申请/专利权人：北京航空航天大学

申请日：2024-04-18

公开（公告）日：2024-06-21

公开（公告）号：CN118226278A

主分类号：G01R31/367

分类号：G01R31/367;G01R31/389;G01R31/378;G01R31/392;G06F30/27;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：本发明属于锂离子电池剩余寿命预测领域，涉及一种基于不平衡数据的锂离子电池深度集成预测方法，其包括：建立等效电路模型，筛选能够表征电池内部特性且与剩余寿命相关性高的关键物理参数；构建深度集成框架，训练三类深度学习模型；构建基于固有不确定性的决策树，确定分段阈值；扩充深度学习模型的输入空间，将关键物理参数与电化学阻抗谱一同作为深度学习模型的输入。本发明基于样本的固有不确定性和预测误差设计损失函数，使得每类深度学习模型分别关注不平衡分布不同区域的样本，有效解决不平衡数据问题和输出固有不确定性，并且可以对多个剩余寿命预测值进行集成，得到最终剩余寿命预测值。

主权项：1.一种基于不平衡数据的锂离子电池深度集成预测方法，其特征在于：其包括以下步骤：S1：对锂离子电池进行特征测试，获得多组电化学阻抗谱和对应的剩余寿命标签值，提取电化学阻抗谱的特征，建立等效电路模型，对电化学阻抗谱进行拟合，获得模型未知参数估计值，进而筛选能够表征电池内部特性且与剩余寿命相关性高的关键物理参数；S2：构建深度集成框架，依次训练三类深度学习模型，训练集相同且均将电化学阻抗谱作为模型输入，并分别针对处于不平衡分布不同区域的样本，其中三类深度学习模型包括第一类单一模型、第二类单一模型和第三类模型；具体包括以下子步骤：S21：深度集成框架包括三类深度学习模型，第一类单一模型包含一个深度学习模型，其输出层包括两个神经元，分别输出剩余寿命预测值与固有不确定性；用于训练第一类单一模型的损失函数α-NLL为： 其中，ω是待优化的深度学习模型参数，N是样本的个数，yk表示第k个样本的剩余寿命标签值，是第一类单一模型输出的第k个样本的剩余寿命预测值，是第一类单一模型输出的第k个样本的固有不确定性，α是控制的数量级的超参；S22：建立第二类单一模型以降低固有不确定性大的样本的预测误差；第二类单一模型包含一个深度学习模型，只输出剩余寿命预测值，并使用基于固有不确定性的损失函数进行训练： 其中，是标准化后的第k个样本的固有不确定性， β1和β2是超参，是第二类单一模型输出的第k个样本的剩余寿命预测值；S23：建立第三类模型以进一步降低第二类单一模型的预测误差，第三类包含MM≥1个深度学习模型，每个深度学习模型均使用基于固有不确定性与预测误差的损失函数进行训练： 其中，是第三类模型的第m1≤m≤M个深度学习模型输出的第k个样本的剩余寿命预测值，εk,g,norm是标准化后的εg,norm＝ε1,g,norm,ε2,g,norm,…,εn,g,norm]，γ1,1,m，γ1,2,m和γ2,g,m是第三类模型的第m个深度学习模型的超参；S3：构建基于固有不确定性的决策树，并通过最小化其在训练集的预测误差，确定分段阈值，进而对多个剩余寿命预测值进行整合，得到最终剩余寿命预测值：当样本的固有不确定性小于等于分段阈值时，使用第一类单一模型的剩余寿命预测值作为最终值；或者当样本的固有不确定性大于分段阈值时，使用第二类单一模型和第三类模型的剩余寿命预测值的均值作为最终值；S4：扩充深度学习模型的输入空间，融合提升剩余寿命预测表现的物理知识，将关键物理参数与电化学阻抗谱一同作为深度学习模型的输入，并且将关键物理参数输入到模型隐层，进而提高剩余寿命预测准确度和降低固有不确定性。

全文数据：

权利要求：

百度查询： 北京航空航天大学 基于不平衡数据的锂离子电池深度集成预测方法

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