1.一種基于mh-moe模型和eis數(shù)據(jù)的預(yù)測電池soh的方法，其特征在于，包括如下實(shí)現(xiàn)步驟：
2.根據(jù)權(quán)利要求1所述的一種基于mh-moe模型和eis數(shù)據(jù)的預(yù)測電池soh的方法，其特征在于，在步驟s2中，lstm模型通過輸入門、遺忘門及輸出門的開閉，來控制信息進(jìn)入、保留和輸出的流動，實(shí)現(xiàn)對時(shí)序信息的記憶及處理；所述lstm模型的神經(jīng)元個(gè)數(shù)為32，激活函數(shù)均為relu函數(shù)。
3.根據(jù)權(quán)利要求1所述的一種基于mh-moe模型和eis數(shù)據(jù)的預(yù)測電池soh的方法，其特征在于，在步驟s2中，所述門控網(wǎng)絡(luò)模型采用多層感知機(jī)模型，為一個(gè)3層的網(wǎng)絡(luò)結(jié)構(gòu)，輸入層接收輸入數(shù)據(jù)，中間層為32維向量，激活函數(shù)為relu函數(shù)，3個(gè)門控網(wǎng)絡(luò)模型，獨(dú)立的計(jì)算每個(gè)專家子模型的權(quán)重，輸出層是一個(gè)3維向量，激活函數(shù)為softmax，分別對應(yīng)3個(gè)專家子模型的權(quán)重，進(jìn)行加權(quán)求和，3個(gè)權(quán)重之和為1；
4.根據(jù)權(quán)利要求1所述的一種基于mh-moe模型和eis數(shù)據(jù)的預(yù)測電池soh的方法，其特征在于，所述加權(quán)求和過程如下：
5.根據(jù)權(quán)利要求1所述的一種基于mh-moe模型和eis數(shù)據(jù)的預(yù)測電池soh的方法，其特征在于，在步驟s3中，訓(xùn)練時(shí)訓(xùn)練次數(shù)為100，批次樣本數(shù)量為32；模型訓(xùn)練的優(yōu)化器為adam算法，損失函數(shù)均方誤差。
6.根據(jù)權(quán)利要求1所述的一種基于mh-moe模型和eis數(shù)據(jù)的預(yù)測電池soh的方法，其特征在于，在步驟s4中，模型的損失函數(shù)為均方誤差；優(yōu)化器為adam；評估指標(biāo)為平均絕對誤差，即目標(biāo)值和預(yù)測值之差的絕對值之和。