申请/专利权人：长安大学

申请日：2023-12-09

公开（公告）日：2024-03-19

公开（公告）号：CN117723997A

主分类号：G01R31/392

分类号：G01R31/392;G01R31/388;G01R31/36;G01R31/396

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.05#实质审查的生效;2024.03.19#公开

摘要：本发明公开了一种基于优化时域卷积网络的锂电池健康状态预测方法、系统、设备及存储介质，通过利用变分模态分解‑排列熵和改进蜣螂算法优化的时域卷积网络结合的方法，首先采用VMD算法将原始SOH数据分解成一系列不同的子模态，利用PE算法分析其复杂度并重组得到子序列，然后采用TCN网络对各子序列进行预测，在模型训练前采用SPM混沌映射、黄金正弦策略和自适应高斯‑柯西混合变异扰动的IDBO算法对TCN参数进行优化；最后叠加各子序列的预测值作为最终预测结果，精准的预测到容量再生等非线性分量趋势，减小了非线性分量对SOH预测的影响，通过IDBO对TCN的超参数进行优化极大提高SOH的预测精度和预测稳定性。

主权项：1.基于优化时域卷积网络的锂电池健康状态预测方法，其特征在于，包括以下步骤：获取历史健康因子数据和历史SOH数据；对历史SOH数据通过VMD分解为多个子模态，根据各子模态的PE分析结果进行子序列重组；以历史健康因子数据作为输入，分解重组后的历史SOH数据作为输出对锂电池健康状态预测模型进行训练；将锂电池健康状态预测模型输出的各子序列预测结果相加合并得到最终的预测结果；所述锂电池健康状态预测模型采用IDBO-TCN模型。

全文数据：

权利要求：

百度查询： 长安大学 基于优化时域卷积网络的锂电池健康状态预测方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD