锂电池健康状态的预测方法、装置、电子设备及存储介质

1.本说明书实施例涉及锂电池技术领域，特别涉及一种锂电池健康状态的预测方法、装置、电子设备及存储介质。


背景技术：

2.电动汽车因其低排放、环保和噪声低的优点被大力推广，锂离子电池（以下简称锂电池）具有电压高、循环寿命长、自放电小等优点，因此其被广泛应用于电动汽车中，是电动汽车的重要动力来源。锂电池的健康状态与安全性密切相关，因此对锂电池的健康状态进行及时准确地预测是至关重要的。


技术实现要素：

3.为了能够及时准确地预测锂电池的健康状态，本说明书实施例提供了一种锂电池健康状态的预测方法、装置、电子设备及存储介质。
4.第一方面，本说明书实施例提供了一种锂电池健康状态的预测方法，包括：采集目标锂电池在多次充放电循环过程中的循环老化数据；其中，所述循环老化数据包括原始电压数据和原始温度数据；针对每一次所述充放电循环，均执行：对当前充放电循环中的原始电压数据和原始温度数据进行清洗处理，得到目标电压数据和目标温度数据；基于所述目标电压数据和所述目标温度数据，得到当前充放电循环的dtv数据；对每一次所述充放电循环的dtv数据进行特征提取，得到时间序列数据；将所述时间序列数据输入到预设的lstm模型中进行训练，得到预测模型；利用所述预测模型对待测锂电池的健康状态进行预测并量化不确定性结果。
5.在一种可能的设计中，所述清洗处理包括如下中的至少一种：筛除异常点、固定采样间隔和滤波。
6.在一种可能的设计中，所述对每一次所述充放电循环的dtv数据进行特征提取，得到时间序列数据，包括：针对每一次所述充放电循环，均执行：对当前充放电循环的dtv数据依次进行滤波处理和连线处理，得到dtv曲线；提取所述dtv曲线中波峰的大小和位置以及波谷的大小和位置，并作为初始特征数据；针对每一个所述波峰或每一个所述波谷，将当前充放电循环的电池容量以及当前波峰或当前波谷的大小和位置进行相关性分析，得到相关性高于预设阈值的目标特征数据；其中，所述电池容量是从所述循环老化数据中得到的；将不同充放电循环的目标特征数据按照时间顺序排列，得到呈二维矩阵的时间序列数据。
7.在一种可能的设计中，所述对每一次所述充放电循环的dtv数据进行特征提取，得到时间序列数据，包括：针对每一次所述充放电循环，均执行：将当前充放电循环的dtv数据构建为列向
量；对所述列向量进行奇异值分解，得到一个奇异值；将不同充放电循环的奇异值按照时间顺序排列，得到呈二维矩阵的时间序列数据。
8.在一种可能的设计中，所述将所述时间序列数据输入到预设的lstm模型中进行训练，得到预测模型，包括：将至少两个所述时间序列数据构建得到一个三维张量；将构建得到的多个所述三维张量输入到预设的lstm模型中进行训练，得到预测模型。
9.在一种可能的设计中，所述lstm模型包括依次连接的输入层、第一lstm层、第一dropout层、第二lstm层、第二dropout层、全连接层和输出层，所述第一lstm层和所述第二lstm层中的激活函数为tanh函数，所述全连接层中的激活函数为sigmoid函数；和/或，所述lstm模型的梯度下降算法为rmsprop算法；和/或，所述lstm模型采用贝叶斯算法进行参数优化。
10.在一种可能的设计中，所述利用所述预测模型对待测锂电池的健康状态进行预测并量化不确定性结果，包括：利用所述预测模型对待测锂电池的健康状态进行多次预测，得到多个预测结果；采用蒙特卡洛方法对多个所述预测结果进行不确定性量化，得到不确定性结果。
11.第二方面，本说明书实施例还提供了一种锂电池健康状态的预测装置，包括：采集模块，用于采集目标锂电池在多次充放电循环过程中的循环老化数据；其中，所述循环老化数据包括原始电压数据和原始温度数据；执行模块，用于针对每一次所述充放电循环，均执行：对当前充放电循环中的原始电压数据和原始温度数据进行清洗处理，得到目标电压数据和目标温度数据；基于所述目标电压数据和所述目标温度数据，得到当前充放电循环的dtv数据；特征提取模块，用于对每一次所述充放电循环的dtv数据进行特征提取，得到时间序列数据；训练模块，用于将所述时间序列数据输入到预设的lstm模型中进行训练，得到预测模型；预测模块，用于利用所述预测模型对待测锂电池的健康状态进行预测并量化不确定性结果。
