CN112540298B - 一种基于深度-迁移学习的锂离子电池soc估计方法 - Google Patents

一种基于深度-迁移学习的锂离子电池soc估计方法 Download PDF

Info

Publication number
CN112540298B
CN112540298B CN202011570001.1A CN202011570001A CN112540298B CN 112540298 B CN112540298 B CN 112540298B CN 202011570001 A CN202011570001 A CN 202011570001A CN 112540298 B CN112540298 B CN 112540298B
Authority
CN
China
Prior art keywords
lithium ion
ion battery
soc estimation
model
training
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
CN202011570001.1A
Other languages
English (en)
Other versions
CN112540298A (zh
Inventor
王亚雄
陈振航
陈锦洲
杨庆伟
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.)
Fuzhou University
Original Assignee
Fuzhou 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 Fuzhou University filed Critical Fuzhou University
Priority to CN202011570001.1A priority Critical patent/CN112540298B/zh
Publication of CN112540298A publication Critical patent/CN112540298A/zh
Application granted granted Critical
Publication of CN112540298B publication Critical patent/CN112540298B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • G01R31/387—Determining ampere-hour charge capacity or SoC
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Neurology (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Secondary Cells (AREA)

Abstract

本发明涉及一种基于深度‑迁移学习的锂离子电池SOC估计方法，获得源域训练集以及目标域训练集和测试集；构建基于深度学习的锂离子电池SOC估计源域模型，利用源域训练集对锂离子电池SOC估计源域模型进行训练，保存模型训练数据参数；构建基于深度学习的锂离子电池SOC估计目标域模型，采用迁移学习方法，将锂离子电池SOC估计源域模型训练数据参数转移至所述锂离子电池SOC估计目标域模型，共享模型权值参数进行初始化设置；将锂离子电池目标域训练集导入锂离子电池SOC估计目标域模型进行微调训练处理，进一步导入目标域测试集预测锂离子电池SOC值。本发明减少锂离子电池SOC估计模型的训练时间和实验数据收集过程需要耗费大量的时间和资金投入。

