一种基于多源数据多任务学习模型的锂离子电池健康状态预测方法和装置

本发明公开了一种基于多源数据多任务学习模型的锂离子电池健康状态预测方法和装置，其方法包括：基于NASA锂离子电池数据集，筛选出实验数据集后，分别提取出锂离子电池健康状态SOH相关的放电容量增量曲线(IC曲线)图像数据与包含温度‑电压等参数的时序数据，并分别进行预处理，生成SOH训练集和测试集；采用2D‑CNN模块对IC曲线图像数据进行训练，采用BiLSTM模块对时序数据进行训练，将两个模块的输出通过特征融合连接，建立多任务的SOH预测神经网络(MTSOHFNN)模型；采用SOH训练集和测试集进行训练和测试，输出锂离子电池健康状态SOH的评估结果。本发明提高了锂离子电池SOH预测的精度。