CN113721149A - 一种基于半监督迁移学习的锂电池容量预测方法 - Google Patents

Abstract

本发明提供了锂电池检测技术领域的一种基于半监督迁移学习的锂电池容量预测方法，包括：步骤S10、获取锂电池的实验室数据、实际工况数据；步骤S20、对获取的数据进行特征提取得到第一特征组、第二特征组；步骤S30、对第一特征组、第二特征组进行预处理，得到实验室数据集和实际工况数据集；步骤S40、创建第一容量预测模型、第二容量预测模型；步骤S50、利用实验室数据集对第一容量预测模型进行训练；步骤S60、利用训练后的第一容量预测模型作为第二容量预测模型的初始化参数，合并两个数据集输入第二容量预测模型进行迁移学习训练；步骤S70、利用第二容量预测模型进行锂电池容量预测。本发明的优点在于：极大地提升了实际工况下锂电池容量预测的精度。

Description

一种基于半监督迁移学习的锂电池容量预测方法

技术领域

本发明涉及锂电池检测技术领域，特别指一种基于半监督迁移学习的锂电池容量预测方法。

背景技术

随着锂电池技术的快速发展，目前已广泛应用于移动电子设备、电动汽车、储能等领域。容量是评估锂电池(锂离子电池)品质的重要技术指标之一，在锂电池正式面市前需要通过大量、完整的实验室充放电循环检测来进行性能评估。

目前，锂电池在实验室的容量检测都是按照标准的小电流充放电，需要耗费较长的时间，且放电电流、电压、温度等都可控，最后获得的容量随循环次数的衰减曲线都是在室温(25℃)下测得的。而在实际工况中，无法做到车电分离，外部环境的温度也无法满足室温条件，无法开展标准的充放电实验来进行容量检测；此外，不同车企的电池管理系统(BMS)的性能各不相同，其对容量检测的精度差强人意。因此，产生了在外部环境变化、充放电数据采集困难、数据不完整的情况下，进行锂电池容量预测的需求。

传统的锂电池容量预测存在如下两种方法：

方法一：基于模型的预测方法，该方法不仅需要大量的专家知识，而且模型具有很高的复杂度，在实际应用过程中受到实际室外温度和室外环境影响导致模型精度不足，泛化能力较差。

方法二：基于大数据的预测方法，即基于锂电池历史数据学习锂电池容量衰减的的客观变化规律，该方法由于实验室检测环境可控，可采集的数据多且完整，因此在实验室环境下的锂电池容量预测往往能达到很高的精度；但在实际工况下，环境多变不可控，无法采集完整的充放电周期数据，且车载BMS的估计结果也存在较大的误差。

因此，如何提供一种基于半监督迁移学习的锂电池容量预测方法，实现提升实际工况下锂电池容量预测的精度，成为一个亟待解决的问题。

发明内容

本发明要解决的技术问题，在于提供一种基于半监督迁移学习的锂电池容量预测方法，实现提升实际工况下锂电池容量预测的精度。

本发明是这样实现的：一种基于半监督迁移学习的锂电池容量预测方法，包括如下步骤：

步骤S10、获取锂电池的实验室数据以及实际工况数据；

步骤S20、对所述实验室数据以及实际工况数据进行特征提取，分别得到第一特征组以及第二特征组；

步骤S30、对所述第一特征组以及第二特征组进行预处理，得到实验室数据集和实际工况数据集；

步骤S40、基于深度神经网络创建一第一容量预测模型以及一第二容量预测模型；

步骤S50、利用所述实验室数据集对第一容量预测模型进行训练；

步骤S60、利用训练后的所述第一容量预测模型作为第二容量预测模型的初始化参数，构建半监督损失函数，合并所述实验室数据集以及实际工况数据集输入第二容量预测模型进行迁移学习训练；

