CN111220912B - 一种基于移植神经网络的电池容量衰减轨迹预测方法 - Google Patents

Abstract

本发明涉及一种基于移植神经网络的电池容量衰减轨迹预测方法，属于电池管理技术领域。该方法包括：S1选定待测试的动力电池，制定两种不同工况的循环条件，针对这两种不同工况的循环条件分别进行电池老化实验，采集电池测试数据；S2根据所采集的电池测试数据，计算电池在对应工况下的容量衰减，生成基准模型训练数据库和移植神经网络训练数据库；S3选取基模型种类，用基准模型训练数据库中的全部数据辨识基模型的参数；S4根据所收集的移植神经网络训练数据库进行移植神经网络训练，建立移植神经网络模型；S5基于移植神经网络模型对衰减较慢的电池未来容量轨迹进行预测。本发明具有代价小、复杂度低和移植性好等优点。

Description

一种基于移植神经网络的电池容量衰减轨迹预测方法

技术领域

本发明属于电池管理技术领域，涉及一种基于移植神经网络的电池容量衰减轨迹预测方法。

背景技术

在电动汽车以及储能系统的实际应用中，电池健康状态的准确估计对电池的安全性和效率至关重要。在需要估计的电池健康状态中，未来时刻的电池容量信息能够帮助确保电池在可靠安全的条件下运行，并减少用户对电池续航寿命的担忧。因此，开发有效的电池容量衰减轨迹预测方法至关重要。

目前对电池未来时刻的电池容量衰减轨迹预测主要有以下几类：

1)利用复杂的非线性模型诸如电池电化学模型来生成未来时刻电池内部的电化学老化机理或容量衰减信息，该种方法复杂度较高且计算量大，不适合在线使用。

2)采用具有特定数学表达形式的经验模型通过离线辨识参数后在线预测电池的容量衰减曲线，该种方法自适应能力差，对噪声比较敏感，在不同工况下易产生巨大误差。

3)采用机器学习技术如神经网络，支持向量机等推导数据驱动模型进行未来容量衰减估计，但传统的数据驱动模型需要大量的实验数据来训练，从而消耗大量的实验成本与时间成本。

基于上述方法的缺陷，亟需一种代价小、复杂度低和移植性较好的电池容量衰减轨迹预测方法来预测电池在不同循环工况下的未来健康状态。

发明内容

有鉴于此，本发明的目的在于提供一种基于移植神经网络的电池容量衰减轨迹预测方法，将在只采集到电池某一循环工况初始部分容量衰减数据集的情况下，也能对电池在该循环工为达到上述目的，本发明提供如下技术方案：

一种基于移植神经网络的电池容量衰减轨迹预测方法，该方法具体包括以下步骤：

S1：选定待测试的动力电池，制定两种不同工况的循环条件，针对这两种不同工况的循环条件分别进行电池老化实验，采集电池测试数据；

S2：根据所采集的电池测试数据，计算电池在对应工况下的容量衰减，生成基准模型训练数据库B_base和移植神经网络训练数据库B_transfer；

S3：针对基准模型训练数据库B_base，选取基模型种类，用B_base中的全部数据辨识基模型的参数；

S4：根据所收集的移植神经网络训练数据库B_transfer，进行移植神经网络训练，建立移植神经网络模型；

S5：基于移植神经网络模型对衰减较慢的电池未来容量轨迹进行预测。

可选的，所述步骤S1中，工况的循环条件包括电池充电与放电的电流倍率C-rate，放电深度DOD，温度Temperature和截止电压Cut-offvoltage；采集的电池测试数据包括但不限于两种不同工况条件下产生的所有终端电流数据和电压数据,对应的数据采集时间。

可选的，所述步骤S2具体包括以下步骤：

S21：针对每一个循环工况下产生的电池测试数据，利用包括但不限于安时积分法计算电池在每一个循环期间从上限截止电压放电到下限截止电压的电池容量，最终生成循环次数 C_Number与电池放电容量Cap相互一一对应的衰减实验曲线；

