CN105680109A - 一种基于深度学习的动力电池配组方法 - Google Patents

Abstract

本发明涉及一种基于深度学习的动力电池配组方法。现有配组方法劳动强度大，易受检测人员主观因素的影响，容易造成误测量和误匹配的现象。本发明方法首先获取动力电池充放电回路中所有电池的充放电电压数据，并对充放电数据进行归一化，然后构建两层稀疏自编码神经网络模型，训练获得两层模型编码器的最优权值矩阵和偏置向量，以电池的充放电序列为输入，两层编码器级联构建深度神经网络，计算所有电池充放电序列通过该深度神经网络后的输出向量，最终对所有输出向量进行聚类，完成电池配组。本发明方法可以自动提取动力电池的充放电一致性特征，提高组内电池的一致性，从而提高成组电池的品质。

Description

一种基于深度学习的动力电池配组方法

技术领域

本发明属于动力电池生产技术领域，尤其是涉及一种基于深度学习的动力电池配组方法。

背景技术

随着社会进步和发展，不断有新的技术进入到人们生活之中，电动自行车经过多年来飞速发展已经成为人们日常出行中常用的交通工具。锂电池、动力电池等是电动自行车的动力来源，其实际使用寿命是电动车发展的瓶颈，也是电动车生产厂商的关键竞争点。

单体电池，难以提供更持久的能量，在实际使用中都是以动力电池组的形式存在。动力电池组通常由3节或者4节单体动力电池组成，被串联在一起的动力电池单体自身物理特性的不一致性影响了整个电池组的寿命。对于串连形成的动力电池组来说，由于容量、开路电压、内阻等特性各不相同，这个差异会在串连电池组被扩大，主要现象为某一个电池的容量明显低于其它电池，导致电池组电压下降，低容量电池在充电时最先被充满，当其余电池充满时，低容量电池已经充电。反之，低容量电池在放电时最先被放完，当其余电池继续放电，低容量电池已经过放。不断的反复充放电导致电池的不一致性进一步加剧，使得低容量电池容量变得更低，寿命也变得更短，从而影响整个电池组的寿命。

在电池“化成”过程中，国内各大厂商还是首先以全人工的方式采集多个时段的电池电压，然后再对采集来的电压也是以全人工的方式进行配组，整个过程不仅劳动强度和工作量非常大，而且易受检测人员主观因素的影响，容易造成误测量和误匹配的现象。

发明内容

本发明的目的就是克服人工检测的诸多不足、提高生产效率，提出一种基于深度学习的动力电池配组方法，可快速的完成同一充放电回路中所有电池的配组，而且一致性高。

本发明该方法的具体步骤如下：

步骤1、获取动力电池充放电回路中所有n只电池的充放电电压数据，方法是：对该回路以电流大小为C₁进行恒流放电，每隔时间T_d测量回路中所有电池的端电压，直至放电时间达到T₁，设第i只电池的端电压序列为d表示放电，M＝T₁/T_d为放电序列长度；以电流大小为C₂对回路中的电池进行恒流充电，每隔时间T_c测量回路中所有电池的端电压，直至充电时间达到T₂，设第i只电池的端电压序列为 c表示充电，N＝T₂/T_c为充电序列长度；

步骤2、将步骤1中获得的所有电池的端电压序列进行归一化，其中第i只电池的第p个放电端电压的归一化值为

${\mathrm{Vd}}_p^{\′i}=({\mathrm{Vd}}_p^i-{\mathrm{Vd}}_M^i)/({\mathrm{Vd}}_M^i-{\mathrm{Vd}}_1^i),1\≤p\≤M;$

第i只电池的第q个充电端电压的归一化值为

${\mathrm{Vc}}_q^{\′i}=({\mathrm{Vc}}_q^i-{\mathrm{Vc}}_1^i)/({\mathrm{Vc}}_N^i-{\mathrm{Vc}}_1^i);$

步骤3、构建第一层稀疏自编码神经网络(SparseAutoencoder)模型NN₁：

NN₁的编码器输入数据为步骤2中获得的每一只电池的归一化放电序列和充电序列，每一只电池的序列总长度为M+N，则NN₁的编码器输入层节点数为M+N；NN₁的编码器输出节点数为Nh₁，h表示隐藏，NN₁的解码器输出节点数为M+N；对模型NN₁进行训练获得其最优权值矩阵W₁和偏置向量b₁，其中W₁大小为(M+N)×Nh₁，b₁大小为1×Nh₁；

步骤4、构建第二层稀疏自编码神经网络(SparseAutoencoder)模型NN₂：

输入数据为步骤3中获得的NN₁的编码器输出，NN₂的编码器输入层节点数即为NN₁的编码器输出节点数Nh₁，NN₂的编码器输出节点数为Nh₂，NN₂的解码器输出节点数为Nh₁，对模型NN₂进行训练获得其最优权值矩阵W₂和偏置向量b₂，其中W₂大小为Nh₁×Nh₂，b₂大小为1×Nh₂；

步骤5、以电池的充放电序列为输入，NN₁的编码器作为第一个隐藏层，NN₂的编码器作为第二个隐藏层，构建深度神经网络，计算所有n只电池充放电序列通过该深度神经网络后的输出向量；

步骤6、对步骤5中的输出向量进行聚类，将聚为一类的电池配为一组。

基于本方法的动力电池配组结果与传统人工配组相比，可以自动提取动力电池的充放电一致性特征，大大提高组内电池的一致性，从而大大提高成组电池的品质。

附图说明

图1为本发明方法中第一层稀疏自编码神经网络NN₁的结构图；

图2为本发明方法中第二层稀疏自编码神经网络NN₂的结构图；

图3为本发明方法中用于特征提取的深度神经网络结构图。

图1～3中1表示输入、2表示输出、3表示编码器、4表示解码器、5表示非线性映射激活函数。

具体实施方式

一种基于深度学习的动力电池配组方法，具体步骤是：

步骤1：获取某一动力电池充放电回路中所有n只电池的充放电电压数据：对该回路以电流大小为C₁进行恒流放电，每隔时间T_d测量回路中所有电池的端电压，直至放电时间达到T₁，设第i只电池的端电压序列为M＝T₁/T_d为放电序列长度；以电流大小为C₂对回路中的电池进行恒流充电，每隔时间T_c测量回路中所有电池的端电压，直至充电时间达到T₂，设第i只电池的端电压序列为 N＝T₂/T_c为充电序列长度。

步骤2、将步骤1中获得的所有电池的端电压序列进行归一化，其中第i只电池的第p个放电端电压的归一化值为

${\mathrm{Vd}}_p^{\′i}=({\mathrm{Vd}}_p^i-{\mathrm{Vd}}_M^i)/({\mathrm{Vd}}_M^i-{\mathrm{Vd}}_1^i),1\≤p\≤M;$

第i只电池的第q个充电端电压的归一化值为

${\mathrm{Vc}}_q^{\′i}=({\mathrm{Vc}}_q^i-{\mathrm{Vc}}_1^i)/({\mathrm{Vc}}_N^i-{\mathrm{Vc}}_1^i).$

步骤3、按如图1所示构建第一层稀疏自编码神经网络(SparseAutoencoder)模型NN₁：NN₁的编码器输入数据为上述步骤2中获得的每一只电池的归一化放电序列和充电序列，因此NN₁的编码器输入层节点数为M+N，NN₁的编码器输出节点数为Nh₁，NN₁的解码器输出层节点数为M+N，对模型NN₁进行训练获得其编码器的最优权值矩阵W₁和偏置向量b₁，其中W₁大小为(M+N)×Nh₁，b₁大小为1×Nh₁；其解码器的最优权值矩阵W₁′的大小为N_h1×(M+N)、偏置向量b₁′的大小为Nh₁×1。

在本发明的一个具体实施例中，取M+N＝2000，Nh₁＝100，采用欧式距离度量下的稀疏约束作为神经网络的损失函数，并采用sigmoid函数作为神经网络的非线性映射激活函数，采用梯度下降法迭代训练得到NN₁的最优参数。

