(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111583547.5 (22)申请日 2021.12.2 2 (71)申请人 合肥工业大 学 地址 230009 安徽省合肥市包河区屯溪路 193号 (72)发明人 刘征宇　黄威　王可晴　谢娟　 何慧娟　 (74)专利代理 机构 上海光华专利事务所(普通 合伙) 31219 代理人 王积毅 (51)Int.Cl. G01R 31/388(2019.01) G01R 31/389(2019.01) G01R 31/367(2019.01) G01R 31/396(2019.01)G06N 3/00(2006.01) G06N 20/00(2019.01) (54)发明名称 一种预测模型生成方法及自放电压降预测 方法 (57)摘要 本发明提供了一种预测模型生成方法及自 放电压降预测方法， 预测模型生成方法包括： 对 多个锂离子电池分别进行soak实验和充放电循 环实验， 得到自放电压降数据和充放电曲线； 从 每个充放电曲线中提取动态特征， 将动态特征与 对应的自放电压降数据进行灰色关联度分析， 得 到目标数据； 根据目标数据， 构建高斯过程回归 模型， 并采用粒子群算法优化训练好的高斯过程 回归模型的协方差函数和噪声方差， 得到预测模 型。 本发明根据先验特征和后验特征的分布关 系， 建立高斯过程回归模型， 并采用粒子群算法 对高斯过程回归模型进行优化， 得到最终的预测 模型， 使得精度较高。 所以， 本发明有效克服了 现 有技术中的种 种缺点而具高度 产业利用价 值。 权利要求书2页 说明书9页 附图2页 CN 114371415 A 2022.04.19 CN 114371415 A 1.一种预测模型生成方法， 其特 征在于， 所述预测模型生成方法包括： 对多个锂离子电池分别进行soak实验和充放电循环实验， 得到相应的自放电压降数据 和充放电曲线； 从每个所述充放电曲线中提取动态特征， 将所述动态特征与对应的自放电压降数据进 行灰色关联度分析， 得到目标 数据； 根据所述目标数据， 构建高斯过程回归模型， 并优化训练好的高斯过程回归模型的协 方差函数和噪声方差， 得到预测模型。 2.根据权利要求1所述的预测模型生成方法， 其特征在于， 所述从每个所述充放电曲线 中提取动态特征， 将所述动态特征与对应的自放电压降数据进行灰色关联度分析， 得到目 标数据的步骤 包括： 提取每条 所述充放电曲线的多个动态特 征； 针对每条所述充放电曲线， 将所述动态特征与对应的自放电压降数据进行灰色关联度 分析， 得到关联程度最高的多个目标 特征， 作为当前充放电曲线对应的一组目标 数据。 3.根据权利要求2所述的预测模型生成方法， 其特征在于， 所述目标特征包括充电欧姆 极化、 充电扩散极化、 放电欧姆极化中的至少一项。 4.根据权利要求1所述的预测模型生成方法， 其特征在于， 所述根据所述目标数据， 训 练高斯过程回归模型， 并优化训练好的高斯过程回归模型 的协方差函数和噪声方差， 得到 预测模型的步骤 包括： 将所述目标 数据按照预设的比例划分为训练集、 验证集和 测试集； 根据所述训练集训练高斯过程回归模型， 得到训练好的高斯过程回归模型， 并建立分 布函数： 其中， y表示所述训练集目标数据对应的自放电压降数据的集合； N表示正态分布； 0表 示零均值； kf表示协方差函数， 且 xi表示训练集中第i个 目标数据， xj表示训练集中第j个目标数据， l表示关联性测定超参数； 表示所述协方差函 数的信号方差； 表示噪声协方差矩阵； 表示噪声方差； 获取所述训练集和所述验证集的高斯联合分布： 其中， y*表示所述验证集中目标数据对应的自放电压降数据的集合； x表示所述训练集 中的目标数据， x*表示所述验证集中的目标数据， 表示所述验证集中第m个目标数据， 表示所述验证集中第n个目标 数据， ； 采用粒子群算法优化所述协方差函数和所述噪声方差； 获取所述训练集和所述测试集的高斯联合分布， 并结合优化后的协方差函数、 噪声方 差， 得到；权　利　要　求　书 1/2 页 2 CN 114371415 A 2其中， 表示所述测试集中目标数据对应的预测自放电压降数据的集合， kf′表示优化 后的协方差函数； σ ′n2表示优化后的噪声方差； 根据 与对应的自放电压降数据， 计算所述高斯过程回归模型的预测精度， 当所述精 度达到预设阈值时， 将所述高斯过程回归 模型确定为所述预测模型。 5.根据权利要求4所述的预测模型生成方法， 其特征在于， 所述采用粒子群算法优化所 述协方差函数和所述噪声方差的步骤 包括： 建立包含多个粒子的群落； 根据预设次数， 迭代所述群落， 并获取每 个所述粒子在每次迭代中的最优解； 根据每个所述粒子在每次迭代中的最优解， 获取优化后的协方差函数和噪声方差 。 6.根据权利要求5所述的预测模型生成方法， 其特征在于， 所述根据每个所述粒子在每 次迭代中的最优解， 获取优化后的协方差函数和噪声方差的步骤 包括： 根据每个所述粒子在每次迭代中的最优解， 最小化适应度函数， 获取优化后的协方差 函数和噪声方差： 其中， f表示所述适应度函数； M表示所述验证集中目标数据的总数； 表示所述验证集 中目标数据对应的预测自放电压降数据； y*表示所述验证集中目标数据对应的自放电压降 数据。 7.一种预测模型生成系统， 其特征在于， 采用如权利要求1 ‑6任意一项所述的预测模型 生成方法， 所述预测模型生成系统包括： 获取模块， 用于对多个锂离子电池分别进行soak实验和充放电循环实验， 得到相应的 自放电压降数据和充放电曲线； 分析模块， 用于从每个所述充放电曲线中提取动态特征， 将所述动态特征与对应的自 放电压降数据进行 灰色关联度分析， 得到目标 数据； 模型训练模块， 用于根据 所述目标数据， 训练高斯过程 回归模型， 并优化训练好的高斯 过程回归 模型的协方差函数和噪声方差， 得到预测模型。 8.一种计算机设备， 其特征在于， 包括处理器， 所述处理器和存储器耦合， 所述存储器 存储有程序指令， 当所述存储器存储的程序指令被所述处理器执行时实现如权利要求1 ‑6 任意一项所述的预测模型生成方法。 9.一种计算机可读的存储介质， 其特征在于， 包括程序， 当其在计算机上运行时， 使得 计算机执 行如权利要求1 ‑6任意一项所述的预测模型生成方法。 10.一种自放电压降预测方法， 其特征在于， 采用 如权利要求1 ‑6任意一项所述的预测 模型生成方法得到的预测模型， 所述自放电压降预测方法包括： 对待测锂离 子电池进行充放电实验， 并建立充放电曲线； 从所述充放电曲线中提取动态特 征， 并根据所述动态特 征处理得到一个目标 数据； 将所述目标数据输入所述预测模型， 得到所述待测锂离子电池的 预测自放电压降数据。权　利　要　求　书 2/2 页 3 CN 114371415 A 3