CN113962154A - 一种基于迁移学习的锂电池核温评估方法及系统 - Google Patents
一种基于迁移学习的锂电池核温评估方法及系统 Download PDFInfo
- Publication number
- CN113962154A CN113962154A CN202111234006.1A CN202111234006A CN113962154A CN 113962154 A CN113962154 A CN 113962154A CN 202111234006 A CN202111234006 A CN 202111234006A CN 113962154 A CN113962154 A CN 113962154A
- Authority
- CN
- China
- Prior art keywords
- lithium battery
- neural network
- network model
- target domain
- data
- 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.)
- Pending
Links
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 81
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 81
- 238000011156 evaluation Methods 0.000 title claims abstract description 28
- 238000013526 transfer learning Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 55
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000003062 neural network model Methods 0.000 claims abstract description 33
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 238000013508 migration Methods 0.000 claims abstract description 8
- 230000005012 migration Effects 0.000 claims abstract description 8
- 230000015654 memory Effects 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 6
- 125000004122 cyclic group Chemical group 0.000 claims description 5
- 230000006403 short-term memory Effects 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 238000004590 computer program Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 4
- 238000007599 discharging Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 229910001416 lithium ion Inorganic materials 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 3
- 238000001566 impedance spectroscopy Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004200 deflagration Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005338 heat storage Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004080 punching Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Secondary Cells (AREA)
Abstract
本发明提供了一种基于迁移学习的锂电池核温评估方法及系统，获取目标域锂电池参量数据；根据获取的锂电池参量数据和目标域神经网络模型，得到锂电池核温评估结果；其中，根据源域锂电池的历史数据训练得到源域神经网络模型，根据目标域数据进行源域神经网络模型的全连接层的再训练，得到目标域神经网络；本发明采用迁移学习，将建立好的源域模型迁移到目标域锂电池上，利用目标域的少量信息作为训练数据即可准确估计目标域其他锂电池的核温，加快了模型训练进展，提高了训练效率。
Description
技术领域
本发明涉及锂离子电池技术领域，特别涉及一种基于迁移学习的锂电池核温评估方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术，并不必然构成现有技术。
锂离子电池以其高功率、高能量密度、长循环寿命等优异性能被广泛应用于电动汽车和储能系统的电源中。然而，锂离子电池在充放电过程中产生的热量将直接影响电池的循环寿命、可靠性和安全性等。电池管理系统(Battery Management System，BMS)是保证锂电池安全高效运行的关键。因此通过BMS监控电池温度，防止电池过热、过冷非常重要。特别是锂离子电池的内部和外表面在高功率应用下的温差可以达到20℃。此外，电池内部的蓄热和温升会加速电池退化，甚至引发热失控，进而导致火灾、爆燃等危险的热安全问题。传统的锂电池核温测量方法通过热电偶插入电池或开发一种新的可视化原位测量装置，其成本较高且相对难以实现。锂电池表面温度不能反映电池的整体热特性，核温也不易观测。因此，估计电池核温对BMS十分重要，从而监测电池热状态，对电池热失控和早期预警具有指导意义。
锂电池核温估计方法大致可以分为三大类：基于热模型/基于阻抗谱和基于数据驱动。基于热模型的方法可以通过建立线性状态空间方程，将未测电池内部温度与可测表面温度、电流等信号关联起来，计算电池不同化学成分的温度分布。其具有精度高的优点，但参数多，计算复杂。基于阻抗谱的方法往往依赖于准确的阻抗谱设备测量，在实际应用中很难快速实时获取。而数据驱动方法可以避免电池建模的计算，且不增加硬件成本，在实际应用中更加可行。此外，基于数据驱动的方法避免了对锂电池内部复杂非线性系统的分析，直接将电池运行过程中的时间序列数据进行分析即可建立模型来估计锂电池核温。
基于数据驱动的现有核温估计方法包括BP神经网络、RBF神经网络等浅层网络，但没有记忆单元，缺少对时序数据时间相关性考虑。循环神经网络(RNN)是人工智能领域深度学习的一种算法，处理时间序列效果很好。
