公开(公告)号：CN111832221B

公开(公告)日：2023-09-26

申请号：CN202010579479.4

申请日：2020-06-23

Applicant: 华中科技大学无锡研究院

Inventor： 袁烨 ,  马贵君 ,  华丰 ,  丁汉

IPC: G06F30/27 ,  G06F18/2113 ,  G06F18/214 ,  G06F18/27 ,  G01R31/36 ,  G01R31/367 ,  G01R31/387 ,  G01R31/392 ,  G06F119/04

Abstract: 本发明提供一种基于特征筛选的锂电池寿命预测方法，包括以下步骤：步骤S1，将采集的锂电池数据划分为训练集和测试集；训练集和测试集中均包括多个样本；步骤S2，对训练集和测试集中的锂电池样本的前m个充放电循环中放电SOC进行两两不重复相减；m>20；步骤S3，将每个锂电池的SOC相减结果求得方差，得到每个锂电池的特征；步骤S4，将训练集中训练样本的特征和寿命输入到带有ARD的高斯过程回归模型进行模型训练；步骤S5，将所述训练的模型的稀疏特征权重进行可视化；步骤S6，将测试集中的样本的特征输入到训练模型中进行寿命预测。本发明能够自动提取高相关性特征，使得锂电池寿命预测更准确。

公开(公告)号：CN111832221A

公开(公告)日：2020-10-27

申请号：CN202010579479.4

申请日：2020-06-23

Applicant: 华中科技大学无锡研究院

Inventor： 袁烨 ,  马贵君 ,  华丰 ,  丁汉

IPC: G06F30/27 ,  G06K9/62 ,  G06F17/18 ,  G01R31/36 ,  G01R31/367 ,  G01R31/387 ,  G01R31/392 ,  G06F119/04

Abstract: 本发明提供一种基于特征筛选的锂电池寿命预测方法，包括以下步骤：步骤S1，将采集的锂电池数据划分为训练集和测试集；训练集和测试集中均包括多个样本；步骤S2，对训练集和测试集中的锂电池样本的前m个充放电循环中放电SOC进行两两不重复相减；m>20；步骤S3，将每个锂电池的SOC相减结果求得方差，得到每个锂电池的特征；步骤S4，将训练集中训练样本的特征和寿命输入到带有ARD的高斯过程回归模型进行模型训练；步骤S5，将所述训练的模型的稀疏特征权重进行可视化；步骤S6，将测试集中的样本的特征输入到训练模型中进行寿命预测。本发明能够自动提取高相关性特征，使得锂电池寿命预测更准确。