申请/专利权人：烟台海博电气设备有限公司

申请日：2024-01-12

公开（公告）日：2024-03-22

公开（公告）号：CN117554846B

主分类号：G01R31/392

分类号：G01R31/392;G01R31/367

优先权：

专利状态码：有效-授权

法律状态：2024.03.22#授权;2024.03.01#实质审查的生效;2024.02.13#公开

摘要：本发明涉及锂离子电池检测技术领域，公开了计及约束条件的锂电池寿命预测方法及系统，其中方法包括如下步骤：S1：采集待预测锂电池的充放电数据；S2：得到预处理后的锂电池的充放电数据；S3：建立锂电池寿命预测模型，锂电池寿命预测模型包括高放电循环次数电池预测子模型和低放电循环次数电池预测子模型，并选择预测模型；S4：将数据输入选择的预测模型中，并输出预测结果。本发明在采用深度学习对锂电池寿命预测时，根据待预测锂电池的当前放电循环次数作为约束条件，并与设定阈值比较，选择采用高放电循环次数子模型还是低放电循环次数子模型预测，从而提高预测的准确度。

主权项：1.计及约束条件的锂电池寿命预测方法，其特征在于：包括如下步骤：S1：采集待预测锂电池的充放电数据；S2：对所述待预测锂电池的充放电数据进行数据预处理操作，得到预处理后的锂电池的充放电数据；S3：建立锂电池寿命预测模型，所述锂电池寿命预测模型包括高放电循环次数电池预测子模型和低放电循环次数电池预测子模型，并选择高放电循环次数电池预测子模型或低放电循环次数电池预测子模型作为预测模型；所述S3中，建立锂电池寿命预测模型，所述锂电池寿命预测模型包括高放电循环次数电池预测子模型和低放电循环次数电池预测子模型，具体包括：S31：所述高放电循环次数电池预测子模型采用卷积神经网络模型作为基础模型；所述低放电循环次数电池预测子模型采用人工神经网络模型作为基础模型；所述S31中，所述高放电循环次数电池预测子模型采用高放电循环次数电池数据集作为训练集；所述低放电循环次数电池预测子模型采用低放电循环次数电池数据集作为训练集；所述卷积神经网络模型的核心层包括：卷积层、池化层、全连接层；所述卷积层用于提取输入的锂电池充放电数据中的特征；所述池化层用于对上一层的输出特征进行平均值处理；所述全连接层用于最终预测结果的计算；S32：将待预测锂电池的当前放电循环次数作为约束条件，将预设阈值作为比较条件，通过所述约束条件与所述比较条件进行判断，根据判断结果选择高放电循环次数电池预测子模型或低放电循环次数电池预测子模型作为所述预测模型，所述预设阈值通过仿真计算得到；所述S32具体包括：S321：若待预测锂电池的当前放电循环次数高于所述预设阈值，则选择高放电循环次数电池预测子模型进行预测，得到待预测锂电池的剩余寿命预测结果；S322：若待预测锂电池的当前放电循环次数不高于所述预设阈值，则选择低放电循环次数电池预测子模型进行预测，得到待预测锂电池的剩余寿命预测结果；S4：将所述预处理后的锂电池的充放电数据输入所述S3中选择的所述预测模型中，并输出待预测锂电池的剩余寿命预测结果。

全文数据：

权利要求：

百度查询： 烟台海博电气设备有限公司 计及约束条件的锂电池寿命预测方法及系统

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