[发明专利]基于充放电数据特征的锂电池健康状况预测方法及装置

权利要求书

1.一种基于充放电数据特征的锂电池健康状况预测方法，其特征在于，包括：

建立初始长短期记忆网络模型；

获取锂电池健康指标数据集；

根据所述锂电池健康指标数据集对所述初始长短期记忆网络模型进行训练、验证和测试，得到目标长短期记忆网络模型；

将锂电池健康指标数据输入至所述目标长短期记忆网络模型，对所述锂电池健康状况进行预测；

其中，还包括：对过渡长短期记忆网络模型进行优化，具体包括：

基于遗传算法对所述过渡长短期记忆网络模型进行模型优化，具体为：

确定遗传种群的交叉率和变异率，并基于所述交叉率和变异率对所述过渡长短期记忆网络模型进行优化，所述交叉率和变异率的公式如下：

，

其中：为当代所有个体适应度的平均值，为当代每个个体的适应度值，为常量。

2.根据权利要求1所述的基于充放电数据特征的锂电池健康状况预测方法，其特征在于，初始长短期记忆网络模型，具体为：

，

其中为上一个时间步输出的隐藏信息，为当前时间步的输入信息，和分别为tanh，sigmoid激活函数，分别为当前时间步下的遗忘门，输入门，输出门，分别为各自的权重和偏置，是代替记忆单元的候选值。

3.根据权利要求2所述的基于充放电数据特征的锂电池健康状况预测方法，其特征在于，所述健康指标包括等压升充电时间、完全放电能量及等压降放电时间，所述健康指标数据集包括数据训练集、数据验证集以及数据测试集，且所述数据训练集、数据验证集以及数据测试集均包括等压升充电时间数据集、完全放电能量数据集及等压降放电时间数据集。

4.根据权利要求3所述的基于充放电数据特征的锂电池健康状况预测方法，其特征在于，所述等压升充电时间数据集为电池从第一电压充电升高到第二电压所需时间的数据集，所述完全放电能量数据集为电池从满电量状态到完全放电状态过程中所能释放能量的数据集，所述等压降放电时间数据集为电池从第二电压放电降低到第一电压所述时间的数据集。

5.根据权利要求4所述的基于充放电数据特征的锂电池健康状况预测方法，其特征在于，所述根据所述锂电池健康指标数据集对所述初始长短期记忆网络模型进行训练、验证和测试，得到目标长短期记忆网络模型，包括：

将所述数据训练集中的所述等压升充电时间、完全放电能量及等压降放电时间作为当前时间步的输入信息输入至所述初始长短期记忆网络模型中进行训练，得到初始长短期记忆网络模型训练后的权重和偏置，得到过渡长短期记忆网络模型；

利用所述数据验证集对所述过渡长短期记忆网络模型的预测性能进行验证，若验证不通过，则再次对所述过渡长短期记忆网络模型进行训练；若验证通过，则所述过渡长短期记忆网络模型为所述目标长短期记忆网络模型；

利用所述数据测试集对所述目标长短期记忆网络模型的预测性能进行测试，获得训练完备的目标长短期记忆网络模型。

6.根据权利要求1-5所述任一项的基于充放电数据特征的锂电池健康状况预测方法，其特征在于，在建立初始长短期记忆网络模型时，引入注意力机制确定所述数据训练集在输入到所述初始长短期记忆网络模型后的每个特征及其权重，具体为：

将所述数据训练集输入至所述初始长短期记忆网络模型，获取对应的隐藏状态；

通过激活函数计算得到每个特征的得分，求解每一个特征分布在总体分数的占比，输出每个特征与其权重乘积的加权值。