CN119538743A 一种预测电池soh和rul的模型训练方法、预测方法及设备 (南通乐创新能源有限公司)_第1页
CN119538743A 一种预测电池soh和rul的模型训练方法、预测方法及设备 (南通乐创新能源有限公司)_第2页
CN119538743A 一种预测电池soh和rul的模型训练方法、预测方法及设备 (南通乐创新能源有限公司)_第3页
CN119538743A 一种预测电池soh和rul的模型训练方法、预测方法及设备 (南通乐创新能源有限公司)_第4页
CN119538743A 一种预测电池soh和rul的模型训练方法、预测方法及设备 (南通乐创新能源有限公司)_第5页
已阅读5页,还剩29页未读, 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

本发明提供一种预测电池SOH和RUL的模型获取电池的历史充放电过程中的性能监测数据值和剩余循环次数预测值;基于电池容量预测2获取电池的历史充放电过程中的性能监测数据及对应的标签数据基于所述性能监测数据,经由多目标预测模型,同时输出电基于所述电池容量预测值、所述剩余循环次数预测值和所所述多目标预测模型用于同时预测电池在当前状态下的电池容所述基于所述性能监测数据,经由多目标预测模型,输出电池容将所述性能监测数据输入所述卷积神经网络,输出所述性能监测数据的空间特征数将所述空间特征数据输入所述双向长短期记忆网络,输出所述将所述时序特征数据输入所述Transformer模型,输出所述性能监测数据的于不同子将所述全局特征数据输入所述预测网络,同时输出电池容量所述将所述性能监测数据输入所述卷积神经网络,输出所述性能监将所述性能监测数据输入所述卷积层,通过卷积操作学习和识别出将所述卷积计算结果输入所述池化层,对所述卷积计算结果进行最所述将所述空间特征数据输入所述双向长短期记忆网络,输出所述在同一时刻,所述前向LSTM网络按正向时间序列获取所述空间特征数据的前向隐状拼接或添加所述前向隐状态和所述后向隐状态作为该时刻的输34.根据权利要求1所述的预测电池SOH和RUL的模型训练方法,其特征在于,所述所述将所述时序特征数据输入所述Transformer模型,输出所述性能监测数据的于不所述位置编码层对所述时序特征数据于时间步顺序添加位置向量,所所述多头注意力机制网络学习所述时序特征数据在不同位置之间的相关所述前馈全连接网络提取和融合不同位置的特征信息所述将所述全局特征数据输入所述预测网络,输出电池容量预将所述全局特征数据输入所述全连接层进行特征整合和变换,以生将所述特征表示输入所述输出层,通过所述输出层设置的两个线性将所述电流数据、所述电压数据和所述温度数据输入至预先训练好的多目标预测模电池SOH和RUL的数据指标,所述预先训练好的多目标预测模型通过如权利要求1_5任一项所述的预测电池SOH和RUL的模型训练方法训练得一个或多个处理器;以及存储有计算机程序指令的存储器,所述处理器执行时实现如权利要求1_5任一项所述的预测电池SOH和RUL的模型训练方法的程序/指令被处理器执行时实现如权利要求1_5任一项所述的预测电池SOH和RUL的模型训理器执行时实现如权利要求1_5任一项所述的预测电池SOH和RUL的模型训练方法的步骤,或实现如权利要求6所述的电池SOH和RUL的预测方法45将所述时序特征数据输入所述Transformer模型,输出所述性能监测数据的于不将所述卷积计算结果输入所述池化层,对所述卷积计算结果进行最大池化操作,[0010]根据本发明提供的一种预测电池SOH和RUL的模型训练方法,所述Transformer模所述将所述时序特征数据输入所述Transformer模型,输出所述性能监测数据的6[0011]根据本发明提供的一种预测电池SOH和RUL的模型训预测电池SOH和RUL的模型训练方法训练得在被所述处理器执行实现如上述任一种所述的预测电池SOH和RUL的模型训练方法的步骤,或实现如上述所述的电池SOH和RUL的所述计算机程序/指令被处理器执行时实现如上述任一种所述的预测电池SOH和RUL的模型该计算机程序/指令被处理器执行时实现如上述任一种所述的预测电池SOH和RUL的模型训7图3是本发明实施例提供的训练多目标预测模型预测电池SOH和RUL的流程示意[0019]上述说明仅是本发明技术方案的概述,为了能够更清楚术语或者科学术语应当为本发明所属技术领域内具有一般技能的人士所理解的通常意义。[0023]双向长短期记忆网络(BidirectionalLongShort_TermMemory,BiLSTM),89全局特征学习:Transformer模型通过自注意力机制可以学习任意距离特征之间特征丰富性:多头自注意力机制网络使Transformer模型学习到了不同子空间的连接和归一化层之间的关系及协作机制详细帮助模型理解不同时间步的电流、电压、温度之间的相互影响。通过分割输入向量到多个间的变化趋势。述计算机程序指令在被执行时使所述处理器执行如上述实施例一提供的预测电池SOH和RUL的模型训练方法的步骤,或实现如上述实施例二提供的电池SOH和RUL的预测方法的步以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实指令被处理器执行时实现如上述实施例一提供的预测电池SOH和RUL的模型训练方法的步上述计算机可读介质承载有一个或者多个计算机实施例中的上述任意一个或多个实施例所提供的方法对(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器[0088]可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算部分在用户计算机上部分在远程计算机上执行,或者完全在远程计算机或服务器上执行。[0090]本申请实施例提供的计算机程序产品包括一个或多个计算机程序/指令,该计算

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论