[发明专利]一种基于多层特征融合深度学习的锂电池健康状态评估方法

权利要求书

1.一种基于多层特征融合深度学习的锂电池健康状态评估方法，其特征在于，包括：

对锂电池的充电和放电信号分别进行特征提取，得到所述锂电池的充电和放电特征数据；

对所述锂电池的电荷容量数据、充放电时间数据、所述充电和放电信号特征数据进行多层特征融合的深度学习，得到所述锂电池多维参数的相关性特征数据；

利用所述锂电池多维参数的相关性特征数据，对所述锂电池的健康状态进行评估，得到锂电池健康结果。

2.根据权利要求1所述的方法，其特征在于，所述对锂电池的充电和放电信号分别进行特征提取，得到所述锂电池的充电和放电特征数据包括：

利用已训练的锂电池充电特征自提取模型，对所述锂电池的充电信号进行特征提取，得到充电特征数据；

利用已训练的锂电池放电特征自提取模型，对所述锂电池的放电信号进行特征提取，得到放电特征数据。

3.根据权利要求2所述的方法，其特征在于，所述已训练的锂电池充电特征自提取模型和所述已训练的锂电池放电特征自提取模型均是基于数据重构微调的层叠稀疏自动编码器。

4.根据权利要求1所述的方法，其特征在于，所述对所述锂电池的电荷容量数据、充放电时间数据、所述充电和放电特征数据进行多层特征融合的深度学习，得到所述锂电池多维参数的相关性特征数据包括：

对所述锂电池的所述电荷容量数据、所述充放电时间数据、所述充电和放电特征数据分别进行特征自学习，得到每个参数的本质特征数据；

将所述每个参数的本质特征数据进行串接，得到所述锂电池的多维参数的本质特征数据；

对所述锂电池的多维参数的本质特征数据进行特征融合学习，得到所述锂电池多维参数的相关性特征数据。

5.根据权利要求4所述的方法，其特征在于，利用多个已训练的用于学习本质特征的单层编码器，对所述锂电池的所述电荷容量数据、所述充放电时间数据、所述充电和放电特征数据分别进行特征自学习。

6.根据权利要求5所述的方法，其特征在于，通过将所述多个已训练的用于学习本质特征的单层编码器的隐藏层的输出串接，将所述每个参数的本质特征数据串接。

7.根据权利要求6所述的方法，其特征在于，利用一个已训练的用于学习融合特征的单层编码器，对所述锂电池的多维参数的本质特征数据进行特征融合学习。

8.根据权利要求7所述的方法，其特征在于，所述多个已训练的用于学习本质特征的单层编码器和所述一个已训练的用于学习融合特征的单层编码器形成一个已训练的多层特征融合深度学习模型。

9.根据权利要求1所述的方法，其特征在于，所述利用所述锂电池多维参数的相关性特征数据，对所述锂电池的健康状态进行评估，得到锂电池健康结果包括：

将所述锂电池多维参数的相关性特征数据输入至已训练的逻辑斯蒂回归模型；

通过所述已训练的逻辑斯蒂回归模型，进行所述锂电池的健康状态评估，得到所述锂电池健康结果。