技术特征：
1.一种用于参数识别的工况敏感度分析和数据处理方法，其特征在于，包括：根据选取的基准电压区间，获得所述基准电压区间的电化学模型参数的电压数据集；对所述电压数据集的电压进行归一化处理，得到特征电压数据集，所述特征电压数据集中不同电化学模型参数的电压值个数相等；将所述特征电压数据集输入至所述神经网络模型，并以所述电化学模型参数为标签，输出电化学模型参数的初始值。2.根据权利要求1所述的用于参数识别的工况敏感度分析和数据处理方法，其特征在于，在所述根据选取的基准电压区间，获得所述基准电压区间的电化学模型参数的电压数据集之前，包括：利用工况下的电压变化曲线，得到电量电压曲线；根据所述电量电压曲线，选取电量变化斜率最大时的电压区间作为基准电压区间。3.根据权利要求1所述的用于参数识别的工况敏感度分析和数据处理方法，其特征在于，所述对所述电压数据集的电压进行归一化处理，得到特征电压数据集，所述特征电压数据集中不同电化学模型参数的电压值个数相等，包括：通过归一化公式将所述特征电压数据集的电压值转化为[0,1]范围的电压值，并将不同电化学模型参数的电压值个数调整一致，归一化公式如下：其中，v为电压值，v
min
为最小电压值，v
max
为最大电压值。4.根据权利要求3所述的用于参数识别的工况敏感度分析和数据处理方法，其特征在于，所述将不同电化学模型参数的电压值个数调整一致，包括：设所述特征电压数据集含有电压值个数最多的那条电压数据有n
max
个电压值，用n代表其余电压数据中电压值的个数；若选取的电压数据是充电过程中的数据，则该条电压数据末端填补(n
max-n)个电压值为1的数据点；若选取的电压数据是放电过程中的数据，则该条电压数据末端填补(n
max-n)个电压值为0的数据点；将每条电压数据的电压值个数调整一致，均为n
max
个电压值。5.根据权利要求1所述的用于参数识别的工况敏感度分析和数据处理方法，其特征在于，还包括：训练神经网络模型；其中，以参数值的均方误差作为损失函数，均方误差mse为：其中，mse为均方误差，n为参数值的个数，i为参数的序号，θ
label,i
为参数的真实值，θ
model,i
为参数的预测值。6.根据权利要求1所述的用于参数识别的工况敏感度分析和数据处理方法，其特征在于，还包括：
将所述电化学模型参数的初始值输入至电化学模型，得到所述电化学模型参数的初始值对应的输出电压。7.根据权利要求1～6中任一项所述的用于参数识别的工况敏感度分析和数据处理方法，其特征在于，所述电化学模型参数包高敏感度参数，所述高敏感度参数为在恒流工况下影响电化学模型的输出电压的参数。8.一种用于参数识别的工况敏感度分析和数据处理装置，其特征在于，包括：获得模块，用于根据选取的基准电压区间，获得所述基准电压区间的电化学模型参数的电压数据集；预处理模块，用于对所述电压数据集的电压进行归一化处理，得到特征电压数据集，所述特征电压数据集中不同电化学模型参数的电压值个数相等；输出模块，用于将所述特征电压数据集输入至所述神经网络模型，并以所述电化学模型参数为标签，输出电化学模型参数的初始值。9.根据权利要求8所述的用于参数识别的工况敏感度分析和数据处理装置，其特征在于，还包括选取模块，用于：利用工况下的电压变化曲线，得到电量电压曲线；根据所述电量电压曲线，选取电量变化斜率最大时的电压区间作为基准电压区间。10.根据权利要求9所述的用于参数识别的工况敏感度分析和数据处理装置，其特征在于，所述预处理模块，还用于：通过归一化公式将所述特征电压数据集的电压值转化为[0,1]范围的电压值，并将不同电化学模型参数的电压值个数调整一致，归一化公式如下：其中，v为电压值，v
min
为最小电压值，v
max
为最大电压值。
技术总结
本发明提供了一种用于参数识别的工况敏感度分析和数据处理方法，包括：根据选取的基准电压区间，获得所述基准电压区间的电化学模型参数的电压数据集；对所述电压数据集的电压进行归一化处理，得到特征电压数据集，所述特征电压数据集中不同电化学模型参数的电压值个数相等；将所述特征电压数据集输入至所述神经网络模型，并以所述电化学模型参数为标签，输出电化学模型参数的初始值。通过发明提供用于训练参数辨识神经网络的工况选择和数据处理方法，以提高用于神经网络的性能。以提高用于神经网络的性能。以提高用于神经网络的性能。
技术研发人员：郝平超 周志民 杨洲 严晓 赵恩海
受保护的技术使用者：上海玫克生储能科技有限公司
技术研发日：2022.06.30
技术公布日：2022/9/20