[发明专利]基于CNN-LSTM结合相关系数的电池故障预测方法及系统

权利要求书

1.基于CNN-LSTM结合相关系数的电池故障预测方法，其特征在于，包括：

获取当前时刻目标电池电压时间序列中的电压数据，利用预先训练好的CNN-LSTM模型进行故障预测，得到下一时刻的电池电压预测值；

将下一时刻的电池电压预测值与上一时刻的电池电压预测值连接，得到组合电池电压时间序列；

利用相关系数法对组合电池电压时间序列进行相关性分析，确定电池是否出现故障。

2.如权利要求1所述的基于CNN-LSTM结合相关系数的电池故障预测方法，其特征在于，所述利用预先训练好的CNN-LSTM模型进行故障预测，得到下一时刻的电池电压预测值，包括：

利用CNN网络对当前时刻目标电池电压时间序列中的电压数据进行特征提取；

基于当前时刻的电压数据的特征和上一时刻的LSTM网络输出的电池电压预测值，利用LSTM网络进行故障预测，得到下一时刻的电池电压预测值。

3.如权利要求2所述的基于CNN-LSTM结合相关系数的电池故障预测方法，其特征在于，所述利用CNN网络对当前时刻目标电池电压时间序列中的电压数据进行特征提取，具体为：

利用CNN网络中的卷积层来进行数据特征提取；

利用CNN网络中的池化层来对卷积层提取的特征进行特征降维，避免过拟合；

利用CNN网络中的Flatten层输出特征处理后的数据，得到当前时刻的电压数据的特征。

4.如权利要求2所述的基于CNN-LSTM结合相关系数的电池故障预测方法，其特征在于，所述基于当前时刻的电压数据的特征和上一时刻的LSTM网络输出的电池电压预测值，得到下一时刻的电池电压预测值，包括：

利用遗忘门对当前时刻的电压数据的特征和上一时刻的LSTM网络输出的电池电压预测值进行数据过滤；

利用sigmoid激活层和输入门更新当前时刻的LSTM网络的状态信息；

通过遗忘门和输入门更新记忆细胞信息；

基于更新后的记忆细胞信息与输出门的哈达玛积运算的结果，得到下一时刻的电池电压预测值。

5.如权利要求4所述的基于CNN-LSTM结合相关系数的电池故障预测方法，其特征在于，所述通过遗忘门和输入门更新记忆细胞信息，具体为：

其中，i_t是输入门的输出，通过tanh函数创建的一个向量，C_t是记忆细胞状态，C_t-1是上一时刻的记忆细胞状态，f_t是遗忘门的输出，⊙是哈达玛积。

6.如权利要求4所述的基于CNN-LSTM结合相关系数的电池故障预测方法，其特征在于，所述基于更新后的记忆细胞信息与输出门的哈达玛积运算的结果，得到下一时刻的电池电压预测值，具体为：

o_t＝σ(W_oh_t-1+U_ox_t+b_o)

h_t＝o_t⊙tanh(C_t)

式中，h_t-1是上一单元的输出，x_t是当前单元的输入，O_t是输出门的输出，W_o、U_o是线性关系的权重，b_o是偏置，σ是sigmoid函数，h_t既是当前隐含单元的值也是下一时刻的电压的预测值，C_t是记忆细胞状态。