CN119199561B 一种电池健康状态预测方法、装置、设备及介质 （杭州科工电子科技股份有限公司）

所述充放电循环数据输入至训练好的电池健康型是基于样本锂电池的样本融合特征以及每一2将所述充放电循环数据输入至训练好的电池健康状态预测模型中所述电池健康状态预测模型是基于样本锂电池的样本融合特征以及每一次样本充放所述样本融合特征是基于时间一电压衰减关系识别充放电循环过放电循环的电池健康状态是根据样本充放电循环的电池容量与初始样本充放电循环的电所述电池健康状态预测模型通过以下步骤训练得获取样本锂电池的样本充放电循环数据，并对样本充放电循环根据每一次样本充放电循环的电池容量与初始样根据每一次样本充放电循环的样本特征，构建每一次样本充放合并每一次样本充放电循环周期的电压一时间衰减特征曲线中相同电压值的样本特将样本融合特征作为训练使用的输入数据，将每一次样本充放电所述合并每一次样本充放电循环周期的电压一时间衰减特征曲线通过预设经验曲线对每一条电压一时间衰减特征曲线分别进行拟合，合并每一次样本充放电循环周期的电压一时间衰减特征曲线中相同电压值的样本特确定电压分组特征中每个电压值相对于电压一时间衰减特征曲线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3所述电池健康状态预测模型包含卷积神经网络层和长短期记所述长短期记忆网络层包括顺序连接的第一关系捕捉层、第二关系捕捉层所述充放电循环数据分别经过恒等映射层处理、依次经过卷积将所述充放电循环数据输入至所述恒等映射层中，得到由所述恒将所述充放电循环数据输入至所述卷积神经网络层中，得到由所述将所述第一输出特征输入至长短期记忆网络层中，得到由所述长将所述恒等映射特征以及所述第三抽象特征输入至所述特征融合层中进行特征融合，电池预测模块，用于将所述充放电循环数据输入至训练好的电池健康状态预测模型所述电池健康状态预测模型是基于样本锂电池的样本融合特征以及每一次样本充放所述样本融合特征是基于时间一电压衰减关系识别充放电循环过放电循环的电池健康状态是根据样本充放电循环的电池容量与初始样本充放电循环的电所述电池健康状态预测模型通过以下步骤训练得获取样本锂电池的样本充放电循环数据，并对样本充放电循环根据每一次样本充放电循环的电池容量与初始样4根据每一次样本充放电循环的样本特征，构建每一次样本充放合并每一次样本充放电循环周期的电压一时间衰减特征曲线中相同电压值的样本特将样本融合特征作为训练使用的输入数据，将每一次样本充放电所述合并每一次样本充放电循环周期的电压一时间衰减特征曲线通过预设经验曲线对每一条电压一时间衰减特征曲线分别进行拟合，合并每一次样本充放电循环周期的电压一时间衰减特征曲线中相同电压值的样本特确定电压分组特征中每个电压值相对于电压一时间衰减特征曲线7.一种电子设备，包括存储器、处理器及被处理器执行时实现如权利要求1至5任一项所述电池健康状态预测5SOH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[0004]因此，如何提升神经网络模型预测锂电池SOH时的精度是目前业界亟待解决的重[0009]所述电池健康状态预测模型是基于样本锂电池的样本融合特征以及每一次样本合特征为训练使用的输入数据，每一次样本充放电循环的电池健康状态为训练使用的标本充放电循环的电池健康状态是根据样本充放电循环的电池容量与初始样本充放电循环6[0012]获取样本锂电池的样本充放电循环数据，并对样本充放[0013]根据每一次样本充放电循环的电池容量与初始样本充放电循环的电池容量的比7[0032]将所述恒等映射特征以及所述第三抽象特征输入至所述特征融合层中进行特征[0036]所述电池健康状态预测模型是基于样本锂电池的样本融合特征以及每一次样本合特征为训练使用的输入数据，每一次样本充放电循环的电池健康状态为训练使用的标本充放电循环的电池健康状态是根据样本充放电循环的电池容量与初始样本充放电循环述计算机程序被处理器执行时实现如上述任一项所述电池健康状态预测方8[0044]图2示出了本发明提供的电池健康状态预测方法中电压一时间衰减特征曲线的示[0045]图3示出了本发明提供的电池健康状态预测方法中电池健康状态预测模型的结构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它可以帮助用户了解到锂电池的剩余寿命以及容量衰减，同时SOH对于精准预测其他相关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9[0056]SOH预测：利用训练好的神经网络模型对待评估锂电池进行预测，得到锂电池的[0058]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[0059]因此，如何提升神经网络模型预测锂电池SOH时的精度是目前业界亟待解决的重[0062]在本实施例中，待检测锂电池的充放电循环数据可以是电池健康状态是根据样本充放电循环的电池容量与初始样本充放电循环的电池容量的比[0070]A20、根据每一次样本充放电循环的电池容量与初始样本充放电循环的电池容量[0073]该电池健康状态预测模型会以第次样本充放电循环的电池健康状态作为样本数据的标签，并且是基于选用的样本锂电池样本充放电循环数据的初始放电容量得到[0074]A30、根据每一次样本充放电循环的样本特征，构建每一次样本充放电循环的电二乘回归方式对实际测得的电压一时间衰减特征曲线与初始化的预设经验曲线进行拟合，[0085]在本实施例中，电池健康状态预测模型为结合了卷积神经网络（Convolutional[0087]具体的，卷积神经网络层（CNN层）包括顺序连接的卷积层、最大池化层（max网络能够有效地学习序列数据中的复杂特征和长期依赖[0096]通过进行数据挖掘特征融合策略，结合创新的基于CNN与LSTM的电池健康状态预康状态预测装置与上文描述的电池健康状态预测方是根据本发明实施例的电池健康状态预测装置的结构示意图，如图4所示，该装置可以包[0106]在本实施例中，待检测锂电池的充放电循环数据可以是电池健康状态是根据样本充放电循环的电池容量与初始样本充放电循环的电池容量的比[0114]所述电池健康状态预测模型是基于样本锂电池的样本融合特征以及每一次样本合特征为训练使用的输入数据，每一次样本充放电循环的电池健康状态为训练使用的标本充放电循环的电池健康状态是根据样本充放电循环的电池容量与初始样本充放电循环[0116]此外，上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以[0120]所述电池健康状态预测模型是基于样本锂电池的样本融合特征以及每一次样本合特征为训练使用的输入数据，每一次样本充放电循环的电池健康状态为训练使用的标本充放电循环的电池健康状态是根据样本充放电循环的电池容量与初始样本充放电循环序，该计算机程序被处理器执行时实现以执行上述各提供的以执行电池健康状态预测方[0125]所述电池健康状态预测模型是基于样本锂电池的样本融合特征以及每一次样本合特征为训练使用的输入数据，每一次样本充放电循环的电池健康状态为训练使用的标本充放电循环的电池健康状态是根据样本充放电循环的电池容量与初始样本充放