12.第三方面，本说明书实施例还提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现本说明书任一实施例所述的方法。
13.第四方面，本说明书实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行本说明书任一实施例所述的方法。
14.本说明书实施例提供了一种锂电池健康状态的预测方法、装置、电子设备及存储介质，通过对每一次充放电循环的dtv数据进行特征提取，得到时间序列数据，然后将时间序列数据输入到预设的lstm模型中进行训练，得到预测模型，如此实现了融合数据驱动和信号分析方法对锂电池健康状态进行预测的效果，进而规避了单一预测手段各自存在的缺
陷，从而能够及时准确地预测锂电池的健康状态。
附图说明
15.为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本说明书的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
16.图1是本说明书一实施例提供的一种锂电池健康状态的预测方法流程图；图2是本说明书一实施例提供的一种电子设备的硬件架构图；图3是本说明书一实施例提供的一种锂电池健康状态的预测装置结构图；图4是本说明书一实施例提供的基于锂电池在一次充放电循环过程中的电压和温度的变化来获得的dtv数据图。
具体实施方式
17.为使本说明书实施例的目的、技术方案和优点更加清楚，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本说明书一部分实施例，而不是全部的实施例，基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本说明书保护的范围。
18.锂电池的老化是一个长期渐变的过程，电池的健康状态受温度、电流倍率、截止电压等多种因素影响。目前对于锂电池健康状态的预测主要分为基于模型的方法、基于数据驱动的方法、基于信号分析的方法以及基于经验的方法。
19.基于模型的方法主要通过构建机理模型或等效电路模型来进行预测，具有很强的可解释性，在实际应用中常用于电池热管理以及电池设计等领域；基于数据驱动的方法直接通过历史观测数据进行预测，数据驱动方法通常不需要太多关于电池工作原理的知识，而且对非线性数据具有更高的拟合能力和更广泛的应用领域，常常基于大数据用于云端估计锂电池健康状态（state of health，soh）；基于特征信号分析方法是基于电化学分析技术，包括如增量容量分析（ica）、差分电压分析（dva）和差分热伏安法（dtv）等方法用以提取合适和可靠的电池降解特征，信号分析方法通过求取特征数据并进行分析，能够从宏观上反应锂电池内部的微观反应，在实际应用中一般作为辅助技术手段；基于经验的方法主要通过构建经验模型或曲线拟合等方法进行预测，具有计算成本低以及实时性高等特点，在实际应用中常常用于车端快速模型预测锂电池健康状态。
20.使用单一方法进行锂电池健康状态预测不能兼顾高精度、实用性、稳定性以及普适性，每种方法各有自己的缺陷。基于模型的方法的缺点是构建精准的模型非常困难，需要大量的物理化学知识，涉及多种电池内部反应机理，模型的准确性很容易受到可变电流和温度的影响，而且在不同外部条件情况影响下，很难获得准确的机理模型；基于数据驱动的方法的缺点是可解释性比较弱，预测结果对于数据质量敏感，稳定性比较差，所需要的特征可能需要复杂的数据处理过程才能获得，增加了车载bms的计算量；基于信号分析方法的缺点是高度依赖于采样条件，数据处理流程复杂；基于经验模型的方法的缺点是精度较差，在
