[发明专利]一种基于二次融合的锂电池SOH估计方法和系统

权利要求书

1.一种基于二次融合的锂电池SOH估计方法，其特征在于，包括：

采集锂电池SOH数据集，SOH数据集包括锂电池的关键生命时段的SOH数据；

根据SOH数据集的每条数据的SOH大小将SOH数据集分成等间隔的M段数据集；

将每一段数据集分别输入N个模型进行训练，筛选出所有预测精度满足预置精度的模型；

将每一段数据集对应的所有满足预置精度的模型进行训练参数初始化并通过预置元学习器进行Stacking融合，得到每一段数据集对应的Stacking模型；

将每一段数据集对应的Stacking模型和每一个预测精度满足预置精度的模型的输出当作一层BP神经网络的输入进行二次融合训练，得到每一段数据集对应的二次融合模型，二次融合模型的SOH预测结果表达式为：

SOH_预测＝W₁×SOH₁+W₂×SOH₂+…+W_n×SOH_n+W_n+1×SOH_n+1

其中，SOH₁为Stacking模型的预测值，SOH₂、SOH_n、SOH_n+1分别为满足预置精度的模型的预测值，W₁、W₂、W_n、W_n+1分别为BP神经网络训练好的权值；

将获取到的待预测SOH的锂电池数据输入LSTM神经网络初步预测锂电池SOH的大小；

根据LSTM神经网络初步预测的锂电池SOH的大小确定待预测SOH的锂电池数据落入的数据集段，选择与待预测SOH的锂电池数据落入的数据集段对应的二次融合模型进行最终的SOH预测。

2.根据权利要求1所述的基于二次融合的锂电池SOH估计方法，其特征在于，在步骤采集锂电池SOH数据集，SOH数据集包括锂电池的关键生命时段的SOH数据之后，步骤根据SOH数据集的每条数据的SOH大小将SOH数据集分成等间隔的M段数据集之前，还包括：

判断SOH数据集的样本数据是否足够，若否，则采用生成式对抗网络对SOH数据集进行扩充。

3.根据权利要求1所述的基于二次融合的锂电池SOH估计方法，其特征在于，N个模型包括：支持向量机回归模型、神经网络模型、决策树模型、极限树模型、K近邻模型和线性模型。