CN105680109B - 一种基于深度学习的动力电池配组方法 - Google Patents

一种基于深度学习的动力电池配组方法 Download PDF

Info

Publication number
CN105680109B
CN105680109B CN201610182609.4A CN201610182609A CN105680109B CN 105680109 B CN105680109 B CN 105680109B CN 201610182609 A CN201610182609 A CN 201610182609A CN 105680109 B CN105680109 B CN 105680109B
Authority
CN
China
Prior art keywords
msubsup
battery
mrow
charging
neural network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201610182609.4A
Other languages
English (en)
Other versions
CN105680109A (zh
Inventor
何志伟
高明煜
马国进
刘圆圆
唐丽君
曾毓
黄继业
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN201610182609.4A priority Critical patent/CN105680109B/zh
Publication of CN105680109A publication Critical patent/CN105680109A/zh
Application granted granted Critical
Publication of CN105680109B publication Critical patent/CN105680109B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/44—Methods for charging or discharging
    • H01M10/441—Methods for charging or discharging for several batteries or cells simultaneously or sequentially
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
    • H01M10/482—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte for several batteries or cells simultaneously or sequentially
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Secondary Cells (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

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Td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/Td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Tc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/Tc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
第i只电池的第q个充电端电压的归一化值为
步骤3、构建第一层稀疏自编码神经网络(Sparse Autoencoder)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(Sparse Autoencoder)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Td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/Td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Tc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/Tc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
第i只电池的第q个充电端电压的归一化值为
步骤3、按如图1所示构建第一层稀疏自编码神经网络(Sparse Autoencoder)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Nh1×(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Td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/Td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Tc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/Tc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
<mrow> <msubsup> <mi>Vd</mi> <mi>p</mi> <mrow> <mo>&amp;prime;</mo> <mi>i</mi> </mrow> </msubsup> <mo>=</mo> <mrow> <mo>(</mo> <msubsup> <mi>Vd</mi> <mi>p</mi> <mi>i</mi> </msubsup> <mo>-</mo> <msubsup> <mi>Vd</mi> <mi>M</mi> <mi>i</mi> </msubsup> <mo>)</mo> </mrow> <mo>/</mo> <mrow> <mo>(</mo> <msubsup> <mi>Vd</mi> <mi>M</mi> <mi>i</mi> </msubsup> <mo>-</mo> <msubsup> <mi>Vd</mi> <mn>1</mn> <mi>i</mi> </msubsup> <mo>)</mo> </mrow> <mo>,</mo> <mn>1</mn> <mo>&amp;le;</mo> <mi>p</mi> <mo>&amp;le;</mo> <mi>M</mi> <mo>;</mo> </mrow>
第i只电池的第q个充电端电压的归一化值为
<mrow> <msubsup> <mi>Vc</mi> <mi>q</mi> <mrow> <mo>&amp;prime;</mo> <mi>i</mi> </mrow> </msubsup> <mo>=</mo> <mrow> <mo>(</mo> <msubsup> <mi>Vc</mi> <mi>q</mi> <mi>i</mi> </msubsup> <mo>-</mo> <msubsup> <mi>Vc</mi> <mn>1</mn> <mi>i</mi> </msubsup> <mo>)</mo> </mrow> <mo>/</mo> <mrow> <mo>(</mo> <msubsup> <mi>Vc</mi> <mi>N</mi> <mi>i</mi> </msubsup> <mo>-</mo> <msubsup> <mi>Vc</mi> <mn>1</mn> <mi>i</mi> </msubsup> <mo>)</mo> </mrow> <mo>;</mo> </mrow>
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；对第一层稀疏自编码神经网络模型NN1进行训练获得NN1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，对第二层稀疏自编码神经网络模型NN2进行训练获得NN2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。
CN201610182609.4A 2016-03-25 2016-03-25 一种基于深度学习的动力电池配组方法 Active CN105680109B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610182609.4A CN105680109B (zh) 2016-03-25 2016-03-25 一种基于深度学习的动力电池配组方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610182609.4A CN105680109B (zh) 2016-03-25 2016-03-25 一种基于深度学习的动力电池配组方法

Publications (2)

Publication Number Publication Date
CN105680109A CN105680109A (zh) 2016-06-15
CN105680109B true CN105680109B (zh) 2018-01-30

Family

ID=56225353

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610182609.4A Active CN105680109B (zh) 2016-03-25 2016-03-25 一种基于深度学习的动力电池配组方法

Country Status (1)

