本发明涉及电化学，更具体地，涉及一种基于多头cnn-lstm模型的soh预测方法、系统及可读存储介质。
背景技术：
1、电化学阻抗谱(electrochemical impedance spectroscopy，eis)是一种用于表征电池内部电化学过程的测试方法。通过eis可以测试得到电池的阻抗谱，包括实部阻抗和虚部阻抗。电池健康度(state ofhealth，soh)的衰减会导致电池内阻增加和交流阻抗增大，阻抗谱能反应电池soh的状态。大量研究表明，可以通过eis测试得到的阻抗谱来预测电池soh。
2、2021年04月06日公开的中国专利cn112611976a提供了一种基于双差分曲线的动力电池健康状态估计方法。对于电池管理系统来说，准确预测电池的健康状态可以有效地确保系统的可靠性和安全性，为将来电池的合理使用提供参考。该方案了一种基于双差分曲线的动力电池健康状态估计方法，通过充分使用增量容量曲线和温度差分曲线的信息，得到每一周期对应的特征向量，并通过一维卷积神经网络(cnn)和改进的循环神经网络(rnn)模型对电池健康状态(soh)进行估计，其中一维cnn用于特征提取，改进的rnn用于时间序列预测，并同时克服了传统rnn的缺点，进而得到一种充分利用过程信息且估计准确的电池健康状态估计方法。但是该方案在特征提取方面比较单一，导致电池soh的预测的精度仍有待提高。
技术实现思路
1、鉴于上述问题，本发明的目的是提供基于多头cnn-lstm模型的soh预测方法、系统和可读存储介质
2、本发明第一方面提供了一种基于多头cnn-lstm模型的soh预测方法，所述方法包括以下步骤：
3、测试并采集电池电化学阻抗谱数据；
4、构建并训练多头cnn-lstm模型；
5、将电池电化学阻抗谱数据输入多头cnn-lstm模型进行soh预测，并输出预测结果。
6、优选地，所述多头cnn-lstm模型包括：输入层、多头cnn模型、lstm模型、线性回归层；
7、输入层用于将电池电化学阻抗谱数据输入至多头cnn模型；
8、多头cnn模型根据电池电化学阻抗谱数据提取eis空间特征，并将eis空间特征输出至lstm模型；
9、lstm模型根据eis空间特征提取eis的时间序列变化规律，并将eis的时间序列变化规律输出至线性回归层；
10、线性回归层根据eis空间特征和eis的时间序列变化规律进行soh预测，并输出预测结果。
11、优选地，所述采集电池电化学阻抗谱数据，具体为：
12、以预设的频率间隔对电池电化学阻抗谱数据进行采集；
13、采集电池电化学阻抗谱数据时，记录每个频率对应电池电化学阻抗谱数据的阻抗的实部和虚部数据；以及需要预测的目标值，即电池容量数据。
14、优选地，所述多头cnn模型的头的个数为2。
15、优选地，所述多头cnn模型包括各两并列的子cnn，每个子cnn均为双层卷积计算结构，激活函数均为relu函数，过滤器数量设置为32个，核的尺寸为1。
16、优选地，所述lstm模型包含两个串联的lstm层，lstm层的神经元个数为64，激活函数均为relu函数。
17、优选地，所述线性回归层的激活函数为linear函数。
18、优选地，所述多头cnn-lstm模型的损失函数为均方误差，优化器optimizer为rmsprop，评估指标metrics为平均绝对误差。
19、本发明第二方面提供了一种基于多头cnn-lstm模型的soh预测系统，包括存储器和处理器，所述存储器中包括基于多头cnn-lstm模型的soh预测方法程序，所述基于多头cnn-lstm模型的soh预测方法程序被所述处理器执行时实现所述的基于多头cnn-lstm模型的soh预测方法步骤。
20、本发明第三方面提供了一种可读存储介质，所述可读存储介质中包括基于多头cnn-lstm模型的soh预测方法程序，所述基于多头cnn-lstm模型的soh预测方法程序被处理器执行时，实现所述的一种基于多头cnn-lstm模型的soh预测方法的步骤。
21、与现有技术相比，本发明技术方案的有益效果是：本发明通过将多头cnn和lstm模型进行组合，基于eis数据，共同预测soh。将eis视为特征，每个频率对应的阻抗数据的实部和虚部作为特征值。使用多头cnn模型提取阻抗谱的空间特征，使用lstm模型提取阻抗谱的时间序列变化规律，共同预测soh。本发明可以有效提高soh预测的精度。
1.一种基于多头cnn-lstm模型的soh预测方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的一种基于多头cnn-lstm模型的soh预测方法，其特征在于，所述多头cnn-lstm模型包括：输入层、多头cnn模型、lstm模型、线性回归层；
3.根据权利要求1所述的一种基于多头cnn-lstm模型的soh预测方法，其特征在于，所述采集电池电化学阻抗谱数据，具体为：
4.根据权利要求1所述的一种基于多头cnn-lstm模型的soh预测方法，其特征在于，所述多头cnn模型的头的个数为2。
5.根据权利要求1所述的一种基于多头cnn-lstm模型的soh预测方法，其特征在于，所述多头cnn模型包括各两并列的子cnn，每个子cnn均为双层卷积计算结构，激活函数均为relu函数，过滤器数量设置为32个，核的尺寸为1。
6.根据权利要求1所述的一种基于多头cnn-lstm模型的soh预测方法，其特征在于，所述lstm模型包含两个串联的lstm层，lstm层的神经元个数为64，激活函数均为relu函数。
7.根据权利要求1所述的一种基于多头cnn-lstm模型的soh预测方法，其特征在于，所述线性回归层的激活函数为linear函数。
8.根据权利要求1所述的一种基于多头cnn-lstm模型的soh预测方法，其特征在于，所述多头cnn-lstm模型的损失函数为均方误差，优化器optimizer为rmsprop，评估指标metrics为平均绝对误差。
9.一种基于多头cnn-lstm模型的soh预测系统，其特征在于，包括存储器和处理器，所述存储器中包括基于多头cnn-lstm模型的soh预测方法程序，所述基于多头cnn-lstm模型的soh预测方法程序被所述处理器执行时实现如权利要求1-8任一项所述的方法步骤。
10.一种可读存储介质，其特征在于，所述可读存储介质中包括基于多头cnn-lstm模型的soh预测方法程序，所述基于多头cnn-lstm模型的soh预测方法程序被处理器执行时，实现如权利要求1至8中任一项所述的一种基于多头cnn-lstm模型的soh预测方法的步骤。