Description

一种基于深度-迁移学习的锂离子电池SOC估计方法
技术领域
本发明涉及电池SOC估计技术领域，特别是一种基于深度-迁移学习的锂离子电池SOC估计方法。
背景技术
锂离子动力电池，是目前常用的电动汽车车载动力源，由于所具有的高能量密度、大倍率充电和耐低温性能等优点，使其成为了该研究领域的关注对象。
锂离子电池的荷电状态(State ofCharge，SOC)估算，即计算电池剩余电量与相同条件下额定容量的比值，是电池管理系统中重要的功能之一；精确的估算锂离子电池荷电状态能为驾驶员提供精确的车辆剩余电量信息及续驶里程数参考，防止因过充电过放电影响电池的寿命。SOC数值是无法直接测量的，所以须间接通过对电池的特征参数进行分析处理或相关的算法计算，但电动汽车在行驶过程中反复变速导致电池的温度、电压、电流、内阻等特征参数具有高度的非线性特性，导致精准估算SOC具有较高的难度。这两方面因素即为电池SOC估算时主要的难题。
目前而言，针对电动汽车电池SOC估计的研究主要有Ah积分法、开路电压法、内阻法、卡尔曼滤波方法以及先进的基于深度学习的预测方法。近年来，深度学习被广泛应用在各行各业，原理是基于大量的样本数据，通过训练学习，来掌握非线性模型的内部规律。研究表明利用深度学习对于电池SOC估算时，其对电池模型依赖性并不是很强，深度学习依据输入的特性参数可以主动学习到动力电池内部的关系，且对不同的电池环境有很强的泛化性。采用深度学习方法，需要大量的实验数据支撑，而实验过程需要耗费大量的时间和成本，考虑到锂离子电池之间的相关性，目前存在许多的锂离子电池标准数据集，这些数据集与自主实验数据均存在着一定的联系具有研究的意义。
发明内容
有鉴于此，本发明的目的是提出一种基于深度-迁移学习的锂离子电池SOC估计方法，保证了锂离子电池状态估计的工作性能，降低系统的功耗，同时减少锂离子电池SOC估计模型的训练时间和实验数据收集过程需要耗费大量的时间和资金投入。
本发明采用以下方案实现：一种基于深度-迁移学习的锂离子电池SOC估计方法，具体包括以下步骤：
对锂离子电池标准数据集做预处理，获得用于锂离子电池SOC估计标准模型的源域训练集；
对锂离子电池进行自主充放电实验，将得到的数据用于锂离子电池SOC估计的目标域训练集和测试集；
构建基于深度学习的锂离子电池SOC估计源域模型，利用源域训练集对锂离子电池SOC估计源域模型进行训练，保存模型训练数据参数；
构建基于深度学习的锂离子电池SOC估计目标域模型，采用迁移学习方法，将锂离子电池SOC估计源域模型训练数据参数转移至所述锂离子电池SOC估计目标域模型，共享模型权值参数进行初始化设置；
将锂离子电池目标域训练集导入锂离子电池SOC估计目标域模型进行微调训练处理，进一步导入目标域测试集预测锂离子电池SOC值。
进一步地，还包括步骤：采用训练完成后的锂离子电池SOC估计目标域模型预测锂离子电池SOC值。
进一步地，所述锂离子电池标准数据集内包含不同材料类型的锂离子电池的电压、充放电电流以及环境温度信息。
进一步地，所述基于深度学习的锂离子电池SOC估计源域模型的输入端包括三个输入，分别为锂离子电池的电压、充放电电流以及环境温度信息，输出端为锂离子电池的SOC值。
进一步地，所述基于深度学习的锂离子电池SOC估计目标域模型的输入端包括三个输入，分别为锂离子电池的电压、充放电电流以及环境温度信息，输出端为锂离子电池的SOC值。
进一步地，对所述锂离子电池标准数据集做预处理，获得用于锂离子电池SOC估计标准模型的源域训练集具体包括以下步骤：
将锂离子电池标准数据集进行归一化的操作，规整至同一个数量级进行模型训练；
将模型输入端锂离子电池标准数据处理成[电压(V)，电流(I)，温度(T)]的向量形式：[[V(t1),I(t1),T(t1)][V(t2),I(t2),T(t2)]…[V(tn),I(tn),T(tn)]，输出端数据规整为：[[SOC(t1)][SOC(t2)]…[SOC(tn)]]；其中，SOC(tn)表示tn时刻电池的SOC估计值。
进一步地，所述对锂离子电池进行自主充放电实验，将得到的数据用于锂离子电池SOC估计的目标域训练集和测试集具体包括以下步骤：
将自主实验测试用锂离子电池放置恒温箱预热，并使用温度测量仪测取电池两极温度，确保电池达到实验温度后，将电池按恒流恒压充电方式进行完全充电，然后将电池静置处理；
将锂离子电池按对应的实验工况进行恒流放电，放至锂离子电池的截止电压后停止放电，记录恒流放电过程的瞬时电压、电流、温度，同时对数据进行标准化处理；
