基于神经网络与Maternard核函数GPR的锂电池健康状态预测方法

摘要

本发明提供了一种基于神经网络与Maternard核函数GPR的锂电池健康状态预测方法，该方法包括：基于神经网络核函数以及Maternard核函数确定协方差函数，以构建GPR预测模型；对GPR预测模型中的均值函数和协方差函数中的超参数进行初始化；利用对数极大似然估计函数对超参数进行最优化；将训练数据和测试数据输入到GPR预测模型中，以获得测试数据的值。本发明的上述锂电池健康状态预测方法，能够使得对电池SOH值的预测的准确度和精度较高，不确定度较低。

主权项

基于神经网络与Maternard核函数GPR的锂电池健康状态预测方法，其特征在于，所述锂电池健康状态预测方法包括：基于神经网络核函数以及Maternard核函数确定协方差函数，以构建GPR预测模型；对所述GPR预测模型中的均值函数和协方差函数中的超参数进行初始化；利用对数极大似然估计函数对所述超参数进行最优化；将训练数据和测试数据输入到所述GPR预测模型中，以获得所述测试数据的值；其中，i为锂电池样品的充/放电循环次数,x_i为所述锂电池训练样品在第i次充/放电循环时对应的SOH值，N表示训练数据的个数，m为测试数据的个数。