一种基于卷积神经网络的电池早期寿命预测方法及系统技术方案

本发明专利技术公开了一种基于卷积神经网络的电池早期寿命预测方法及系统，其中方法包括：获取待预测电池的采样数据；对所述采样数据进行图形化特征提取处理，得到二维张量数据集合；对所述二维张量数据集合进行调整和堆叠处理，得到三维数据矩阵；根据卷积神经网络构建预测模型，所述预测模型包括特征提取模块和回归预测模块，所述卷积神经网络采用AlexNet网络架构；将所述三维数据矩阵输入到所述预测模型进行电池寿命预测，得到预测结果。本发明专利技术实施例将多组图形化特征组合构成与卷积神经网络图像输入具有等效性的多通道输入数据，利用卷积神经网络良好的特征生成和识别能力，提高了预测电池寿命的可靠性，可广泛应用于人工智能技术领域。术领域。术领域。

【技术实现步骤摘要】
一种基于卷积神经网络的电池早期寿命预测方法及系统


[0001]本专利技术涉及人工智能
，尤其是一种基于卷积神经网络的电池早期寿命预测方法及系统。

技术介绍

[0002]锂离子电池具有高能量密度、长寿命周期、快速充电等优点，在新能源汽车和电网存储系统等领域中得到了广泛的应用。传统的寿命预测方法所使用电池的循环周期数较大，往往在电池容量表现出明显的减低时才能对电池的寿命做出预测。而电池早期寿命预测技术希望仅利用电池早期的少量有限数据就能直接对电池的寿命做出快速可靠预测。但是当前的电池早期寿命预测技术中使用的神经网络模型大多数应用于单通道输入数据，对电池寿命预测的准确性和可靠性较低。综合上述，相关技术中存在的技术问题亟需得到解决。