根据所记录锂离子电池电流和标准电量计算电池的SOC值，并作为深度学习的目标域训练集和测试集标签数据，其计算公式为：
Figure BDA0002862518690000041
式中，SOC0为电池初始SOC，CN为电池额定容量，I为电池放电电流，η为放电效率，t表示总放电时间。
进一步地，所述构建基于深度学习的锂离子电池SOC估计源域模型，利用源域训练集对锂离子电池SOC估计源域模型进行训练，保存模型训练数据参数具体为：
将源域训练集作为训练样本，定义输入层节点数，隐含层节点数，输出层节点数，并设定初始的权值和阈值，对训练样本进行一次前向传播；
计算预测值与真实值的误差，选AdamOptimizer函数作为优化器进一步更新权值和阈值，直到训练次数达到预设值后，利用Saver.Save函数保存最终的权值和阈值，得到基于深度学习的锂离子电池SOC估计源域模型。
进一步地，所述构建基于深度学习的锂离子电池SOC估计目标域模型，采用迁移学习方法，将锂离子电池SOC估计源域模型训练数据参数转移至所述锂离子电池SOC估计目标域模型，共享模型权值参数进行初始化设置具体为：
构建与所述基于深度学习的锂离子电池SOC估计源域模型相同参数的目标域模型；
利用模型参数保存函数和模型参数读取调用函数，迁移源域模型训练优化后的权值参数至目标域模型，这些参数被用作目标域模型的初始化权值参数。
与现有技术相比，本发明有以下有益效果：本发明基于大量的公开锂离子电池标准数据集通过深度学习方法建立锂离子电池标准数据源域模型，进一步基于迁移学习方法导入自主实验提供的小样本数据搭建目标域模型进行微调处理，利用源域模型的训练参数优化目标域模型参数，使目标域模型具有方向明确的权值参数初始化网络，在保证了锂离子电池状态估计的工作性能前提下，减少锂离子电池SOC估计模型训练的时间。同时减轻了实验样本数据的采集工作，降低实验成本与时间。
附图说明
图1为本发明实施例的原理框图。
图2为本发明实施例的深度学习神经网络模型结构图。
图3为本发明实施例的深度学习模型训练过程的流程示意图。
图4为本发明实施例的基于深度-迁移学习方法锂离子电池目标域SOC预测结果图。
图5为本发明实施例的基于深度学习方法锂离子电池目标域SOC预测结果图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示，本实施例提供了一种基于深度-迁移学习的锂离子电池SOC估计方法，具体包括以下步骤：
对锂离子电池标准数据集做预处理，获得用于锂离子电池SOC估计标准模型的源域训练集；
对锂离子电池进行自主充放电实验，将得到的数据用于锂离子电池SOC估计的目标域训练集和测试集；
构建基于深度学习的锂离子电池SOC估计源域模型，利用源域训练集对锂离子电池SOC估计源域模型进行训练，保存模型训练数据参数；
构建基于深度学习的锂离子电池SOC估计目标域模型，采用迁移学习方法，将锂离子电池SOC估计源域模型训练数据参数转移至所述锂离子电池SOC估计目标域模型，共享模型权值参数进行初始化设置；
将锂离子电池目标域训练集导入锂离子电池SOC估计目标域模型进行微调训练处理，进一步导入目标域测试集预测锂离子电池SOC值。
在本实施例中，还包括步骤：采用训练完成后的锂离子电池SOC估计目标域模型预测锂离子电池SOC值。
在本实施例中，所述锂离子电池标准数据集内包含不同材料类型的锂离子电池的电压、充放电电流以及环境温度信息。
在本实施例中，所述基于深度学习的锂离子电池SOC估计源域模型的输入端包括三个输入，分别为锂离子电池的电压、充放电电流以及环境温度信息，输出端为锂离子电池的SOC值。
在本实施例中，所述基于深度学习的锂离子电池SOC估计目标域模型的输入端包括三个输入，分别为锂离子电池的电压、充放电电流以及环境温度信息，输出端为锂离子电池的SOC值。
上述两个模型均可采用门控循环神经网络(GRU)，具体模型结构如图2所示。
在本实施例中，对所述锂离子电池标准数据集做预处理，获得用于锂离子电池SOC估计标准模型的源域训练集具体包括以下步骤：
将锂离子电池标准数据集进行归一化的操作，规整至同一个数量级进行模型训练；其中的归一化具体公式为：
Figure BDA0002862518690000071
式中，X表示电压、电流和电池温度中任意一个，Xt表示t时刻的数据，Xmin表示最小的数据点，Xmax表示最大的数据点；