复杂工况下抗干扰能力差。
21.发明人在研发过程中发现：可以融合数据驱动和信号分析方法对锂电池健康状态进行预测，进而可以规避单一预测手段各自存在的缺陷，从而能够及时准确地预测锂电池的健康状态。
22.下面介绍本说明实施例的发明构思。
23.请参考图1，本说明书实施例提供了一种锂电池健康状态的预测方法，该方法包括：步骤100：采集目标锂电池在多次充放电循环过程中的循环老化数据；其中，循环老化数据包括原始电压数据和原始温度数据；步骤102：针对每一次充放电循环，均执行：对当前充放电循环中的原始电压数据和原始温度数据进行清洗处理，得到目标电压数据和目标温度数据；基于目标电压数据和目标温度数据，得到当前充放电循环的dtv数据；步骤104：对每一次充放电循环的dtv数据进行特征提取，得到时间序列数据；步骤106：将时间序列数据输入到预设的lstm模型中进行训练，得到预测模型；步骤108：利用预测模型对待测锂电池的健康状态进行预测并量化不确定性结果。
24.本说明书实施例中，通过对每一次充放电循环的dtv数据进行特征提取，得到时间序列数据，然后将时间序列数据输入到预设的lstm模型中进行训练，得到预测模型，如此实现了融合数据驱动和信号分析方法对锂电池健康状态进行预测的效果，进而规避了单一预测手段各自存在的缺陷，从而能够及时准确地预测锂电池的健康状态。
25.该技术方案可用于车载电池管理系统（bms）估计soh，在电动汽车上中具有多样化的应用前景。
26.下面描述图1所示的各个步骤的执行方式。
27.针对步骤100：在一些实施方式中，可以基于车载电池管理系统、云端电池监控平台、厂家提供以及公开数据集等多种途径获取目标锂电池在多次充放电循环过程中的循环老化数据，在此对循环老化数据的采集路径和方式不进行限定。
28.针对步骤102：在本说明书一个实施例中，清洗处理包括如下中的至少一种：筛除异常点、固定采样间隔和滤波。
29.在本实施例中，通过对原始电压数据和原始温度数据进行清洗处理，可以有效去除异常值和由采样带来的噪声，解决了在实际应用中车载电池管理系统采集数据异常和波动导致的预测精度下降和稳定性差等问题。
30.在本说明书一个实施例中，对目标电压数据和目标温度数据基于差分热伏安法进行处理，可以得到dtv数据。具体地，dtv数据通过在充放电期间将电池表面的温度对端电压进行微分计算得出，如下公式所示：。
31.在本实施例中，特征通过差分热伏安法提取，在实际应用中仅需要获取电压数据
和温度数据，这解决了在实际应用过程中对采样条件和设备的需求过于苛刻和复杂，具有很强的实用性，同时通过特征提取使每个循环内的数据量大幅减少，解决了后续lstm模型训练消耗资源过大的问题。
32.需要说明的是，数据驱动方法的预测结果高度依赖于数据质量和所选取的特征，由电池的运行数据可衍生出众多特征，而特征与容量的相关性不一定都是高的，冗杂的特征会导致计算负担增大、模型训练效率低下以及模型精度低等问题，而在不同的电池体系、不同的充放电工况或者不同的采样条件下同一特征也可能会较大有差别，个别特征会缺乏普适性。因此使用与电池老化高度相关且精简和通用的特征对于提高模型效率和精度有至关重要的作用。而dtv方法可以在宏观上高度反映出电池老化过程中的微观变化，与电池老化具有强相关性。
33.需要进一步说明的是，差分热伏安法是一种快速电化学表征方法，在实际应用中经常作为一种重要的跟踪电池健康状态的方法。锂电池的充放电过程伴随着电极材料中锂的嵌入和脱出，其间发生相变引起熵的变化，进而会导致温度的变化，在实际应用过程中通过监测充放电过程中的电压和温度的变化来获得dtv数据。结合附图4，在充电过程中，电池老化伴随着峰值的降低和峰位向高电位的移动，谷逐渐变小并向低电位移动，反映出电池容量衰减过程中的电阻增加和电极性能不均匀等变化，进而在宏观尺度有效的反映电池在老化过程中微观上的变化。
34.针对步骤104：在步骤104中，本说明书实施例提供了两种技术方案来实现对dtv数据的进一步特征提取，分别是基于峰谷的提取和基于奇异值的提取。