步骤4、按如图2所示构建第二层稀疏自编码神经网络模型NN₂：输入层数据为上述步骤3中获得的NN₁的编码器输出，因此NN₂的编码器输入层节点数为Nh₁，NN₂的编码器输出节点数为Nh₂，NN₂的解码器输出层节点数为Nh₁，对模型NN₂进行训练获得其最优权值矩阵W₂和偏置向量b₂，其中W₂大小为Nh₁×Nh₂，b₂大小为1×Nh₂；其解码器的最优权值矩阵W₂′的大小为Nh₂×Nh₁、偏置向量b₁′的大小为Nh₂×1。

在本发明的一个具体实施例中，取Nh₂＝20，采用欧式距离度量下的稀疏约束作为神经网络的损失函数，并采用sigmoid函数作为神经网络的非线性映射激活函数，采用梯度下降法迭代训练得到NN₂的最优参数。

步骤5、对所有n只电池的充放电序列进行特征提取：计算所有充放电序列通过由NN₁的编码器和NN₂的编码器级联构成的深度神经网络后的输出向量，即为所提取出的充放电序列特征，其中所构建的深度神经网络如图3所示。

步骤6、对上述步骤5中的充放电序列特征进行聚类，将聚为一类的电池配为一组。

在本发明的一个实施例中，采用基于欧氏距离的k-均值算法完成上述充放电序列特征的聚类。

基于本方法的动力电池配组结果与传统人工配组相比，可以自动提取动力电池的充放电一致性特征，大大提高组内电池的一致性，从而大大提高成组电池的品质。

Claims (1)

1.一种基于深度学习的动力电池配组方法，其特征在于，该方法的具体步骤如下：

步骤1、获取动力电池充放电回路中所有n只电池的充放电电压数据，方法是：对该回路以电流大小为C₁进行恒流放电，每隔时间T_d测量回路中所有电池的端电压，直至放电时间达到T₁，设第i只电池的端电压序列为d表示放电，M＝T₁/T_d为放电序列长度；以电流大小为C₂对回路中的电池进行恒流充电，每隔时间T_c测量回路中所有电池的端电压，直至充电时间达到T₂，设第i只电池的端电压序列为 c表示充电，N＝T₂/T_c为充电序列长度；

步骤2、将步骤1中获得的所有电池的端电压序列进行归一化，其中第i只电池的第p个放电端电压的归一化值为

${\mathrm{Vd}}_p^{\′i}=({\mathrm{Vd}}_p^i-{\mathrm{Vd}}_M^i)/({\mathrm{Vd}}_M^i-{\mathrm{Vd}}_1^i),1\≤p\≤M;$

第i只电池的第q个充电端电压的归一化值为

${\mathrm{Vc}}_q^{\′i}=({\mathrm{Vc}}_q^i-{\mathrm{Vc}}_1^i)/({\mathrm{Vc}}_N^i-{\mathrm{Vc}}_1^i);$

步骤3、构建第一层稀疏自编码神经网络模型NN₁：

NN₁的编码器输入数据为步骤2中获得的每一只电池的归一化放电序列和充电序列，每一只电池的序列总长度为M+N，则NN₁的编码器输入层节点数为M+N；NN₁的编码器输出节点数为Nh₁，h表示隐藏，NN₁的解码器输出节点数为M+N；对模型NN₁进行训练获得其最优权值矩阵W₁和偏置向量b₁，其中W₁大小为(M+N)×Nh₁，b₁大小为1×Nh₁；

步骤4、构建第二层稀疏自编码神经网络模型NN₂：

输入数据为步骤3中获得的NN₁的编码器输出，NN₂的编码器输入层节点数即为NN₁的编码器输出节点数Nh₁，NN₂的编码器输出节点数为Nh₂，NN₂的解码器输出节点数为Nh₁，对模型NN₂进行训练获得其最优权值矩阵W₂和偏置向量b₂，其中W₂大小为Nh₁×Nh₂，b₂大小为1×Nh₂；

步骤5、以电池的充放电序列为输入，NN₁的编码器作为第一个隐藏层，NN₂的编码器作为第二个隐藏层，构建深度神经网络，计算所有n只电池充放电序列通过该深度神经网络后的输出向量；

步骤6、对步骤5中的输出向量进行聚类，将聚为一类的电池配为一组。