(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110048627.4 (22)申请日 2021.01.14 (65)同一申请的已公布的文献号 申请公布号 CN 112798960 A (43)申请公布日 2021.05.14 (73)专利权人 重庆大学 地址 400044 重庆市沙坪坝区沙坪坝正 街 174号 (72)发明人 胡晓松　车云弘　李佳承　邓忠伟　 唐小林　 (74)专利代理 机构 北京同恒源知识产权代理有 限公司 1 1275 专利代理师 赵荣之 (51)Int.Cl. G01R 31/367(2019.01) G01R 31/392(2019.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06N 20/00(2019.01) G06F 111/08(2020.01) (56)对比文件 CN 112083337 A,2020.12.15 CN 112014735 A,2020.12.01 CN 111443294 A,2020.07.24 CN 110927591 A,2020.0 3.27 CN 107064800 A,2017.08.18 CN 109061504 A,2018.12.21 CN 109342 949 A,2019.02.15 CN 111007417 A,2020.04.14 CN 107797067 A,2018.0 3.13 CN 111722115 A,2020.09.2 9 CN 111983474 A,2020.1 1.24 US 2015349385 A1,2015.12.0 3 US 2019257886 A1,2019.08.2 2 (续) 审查员 刘彦庭 (54)发明名称 一种基于迁移深度学习的电池组剩余寿命 预测方法 (57)摘要 本发明涉及一种基于迁移深度学习的电池 组剩余寿命预测方法， 属于电池技术领域。 该方 法包括以下步骤： 步骤S1： 收集动力电池老化数 据集， 建立电池老化数据库； 步骤S2： 根据电池单 体老化数据提取多个健康因子， 并根据相关性分 析和容量估计误差筛选健康因子； 步骤S3： 基于 电池单体全寿命周期老化数据集训练得到健康 因子的递推模 型， 以及基于健康因子的容量估计 模型； 步骤S4： 建立基于电池单体健康因子集和 电池组容量衰减的机器学习模型； 步骤S5： 基于 单体容量估计模 型预测未来各单体的容量， 得到 未来循环的电池组单体容量分布。 利用迁移学习 和深度学习相结合， 能够有效的利用已有的完整信息， 提高电池组剩余寿 命预测精度。 [转续页] 权利要求书2页 说明书6页 附图5页 CN 112798960 B 2022.06.24 CN 112798960 B (56)对比文件 刘大同 等.锂离 子电池组健康状态估计综述. 《仪器仪表学报》 .2020,第41卷(第1 1期),第 1-18页.2/2 页 2[接上页] CN 112798960 B1.一种基于迁移深度学习的电池组剩余寿命预测方法， 其特征在于： 该方法包括以下 步骤： 步骤S1： 收集动力电池老化数据集， 建立电池老化数据库， 包括完整的电池单体全寿命 周期数据以及由同款电芯组成的电池组早期的老化数据； 步骤S2： 根据电池单体老化数据提取多个健康因子， 并根据相关性分析和容量估计误 差筛选健康因子； 步骤S3： 基于电池单体全寿命周期老化数据集训练得到健康因子的递推模型， 以及基 于健康因子的容 量估计模型； 步骤S4： 提取电池组早期老化实验数据集每个电池单体的健康因子， 建立基于电池单 体健康因子集和电池组容 量衰减的机器学习模型； 步骤S5： 利用迁移学习对电池组每个电池单体的健康因子递推模型进行微调， 并进行 健康因子外推预测， 最后基于外推得到的单体健康因子集估计未来循环的电池组容量； 基 于单体容 量估计模型 预测未来各 单体的容 量， 得到未来循环的电池组单体容 量分布； 所述步骤S1具体为： 步骤S11： 收集某款电芯的多个电池单体的全寿命周期完整数据集， 包括充放电电流、 电压、 温度、 时间和电量 参数， 涵盖不同充放电倍 率和环境温度的数据集； 步骤S12： 收集电池单体同款电芯对应的电池组的老化实验数据集， 包括每个单体的电 压和温度参数， 以及电池组电流和电量信息； 步骤S13： 根据收集的电池单体和电池组的老化实验数据， 建立某款电芯的电池老化数 据集； 所述步骤S2具体为： 步骤S21： 根据电池单体全寿命周期提取多个可用的健康因子； 步骤S22： 通过相关性分析， 筛 选出和电池单体容 量相关性高的健康因子； 步骤S23： 基于A号电池单体建立全寿命的健康因子估计容量的机器学习模型， 并利用B 号电池单体提取健康因子进行容 量估计， 分析估计误差； 所述步骤S3具体为： 步骤S31： 根据选定的健康因子， 建立多个单体的全寿命周期健康因子递推衰减的深度 学习模型； 步骤S32： 根据选的健康因子， 建立多个单体的全寿命周期基于健康因子的容量估计模 型； 所述步骤S4具体为： 步骤S41： 根据选定的健康因子， 提取电池组早期循环中每个电池单体的健康因子， 建 立电池组各 单体的健康因子组成的特 征集； 步骤S42： 根据单体特 征集和电池组容 量真值， 建立电池组容 量估计的机器学习模型； 所述步骤S5具体为： 步骤S51： 利用前期训练好的电池单体全寿命周期健康因子衰减模型和电池组各单体 早期提取 的健康因子， 运用迁移学习的方法将训练好的网络进行部分结构再训练， 得到电 池组每个单体的健康因子递推模型； 步骤S52： 根据每个单体的健康因子递推模型， 外推得到未来未知循环次数的健康因子权　利　要　求　书 1/2 页 2 CN 112798960 B 3