CN118566770B 电池系统健康状态值的估算方法及系统 （珠海市贡峰新能源开发有限公司）

本发明公开了一种电池系统健康状态值的经网络对空间特征进行提取和长短期记忆网络备高精度估算、动态适应和系统可靠性强的优2S7、采用交叉验证和实际操作数据进行模型验证iitt3ooS35、通过反向传播算法对混合神经网络模型进行为预测值；,,,4S55、根据电池健康状态的预测值ico和实际检测数据H(t)，动态调整安全阈值[HmiiS63、构建自适应反馈机制，通过实时监测电池6(t+1)=6(t)-uvgL(8));5real在不同操作条件和电池老化阶段下的性能，确保模型在长期实地应用中的准确性和可靠6iii形成统一时间戳的数据序列：对采集到的数据进行初步校验和清洗，剔除异常数据点Di(t)满足以下条件之一时被视为；ii7S23、采用基于统计特性的方法进行异常点；为：4.如权利要求1-3任一项所述的一种电池系统健康状态值的估算方法的电池系统健康多种类型的传感器模块，实时采集电池的关键性能数据处理单元，包括数据预处理模块和特征提取模块，数据预深度学习模型训练单元，包括卷积神经网络层和长短期记忆网络系统验证和稳定性测试模块，采用交叉验证8[0010]本发明的一个目的在于提出一种基于深度学习的电池系统健康状态值的估算方9i；；Di]+bf)；]+bo)；io[0068]S36、利用训练好的混合神经网络模型，自动识别与电池健康状态相关的关键特′[0085]S51、从预测模型中获取电池健康状态的预测值其中表示电池在时间t[0091]S55、根据电池健康状态的预测值和实际检测数据H(t)，动态调整安全阈值[0092]S56、设定保护措施，当电池健康状态的预测值io持续低于最低安全阈值Hmin或ii[0102]B(t+1)=B(t)-avoL8);[0105]S66、利用交叉验证方法评估模型在不同阶段的性能，交叉验证的误差评估指标[0137](1)本发明通过结合卷积神经网络和长短期记忆网络模型，实现了对电池数据的[0142](6)本发明通过交叉验证和实际操作数据进行模型验证和系统稳定性测试，确保[0144]图1为本发明提出的一种基于深度学习的电池系统健康状态值的估算方法及系统[0145]图2为本发明提出的一种基于深度学习的电池系统健康状态值的估算方法及系统[0146]图3为本发明提出的一种基于深度学习的电池系统健康状态值的估算方法及系统[0147]图4为本发明提出的一种基于深度学习的电池系统健康状态值的估算方法及系统i；；Di]+bf)；]+bo)；ioo[0202]S36、利用训练好的混合神经网络模型，自动识别与电池健康状态相关的关键特[0221]S51、从预测模型中获取电池健康状态的预测值其中表示电池在时间t[0227]S55、根据电池健康状态的预测值和实际检测数据H(t)，动态调整安全阈值[0228]S56、设定保护措施，当电池健康状态的预测值io持续低于最低安全阈值Hmin或ii[0242]S66、利用交叉验证方法评估模型在不同阶段的性能，交叉验证的误差评估指标[0277]在数据预处理完成后，利用卷积神经网络(CNN)和长短期记忆网络(LSTM)模型对数据进行特征提取和健康状态值估算。CNN用于提取空间特征，LSTM用于提取时间依赖特一[0284]从上表1可以看出，在部署系统前，公司平均每月检测到约2