[發明專利]一種基于大數據遷移學習的動力電池預測方法

在審

• 申請號: 202110388363.7
• 申請日: 2021-04-12
• 公開（公告）號: CN113094994A
• 公開（公告）日: 2021-07-09
• 發明（設計）人: 趙建強;朱卓敏
• 申請（專利權）人: 上海電享信息科技有限公司
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/04;G06N3/08
• 代理公司: 蘇州創元專利商標事務所有限公司 32103
• 代理人: 孫仿衛

1.一種基于大數據遷移學習的動力電池預測方法，其特征在于：所述基于大數據遷移學習的動力電池預測方法為：

預先基于動力電池的大數據建立并訓練用于預測動力電池的帶有若干項預留特征的遷移學習預訓練模型；

當需要對新類型動力電池進行預測時，利用所述新類型動力電池的部分時序數據微調訓練所述遷移學習預訓練模型，將所述待新類型動力電池的部分時序數據中的部分特征對應應用到所述預留特征中，得到適用于所述新類型動力電池的新預測模型；在對屬于所述新類型動力電池的待預測的動力電池進行預測時，利用所述新預測模型對所述待預測的動力電池進行預測并得到預測結果。

2.根據權利要求1所述的一種基于大數據遷移學習的動力電池預測方法，其特征在于：所述遷移學習預訓練模型中的所述預留特征默認值為0。

3.根據權利要求1所述的一種基于大數據遷移學習的動力電池預測方法，其特征在于：所述遷移學習預訓練模型使用卷積神經網絡結構或循環神經網絡結構。

4.根據權利要求3所述的一種基于大數據遷移學習的動力電池預測方法，其特征在于：當所述遷移學習預訓練模型使用卷積神經網絡結構時，所述遷移學習預訓練模型采用VGG系列、GoogLeNet系列、ResNet系列或DenseNet系列模型。

5.根據權利要求3所述的一種基于大數據遷移學習的動力電池預測方法，其特征在于：當所述遷移學習預訓練模型使用循環神經網絡結構時，所述遷移學習預訓練模型采用LSTM或GRU模型。

6.根據權利要求1所述的一種基于大數據遷移學習的動力電池預測方法，其特征在于：所述遷移學習預訓練模型為回歸模型或分類模型。