S22:通过对比衰减实验曲线的斜率，选取斜率较大曲线情况下的所有循环次数数据N_base和与N_base相互对应的电池放电容量数据C_base作为基准模型训练数据库B_base,对应的数据采集时间记为T_base；

S23:针对衰减斜率较小的曲线，选取在T_base时间段内所生成的循环次数数据N_transfer和与 N_transfer相互对应的电池放电容量数据C_transfer作为移植神经网络训练数据库B_transfer。

可选的，所述步骤S3具体包括以下步骤：

S31:选取基模型种类，基模型种类包括但不限于指数模型、正弦函数模型、多项式模型；基模型的输入数据为循环次数数据N_base，输出数据为一一对应循环次数数据N_base的电池放电容量C_base；

S32:利用包括但不限于遗传算法辨识基模型参数，建立对应数据库B_base的基模型f_base；其中辨识过程中的损耗函数Loss定义为基模型f_base输出容量

与实际采集的电池放电容量 C_base的均方根误差，计算公式为：

其中，n为数据点个数。

可选的，所述步骤S4具体包括以下步骤：

S41:设置移植神经网络的模型结构为包括输入层、隐藏层1、隐藏层2和输出层的四层神经网络；所述输入层拥有一个节点，所述隐藏层1拥有N个节点加上一个偏执Bias1,所述隐藏层2拥有M个节点加上一个偏执Bias2,所述输出层拥有一个节点；

S42:隐藏层1中所有节点的激励函数均设置为辨识好参数的基模型f_base,隐藏层2中所有节点的激励函数均设置为整流线性单元ReLU，计算公式为：

ReLU(x)＝max{0，x}+min{0，x}*λ

其中，x为整流线性单元的输入值，λ为预设的权值参数，max{0，x}和min{0，x}分别表示取{0，x}中的最大值和最小值。

S43：选取移植神经网络训练数据库B_transfer中的循环次数数据N_transfer作为整个移植神经网络模型的输入，与N_transfer一一对应的电池放电容量数据C_transfer作为整个移植神经网络模型的输出来训练得到移植神经网络模型NNM，该训练方法包括但不限于梯度下降法；

可选的，所述步骤S5具体包括以下步骤：

S51：基于训练好后的移植神经网络模型NNM，输入未来时刻的循环次数数据集N_future,通过NNM的输出获得对应未来循环次数数据集N_future的电池容量估计数据集C_future ；

S52:以循环次数数据集N_future作为横坐标，一一对应的电池容量估计数据集C_future作为纵坐标做二维图，即得到该电池在衰减较慢情况下的未来容量衰减轨迹预测图。

本发明的有益效果在于：本发明通过针对电池容量衰减较快的循环工况建立基模型以捕获该电池的容量衰减信息，在此基础上，利用神经网络来进行基模型的非线性迁移，从而开发出针对电池容量衰减较慢循环工况下的迁移神经网络模型，以实现对该循环工况条件下的未来电池容量衰减轨迹的有效预测。具体优点有：

(1)本发明通过基模型来拟合电池衰减较快情况下的容量曲线，可以有效捕获电池容量衰减的整体趋势与信息。

(2)本发明利用四层神经网络来进行基模型的迁移，可以实现高性能的非线性迁移。获得的迁移神经网络模型同时拥有基模型提供的容量衰减信息和神经网络强大的非线性拟合能力，从而能提供针对其他循环工况的有效容量衰减预测。

(3)本发明所开发的方法具备数据驱动特性，没有涉及复杂的电池电化学机理，可以方便地用于各种不同种类电池的未来容量衰减轨迹估计。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1为本发明所述的电池容量衰减轨迹预测方法流程图；

图2为本发明实施例步骤S4中移植神经网络模型建立流程图；

图3为本发明实施例移植神经网络模型简图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

请参阅图1～图3，如图1所示，图1为一种基于移植神经网络的电池容量衰减轨迹预测方法，该方法包括以下步骤：

S1：选定待测试的动力电池，制定两种不同工况的循环条件，针对这两种不同工况的循环条件分别进行电池老化实验，采集电池测试数据。其中工况的循环条件包括电池充电与放电的电流倍率(Current rate,C-rate)，放电深度(Depth of discharge,DOD)，温度(Temperature) 和截止电压(Cut-off voltage)；采集的电池测试数据包括但不限于两种不同工况条件下的产生的所有终端电流数据和电压数据,对应的数据采集时间；

