一种基于神经网络的锂电池健康状态预测方法及系统与流程

本发明属于锂电池健康状态预测，尤其涉及一种基于神经网络的锂电池健康状态预测方法及系统。

背景技术：

1、锂电池健康状态预测中存在一个关键技术难题，即如何在保证预测精度的同时，最大限度地降低预测模型的计算复杂度和资源消耗。当前，业界普遍采用基于神经网络的方法进行锂电池健康预测，然而，随着锂电池的工况条件日益复杂多变，传统的神经网络模型已经难以满足实时性和鲁棒性的要求。

2、具体来说，锂电池健康预测需要融合电压、电流、温度等多源异构数据，并考虑充放电倍率、环境温度等外部因素的影响。此外，锂电池的容量和内阻等关键参数是随时间动态变化的，因此需要预测模型能够自适应地学习和更新。

3、另一方面，锂电池健康预测对于模型的计算效率也提出了很高的要求。在实际应用中，往往需要对大量的电池进行实时监测和预测，因此预测模型必须能够在资源受限的嵌入式设备上高效运行。然而，目前的深度神经网络模型通常计算复杂度较高，难以在低功耗设备上实现实时预测。

4、因此，亟需研究一种计算高效、鲁棒性强的锂电池健康预测方法。该方法需要能够自适应地提取和融合多源传感数据，构建动态更新的预测模型，并在保证预测精度的同时最小化计算开销，以满足实时预测的需求。这需要在神经网络架构设计、自适应学习算法、模型压缩等方面进行系统性创新，以期突破现有技术瓶颈，实现高效可靠的锂电池健康状态预测。

技术实现思路

1、为解决上述技术问题，本发明提出了一种基于神经网络的锂电池健康状态预测方法及系统，以解决上述现有技术存在的问题。

2、为实现上述目的，本发明提供了一种基于神经网络的锂电池健康状态预测方法，包括：

3、获取锂电池的多源异构数据，对多源异构数据进行分解；根据多源异构数据，获取关键特征；构建训练集，其中所述训练集包括多源异构数据、分解后的数据和关键特征；

4、构建多尺度循环神经网络模型，通过训练集对多尺度循环神经网络模型进行训练，得到优化后的模型；获取锂电池的运行数据，通过优化后的模型对运行数据进行预测，得到锂电池健康状态序列数据。

5、优选的，所述多源异构数据包括电压数据、电流数据和温度数据。

6、优选的，关键特征包括电池容量衰减速率和放电电压曲线下的面积，其中，所述电池容量衰减速率通过根据充电初始容量和当前容量进行计算得到，所述放电电压曲线下的面积通过对电压数据进行曲线绘制统计得到。

7、优选的，所述多尺度循环神经网络模型采用长短期记忆网络。

8、优选的，所述训练集还划分为不同工况下的数据，其中不同工况为不同放电倍率、温度和充放电循环策略的组合情况。

9、优选的，通过时间序列分解算法对对多源异构数据进行分解，分解后的数据包括电压数据和电流数据的趋势项、周期项和随即项。

10、优选的，多尺度循环神经网络模型还包括注意力机制，其中所述注意力机制添加在所述长短时记忆网络的输出端，对所述长短时记忆网络输出的健康状态序列数据进行权重分配，得到未来时间下的健康状态序列数据。

11、优选的，对多尺度循环神经网络模型进行训练的过程包括：

12、通过自适应学习率调整策略对多尺度循环神经网络模型进行训练，对训练后的多尺度循环神经网络模型进行轻量化设置和迭代优化，得到优化后的模型。

13、另一方面，本发明还提供了一种基于神经网络的锂电池健康状态预测系统，用于执行上述基于神经网络的锂电池健康状态预测方法。

14、与现有技术相比，本发明具有如下优点和技术效果：

15、本发明公开了一种锂电池健康状态预测方法。构建融合外部因素的多尺度循环神经网络模型，捕捉电池容量和内阻的动态变化趋势。在此基础上设计轻量化的长短时记忆网络，通过门控机制实现信息的选择性记忆和遗忘。为捕捉电池老化退化的长期依赖关系，引入注意力机制的序列预测模型。针对工况条件变化，采用自适应学习机制调整模型参数。本发明通过多层次的深度学习模型设计，实现了锂电池健康状态的精确预测，克服了传统方法难以应对复杂工况和长期退化的问题，提高了预测的鲁棒性和泛化能力。

技术特征：

1.一种基于神经网络的锂电池健康状态预测方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，

3.根据权利要求1所述的方法，其特征在于，

4.根据权利要求1所述的方法，其特征在于，

5.根据权利要求1所述的方法，其特征在于，

6.根据权利要求1所述的方法，其特征在于，

7.根据权利要求1所述的方法，其特征在于，

8.根据权利要求1所述的方法，其特征在于，

9.一种基于神经网络的锂电池健康状态预测系统，其特征在于，用于执行权利要求1-8任一项所述的基于神经网络的锂电池健康状态预测方法。

技术总结
本发明公开了一种基于神经网络的锂电池健康状态预测方法及系统，包括：获取锂电池的多源异构数据，对多源异构数据进行分解；根据多源异构数据，获取关键特征；构建训练集，其中所述训练集包括多源异构数据、分解后的数据和关键特征；构建多尺度循环神经网络模型，通过训练集对多尺度循环神经网络模型进行训练，得到优化后的模型；获取锂电池的运行数据，通过优化后的模型对运行数据进行预测，得到未来时间下的锂电池健康状态序列数据。

技术研发人员：赵凯,徐鹏斐,周健军
受保护的技术使用者：浙江启扬智能科技有限公司
技术研发日：
技术公布日：2025/3/20