步骤S70、利用训练后的所述第二容量预测模型进行锂电池容量预测。

进一步地，所述步骤S10中，所述实验室数据至少包括锂电池在若干个充放电周期下的电压值、电流值、温度值、容量值以及能量值；

所述实际工况数据至少包括锂电池在若干个充放电周期下的电压值、电流值、温度值以及能量值。

进一步地，所述步骤S20具体为：

对所述实验室数据以及实际工况数据的各充放电周期分别进行10个特征维度的特征提取，分别得到第一特征组以及第二特征组；

所述特征维度具体包括：

锂电池充电时电压首次达到额定电压的时间；

锂电池充电时电压的平均值；

锂电池充电时电压数据的非线性度；

锂电池充电时电流达到最大值所经历的时间；

锂电池充电时电流的最大值；

锂电池充电时温度第一次达到最大值所经历的时间；

锂电池充电时温度的最大值；

锂电池充电时能量第一次达到最大值所经历的时间；

锂电池充电时能量的最大值；

锂电池充电时一阶差分绝对和的平均值。

进一步地，所述步骤S30具体为：

对所述第一特征组以及第二特征组进行归一化的预处理，得到实验室数据集Φ和实际工况数据集Ψ；

归一化的公式为：

其中，X表示第一特征组和第二特征组中的任意一个特征；X_max表示特征X的最大值；X_min表示特征X的最小值；

表示归一化后的特征值。

进一步地，所述步骤S40中，所述第一容量预测模型以及第二容量预测模型均通过CNN网络或者LSTM网络创建，并采用Re l u函数作为激活函数。

进一步地，所述步骤S50具体为：

将室温容量真实值和第一容量预测模型输出的预测容量值的平方根误差，作为所述第一容量预测模型的第一网络损失函数，将所述实验室数据集Φ输入第一容量预测模型，采用随机梯度下降法进行训练；

所述第一网络损失函数的公式为：

y_{i_tru}＝a·exp(b·i)+c·exp(d·i)；

其中，y_{i_pre}表示第一容量预测模型输出的第i个充放电周期的预测容量值；y_{i_tru}表示第i个充放电周期的室温容量真实值；i表示锂电池充放电循环系数；a、b、c、d表示拟合参数；m表示实验室数据集Φ的样本数量。

进一步地，所述步骤S60具体为：

设定所述第二容量预测模型的第二网络损失函数，利用训练后的所述第一容量预测模型作为第二容量预测模型的初始化参数，合并所述实验室数据集Φ以及实际工况数据集Ψ输入第二容量预测模型进行迁移学习训练；

所述第二网络损失函数的公式为：

Loss＝MSE_Φ+λMMD²[K,Φ,Ψ]；

其中，K表示高斯核函数exp()；MMD²[K,Φ,Ψ]表示通过寻找一个核函数K，使得实验室数据集Φ以及实际工况数据集Ψ的第一特征组和第二特征组的分布平均差异存在最大值；λ表示正则系数；n表示实际工况数据集Ψ的样本数量；x_i表示实验室数据集Φ的第i个特征维度的值；y_i表示实际工况数据集Ψ的第i个特征维度的值；σ表示方差及样本差异性。

进一步地，所述步骤S70具体为：

获取锂电池的待预测工况数据，对所述待预测工况数据进行特征提取以及归一化的预处理后，输入所述第二容量预测模型进行锂电池容量预测。

本发明的优点在于：

通过对锂电池的实验室数据以及实际工况数据均进行相同的特征提取以及归一化的预处理，再基于深度神经网络创建第一容量预测模型以及第二容量预测模型，确保迁移学习的可实施性；然后利用实验室数据集对第一容量预测模型进行训练，以训练后的第一容量预测模型作为第二容量预测模型的初始化参数，构建半监督损失函数，输入合并后的实验室数据集和实际工况数据集对第二容量预测模型进行迁移学习训练，使得第二容量预测模型能对存在数据缺失的实际工况数据进行容量预测，最终极大地提升了实际工况下锂电池容量预测的精度以及容量预测的泛化能力。

附图说明

下面参照附图结合实施例对本发明作进一步的说明。

图1是本发明一种基于半监督迁移学习的锂电池容量预测方法的流程图。

具体实施方式

请参照图1所示，本发明一种基于半监督迁移学习的锂电池容量预测方法的较佳实施例，包括如下步骤：

步骤S10、获取锂电池的实验室数据以及实际工况数据；所述实验室数据为在实验室可控环境下采集的数据，由于实验室的环境可控，因此所述实验室数据规模较大，可涵盖不同温度、多个充放电周期的数据，且实验室检测时间的间隔较短(100ms量级)，数据的丰富性和规模性都较好；所述实际工况数据为电动汽车在行驶、充电等实际工况下采集的数据，由于实际工况的环境不可控，因此可能会存在不完整的数据，且从车载BMS上获取的容量值不准确；

步骤S20、对所述实验室数据以及实际工况数据进行特征提取，分别得到第一特征组以及第二特征组；

步骤S30、对所述第一特征组以及第二特征组进行预处理，得到实验室数据集和实际工况数据集；通过对所述实验室数据以及实际工况数据进行相同的特征提取以及预处理，确保迁移学习的可实施性；

步骤S40、基于深度神经网络创建一第一容量预测模型以及一第二容量预测模型；

步骤S50、利用所述实验室数据集对第一容量预测模型进行训练；

步骤S60、利用训练后的所述第一容量预测模型作为第二容量预测模型的初始化参数，构建半监督损失函数，合并所述实验室数据集以及实际工况数据集输入第二容量预测模型进行迁移学习训练；

步骤S70、利用训练后的所述第二容量预测模型进行在线锂电池容量预测。

所述步骤S10中，所述实验室数据至少包括锂电池在若干个充放电周期下的电压值、电流值、温度值、容量值以及能量值；

所述实际工况数据至少包括锂电池在若干个充放电周期下的电压值、电流值、温度值以及能量值。

所述步骤S20具体为：

对所述实验室数据以及实际工况数据的各充放电周期分别进行10个特征维度的特征提取，分别得到第一特征组以及第二特征组；最终得到N*10个特征值，N表示充放电周期，即样本条数；

所述特征维度具体包括：

锂电池充电时电压首次达到额定电压的时间；

锂电池充电时电压的平均值；

锂电池充电时电压数据的非线性度；

所述非线性度的表征公式为：

其中，n表示一个充电周期的电压时序信号的采样数；V_i表示一个充电周期内的第i个采样电压值；

锂电池充电时电流达到最大值所经历的时间；

锂电池充电时电流的最大值；

锂电池充电时温度第一次达到最大值所经历的时间；

锂电池充电时温度的最大值；

锂电池充电时能量第一次达到最大值所经历的时间；

锂电池充电时能量的最大值；

锂电池充电时一阶差分绝对和的平均值。

所述步骤S30具体为：

对所述第一特征组以及第二特征组进行归一化的预处理，得到实验室数据集Φ和实际工况数据集Ψ；归一化的目的是让所述第一特征组以及第二特征组的特征值的值域处于[0,1]，便于后期的计算；

归一化的公式为：

其中，X表示第一特征组和第二特征组中的任意一个特征；X_max表示特征X的最大值；X_min表示特征X的最小值；

表示归一化后的特征值。

所述步骤S40中，所述第一容量预测模型以及第二容量预测模型均通过CNN网络或者LSTM网络创建，并采用Relu函数作为激活函数。通过CNN网络创建时，采用大小为3×1和5×1的卷积核进行特征提取，采用2层卷积和池化构建网络模型，并引入稀疏性加快计算速度。

所述步骤S50具体为：

将室温容量真实值和第一容量预测模型输出的预测容量值的平方根误差，作为所述第一容量预测模型的第一网络损失函数，将所述实验室数据集Φ输入第一容量预测模型，采用随机梯度下降法进行网络后向传播训练；

所述第一网络损失函数的公式为：

y_{i_tru}＝a·exp(b·i)+c·exp(d·i)；

其中，y_{i_pre}表示第一容量预测模型输出的第i个充放电周期的预测容量值；y_{i_tru}表示第i个充放电周期的室温容量真实值；i表示锂电池充放电循环系数；a、b、c、d表示拟合参数；m表示实验室数据集Φ的样本数量。

每个充放电周期下可以获得当前温度值下的容量值，经过多次循环下转换到室温环境，待热平衡后做室温下的容量标定得到室温容量真实值。由于第一容量预测模型的容量预测值是室温环境下的容量真实值，因此需要对离散的室温容量真实值进行曲线拟合来获得每个循环下的室温容量真实值，因此采用双指数经验容量衰退模型进行计算。

所述步骤S60具体为：

设定所述第二容量预测模型的第二网络损失函数，利用训练后的所述第一容量预测模型作为第二容量预测模型的初始化参数，合并所述实验室数据集Φ以及实际工况数据集Ψ输入第二容量预测模型进行迁移学习训练；所述第二网络损失函数即为半监督损失函数；

即通过MMD²[K,Φ,Ψ]的损失函数找到实验室数据集Φ、实际工况数据集Ψ的特征组分布的高维等效，再加上实验室数据集Φ的均方误差MSE_Φ保证半监督迁移学习训练的收敛性；

所述第二网络损失函数的公式为：

Loss＝MSE_Φ+λMMD²[K,Φ,Ψ]；

其中，K表示高斯核函数exp()，可以将数据从低维投影到高维，进而使实验室数据集和实际工况数据集在某个高维空间下的特征分布一致；MMD²[K,Φ,Ψ]表示通过寻找一个核函数K，使得实验室数据集Φ以及实际工况数据集Ψ的第一特征组和第二特征组的分布平均差异存在最大值(Maximum mean discrepancy)，即用来度量实验室数据集Φ和实际工况数据集Ψ的特征值之间的相关分布；λ表示正则系数，即可配置权重；n表示实际工况数据集Ψ的样本数量；x_i表示实验室数据集Φ的第i个特征维度的值；y_i表示实际工况数据集Ψ的第i个特征维度的值；x_j表示实验室数据集Φ的第j个特征维度的值；y_j表示实际工况数据集Ψ的第j个特征维度的值；σ表示方差及样本差异性；u的取值为x_i或者y_i，v的取值为x_j或者y_j。

由于无法获取实际工况下的容量值(从车载BMS上获取的容量值不准确)，因此需要合并所述实验室数据集Φ以及实际工况数据集Ψ，并通过Loss函数约束所述实验室数据集和实际工况数据集的分布一致性。

具体实施时，可设定训练次数阈值以及训练批次阈值，基于所述训练次数阈值以及训练批次阈值进行迁移学习训练。由于小样本下过多的训练会导致过拟合，因此需要设定所述训练次数阈值以及训练批次阈值，所述训练次数阈值优选为50，所述训练批次阈值优选为8。

所述步骤S70具体为：

获取锂电池的待预测工况数据，对所述待预测工况数据进行特征提取以及归一化的预处理后，输入所述第二容量预测模型进行锂电池容量预测。

综上所述，本发明的优点在于：

通过对锂电池的实验室数据以及实际工况数据均进行相同的特征提取以及归一化的预处理，再基于深度神经网络创建第一容量预测模型以及第二容量预测模型，确保迁移学习的可实施性；然后利用实验室数据集对第一容量预测模型进行训练，以训练后的第一容量预测模型作为第二容量预测模型的初始化参数，构建半监督损失函数，输入合并后的实验室数据集和实际工况数据集对第二容量预测模型进行迁移学习训练，使得第二容量预测模型能对存在数据缺失的实际工况数据进行容量预测，最终极大地提升了实际工况下锂电池容量预测的精度以及容量预测的泛化能力。

虽然以上描述了本发明的具体实施方式，但是熟悉本技术领域的技术人员应当理解，我们所描述的具体的实施例只是说明性的，而不是用于对本发明的范围的限定，熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化，都应当涵盖在本发明的权利要求所保护的范围内。

Claims (8)

1.一种基于半监督迁移学习的锂电池容量预测方法，其特征在于：包括如下步骤：

步骤S10、获取锂电池的实验室数据以及实际工况数据；

步骤S20、对所述实验室数据以及实际工况数据进行特征提取，分别得到第一特征组以及第二特征组；

步骤S30、对所述第一特征组以及第二特征组进行预处理，得到实验室数据集和实际工况数据集；

步骤S40、基于深度神经网络创建一第一容量预测模型以及一第二容量预测模型；

步骤S50、利用所述实验室数据集对第一容量预测模型进行训练；

步骤S60、利用训练后的所述第一容量预测模型作为第二容量预测模型的初始化参数，构建半监督损失函数，合并所述实验室数据集以及实际工况数据集输入第二容量预测模型进行迁移学习训练；

步骤S70、利用训练后的所述第二容量预测模型进行锂电池容量预测。

2.如权利要求1所述的一种基于半监督迁移学习的锂电池容量预测方法，其特征在于：所述步骤S10中，所述实验室数据至少包括锂电池在若干个充放电周期下的电压值、电流值、温度值、容量值以及能量值；

所述实际工况数据至少包括锂电池在若干个充放电周期下的电压值、电流值、温度值以及能量值。

3.如权利要求1所述的一种基于半监督迁移学习的锂电池容量预测方法，其特征在于：所述步骤S20具体为：

对所述实验室数据以及实际工况数据的各充放电周期分别进行10个特征维度的特征提取，分别得到第一特征组以及第二特征组；

所述特征维度具体包括：

锂电池充电时电压首次达到额定电压的时间；

锂电池充电时电压的平均值；

锂电池充电时电压数据的非线性度；

锂电池充电时电流达到最大值所经历的时间；

锂电池充电时电流的最大值；

锂电池充电时温度第一次达到最大值所经历的时间；

锂电池充电时温度的最大值；

锂电池充电时能量第一次达到最大值所经历的时间；

锂电池充电时能量的最大值；

锂电池充电时一阶差分绝对和的平均值。

4.如权利要求1所述的一种基于半监督迁移学习的锂电池容量预测方法，其特征在于：所述步骤S30具体为：

对所述第一特征组以及第二特征组进行归一化的预处理，得到实验室数据集Φ和实际工况数据集Ψ；

归一化的公式为：

其中，X表示第一特征组和第二特征组中的任意一个特征；X_max表示特征X的最大值；X_min表示特征X的最小值；

表示归一化后的特征值。

5.如权利要求1所述的一种基于半监督迁移学习的锂电池容量预测方法，其特征在于：所述步骤S40中，所述第一容量预测模型以及第二容量预测模型均通过CNN网络或者LSTM网络创建，并采用Relu函数作为激活函数。

6.如权利要求1所述的一种基于半监督迁移学习的锂电池容量预测方法，其特征在于：所述步骤S50具体为：

将室温容量真实值和第一容量预测模型输出的预测容量值的平方根误差，作为所述第一容量预测模型的第一网络损失函数，将所述实验室数据集Φ输入第一容量预测模型，采用随机梯度下降法进行训练；

所述第一网络损失函数的公式为：

y_{i_tru}＝a·exp(b·i)+c·exp(d·i)；

其中，y_{i_pre}表示第一容量预测模型输出的第i个充放电周期的预测容量值；y_{i_tru}表示第i个充放电周期的室温容量真实值；i表示锂电池充放电循环系数；a、b、c、d表示拟合参数；m表示实验室数据集Φ的样本数量。

7.如权利要求6所述的一种基于半监督迁移学习的锂电池容量预测方法，其特征在于：所述步骤S60具体为：

设定所述第二容量预测模型的第二网络损失函数，利用训练后的所述第一容量预测模型作为第二容量预测模型的初始化参数，合并所述实验室数据集Φ以及实际工况数据集Ψ输入第二容量预测模型进行迁移学习训练；

所述第二网络损失函数的公式为：

Loss＝MSE_Φ+λMMD²[K,Φ,Ψ]；

其中，K表示高斯核函数exp()；MMD²[K,Φ,Ψ]表示通过寻找一个核函数K，使得实验室数据集Φ以及实际工况数据集Ψ的第一特征组和第二特征组的分布平均差异存在最大值；λ表示正则系数；n表示实际工况数据集Ψ的样本数量；x_i表示实验室数据集Φ的第i个特征维度的值；y_i表示实际工况数据集Ψ的第i个特征维度的值；σ表示方差及样本差异性。

8.如权利要求1所述的一种基于半监督迁移学习的锂电池容量预测方法，其特征在于：所述步骤S70具体为：

获取锂电池的待预测工况数据，对所述待预测工况数据进行特征提取以及归一化的预处理后，输入所述第二容量预测模型进行锂电池容量预测。

Images