[发明专利]一种预测模型生成方法及自放电压降预测方法

权利要求书

1.一种预测模型生成方法，其特征在于，所述预测模型生成方法包括：

对多个锂离子电池分别进行soak实验和充放电循环实验，得到相应的自放电压降数据和充放电曲线；

从每个所述充放电曲线中提取动态特征，将所述动态特征与对应的自放电压降数据进行灰色关联度分析，得到目标数据；

根据所述目标数据，构建高斯过程回归模型，并优化训练好的高斯过程回归模型的协方差函数和噪声方差，得到预测模型。

2.根据权利要求1所述的预测模型生成方法，其特征在于，所述从每个所述充放电曲线中提取动态特征，将所述动态特征与对应的自放电压降数据进行灰色关联度分析，得到目标数据的步骤包括：

提取每条所述充放电曲线的多个动态特征；

针对每条所述充放电曲线，将所述动态特征与对应的自放电压降数据进行灰色关联度分析，得到关联程度最高的多个目标特征，作为当前充放电曲线对应的一组目标数据。

3.根据权利要求2所述的预测模型生成方法，其特征在于，所述目标特征包括充电欧姆极化、充电扩散极化、放电欧姆极化中的至少一项。

4.根据权利要求1所述的预测模型生成方法，其特征在于，所述根据所述目标数据，训练高斯过程回归模型，并优化训练好的高斯过程回归模型的协方差函数和噪声方差，得到预测模型的步骤包括：

将所述目标数据按照预设的比例划分为训练集、验证集和测试集；

根据所述训练集训练高斯过程回归模型，得到训练好的高斯过程回归模型，并建立分布函数：

其中，y表示所述训练集目标数据对应的自放电压降数据的集合；N表示正态分布；0表示零均值；k_f表示协方差函数，且x_i表示训练集中第i个目标数据，x_j表示训练集中第j个目标数据，l表示关联性测定超参数；表示所述协方差函数的信号方差；表示噪声协方差矩阵；表示噪声方差；

获取所述训练集和所述验证集的高斯联合分布：

其中，y^*表示所述验证集中目标数据对应的自放电压降数据的集合；x表示所述训练集中的目标数据，x^*表示所述验证集中的目标数据，表示所述验证集中第m个目标数据，表示所述验证集中第n个目标数据，；

采用粒子群算法优化所述协方差函数和所述噪声方差；

获取所述训练集和所述测试集的高斯联合分布，并结合优化后的协方差函数、噪声方差，得到；

其中，表示所述测试集中目标数据对应的预测自放电压降数据的集合，k_f′表示优化后的协方差函数；σ′_n²表示优化后的噪声方差；

根据与对应的自放电压降数据，计算所述高斯过程回归模型的预测精度，当所述精度达到预设阈值时，将所述高斯过程回归模型确定为所述预测模型。

5.根据权利要求4所述的预测模型生成方法，其特征在于，所述采用粒子群算法优化所述协方差函数和所述噪声方差的步骤包括：

建立包含多个粒子的群落；

根据预设次数，迭代所述群落，并获取每个所述粒子在每次迭代中的最优解；

根据每个所述粒子在每次迭代中的最优解，获取优化后的协方差函数和噪声方差。

6.根据权利要求5所述的预测模型生成方法，其特征在于，所述根据每个所述粒子在每次迭代中的最优解，获取优化后的协方差函数和噪声方差的步骤包括：

根据每个所述粒子在每次迭代中的最优解，最小化适应度函数，获取优化后的协方差函数和噪声方差：

其中，f表示所述适应度函数；M表示所述验证集中目标数据的总数；表示所述验证集中目标数据对应的预测自放电压降数据；y^*表示所述验证集中目标数据对应的自放电压降数据。