S2：根据所采集的电池测试数据，计算电池在对应工况下的容量衰减，生成基准模型训练数据库B_base和移植神经网络训练数据库B_transfer。具体包括以下步骤：

S21：针对每一个循环工况下产生的终端电流数据，利用包括但不限于安时积分法计算电池在每一个循环期间从上限截止电压放电到下限截止电压的电池容量，最终生成循环次数 C_Number与电池放电容量Cap相互一一对应的衰减实验曲线；

S22:通过对比衰减实验曲线的斜率，选取斜率较大曲线情况下的所有循环次数数据N_base和与N_base相互对应的电池放电容量数据C_base作为基准模型的训练数据库B_base,其对应的数据采集时间记为T_base；

S23:针对衰减斜率较小的曲线，选取在T_base时间段内所生成的循环次数数据N_transfer和与N_transfer一一对应的电池放电容量数据C_transfer作为移植神经网络的训练数据库B_transfer。

S3：针对基准模型训练数据库B_base，选取基模型种类，用B_base中的全部数据辨识基模型的参数。具体包括以下步骤：

S31:选取基模型种类，基模型种类包括但不限于指数模型、正弦函数模型、多项式模型。

模型方程如表1所示：

表1基模型主流种类及对应方程

其中m为参数阶数，a_i,b_i为基模型待辨识的参数(i＝1，...，m)，x为基准模型训练数据库B_base中的循环次数数据N_base，f(x)为基准模型训练数据库B_base中一一对应N_base的电池放电容量数据C_base。

S32:利用包括但不限于遗传算法来辨识基模型参数α_i和b_i，建立对应数据库B_base的基模型f_base；其中辨识过程中的损耗函数Loss定义为基模型f_base输出容量

与实际采集的电池放电容量C_base的均方根误差，计算公式为：

其中，n为数据点个数。

S4：根据所收集的移植神经网络训练数据库B_transfer，进行移植神经网络训练，建立移植神经网络模型。如图2所示，具体包括以下步骤：

S41:设置移植神经网络的模型结构为包括输入层、隐藏层1、隐藏层2和输出层的四层神经网络；所述输入层拥有一个节点，所述隐藏层1拥有N个节点加上一个偏执Bias1,所述隐藏层2拥有M个节点加上一个偏执Bias2,所述输出层拥有一个节点，如图3所示。

S42:隐藏层1中所有节点的激励函数均设置为辨识好参数的基模型f_base,隐藏层2中所有节点的激励函数均设置为整流线性单元(Rectified Linear Unit,ReLU),其计算公式为：

ReLU(x)＝max{0，x}+min{0，x}*λ

其中，x为整流线性单元的输入值，λ设置为0.05，max{0，x}和min{0，x}分别表示取{0，x} 中的最大值和最小值。

S43：选取移植神经网络训练数据库B_transfer中的循环次数数据N_transfer作为整个移植神经网络模型的输入，与N_transfer一一对应的电池放电容量数据C_transfer作为整个移植神经网络模型的输出来训练得到移植神经网络模型NNM，该训练方法包括但不限于梯度下降法。

S5：基于移植神经网络模型对衰减较慢的电池未来容量轨迹进行预测。具体包括以下步骤：

S51：基于训练好后的移植神经网络模型NNM，输入未来时刻的循环次数数据集N_future,通过NNM的输出获得对应未来循环次数数据集N_future的电池容量估计数据集C_future；

S52:以循环次数数据集N_future作为横坐标，一一对应的电池容量估计数据集C_future作为纵坐标做二维图，即可得到该电池在衰减较慢情况下的未来容量衰减轨迹预测图。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (5)