将模型输入端锂离子电池标准数据处理成[电压(V)，电流(I)，温度(T)]的向量形式：[[V(t1),I(t1),T(t1)][V(t2),I(t2),T(t2)]…[V(tn),I(tn),T(tn)]，输出端数据规整为：[[SOC(t1)][SOC(t2)]…[SOC(tn)]]；其中，SOC(tn)表示tn时刻电池的SOC估计值。
在本实施例中，所述对锂离子电池进行自主充放电实验，将得到的数据用于锂离子电池SOC估计的目标域训练集和测试集具体包括以下步骤：
将自主实验测试用锂离子电池放置恒温箱预热，并使用温度测量仪测取电池两极温度，确保电池达到实验温度后，将电池按恒流恒压充电方式进行完全充电，然后将电池静置处理；
将锂离子电池按对应的实验工况进行恒流放电，放至锂离子电池的截止电压后停止放电，记录恒流放电过程的瞬时电压、电流、温度，同时对数据进行标准化处理；
根据所记录锂离子电池电流和标准电量计算电池的SOC值，并作为深度学习的目标域训练集和测试集标签数据，其计算公式为：
Figure BDA0002862518690000081
式中，SOC0为电池初始SOC，CN为电池额定容量，I为电池放电电流，η为放电效率，t表示总放电时间。
在本实施例中，所述构建基于深度学习的锂离子电池SOC估计源域模型，利用源域训练集对锂离子电池SOC估计源域模型进行训练，保存模型训练数据参数具体为：
将源域训练集作为训练样本，定义输入层节点数，隐含层节点数，输出层节点数，并设定初始的权值和阈值，对训练样本进行一次前向传播；
计算预测值与真实值的误差，选AdamOptimizer函数作为优化器进一步更新权值和阈值，直到训练次数达到预设值后，利用Saver.Save函数保存最终的权值和阈值，得到基于深度学习的锂离子电池SOC估计源域模型。其中，误差计算公式如下：
Figure BDA0002862518690000091
式中，L为电池SOC估计序列长度，
Figure BDA0002862518690000092
和yt分别表示在时间步长t时电池SOC的实际值和估计值。具体的训练过程如图3所示。
在本实施例中，所述构建基于深度学习的锂离子电池SOC估计目标域模型，采用迁移学习方法，将锂离子电池SOC估计源域模型训练数据参数转移至所述锂离子电池SOC估计目标域模型，共享模型权值参数进行初始化设置具体为：
构建与所述基于深度学习的锂离子电池SOC估计源域模型相同参数(各层节点数量)的目标域模型；
利用模型参数保存函数和模型参数读取调用函数(train.latest_Checkpoint和Saver.Restore函数)，迁移源域模型训练优化后的权值参数至目标域模型，这些参数被用作目标域模型的初始化权值参数。
在本实施例中，采用3种比较具有代表性的锂离子电池标准数据集作为源域训练数据，其三种数据集的电池材料均不相同，三种数据集具体的锂离子电池参数信息如下表所示。
3种锂离子电池标准数据集电池参数信息
Figure BDA0002862518690000101
在本实施例中，自主测试实验工况包括：35℃和50℃环境温度下进行0.3C、0.75C和1C的恒流放电，记录数据作为目标域训练集数据，此外，实验工况：25℃环境温度下进行1C恒流放电，记录数据作为目标域预测集数据，用于验证本发明所提出的一种基于深度-迁移学习的锂离子电池SOC估计方法的有效性。
本实施例中，采用迁移学习方法将训练好的权值和阈值源域模型的参数迁移至目标域模型，进一步利用自主电池充放电实验在不同的工况下获得训练数据和测试数据，将数据输入目标域模型，仿真验证本发明所提出的一种基于深度-迁移学习的锂离子电池SOC估计方法的有效性。图4是在25℃环境温度下进行1C恒流放电工况下锂离子电池SOC预测效果图，可以看出，使用本发明方法估计锂离子电池SOC值达到了精准的预测效果：在25℃环境温度进行1C恒流放电工况下使用本发明方法得到平均绝对误差MAE(MeanAbsoluteError)达到了0.411％。图5是在25℃环境温度下进行1C恒流放电工况下基于常规深度学习方法估计目标域SOC值的预测效果图，通过预测结果可以看出，采用常规的深度学习方法预测目标域SOC值的MAE仅达到了3.837％。综上所述，所设计的基于深度-迁移学习的锂离子电池SOC估计方法能有效地预测锂离子电池SOC值，在保证了锂离子电池SOC估计的工作性能的前提下，减少了锂离子电池SOC估计模型训练的时间，同时减少了实验样本采集，降低了实验成本与时间。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (1)

