[发明专利]基于CNN-BiLSTM-AT混合模型的锂离子电池健康状态预测方法

权利要求书

1.基于CNN-BiLSTM-AT混合模型的锂离子电池健康状态预测方法，其特征在于，包括以下步骤：

步骤S1：采集锂离子电池充放电过程中的参数数据，作为输入数据；

步骤S2：对参数数据进行数据预处理，将数据划分为训练集和测试集；

步骤S3：将训练集输入卷积神经网络中，经过卷积和池化操作，输出深层特征矩阵；

步骤S4：深层特征矩阵输入双向长短期记忆神经网络中，通过正向和反向对其进行双向深度分析，建立数据过去和未来之间的相关性；

步骤S5：添加注意力机制层，增强模型对特征信息的学习，为相关性更高的特征赋予更高的权重；

步骤S6：训练CNN-BiLSTM-AT混合模型，输入测试集，全连接层输出锂离子电池SOH预测值；

步骤S7：制定CNN-BiLSTM-AT混合模型预测精度和锂离子电池健康状态的评价标准，用来评判模型预测准确性，并预测该锂离子电池的健康状态。

2.根据权利1要求的基于CNN-BiLSTM-AT混合模型的锂离子电池健康状态预测方法，其特征在于，所述步骤S1中采集锂离子电池充放电过程中的参数数据，分为充电过程和放电过程，充电过程的参数数据包括环境温度、充电电流、充电温度、充电电压、电池测量电压和电池测量电流，放电过程的参数数据包括电池容量、电池测量电压、放电温度、电池测量电流、放电电流和放电电压。

3.根据权利1要求的基于CNN-BiLSTM-AT混合模型的锂离子电池健康状态预测方法，其特征在于，所述步骤S2中对参数数据进行数据预处理，将数据划分为训练集和测试集，包括以下步骤：

(1)使用孤立森林算法，对参数数据进行离群点检测，处理数据中的异常点；

(2)采用插补法，参数数据的缺失值进行填补；

(3)利用极差标准化的方法，对参数数据进行归一化处理；

(4)将数据划分为训练集和测试集。

4.根据权利1要求的基于CNN-BiLSTM-AT混合模型的锂离子电池健康状态预测方法，其特征在于，所述步骤S3中将训练集输入卷积神经网络中，其中卷积神经网络为一维卷积神经网络，对锂离子电池的充放电数据进行特征提取，计算公式为：

c_t＝f(W_CNN*n_t+b_CNN)

式中，W_CNN为卷积过程中滤波器的权重系数，n_t为t时刻锂离子电池充放电数据，*为卷积运算，b_CNN为卷积运算的偏差系数，c_t为经过卷积之后提取的锂离子电池充放电数据序列，f为激活函数SELU；

最大池化层，输出深层特征矩阵，计算公式为：

p_t＝max c_t

式中，p_t为池化层输出，c_t为池化层输入。