[發明專利]一種基于AAF和深度學習的動力電池健康狀態預測方法有效
| 申請號： | 202310070487.X | 申請日： | 2023-02-07 |
| 公開（公告）號： | CN116299005B | 公開（公告）日： | 2023-09-05 |
| 發明（設計）人： | 張俊杰;王子赟;邊天貽;熊林宏;金家立;凌蘇湘;王艷;紀志成 | 申請（專利權）人： | 江南大學 |
| 主分類號： | G01R31/392 | 分類號： | G01R31/392;G06N3/084;G06N3/0464;G01R31/367 |
| 代理公司： | 哈爾濱市陽光惠遠知識產權代理有限公司 23211 | 代理人： | 呂永芳 |
| 地址： | 214122 江蘇*** | 國省代碼： | 江蘇;32 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 一種 基于 aaf 深度 學習 動力電池 健康 狀態 預測 方法 | ||
1.一種基于抗混疊低通濾波器和深度學習的動力電池健康狀態預測方法，其特征在于，所述方法包括：
步驟1，獲取動力電池容量變化數據，通過計算SOH得到SOH時間序列；
步驟2，采用集成經驗模態分解技術和相關性分析方法將SOH時間序列分解成主趨勢時間序列M(t)和波動時間序列Wk(t)；
步驟3，對主趨勢時間序列利用深度置信網絡進行預測，得到主趨勢時間序列的預測值M*(t)；
步驟4，采用抗混疊低通濾波器對波動時間序列Wk(t)進行處理以降低其波動頻率，并利用長短期記憶神經網絡進行預測得到波動時間序列的最終預測值
步驟5，將波動時間序列的最終預測值和主趨勢時間序列的預測值M*(t)進行集成,得到SOH時間序列預測值SOH*(t)；
所述步驟2包括：
步驟2.1，采用集成經驗模態分解技術將SOH時間序列進行分解，得到各IMF分量和殘余分量；
步驟2.2，將所有的IMF分量與SOH時間序列進行相關性分析，根據與SOH時間序列的相關性將各IMF分量以及殘余余量分為兩組，分別用于集成得到主趨勢時間序列M(t)和波動時間序列Wk(t)；
所述步驟5將波動時間序列的最終預測值和主趨勢時間序列的預測值M*(t)進行集成的方法為加和集成，即根據下式進行計算：
其中，K為波動時間序列Wk(t)的組數。
2.根據權利要求1所述的方法，其特征在于，所述步驟4包括：
步驟4.1，對波動時間序列Wk(t)進行數據預處理，得到W′k(t)；
步驟4.2，采用抗混疊低通濾波器對預處理后的波動時間序列W′k(t)進行重新采樣以降低其波動頻率；
步驟4.3，利用長短期記憶神經網絡(LSTM)對重新采樣后的波動時間序列進行預測，得到初步預測結果W_LSTMk(t)；
步驟4.4，對初步預測結果W_LSTMk(t)進行反重采樣；
步驟4.5，對反重采樣之后的預測結果進行逆向數據處理得到波動時間序列的最終預測值
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于江南大學，未經江南大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202310070487.X/1.html，轉載請聲明來源鉆瓜專利網。