35.《基于峰谷的提取》在本说明书一个实施例中，步骤104具体可以包括：针对每一次充放电循环，均执行：对当前充放电循环的dtv数据依次进行滤波处理和连线处理，得到dtv曲线；提取dtv曲线中波峰的大小和位置以及波谷的大小和位置，并作为初始特征数据；针对每一个波峰或每一个波谷，将当前充放电循环的电池容量以及当前波峰或当前波谷的大小和位置进行相关性分析，得到相关性高于预设阈值的目标特征数据；其中，电池容量是从循环老化数据中得到的；将不同充放电循环的目标特征数据按照时间顺序排列，得到呈二维矩阵的时间序列数据。
36.在本实施例中，需要先将dtv数据整理成dtv曲线，然后提取dtv曲线中波峰的大小和位置以及波谷的大小和位置，并作为初始特征数据；为了提高模型的预测精度和训练效率，通过将当前充放电循环的电池容量以及当前波峰或当前波谷的大小和位置进行相关性分析，如此选择了相关性高的特征使用，减少了特征量并筛除了相关性差的特征。
37.由于预测模型是基于lstm模型构建的，因此需要将目标特征数据转换为时间序列数据。预测模型以lstm神经网络为核心构建，锂电池老化属于长期依赖性问题 ，lstm是循环神经网络（rnn）的一种变体，其主要特点是有一条贯穿单元的主线记录信息，lstm引入了单元状态并使用输入门、遗忘门和输出门三种门来保持和控制信息，进而有效解决梯度消失和梯度爆炸问题，从而解决长期依赖性问题，利用lstm的该特点进而捕捉电池老化过程中的长期性特征，具有预测精度高以及稳定性和普适性强的特点。
38.在一些实施方式中，相关性分析可以是皮尔逊相关性分析方法。
39.需要说明的是，在不同的电池体系和不同的充放电工况下dtv曲线会有差别，不同的采样条件和采样误差也会对dtv曲线产生影响。但是，dtv曲线的峰谷的存在和其所蕴含的信息受影响很小，相对稳定，峰谷信息的演变与电池老化高度相关，为此提取峰谷信息作为特征，增加了普适性和稳定性。同时，通过特征提取将每个循环的数据量缩减到一个点，极大地减少了计算消耗，提高了效率。
40.如前所述，dtv曲线是需要先对dtv数据进行滤波（例如通过sg滤波器进行滤波）处理得到的，通常而言，对于数据质量较好的dtv数据需要进行一次滤波，而对于对于数据质量不好的dtv数据可能需要进行两次滤波。在此需要指出的是，滤波可能会带来一个问题，即如果滤波参数设置不准确，则一些不明显的峰谷可能会被直接滤除，这虽然减小了计算量，但是特征量也随之减小了，从而不能保证模型较高的预测准确度。而且，在不同的电池体系和不同的充放电工况下dtv曲线会有差别，这对于基于峰谷的提取方式的普适性也会变差。
41.为了解决该技术问题，发明人创造性地考虑到将奇异值分解的技术应用于dtv数据上，从而既可以大大缩减了数据量（即基于峰谷的提取在一次循环过程会产生若干个特征数据量，而基于奇异值的提取在一次循环过程只会产生一个特征数据量），又可以有效包含dtv所蕴含的重要信息和特征。下面对基于奇异值的提取方式进行介绍。
42.《基于奇异值的提取》在本说明书一个实施例中，步骤104具体可以包括：针对每一次充放电循环，均执行：将当前充放电循环的dtv数据构建为列向量；对列向量进行奇异值分解，得到一个奇异值；将不同充放电循环的奇异值按照时间顺序排列，得到呈二维矩阵的时间序列数据。
43.在本实施例中，由于一列dtv数据可以看成是一个m*1的矩阵，因此通过对一列dtv数据进行奇异值分解，可以得到一个1*1的矩阵，而这个值就是奇异值。这一个奇异值不仅可以有效包含dtv所蕴含的重要信息和特征，还可以大大缩减数据量。
44.此外，当矩阵中的元素发生轻微变化时，其奇异值变化不大，表明奇异值具有良好的稳定性和很强的抗干扰能力，也进一步降低了数据处理的复杂程度以及可能由于数据质量而引起的误差。因此，将奇异值分解方法应用于dtv数据上，实现了使用更加简单特征提取的方法来提取强相关性的特征，可以替代现在普遍分析dtv曲线选用的峰谷信息的特征作为一组新的特征来进行输入，缩减了输入矩阵的大小，提高了模型的效率，同时该方法对数据质量的依赖较小，降低了数据预处理的难度和复杂度。