1.一种基于深度-迁移学习的锂离子电池SOC估计方法，其特征在于，包括以下步骤：
对不同正极材料的锂离子电池标准数据集做预处理，获得用于锂离子电池SOC估计标准模型的源域训练集；
对自主实验电池测试系统的锂离子电池进行自主充放电实验，将得到的数据用于锂离子电池SOC估计的目标域训练集和测试集；
构建基于深度学习的锂离子电池SOC估计源域模型，利用源域训练集对锂离子电池SOC估计源域模型进行训练，保存模型训练数据参数；
构建基于深度学习的锂离子电池SOC估计目标域模型，采用迁移学习方法，将锂离子电池SOC估计源域模型训练数据参数转移至所述锂离子电池SOC估计目标域模型，共享模型权值参数进行初始化设置；
将锂离子电池目标域训练集导入锂离子电池SOC估计目标域模型进行微调训练处理，进一步导入目标域测试集预测锂离子电池SOC值；
采用训练完成后的锂离子电池SOC估计目标域模型预测锂离子电池SOC值；
所述锂离子电池标准数据集内包含不同材料类型的锂离子电池的电压、充放电电流以及环境温度信息；
所述基于深度学习的锂离子电池SOC估计源域模型的输入端包括三个输入，分别为锂离子电池的电压、充放电电流以及环境温度信息，输出端为锂离子电池的SOC值；
所述基于深度学习的锂离子电池SOC估计目标域模型的输入端包括三个输入，分别为锂离子电池的电压、充放电电流以及环境温度信息，输出端为锂离子电池的SOC值；
对所述锂离子电池标准数据集做预处理，获得用于锂离子电池SOC估计标准模型的源域训练集具体包括以下步骤：
将锂离子电池标准数据集进行归一化的操作，规整至同一个数量级进行模型训练；
将模型输入端锂离子电池标准数据处理成[电压(V)，电流(I)，温度(T)]的向量形式：[[V(t1),I(t1),T(t1)][V(t2),I(t2),T(t2)]…[V(tn),I(tn),T(tn)]，输出端数据规整为：[[SOC(t1)][SOC(t2)]…[SOC(tn)]]；其中，SOC(tn)表示tn时刻电池的SOC估计值；
所述对锂离子电池进行自主充放电实验，将得到的数据用于锂离子电池SOC估计的目标域训练集和测试集具体包括以下步骤：
将自主实验测试用锂离子电池放置恒温箱预热，并使用温度测量仪测取电池两极温度，确保电池达到实验温度后，将电池按恒流恒压充电方式进行完全充电，然后将电池静置处理；
将锂离子电池按对应的实验工况进行恒流放电，放至锂离子电池的截止电压后停止放电，记录恒流放电过程的瞬时电压、电流、温度，同时对数据进行标准化处理；
根据所记录锂离子电池电流和标准电量计算电池的SOC值，并作为深度学习的目标域训练集和测试集标签数据，其计算公式为：
Figure FDA0003503002270000021
式中，SOC0为电池初始SOC，CN为电池额定容量，I为电池放电电流，η为放电效率，t表示总放电时间；
所述构建基于深度学习的锂离子电池SOC估计源域模型，利用源域训练集对锂离子电池SOC估计源域模型进行训练，保存模型训练数据参数具体为：
将源域训练集作为训练样本，定义输入层节点数，隐含层节点数，输出层节点数，并设定初始的权值和阈值，对训练样本进行一次前向传播；
计算预测值与真实值的误差，选AdamOptimizer函数作为优化器进一步更新权值和阈值，直到训练次数达到预设值后，利用Saver.Save函数保存最终的权值和阈值，得到基于深度学习的锂离子电池SOC估计源域模型；
所述构建基于深度学习的锂离子电池SOC估计目标域模型，采用迁移学习方法，将锂离子电池SOC估计源域模型训练数据参数转移至所述锂离子电池SOC估计目标域模型，共享模型权值参数进行初始化设置具体为：
构建与所述基于深度学习的锂离子电池SOC估计源域模型相同参数的目标域模型；
利用模型参数保存函数和模型参数读取调用函数，迁移源域模型训练优化后的权值参数至目标域模型，这些参数被用作目标域模型的初始化权值参数。
CN202011570001.1A 2020-12-26 2020-12-26 一种基于深度-迁移学习的锂离子电池soc估计方法 Active CN112540298B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011570001.1A CN112540298B (zh) 2020-12-26 2020-12-26 一种基于深度-迁移学习的锂离子电池soc估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011570001.1A CN112540298B (zh) 2020-12-26 2020-12-26 一种基于深度-迁移学习的锂离子电池soc估计方法