技术实现思路

[0003]有鉴于此，本专利技术实施例提供一种高准确性和可靠性的基于卷积神经网络的电池早期寿命预测方法及系统。
[0004]一方面，本专利技术提供了一种基于卷积神经网络的电池早期寿命预测方法，方法包括：
[0005]获取待预测电池的采样数据；
[0006]对所述采样数据进行图形化特征提取处理，得到二维张量数据集合；
[0007]对所述二维张量数据集合进行调整和堆叠处理，得到三维数据矩阵；
[0008]根据卷积神经网络构建预测模型，所述预测模型包括特征提取模块和回归预测模块，所述卷积神经网络采用AlexNet网络架构；
[0009]将所述三维数据矩阵输入到所述预测模型进行电池寿命预测，得到预测结果。
[0010]可选地，所述获取待预测电池的采样数据，包括：
[0011]在所述待预测电池的放电过程中进行数据采集处理，得到放电数据；
[0012]对所述放电数据进行放电容量与电压数据采样处理，得到采样数据。
[0013]可选地，所述对所述采样数据进行图形化特征提取处理，得到二维张量数据集合，包括：
[0014]对所述采样数据进行提取处理，得到循环周期内的放电容量数据和电压数据；
[0015]根据所述放电容量数据和所述电压数据构建得到第一函数曲线；
[0016]根据所述放电容量数据对所述电压数据进行微分处理，得到第二函数曲线；
[0017]根据所述每个循环周期内的放电容量数据的差值和所述电压数据，得到第三函数曲线；
[0018]分别对所述第一函数曲线、第二函数曲线和第三函数曲线进行电压值采样和并联处理，得到二维张量数据集合，所述二维张量数据集合包括容量电压特征、容量增量特征和
容量差值特征。
[0019]可选地，所述对所述二维张量数据集合进行调整和堆叠处理，得到三维数据矩阵，包括：
[0020]对所述二维张量数据集合中每一个数据进行尺寸调整处理，并在深度方向上对调整后的数据进行堆叠处理，得到三维数据矩阵。
[0021]可选地，所述根据卷积神经网络构建预测模型，包括：
[0022]根据卷积神经网络构建特征提取模块；
[0023]构建回归预测模块，所述回归预测模块包括第一全连接层、第二全连接层、第三全连接层和第四全连接层，所述第三全连接层的神经元节点个数为100，所述第四全连接层的神经元节点个数为1；
[0024]根据所述特征提取模块和所述回归预测模块构建得到预测模型。
[0025]可选地，在所述将所述三维数据矩阵输入到所述预测模型进行电池寿命预测之前，所述方法还包括预先训练所述预测模型，具体包括：
[0026]根据优化算法对所述预测模型的模型参数进行调优处理，得到训练好的预测模型。
[0027]可选地，所述将所述三维数据矩阵输入到所述预测模型进行电池寿命预测，得到预测结果，包括：
[0028]将所述三维数据矩阵输入到所述预测模型的特征提取模块，得到特征图；
[0029]根据所述预测模型的回归预测模块对所述特征图进行特征空间到样本标记空间的映射处理，得到预测结果。
[0030]另一方面，本专利技术实施例还提供了一种基于卷积神经网络的电池早期寿命预测系统，包括：
[0031]第一模块，用于获取待预测电池的采样数据；
[0032]第二模块，用于对所述采样数据进行图形化特征提取处理，得到二维张量数据集合，所述二维张量数据集合包括容量电压特征、容量增量特征和容量差值特征；
[0033]第三模块，用于对所述二维张量数据集合进行调整和堆叠处理，得到三维数据矩阵；
[0034]第四模块，用于根据卷积神经网络构建预测模型，所述预测模型包括特征提取模块和回归预测模块，所述卷积神经网络采用AlexNet网络架构；
[0035]第五模块，用于将所述三维数据矩阵输入到所述预测模型进行电池寿命预测，得到预测结果。
[0036]另一方面，本专利技术实施例还公开了一种电子设备，包括处理器以及存储器；
[0037]所述存储器用于存储程序；
[0038]所述处理器执行所述程序实现如前面所述的方法。
[0039]另一方面，本专利技术实施例还公开了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法。
[0040]另一方面，本专利技术实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指
令，使得该计算机设备执行前面的方法。
[0041]本专利技术采用以上技术方案与现有技术相比，具有以下技术效果：本专利技术实施例通过对待预测电池的采样数据进行图形化特征提取，将多组图形化特征组合构成与卷积神经网络图像输入具有等效性的多通道输入数据，通过将在图像识别领域表现出色的经典卷积神经网络应用到电池早期寿命预测中，利用卷积神经网络良好的特征生成和识别能力，提高了预测电池寿命的可靠性。
附图说明
[0042]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0043]图1是本申请实施例提供的一种基于卷积神经网络的电池早期寿命预测方法的流程图；
[0044]图2是本申请实施例提供的一种预测模型网络架构图；
[0045]图3是本申请实施例提供的一种模型预测值与真实值的对比图。
具体实施方式
[0046]为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
[0047]首先，对本申请中涉及的若干名词进行解析：
[0048]电池早期寿命预测：利用电池早期有限的数据，结合机器学习、深度学习等方法，在电池退化早期尚未表现出明显容量本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的电池早期寿命预测方法，其特征在于，所述方法包括：获取待预测电池的采样数据；对所述采样数据进行图形化特征提取处理，得到二维张量数据集合；对所述二维张量数据集合进行调整和堆叠处理，得到三维数据矩阵；根据卷积神经网络构建预测模型，所述预测模型包括特征提取模块和回归预测模块，所述卷积神经网络采用AlexNet网络架构；将所述三维数据矩阵输入到所述预测模型进行电池寿命预测，得到预测结果。2.根据权利要求1所述的方法，其特征在于，所述获取待预测电池的采样数据，包括：在所述待预测电池的放电过程中进行数据采集处理，得到放电数据；对所述放电数据进行放电容量与电压数据采样处理，得到采样数据。3.根据权利要求1所述的方法，其特征在于，所述对所述采样数据进行图形化特征提取处理，得到二维张量数据集合，包括：对所述采样数据进行提取处理，得到每个循环周期内的放电容量数据和电压数据，所述采样数据包括所述待预测电池的放电过程中的多个循环周期所收集到的放电数据；根据所述放电容量数据和所述电压数据构建得到第一函数曲线；根据所述放电容量数据对所述电压数据进行微分处理，得到第二函数曲线；根据所述每个循环周期内的放电容量数据的差值和所述电压数据，得到第三函数曲线；分别对所述第一函数曲线、第二函数曲线和第三函数曲线进行电压值采样和并联处理，得到二维张量数据集合，所述二维张量数据集合包括容量电压特征、容量增量特征和容量差值特征。4.根据权利要求1所述的方法，其特征在于，所述对所述二维张量数据集合进行调整和堆叠处理，得到三维数据矩阵，包括：对所述二维张量数据集合中每一个数据进行尺寸调整处理，并在深度方向上对调整后的数据进行堆叠处理，得到三维数据矩阵。5.根据权利要求1所述的方法，其特征在于，所述根据卷积神经网络构建预测模型，包括：根据卷积神经网络构建特征提取模块，所述特征提取...

【专利技术属性】
技术研发人员：何宁，柴艺柯，李弈霆，郭烨年，杨芳芳，
申请(专利权)人：中山大学，
类型：发明
国别省市：