一种基于深度神经网络和几何构造的锂离子电池剩余使用寿命早期预测方法

本发明公开了一种基于深度神经网络和几何构造的锂离子电池剩余使用寿命早期预测方法，老化测试并记录前三个循环的电压以及容量序列；使用电压、容量序列进行特征点重构再通过排列组合构造成作为卷积神经网络输入的三维特征P。使用老化测试数据进行拐点离线辨识，计算拐点和老化初始点连线的斜率、拐点和老化终止点连线的斜率以及拐点容量作为卷积神经网络的几何输出T。基于卷积神经网络，使用参数P、T对卷积神经网络的模型参数进行线下训练。在预测阶段，将待测电池的循环数据经过处理后得到关键特征，输入到卷积神经网络模型，再使用模型的输出进行几何构造。该方法能在电池使用早期实现其剩余使用寿命的精确预测和更好的泛化性能。