[发明专利]电池健康状态的预测方法及装置、存储介质及电子设备

权利要求书

1.一种电池健康状态的预测方法，其特征在于，包括：

获取电池在预设时间范围内的电池表征信息，所述电池表征信息包括电压、电流、温度以及电池容量的信息；

利用预先训练完成的电池健康状态预测模型中的特征提取网络从所述电池表征信息中提取关联特征数据；

利用所述电池健康状态预测模型中的循环神经网络对所述关联特征数据进行处理，得到所述电池的健康状态预测数据。

2.根据权利要求1所述的方法，其特征在于，所述利用预先训练完成的电池健康状态预测模型中的特征提取网络从所述电池表征信息中提取关联特征数据，包括：

调用所述特征提取网络对所述电池表征信息进行处理，得到初始特征数据；

将所述初始特征数据输入所述电池健康状态预测模型中的全连接层，使得所述全连接层对所述初始特征数据进行降维处理，得到关联特征数据。

3.根据权利要求1所述的方法，其特征在于，所述循环神经网络为长短时记忆递归神经网络、门控循环单元或时间卷积神经网络中的一种。

4.根据权利要求1所述的方法，其特征在于，所述利用所述电池健康状态预测模型中的循环神经网络对所述关联特征数据进行处理，得到所述电池的健康状态预测数据，包括：

触发所述循环神经网络基于预设的网络权重对所述关联特征数据进行处理，输出所述电池的健康状态预测数据。

5.根据权利要求1所述的方法，其特征在于，电池健康状态预测模型的训练过程，包括：

获取电池实验数据；

将所述电池实验数据输入状态预测模型，对所述状态预测模型进行训练，直至所述状态预测模型满足预设的收敛条件时，得到预训练模型；

获取电池工况数据；

应用所述电池工况数据，对所述预训练模型的网络权重进行调整，得到电池健康状态预测模型。

6.根据权利要求5所述的方法，其特征在于，还包括：

对所述电池健康状态预测模型进行剪枝处理，得到剪枝后的电池健康状态预测模型。

7.根据权利要求5所述的方法，其特征在于，所述将所述电池实验数据输入状态预测模型，对所述状态预测模型进行训练，直至所述状态预测模型满足预设的收敛条件时，得到预训练模型，包括：

在所述电池实验数据中选择目标数据；

将所述目标数据输入所述状态预测模型，使得所述状态预测模型对所述目标数据进行处理，输出与所述目标数据对应的预测信息，所述预测信息包括健康预测数据和健康度变化率；

基于所述预测信息和与所述目标数据对应的预设的监督信号，判断所述状态预测模型是否满足所述收敛条件；

当确定所述状态预测模型不满足所述收敛条件时，基于所述预测信息和所述监督信号调整所述状态预测模型的网络权重，然后返回执行在所述电池实验数据中选择目标数据的步骤；

当确定所述状态预测模型满足所述收敛条件时，将该状态预测模型确定为预训练模型。

8.根据权利要求7所述的方法，其特征在于，所述使得所述状态预测模型对所述目标数据进行处理，输出与所述目标数据对应的预测信息，包括：

调用所述状态预测模型中的特征提取网络对所述目标数据进行处理，输出提取数据；

使用所述状态预测模型中的全连接层对所述提取数据进行降维处理，输出降维数据；

基于所述降维数据，确定健康度变化率，并使用所述状态预测模型中的循环神经网络对所述降维数据进行处理，输出健康预测数据；

将所述健康度变化率和所述健康预测数据均确定为预测信息。

9.根据权利要求7所述的方法，其特征在于，所述基于所述预测信息和所述监督信号调整所述状态预测模型的网络权重，包括：

基于所述预测信息中的健康度变化率和所述监督信号中的预设健康度变化率，调整所述状态预测模型中的特征提取网络的网络权重；

基于所述预测信息中的健康预测数据和所述监督信号中的预设健康数据，调整所述状态预测模型中的循环神经网络的网络权重和所述特征提取网络的网络权重。