Publications (2)

Publication Number Publication Date
CN112540298A CN112540298A (zh) 2021-03-23
CN112540298B true CN112540298B (zh) 2022-05-10

Family

ID=75017594

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011570001.1A Active CN112540298B (zh) 2020-12-26 2020-12-26 一种基于深度-迁移学习的锂离子电池soc估计方法

Country Status (1)

Country Link
CN (1) CN112540298B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113094985B (zh) * 2021-03-31 2022-06-14 电子科技大学 一种基于交叉流形嵌入迁移学习的电池soh预测方法
CN113128672B (zh) * 2021-04-16 2022-11-29 昆明理工大学 一种基于迁移学习算法的锂离子电池组soh估计方法
CN113406496B (zh) * 2021-05-26 2023-02-28 广州市香港科大霍英东研究院 基于模型迁移的电池容量预测方法、系统、装置及介质
CN113406499A (zh) * 2021-06-28 2021-09-17 武汉理工大学 基于优化的tcn的锂电池soc实时估算方法、装置、电子设备及存储介质
CN114966436A (zh) * 2022-01-06 2022-08-30 湖北理工学院 锂电池荷电状态预测方法、装置、设备及可读存储介质
CN114200327B (zh) * 2022-01-18 2023-07-28 哈尔滨工业大学 一种考虑多因素影响的电池包中单体电池soc估计方法
CN114550315A (zh) * 2022-01-24 2022-05-27 云南联合视觉科技有限公司 身份比对识别方法、装置及终端设备
CN116774055A (zh) * 2023-08-10 2023-09-19 清华四川能源互联网研究院 基于svd-mmd策略的锂离子电池soc跨域估计方法、系统及介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016064104A1 (ko) * 2014-10-24 2016-04-28 주식회사 엘지화학 이차전지의 퇴화에 따른 soc-ocv 프로파일 추정 방법
CN107368636A (zh) * 2017-07-05 2017-11-21 西安微电子技术研究所 一种兼容sparc V8架构SOC的单机应用验证系统
CN111310139A (zh) * 2020-01-21 2020-06-19 腾讯科技（深圳）有限公司 行为数据识别方法、装置及存储介质
CN111476307A (zh) * 2020-04-13 2020-07-31 河北工业大学 一种基于深度领域适应的锂电池表面缺陷检测方法
CN111860592A (zh) * 2020-06-16 2020-10-30 江苏大学 一种少样本条件下太阳能电池片缺陷分类检测方法
CN112114264A (zh) * 2019-06-19 2020-12-22 深圳君正时代集成电路有限公司 一种电池电量的检测系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111985156B (zh) * 2020-08-19 2022-06-14 电子科技大学 一种预测电池健康状态的方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016064104A1 (ko) * 2014-10-24 2016-04-28 주식회사 엘지화학 이차전지의 퇴화에 따른 soc-ocv 프로파일 추정 방법
CN107368636A (zh) * 2017-07-05 2017-11-21 西安微电子技术研究所 一种兼容sparc V8架构SOC的单机应用验证系统
CN112114264A (zh) * 2019-06-19 2020-12-22 深圳君正时代集成电路有限公司 一种电池电量的检测系统
CN111310139A (zh) * 2020-01-21 2020-06-19 腾讯科技（深圳）有限公司 行为数据识别方法、装置及存储介质
CN111476307A (zh) * 2020-04-13 2020-07-31 河北工业大学 一种基于深度领域适应的锂电池表面缺陷检测方法
CN111860592A (zh) * 2020-06-16 2020-10-30 江苏大学 一种少样本条件下太阳能电池片缺陷分类检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于LSTM-DaNN的动力电池SOC估算方法;王一全 等;《储能科学与技术》;20201130;第9卷(第6期);第1969-1974页 *

