一种基于充放电深度的电池大规模数据集构造方法

本发明涉及电池技术与人工智能交叉领域，公开了一种基于充放电深度的电池大规模数据集构造方法，通过结合条件物理生成对抗网络（CP‑GAN）和电池物理模型，从实车运行数据中提取并处理电压、电流、温度等充放电条件数据，经清洗、特征转换、归一化后，利用生成器生成符合电荷守恒、欧姆定律等物理规律的充放电数据，并通过判别器进行对抗训练，优化生成数据的真实性，通过MAE和RMSE评估及物理验证，确保生成数据的可靠性，扩展数据集规模。本发明突破传统实验局限，系统性覆盖全DOD范围，尤其填补高DOD工况的数据空白；本方法效率高、低成本，为电池状态预测、寿命评估和健康管理提供高质量数据支持，具有显著的工程应用价值和经济效益。