状态预测方法，其特征在于，

4.根据权利要求3所述的退役动力电池的老化模型和老化状态预测方法，其特征在于，

5.根据权利要求4所述的退役动力电池的老化模型和老化状态预测方法，其特征在于，

6.根据权利要求5所述的退役动力电池的老化模型和老化状态预测方法，其特征在于，

7.根据权利要求5所述的退役动力电池的老化模型和老化状态预测方法，其特征在于，

8.根据权利要求7所述的退役动力电池的老化模型和老化状态预测方法，其特征在于，

9.根据权利要求4所述的退役动力电池的老化模型和老化状...

【专利技术属性】
技术研发人员：李秋实，李亚飞，沈秋英，顾立群，崔国增，沈竹筠，曹科才，徐煦，王泽林，
申请(专利权)人：国网江苏省电力有限公司苏州供电分公司，
类型：发明
国别省市：