45.下面对奇异值分解的原理进行介绍。
46.奇异值分解方法是一种矩阵分解方法，通过矩阵分解进而获得包含矩阵中主要信息的奇异值，对dtv数据构建成的列向量分别进行奇异值分解，进而得到包含其主要信息的奇异值，其原理为：m为m行n列的矩阵, 通过svd分解之后，拆分成了3个子矩阵，其中u矩阵为m行m列
的方阵，u的列为mm
t
矩阵的正交特征向量，v为n行n列的方阵，n的每一列为矩阵m
t
m的正交特征向量，∑为只有主对角线有值的矩阵，其中的值称之为奇异值，是m
t
m特征值的平方根。
47.需要指出的是，对每个循环的dtv数据提取奇异值，奇异值将矩阵中的重要信息集中在了较大的奇异值中，而信息越重要，奇异值越大。而奇异值是从左上角开始从大到小往右下角以非常快的速度递减的，所以重要的信息都集中在了左上的部分，因此我们取前面若干个最大的奇异值，就可以基本上还原出数据本身。而由于一列dtv数据可以看成是一个m*1的矩阵，通过对一列dtv数据进行奇异值分解，可以得到一个1*1的矩阵，而这个值就是左上角最大的奇异值。
48.综上，通常而言，基于奇异值的提取方式不需要对dtv数据进行滤波，即使对于数据质量不好的dtv数据，最多采用一次滤波后，再基于奇异值进行特征提取，这种方式相比基于峰谷的提取方式具有如下优点：缩减了输入矩阵的大小，提高了模型的效率，同时该方法对数据质量的依赖较小，降低了数据预处理的难度和复杂度。
49.针对步骤106：在本说明书一个实施例中，步骤106具体可以包括：将至少两个时间序列数据构建得到一个三维张量；将构建得到的多个三维张量输入到预设的lstm模型中进行训练，得到预测模型。
50.在本实施例中，首先将目标特征数据按照一定的时间序列长度构建成二维矩阵，一个二维矩阵被当作一个时间序列，然后将多个时间序列构建成若干个三维张量，一个三维张量被当作一个批次，在进行训练时是以批次为单位进行训练，进而有效提高模型训练的速度和效率。
51.在本说明书一个实施例中，lstm模型包括依次连接的输入层、第一lstm层、第一dropout层、第二lstm层、第二dropout层、全连接层和输出层，第一lstm层和第二lstm层中的激活函数为tanh函数，全连接层中的激活函数为sigmoid函数。
52.在本实施例中，为防止训练过程中的过拟合现象采用了dropout技术（即在lstm层的下一层连接dropout层），dropout技术会让某个神经元的激活值以一定的概率停止工作，神经元连同其所有的输入和输出连接暂时从网络中移除，每个神经元都有一个固定的概率，与其他神经元无关；采用该技术可以使网络对神经元的特定权重的敏感度降低，进而使模型泛化性更强，不会过度依赖于某些局部的特征。
53.在本说明书一个实施例中，lstm模型的梯度下降算法为rmsprop算法。
54.在本实施例中，梯度下降算法选择rmsprop算法，该算法是基于其他梯度下降算法的改进，通过对学习率的更新优化了训练效率和训练效果，引入了衰减系数，进而避免了随着训练周期的增长学习率下降的过快，在设置全局学习率之后，每次通过该算法，全局学习率逐参数的除以经过衰减系数控制的历史梯度平方和的平方根，使得每个参数的学习率不同，从而达到更新学习率的效果，有效提高了模型训练的速度和预测精度。
55.在本说明书一个实施例中，lstm模型采用贝叶斯算法进行参数优化。
56.在本实施例中，目前对神经网络超参数的调节多采用手动调节的方式，这种方式高度依赖于调参经验，而且效率极低，对于数据量大以及模型结构复杂的应用，对算力的消耗是巨大的，同时也会影响效率，为此使用贝叶斯优化算法来自动寻优。
57.针对步骤108：
在本说明书一个实施例中，步骤108具体可以包括：利用预测模型对待测锂电池的健康状态进行多次预测，得到多个预测结果；采用蒙特卡洛方法对多个预测结果进行不确定性量化，得到不确定性结果。