Country Link
CN (1) CN105680109B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110622348A (zh) * 2017-05-03 2019-12-27 株式会社半导体能源研究所 神经网络、蓄电系统、车辆及电子设备
CN107944488B (zh) * 2017-11-21 2018-12-11 清华大学 基于层次化深度网络的长时序列数据处理方法
CN108573225B (zh) * 2018-03-30 2022-01-18 国网天津市电力公司电力科学研究院 一种局部放电信号模式识别方法及系统
CN108520986B (zh) * 2018-05-10 2020-04-21 杭州电子科技大学 一种基于生成对抗网络的动力电池配组方法
CN108960321B (zh) * 2018-07-02 2021-10-22 国电南瑞科技股份有限公司 一种大型锂电池储能电站电池故障预测方法
CN109375116B (zh) * 2018-08-09 2021-12-14 上海国际汽车城（集团）有限公司 一种基于自编码器的电池系统异常电池识别方法
CN109604192B (zh) * 2018-11-21 2020-02-28 中国科学院自动化研究所 基于大数据分析的电池分选方法及系统
CN109613440B (zh) * 2019-01-17 2021-06-08 清华-伯克利深圳学院筹备办公室 电池的分级方法、装置、设备和存储介质
CN112379269B (zh) * 2020-10-14 2024-03-05 武汉蔚来能源有限公司 电池异常检测模型训练及其检测方法、装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103579700A (zh) * 2013-10-25 2014-02-12 东莞市安德丰电池有限公司 一种锂离子电池分选配组方法
CN105304954A (zh) * 2015-09-30 2016-02-03 东莞市致格电池科技有限公司 一种电池的配组方法及其配组系统
CN105428734A (zh) * 2015-12-21 2016-03-23 中盐安徽红四方锂电有限公司 一种电动汽车动力电池的配组方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8026698B2 (en) * 2006-02-09 2011-09-27 Scheucher Karl F Scalable intelligent power supply system and method

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103579700A (zh) * 2013-10-25 2014-02-12 东莞市安德丰电池有限公司 一种锂离子电池分选配组方法
CN105304954A (zh) * 2015-09-30 2016-02-03 东莞市致格电池科技有限公司 一种电池的配组方法及其配组系统
CN105428734A (zh) * 2015-12-21 2016-03-23 中盐安徽红四方锂电有限公司 一种电动汽车动力电池的配组方法

Also Published As

Publication number Publication date
CN105680109A (zh) 2016-06-15

Similar Documents

Publication Publication Date Title
CN105680109B (zh) 一种基于深度学习的动力电池配组方法
CN105903692B (zh) 锂离子电池一致性筛选方法
CN104267355B (zh) 基于工况测试和简化阻抗谱等效电路模型的电池分选方法
CN110045298A (zh) 一种动力电池组参数不一致性的诊断方法
CN111709186B (zh) 一种退役动力锂电池健康状态的集成估计方法
CN104849672B (zh) 基于等效电路模型的锂电池动态阻抗参数识别方法
CN105261795B (zh) 一种基于聚类算法的锂离子电池串联成组方法
CN107422266B (zh) 一种大容量电池储能系统的故障诊断方法及装置
CN107066722A (zh) 一种基于电化学模型的动力电池系统荷电状态和健康状态的联合估计方法
CN108846227B (zh) 一种基于随机森林及容量自恢复效应分析的锂离子电池容量退化预测评估方法
CN107069122A (zh) 一种动力电池剩余使用寿命的预测方法
CN104332665B (zh) 一种电池配组方法
CN106501721A (zh) 一种基于生物进化的锂电池soc估算方法
CN107765190A (zh) 一种长寿命快充型磷酸铁锂电池的寿命预测方法
CN111366848A (zh) 一种基于pso-elm算法的电池健康状态预测方法
CN113111579B (zh) 一种自适应天牛须优化神经网络的锂电池等效电路模型参数辨识方法
CN108009585B (zh) 基于局部信息融合的铅酸电池健康状态预测方法
CN112986830A (zh) 一种基于卷积时间记忆神经网络的锂电池容量估计方法
CN110348062A (zh) 锂离子电池等效电路模型的构建方法
CN108520986A (zh) 一种基于生成对抗网络的动力电池配组方法
CN111027625A (zh) 基于SAE和K-means聚类算法的电池筛选方法
CN104502844A (zh) 一种基于交流阻抗的动力锂电池劣化程度诊断方法
CN106712182A (zh) 基于深度优先搜索算法的动力电池组主动均衡控制策略
CN107755295A (zh) 一种基于充放电曲线的铅酸蓄电池分类方法
CN109783902A (zh) 一种面向均衡控制的电池动态分组方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20160615

Assignee: Chaowei Power Group Co., Ltd

Assignor: Hangzhou Electronic Science and Technology Univ

Contract record no.: X2019330000054

Denomination of invention: Power battery grouping method based on deep learning

Granted publication date: 20180130

License type: Common License

Record date: 20191226

EE01 Entry into force of recordation of patent licensing contract