技术特征：
1.基于双塔深度学习网络的电池容量预估模型，其特征在于：第一输入层，其用于输入恒流充电特征序列；第一全连接网络，其用于对恒流充电特征序列进行处理并生成第一输出；第二输入层，其用于输入随机放电特征序列；第二全连接网络，其用于对随机放电特征序列进行处理并生成第二输出；以及输出层，其用于对第一输出和第二输出进行合并后，生成预估电池容量。2.根据权利要求1所述的基于双塔深度学习网络的电池容量预估模型，其特征在于：第一全连接网络具有依次连接的3层全连接网络层，其神经元个数分别为125、64及32；每层全连接网络层的公式为，其中，和分别为第l层全连接网络层的权重矩阵和偏置矩阵，为激活函数，为第l层全连接网络层的输出并作为第l+1层全连接网络层的输入，为第l层全连接网络层输入，首层全连接网络层的输入为恒流充电特征序列，1≤l≤3。3.根据权利要求2所述的基于双塔深度学习网络的电池容量预估模型，其特征在于：第二全连接网络具有依次连接的3层全连接网络层，其神经元个数分别为125、64及32；每层全连接网络层的公式为，其中，和分别为第m层全连接网络层的权重矩阵和偏置矩阵，σ为激活函数，为第m层全连接网络层的输出并作为第m+1层全连接网络层的输入，为第m层全连接网络层输入，首层全连接网络层的输入为恒流充电特征序列，1≤m≤3。4.根据权利要求3所述的基于双塔深度学习网络的电池容量预估模型，其特征在于：输出层的公式为，其中，为输出层的输出，即预估电池容量；和b分别表示输出层的权重矩阵及偏置矩阵，为第一全连接网络的输出，为第二全连接网络的输出，表示将和进行拼接。5.基于双塔深度学习网络的电池容量预估方法，其包括如下步骤：步骤s1、构建权利要求1
‑
3中任一所述的电池容量预估模型；步骤s2、对经步骤s1构建的电池容量预估模型进行训练；步骤s3、在一个循环周期中，自预估对象的恒流充电曲线中提取恒流充电特征序列并通过第一输入层输入至第一全连接网络处，自预估对象的随机放电曲线中提取随机放电特征序列并通过第二输入层输入至第二全连接网络处，进而通过输出层输出预估对象在相应循环次数下的预估电池容量。6.根据权利要求5所述的基于双塔深度学习网络的电池容量预估方法，其特征在于：步骤s2具体包括如下步骤，
步骤s21、构建训练库所构建的训练库具有多条样本数据，单条样本数据自电池同一循环周期中采集且表示为，其中，为单条样本数据的恒流充电特征序列，为单条样本数据的随机放电特征序列，为单条样本数据的标签，表示和所对应的电池实际容量；步骤s22、初始化网络参数；步骤s23、构建损失函数，并基于梯度下降法实现网络参数的优化。7.根据权利要求6所述的基于双塔深度学习网络的电池容量预估方法，其特征在于：步骤s21中，在实验室条件下采集多个电池在多个循环周期中的恒流充电曲线及随机放电曲线，自恒流充电曲线中提取，自随机放电曲线中提取，单条样本数据中的和所对应的循环次数一致，单条样本数据中的为对应循环次数下的电池实际容量。8.根据权利要求7所述的基于双塔深度学习网络的电池容量预估方法，其特征在于：构建q1时，自恒流充电曲线中截取一个特定电压段，之后获取该特定电压段的充电时间t，温度变化，充电电流值i，电池的循环次数及充电时电池的温度，则，其中，充电时间t表示电池电压自充电至所需的时间，表示电池电压为和时所对应的温度的差值，i表示恒流充电的充电电流，表示电池开始充电时的电池温度。9.根据权利要求7所述的基于双塔深度学习网络的电池容量预估方法，其特征在于：构建q2时，自随机放电曲线中截取一个特定电压段，之后获取该特定电压段的放电电荷量c、温度变化，电池的循环次数及放电时电池的温度，则，其中，放电电荷量c表示电池电压自放电至所放出的电荷量，温度变化表示电池电压为和时所对应的温度差值，表示电池开始放电时的电池温度。
技术总结
本发明涉及电池容量预测技术领域，具体地说，涉及一种基于双塔深度学习网络的电池容量预估模型及方法。该电池容量预估模型包括：第一输入层，其用于输入恒流充电特征序列；第一全连接网络，其用于对恒流充电特征序列进行处理并生成第一输出；第二输入层，其用于输入随机放电特征序列；第二全连接网络，其用于对随机放电特征序列进行处理并生成第二输出；以及输出层，其用于对第一输出和第二输出进行合并后，生成预估电池容量。该方法基于上述模型实现。本发明具备更高的电池容量估计精度。本发明具备更高的电池容量估计精度。本发明具备更高的电池容量估计精度。
技术研发人员：肖劼 胡雄毅 余为才
受保护的技术使用者：杭州宇谷科技有限公司
技术研发日：2021.11.03
技术公布日：2021/11/30