基于时序神经网络与物理信息神经网络融合的电池状态预测方法

本发明公开了一种基于时序神经网络与物理信息神经网络融合的电池状态预测方法，主要包括时序神经网络与物理信息神经网络的融合框架，首先利用时间序列神经网络挖掘各个时序状态的隐藏时序特征并预测电池的SOH和RUL，接着把挖掘的各时序状态的隐藏时序特征作为先验知识输入到TNPINN的深度隐藏时间序列物理模块DeepHTPM以引导该模块的学习过程，DeepHTPM同时还接收各个时间序列的电池容量以及时间序列神经网络预测的预测值作为输入，DeepHTPM模块根据这些输入共同建立电池健康状态预测的隐式物理模型，并将时间序列神经网络进行RUL或SOH的预测损失与隐式物理模型所得损失有效结合，作为最终的损失以约束模型。本发明方法能够用于各种负极材料的锂电池数据集SOH和RUL的预测。