一种基于Adamom优化器的二次电池SOH预测模型

本申请公开了一种基于Adamom优化器的二次电池SOH预测模型，该方法首先分析并提取电池管理系统直接监测的特征序列数据，选择与锂电池容量序列皮尔逊相关系数较高的特征序列作为健康因子序列。接着，构建了结合Adamom优化器和样本卷积神经网络的模型，并通过均方根误差(RMSE)来优化模型超参数和验证模型架构的有效性。本申请在保留Adadelta优化器优点的基础上，能够提供更加稳定的模型权重优化过程，并加速收敛速度；采用样本卷积神经网络提取健康因子序列中的长期、中期和短期时间依赖关系，从而显著提高了电池SOH预测的准确性。所述模型架构简洁，权重参数较传统深度学习模型较少，成功解决了现有技术中模型结构复杂、计算量大以及依赖电池劣化先验知识等问题。