技術(shù)特征：

1.一種基于充電片段的鋰離子電池半監(jiān)督soh估計方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的一種基于充電片段的鋰離子電池半監(jiān)督soh估計方法，其特征在于，步驟s2具體包括以下步驟：

3.根據(jù)權(quán)利要求1所述的一種基于充電片段的鋰離子電池半監(jiān)督soh估計方法，其特征在于，步驟s3中，對鋰離子電池原始數(shù)據(jù)集進行數(shù)據(jù)預處理，剔除數(shù)據(jù)中的異常值，采用插值法填補缺失值，數(shù)據(jù)預處理后再進行健康特征提取。

4.根據(jù)權(quán)利要求1所述的一種基于充電片段的鋰離子電池半監(jiān)督soh估計方法，其特征在于，步驟s3具體包括以下步驟：

5.根據(jù)權(quán)利要求1所述的一種基于充電片段的鋰離子電池半監(jiān)督soh估計方法，其特征在于，步驟s5具體包括以下步驟：

6.根據(jù)權(quán)利要求5所述的一種基于充電片段的鋰離子電池半監(jiān)督soh估計方法，其特征在于，所述95％soh置信區(qū)間的計算公式如下：

7.根據(jù)權(quán)利要求6所述的一種基于充電片段的鋰離子電池半監(jiān)督soh估計方法，其特征在于，在f1和f2間對soh線性插值，用插值后曲線的均值和標準差代替和

8.根據(jù)權(quán)利要求1所述的一種基于充電片段的鋰離子電池半監(jiān)督soh估計方法，其特征在于，步驟s5中的自訓練循環(huán)神經(jīng)網(wǎng)絡包括：自訓練簡單rnn神經(jīng)網(wǎng)絡，自訓練lstm神經(jīng)網(wǎng)絡，自訓練gru神經(jīng)網(wǎng)絡。

9.根據(jù)權(quán)利要求1所述的一種基于充電片段的鋰離子電池半監(jiān)督soh估計方法，其特征在于，所述自訓練循環(huán)神經(jīng)網(wǎng)絡采用自訓練gru神經(jīng)網(wǎng)絡，包含一個神經(jīng)元數(shù)量為256的gru層，一個神經(jīng)元數(shù)量為128的gru層，一個神經(jīng)元數(shù)量為32的全連接層，一個神經(jīng)元數(shù)量為1的全連接層。

技術(shù)總結(jié)
本發(fā)明提出一種基于充電片段的鋰離子電池半監(jiān)督SOH估計方法，包括：采集鋰離子電池運行數(shù)據(jù)，構(gòu)建原始數(shù)據(jù)集；根據(jù)充放電完整性，計算各循環(huán)SOH值；根據(jù)可取性和相關(guān)性從原始數(shù)據(jù)集中提取健康特征，構(gòu)建半監(jiān)督總樣本集；劃分半監(jiān)督總樣本集為有標簽樣本集和無標簽樣本集；建立自訓練循環(huán)神經(jīng)網(wǎng)絡模型，生成偽標簽并更新有標簽樣本集；自訓練循環(huán)神經(jīng)網(wǎng)絡模型迭代訓練，直至無標簽樣本集為空或達預設迭代次數(shù)；使用最終有標簽樣本集，建立基于自訓練循環(huán)神經(jīng)網(wǎng)絡模型的鋰離子電池SOH模型。本發(fā)明能解決鋰離子電池SOH估計中面臨的碎片化充電、SOH標簽缺失等問題，使得SOH估計方法更貼近實際應用場景，提高了SOH估計的實用性和可靠性。

技術(shù)研發(fā)人員：朱旭凡,耿光超,江全元,韓文煊,董佳為
受保護的技術(shù)使用者：浙江大學
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/6