申请/专利权人：泉州装备制造研究所

申请日：2024-03-29

公开（公告）日：2024-06-21

公开（公告）号：CN118226276A

主分类号：G01R31/367

分类号：G01R31/367;G01R31/392;G01K13/00;G06F18/213;G06F18/211;G06F18/214;G06N3/047;G06N3/08

优先权：

专利状态码：在审-公开

法律状态：2024.06.21#公开

摘要：本发明提供一种基于不确定性量化的锂电池健康状态估计的方法，属于锂电池健康状态预测领域，包括如下步骤：步骤S1、在锂电池充放电循环中，获取锂电池的电压、时间和温度数据；步骤S2、根据电压、时间和温度数据提取多类特征，并选择最优特征组合形成训练数据集；步骤S3、搭建融合了认知不确定性和偶然不确定性的贝叶斯神经网络；步骤S4、利用步骤S2所得的训练数据集对融合后的模型进行训练。本发明综合考虑认知不确定性和偶然不确定性，提升了SOH估计的准确性和可靠性。

主权项：1.一种基于不确定性量化的锂电池健康状态估计的方法，其特征在于：包括如下步骤：步骤S1、在锂电池充放电循环中，获取锂电池的电压、时间和温度数据；步骤S2、根据电压、时间和温度数据提取多类特征，并选择最优特征组合形成训练数据集；步骤S3、搭建融合了认知不确定性和偶然不确定性的贝叶斯神经网络模型，具体包括：步骤S31、在神经网络的权值上放置一个先验分布W～N0,1，对该神经网络进行MCdropout训练，得到贝叶斯神经网络模型；步骤S32、量化认知不确定性：MCdropout训练中，对该神经网络的参数分布进行H次采样，得到H个不同的模型，用这H个模型分别对同一个样本进行预测，认知不确定性被量化为其中，σ表示输入数据的固有噪声，即输入数据的方差，表示预测的均值，表示第h次采样得到的模型参数，x表示用于预测的样本，该样本获取自由步骤S2所得的训练数据集，表示第h次预测的得到的预测值，H为整数，1≤h≤H；步骤S33、量化偶然不确定性：使用损失函数建立偶然不确定性模型，θ表示该偶然不确定性模型参数，N表示用于该模型的训练样本的数量，yi表示第i个真实值，xi表示第i个训练样本，该训练样本获取自由步骤S2所得的训练数据集，σ′xi表示输入数据的方差；步骤S34、将认知不确定性和量化不确定性融合到步骤S31中得到的贝叶斯神经网络模型中，以损失函数训练融合后的模型，其中，K表示用于该模型的训练样本的数量，该训练样本获取自由步骤S2所得的训练数据集，表示本模型输出的方差，yk表示预测值，表示真实值；步骤S4、利用步骤S2所得的训练数据集对融合后的模型进行训练。

全文数据：

权利要求：

百度查询： 泉州装备制造研究所 一种基于不确定性量化的锂电池健康状态估计的方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD