买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中国电力科学研究院有限公司

申请日：2024-12-23

公开（公告）日：2025-01-21

公开（公告）号：CN119337751A

专利技术分类：..使用机器学习，例如人工智能，神经网络，支持向量机[SVM]或训练模型[2020.01]

专利摘要：本发明属于储能电池技术领域，公开一种电池系统电压极差的深度学习预测方法及装置；所述方法包括：采集电池簇的电池运行数据；所述电池运行数据包括单体电池极差数据、电池簇充放电功率和电池簇总电压数据；将所述电池运行数据输入预先训练好的深度学习预测模型中预测，获得电池簇未来预设时间内的电压极差预测结果；其中，所述预先训练好的深度学习预测模型为BiGRU‑Transformer‑LSTM模型。本发明采用BiGRU‑Transformer‑LSTM三种不同架构的混合模型，能有效预测电池电压极差变化，可由当前电压、功率信息预测未来一段时间的电压极差变化，并具有电压一致性评估功能；该方法有助于合理规划电池组的充放电策略，延长电池寿命，提高电池的安全性、可靠性。

专利权项：1.一种电池系统电压极差的深度学习预测方法，其特征在于，包括：采集电池簇的电池运行数据；所述电池运行数据包括单体电池极差数据、电池簇充放电功率和电池簇总电压数据；将所述电池运行数据输入预先训练好的深度学习预测模型中预测，获得电池簇未来预设时间内的电压极差预测结果；其中，所述预先训练好的深度学习预测模型为BiGRU-Transformer-LSTM模型；所述BiGRU-Transformer-LSTM模型包括依次连接BiGRU层、Transformer层、LSTM层、全连接层和激活函数；所述BiGRU层，用于对输入的时间序列数据进行正向和逆向编码，捕捉双向依赖信息，输出特征序列；所述Transformer层，用于接收BiGRU层的输出，利用多头自注意力机制对时间序列的所有位置进行全局特征建模，输出经过全局特征建模后的特征序列；LSTM层为双层LSTM层，包括第一层LSTM和第二层LSTM；第一层LSTM，用于进一步提取经过全局特征建模后的特征序列的时间依赖关系，输出经过第一层LSTM处理后的时间步特征；第二层LSTM，用于接收第一层LSTM的输出，并结合长期依赖特征，生成最终的输出特征；全连接层和激活函数，用于将LSTM层最终的输出特征映射为预测结果。

百度查询： 中国电力科学研究院有限公司 一种电池系统电压极差的深度学习预测方法及装置