58.在本实施例中，预测结果通过蒙特卡洛方法量化了不确定性结果，蒙特卡洛方法基于对大量事件的统计结果来实现一些确定性问题的计算，解决了lstm神经网络能够预测多步提前数据点，但是无法量化预测置信度的问题。
59.需要说明的是，lstm神经网络能够学习时间序列数据的长期相关性，并预测多步提前数据点，但是无法量化预测置信度，为此引入蒙特卡洛方法来量化预测的不确定性，在应用过程中，蒙特卡洛方法需要一个用于描述系统的数值算法，深度学习模型被定义为描述电池退化过程的数值算法，即lstm模型的输出用于蒙特卡洛处理的输入。
60.如图2、图3所示，本说明书实施例提供了一种锂电池健康状态的预测装置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。从硬件层面而言，如图2所示，为本说明书实施例提供的一种锂电池健康状态的预测装置所在电子设备的一种硬件架构图，除了图2所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的电子设备通常还可以包括其他硬件，如负责处理报文的转发芯片等等。以软件实现为例，如图3所示，作为一个逻辑意义上的装置，是通过其所在电子设备的cpu将非易失性存储器中对应的计算机程序读取到内存中运行形成的。
61.如图3所示，本实施例提供的一种锂电池健康状态的预测装置，包括：采集模块300，用于采集目标锂电池在多次充放电循环过程中的循环老化数据；其中，所述循环老化数据包括原始电压数据和原始温度数据；执行模块302，用于针对每一次所述充放电循环，均执行：对当前充放电循环中的原始电压数据和原始温度数据进行清洗处理，得到目标电压数据和目标温度数据；基于所述目标电压数据和所述目标温度数据，得到当前充放电循环的dtv数据；特征提取模块304，用于对每一次所述充放电循环的dtv数据进行特征提取，得到时间序列数据；训练模块306，用于将所述时间序列数据输入到预设的lstm模型中进行训练，得到预测模型；预测模块308，用于利用所述预测模型对待测锂电池的健康状态进行预测并量化不确定性结果。
62.在本说明书实施例中，采集模块300可用于执行上述方法实施例中的步骤100，执行模块302可用于执行上述方法实施例中的步骤102，特征提取模块304可用于执行上述方法实施例中的步骤104，训练模块306可用于执行上述方法实施例中的步骤106，预测模块308可用于执行上述方法实施例中的步骤108。
63.在本说明书的一个实施例中，所述清洗处理包括如下中的至少一种：筛除异常点、固定采样间隔和滤波。
64.在本说明书的一个实施例中，所述特征提取模块304，用于执行如下操作：针对每一次所述充放电循环，均执行：对当前充放电循环的dtv数据依次进行滤波处理和连线处理，得到dtv曲线；提取所述dtv曲线中波峰的大小和位置以及波谷的大小和位置，并作为初始特征数据；针对每一个所述波峰或每一个所述波谷，将当前充放电循环的
电池容量以及当前波峰或当前波谷的大小和位置进行相关性分析，得到相关性高于预设阈值的目标特征数据；其中，所述电池容量是从所述循环老化数据中得到的；将不同充放电循环的目标特征数据按照时间顺序排列，得到呈二维矩阵的时间序列数据。
65.在本说明书的一个实施例中，所述特征提取模块304，用于执行如下操作：针对每一次所述充放电循环，均执行：将当前充放电循环的dtv数据构建为列向量；对所述列向量进行奇异值分解，得到一个奇异值；将不同充放电循环的奇异值按照时间顺序排列，得到呈二维矩阵的时间序列数据。
66.在本说明书的一个实施例中，所述训练模块306，用于执行如下操作：将至少两个所述时间序列数据构建得到一个三维张量；将构建得到的多个所述三维张量输入到预设的lstm模型中进行训练，得到预测模型。