Also Published As

Publication number Publication date
CN112540298A (zh) 2021-03-23

Similar Documents

Publication Publication Date Title
CN112540298B (zh) 一种基于深度-迁移学习的锂离子电池soc估计方法
Jiaqiang et al. Effects analysis on active equalization control of lithium-ion batteries based on intelligent estimation of the state-of-charge
Yang et al. Supervisory long-term prediction of state of available power for lithium-ion batteries in electric vehicles
Wang et al. An adaptive remaining energy prediction approach for lithium-ion batteries in electric vehicles
Lu et al. Online estimation of state of power for lithium-ion batteries in electric vehicles using genetic algorithm
CN106814329A (zh) 一种基于双卡尔曼滤波算法的电池soc在线估计方法
CN111352032A (zh) 一种锂电池动态峰值功率预测方法
CN112067998A (zh) 一种基于深度神经网络的锂离子电池荷电状态估计方法
CN107741568B (zh) 一种基于状态转移优化rbf神经网络的锂电池soc估算方法
CN109358293B (zh) 基于ipf的锂离子电池soc估计方法
CN104459551A (zh) 一种电动汽车动力电池能量状态估算方法
CN112163372B (zh) 一种动力电池的soc估算方法
CN111208438B (zh) 基于神经网络与无迹卡尔曼滤波器的锂电子电池剩余电量与传感器偏差协同估计的方法
CN109459699A (zh) 一种锂离子动力电池soc实时监测方法
CN112557907A (zh) 一种基于gru-rnn的电动汽车锂离子电池的soc估计方法
CN111308356A (zh) 一种带加权的安时积分的soc估算方法
Li et al. A novel state estimation approach based on adaptive unscented Kalman filter for electric vehicles
CN112782594B (zh) 考虑内阻的数据驱动算法估算锂电池soc的方法
Li et al. Multi-state joint estimation for a lithium-ion hybrid capacitor over a wide temperature range
Chen et al. A novel battery health indicator and PSO-LSSVR for LiFePO4 battery SOH estimation during constant current charging
Zhang et al. Identification of dynamic model parameters for lithium-ion batteries used in hybrid electric vehicles
Hu et al. Study on SOC estimation of lithium battery based on improved BP neural network
CN114861545A (zh) 基于rnn神经网络与多参数约束的锂电池sop在线估算方法
Lin et al. Novel polarization voltage model: Accurate voltage and state of power prediction
Li et al. A new method of state of peak power capability prediction for Li-ion battery

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant