摘要
本发明提出一种领域知识引导大语言模型的电池健康状态估计与回收方法,主要涉及机器学习,电池健康评估领域。主要步骤包含:收集电池充放电测量数据与弛豫电压数据,对数据预进行处理;利用交叉注意力联合编码弛豫电压与测量数据,设计序列重编程嵌入方法生成序列嵌入矩阵;构建面向大模型的领域知识提示文本,生成退化知识嵌入矩阵;将两类矩阵融合并嵌入预训练大模型,建立稀疏感知适配器优化输出矩阵,实现目标电池健康的适应性估计。本发明针多工况、多种材质电池健康估计的准确率低、泛化性弱等问题,通过嵌入领域知识,提升大模型的健康状态估计能力,为电池回收利用提供决策依据。
技术关键词
电池健康状态
矩阵
大语言模型
回收方法
嵌入方法
适配器
编码
序列
重编程
Softmax函数
电压
注意力机制
数据
门控循环单元
模型主体
抽取特征
预训练模型
文本
系统为您推荐了相关专利信息
剩余使用寿命
车辆运行数据
动态权重分配
强化学习策略
神经网络架构
注水井
脉冲响应模型
计算方法
卡尔曼滤波方法
采油井
涤纶面料
多粒度特征
缺陷检测方法
轨迹特征
随机森林模型
缺陷智能检测方法
分类神经网络
特征提取器
工业缺陷检测
图像编码器