1.一种基于移植神经网络的电池容量衰减轨迹预测方法，其特征在于：该方法具体包括以下步骤：

S1：选定待测试的动力电池，制定两种不同工况的循环条件，针对这两种不同工况的循环条件分别进行电池老化实验，采集电池测试数据；

S2：根据所采集的电池测试数据，计算电池在对应工况下的容量衰减，生成基准模型训练数据库B_base和移植神经网络训练数据库B_transfer；

S3：针对基准模型训练数据库B_base，选取基模型种类，用B_base中的全部数据辨识基模型的参数；

S4：根据所收集的移植神经网络训练数据库B_transfer，进行移植神经网络训练，建立移植神经网络模型；

所述步骤S4具体包括以下步骤：

S41：设置移植神经网络的模型结构为包括输入层、隐藏层1、隐藏层2和输出层的四层神经网络；所述输入层拥有一个节点，所述隐藏层1拥有N个节点加上一个偏执Bias1，所述隐藏层2拥有M个节点加上一个偏执Bias2，所述输出层拥有一个节点；

S42：隐藏层1中所有节点的激励函数均设置为辨识好参数的基模型f_base，隐藏层2中所有节点的激励函数均设置为整流线性单元ReLU，计算公式为：

ReLU(x)＝max{0，x}+min{0，x}*λ

其中，x为整流线性单元的输入值，λ为预设的权值参数，max{0，x}和min{0，x}分别表示取{0，x}中的最大值和最小值；

S43：选取移植神经网络训练数据库B_transfer中的循环次数数据N_transfer作为整个移植神经网络模型的输入，与N_transfer一一对应的电池放电容量数据C_transfer作为整个移植神经网络模型的输出来训练得到移植神经网络模型NNM，该训练方法为梯度下降法；

S5：基于移植神经网络模型对衰减较慢的电池未来容量轨迹进行预测。

2.根据权利要求1所述的一种基于移植神经网络的电池容量衰减轨迹预测方法，其特征在于：所述步骤S1中，工况的循环条件包括电池充电与放电的电流倍率C-rate，放电深度DOD，温度Temperature和截止电压Cut-offvoltage；采集的电池测试数据包括两种不同工况条件下产生的所有终端电流数据和电压数据，对应的数据采集时间。

3.根据权利要求1所述的一种基于移植神经网络的电池容量衰减轨迹预测方法，其特征在于：所述步骤S2具体包括以下步骤：

S21：针对每一个循环工况下产生的电池测试数据，利用安时积分法计算电池在每一个循环期间从上限截止电压放电到下限截止电压的电池容量，最终生成循环次数C_Number与电池放电容量Cap相互一一对应的衰减实验曲线；

S22:通过对比衰减实验曲线的斜率，选取斜率较大曲线情况下的所有循环次数数据N_base和与N_base相互对应的电池放电容量数据C_base作为基准模型训练数据库B_base,对应的数据采集时间记为T_base；

S23:针对衰减斜率较小的曲线，选取在T_base时间段内所生成的循环次数数据N_transfer和与N_transfer相互对应的电池放电容量数据C_transfer作为移植神经网络训练数据库B_transfer。

4.根据权利要求1所述的一种基于移植神经网络的电池容量衰减轨迹预测方法，其特征在于：所述步骤S3具体包括以下步骤：

S31：选取基模型种类，基模型种类包括指数模型、正弦函数模型和多项式模型；基模型的输入数据为循环次数数据N_base，输出数据为一一对应循环次数数据N_base的电池放电容量C_base；

S32：利用遗传算法辨识基模型参数，建立对应数据库B_base的基模型f_base；其中辨识过程中的损耗函数Loss定义为基模型f_base输出容量

与实际采集的电池放电容量C_base的均方根误差，计算公式为：

其中，n为数据点个数。

5.根据权利要求1所述的一种基于移植神经网络的电池容量衰减轨迹预测方法，其特征在于：所述步骤S5具体包括以下步骤：

S51：基于训练好后的移植神经网络模型NNM，输入未来时刻的循环次数数据集N_future,通过NNM的输出获得对应未来循环次数数据集N_future的电池容量估计数据集C_future；

S52:以循环次数数据集N_future作为横坐标，一一对应的电池容量估计数据集C_future作为纵坐标做二维图，即得到该电池在衰减较慢情况下的未来容量衰减轨迹预测图。

Images