1.一種基于hs-mh-moe模型和電池的電流電壓溫度預(yù)測(cè)soh的方法，其特征在于，包括如下實(shí)現(xiàn)步驟：
2.根據(jù)權(quán)利要求1所述的一種基于hs-mh-moe模型和電池電流電壓溫度預(yù)測(cè)soh的方法，其特征在于，所述步驟s1包括如下步驟：
3.根據(jù)權(quán)利要求1所述的一種基于hs-mh-moe模型和電池的電流電壓溫度預(yù)測(cè)soh的方法，其特征在于，在步驟s2中，所述cnn模型包含一個(gè)卷積層和一個(gè)最大池化層，激活函數(shù)均為relu函數(shù)，過濾器數(shù)量設(shè)置為32個(gè)，核的尺寸為1；所述lstm層的神經(jīng)元個(gè)數(shù)為32，激活函數(shù)均為relu函數(shù)。
4.根據(jù)權(quán)利要求1所述的一種基于hs-mh-moe模型和電池的電流電壓溫度預(yù)測(cè)soh的方法，其特征在于，在步驟s2中，在所述2層結(jié)構(gòu)的每個(gè)層級(jí)中均包括3個(gè)門控網(wǎng)絡(luò)模型，均采用多層感知機(jī)模型，每個(gè)門控網(wǎng)絡(luò)模型均為一個(gè)3層的網(wǎng)絡(luò)結(jié)構(gòu)，輸入層接收輸入數(shù)據(jù)，中間層為32維向量，輸出層是一個(gè)3維向量，分別對(duì)應(yīng)3個(gè)專家子模型的權(quán)重，進(jìn)行加權(quán)求和，3個(gè)權(quán)重之和為1。
5.根據(jù)權(quán)利要求4所述的一種基于hs-mh-moe模型和電池的電流電壓溫度預(yù)測(cè)soh的方法，其特征在于，所述加權(quán)求和，包括如下過程：
6.根據(jù)權(quán)利要求1所述的一種基于hs-mh-moe模型和電池的電流電壓溫度預(yù)測(cè)soh的方法，其特征在于，在步驟s3中，訓(xùn)練時(shí)訓(xùn)練次數(shù)為100，批次樣本數(shù)量為32；模型訓(xùn)練的優(yōu)化器optimizer為adam算法，損失函數(shù)均方誤差。
7.根據(jù)權(quán)利要求1所述的一種基于hs-mh-moe模型和電池的電流電壓溫度預(yù)測(cè)soh的方法，其特征在于，在步驟s4中，模型的損失函數(shù)為均方誤差；優(yōu)化為adam；評(píng)估指標(biāo)為平均絕對(duì)誤差，即目標(biāo)值和預(yù)測(cè)值之差的絕對(duì)值之和。