67.在本说明书的一个实施例中，所述lstm模型包括依次连接的输入层、第一lstm层、第一dropout层、第二lstm层、第二dropout层、全连接层和输出层，所述第一lstm层和所述第二lstm层中的激活函数为tanh函数，所述全连接层中的激活函数为sigmoid函数；和/或，所述lstm模型的梯度下降算法为rmsprop算法；和/或，所述lstm模型采用贝叶斯算法进行参数优化。
68.在本说明书的一个实施例中，所述预测模块308，用于执行如下操作：利用所述预测模型对待测锂电池的健康状态进行多次预测，得到多个预测结果；采用蒙特卡洛方法对多个所述预测结果进行不确定性量化，得到不确定性结果。
69.可以理解的是，本说明书实施例示意的结构并不构成对一种锂电池健康状态的预测装置的具体限定。在本说明书的另一些实施例中，一种锂电池健康状态的预测装置可以包括比图示更多或者更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。图示的部件可以以硬件、软件或者软件和硬件的组合来实现。
70.上述装置内的各模块之间的信息交互、执行过程等内容，由于与本说明书方法实施例基于同一构思，具体内容可参见本说明书方法实施例中的叙述，此处不再赘述。
71.本说明书实施例还提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现本说明书任一实施例中的一种锂电池健康状态的预测方法。
72.本说明书实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序在被处理器执行时，使所述处理器执行本说明书任一实施例中的一种锂电池健康状态的预测方法。
73.具体地，可以提供配有存储介质的系统或者装置，在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机（或cpu或mpu）读出并执行存储在存储介质中的程序代码。
74.在这种情况下，从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此程序代码和存储程序代码的存储介质构成了本说明书的一部分。
75.用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘（如cd-rom、
cd-r、cd-rw、dvd-rom、dvd-ram、dvd-rw、dvd+rw）、磁带、非易失性存储卡和rom。可选择地，可以由通信网络从服务器计算机上下载程序代码。
76.此外，应该清楚的是，不仅可以通过执行计算机所读出的程序代码，而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作，从而实现上述实施例中任意一项实施例的功能。
77.此外，可以理解的是，将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展模块中设置的存储器中，随后基于程序代码的指令使安装在扩展板或者扩展模块上的cpu等来执行部分和全部实际操作，从而实现上述实施例中任一实施例的功能。
78.需要说明的是，在本文中，诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
…”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同因素。
79.本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储在计算机可读取的存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质中。
80.最后应说明的是：以上实施例仅用以说明本说明书的技术方案，而非对其限制；尽管参照前述实施例对本说明书进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本说明书各实施例技术方案的精神和范围。