但是，发明人发现，在循环神经网络(RNN)的训练过程中容易出现梯度消失和爆炸的问题，只适用于处理短时间序列；另外，用于训练模型的数据往往不是同一分布或者分布之间有明显的差异，比如不同电池数据集之间，由于不同的内部电化学组成和复杂的外部环境因素影响等，即使同一型号的电池的温度曲线也不相同，因此电池温度数据不属于同一分布，因此用一节电池数据集建立的模型难以泛化到其他电池数据集上。其次，模型训练所需的大量数据难以获取或者花费时间很长，因此获得的数据十分有限且珍贵，传统的机器学习方法需要更多的数据来进行长期训练，这限制了算法的应用性。
发明内容
为了解决现有技术的不足，本发明提供了一种基于迁移学习的锂电池核温评估方法及系统，采用迁移学习，将建立好的源域模型迁移到目标域锂电池上，利用目标域的少量信息作为训练数据即可准确估计目标域其他锂电池的核温，加快了模型训练进展，提高了训练效率。
为了实现上述目的，本发明采用如下技术方案：
本发明第一方面提供了一种基于迁移学习的锂电池核温评估方法。
一种基于迁移学习的锂电池核温评估方法，包括以下过程：
获取目标域锂电池参量数据；
根据获取的锂电池参量数据和目标域神经网络模型，得到锂电池核温评估结果；
其中，根据源域锂电池的历史数据训练得到源域神经网络模型，根据目标域数据进行源域神经网络模型的全连接层的再训练，得到目标域神经网络。
进一步的，锂电池参量数据包括电流、电压和表面温度。
进一步的，源域神经网络模型的训练中，以不同环境温度以及不同倍率充放电工况下的锂电池参量数据和锂电池核温作为训练集。
进一步的，源域神经网络模型的训练中，对输入的锂电池参量数据进行归一化处理。
进一步的，目标域神经网络模型和源域神经网络模型均采用长短期记忆人工神经网络。
更进一步的，长短期记忆人工神经网络包括输入、隐藏层和输出层，通过内部状态传输线性循环信息，非线性输出通过隐含层输出状态；
长短期记忆人工神经网络的循环单元结构的计算，包括：利用上一时刻的输出状态和当前时刻的输入状态来计算三个门和候选状态，将遗忘门与输入门相结合来更新存储单元，结合输出门将内部状态的信息传递给输出状态。
更进一步的，对源域神经网络模型的最后两层进行再训练，学习源域锂电池和目标域锂电池之间的差异，源域神经网络模型其他层的参数保持不变。
本发明第二方面提供了一种基于迁移学习的锂电池核温评估系统。
一种基于迁移学习的锂电池核温评估系统，包括：
数据获取模块，被配置为：获取目标域锂电池参量数据；
核温评估模块，被配置为：根据获取的锂电池参量数据和目标域神经网络模型，得到锂电池核温评估结果；
其中，根据源域锂电池的历史数据训练得到源域神经网络模型，根据目标域数据进行源域神经网络模型的全连接层的再训练，得到目标域神经网络。
本发明第三方面提供了一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如本发明第一方面所述的基于迁移学习的锂电池核温评估方法中的步骤。
本发明第四方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本发明第一方面所述的基于迁移学习的锂电池核温评估方法中的步骤。
与现有技术相比，本发明的有益效果是：
1、本发明所述的方法、系统、介质或电子设备，采用迁移学习，将建立好的源域模型迁移到目标域锂电池上，利用目标域的少量信息作为训练数据即可准确估计目标域其他锂电池的核温，加快了模型训练进展，提高了训练效率。
2、本发明所述的方法、系统、介质或电子设备，采用长短期记忆人工神经网络作为循环神经网络的改进网络，通过引入门控机制可有效解决循环神经网络的梯度爆炸或消失问题，能够学习长期的时间序列。
3、本发明所述的方法、系统、介质或电子设备，无需复杂的模型分析，鲁棒性强，在-10～55℃宽范围内的动态工况(DST和UDDS)下实现了高精度估计。
4、本发明所述的方法、系统、介质或电子设备，应用迁移学习将知识传递到其他同类型电池中，仅用20％的训练数据，即可在-10℃～55℃的宽温度范围动态运行工况中下达到较高的估计精度；此外，采用微调策略的迁移学习，减少了模型训练时间，显著提高了模型训练效率。
5、本发明所述的方法、系统、介质或电子设备，可应用到BMS，并扩展到其他电池，为电池热失控早期预警和安全防控提供指导。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明实施例1提供的基于迁移学习的锂电池核温评估方法的流程示意图。
图2为本发明实施例1提供的LSTM(Long Short-Term Memory，长短期记忆人工神经网络)内部结构示意图。
图3为本发明实施例1提供的迁移模型框架示意图。
图4为本发明实施例1提供的不同方法在15℃DST工况对电池核温估计结果值与实际值比较示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明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发明的示例性实施方式。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。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例1：
如图1所示，本发明实施例1提供了一种基于迁移学习的锂电池核温评估方法，包括以下过程：
获取目标域锂电池参量数据；
根据获取的锂电池参量数据和目标域神经网络模型，得到锂电池核温评估结果；
其中，根据源域锂电池的历史数据训练得到源域神经网络模型，根据目标域数据进行源域神经网络模型的全连接层的再训练，得到目标域神经网络。
具体的，包括：
步骤1：通过BMS获取锂电池数据，包括电流、电压、表面温度，对电池负极打孔埋入传感器获取内部温度数据。
将不同环境温度(-10℃～55℃)、不同倍率充放电工况下的采集数据作为训练集，不同环境温度下动态特性测试工况(DST)和美国城市道路循环工况(UDDS)中采集数据作为测试集；由于输入参数的种类不同，将输入数据进行归一化处理。
采用min-max标准化，将其归一至[0，1]之的区间内，其公式为：
其中，Xi为归一化后的数据，xmax为所输入数据中的最大值，xmin为所输入数据中的最小值。
步骤2：搭建LSTM(Long Short-Term Memory，长短期记忆人工神经网络)模型。采集的锂电池数据可以作为一个时间序列，其中包括电池电流、电压和表面温度作为LSTM的输入及其核温作为LSTM的输出。
由于“门”结构，LSTM可以向隐藏层状态增加或减少信息，“门”用于确定哪些信息应被保留以及哪些信息需要被更新。
如图2所示，LSTM内部结构由输入门，遗忘门和输出门三部分组成，三个门的计算公式如下：
输入门：
it＝σ(Wixt+Uiht-1+bi) (2)
遗忘门：
ft＝σ(Wfxt+Ufht-1+bf) (3)
输出门：
ot＝σ(Woxt+Uoht-1+bo) (4)
σ(·)为logistic函数且其输出范围为[0,1]，LSTM包括输入、隐藏层和输出层。通过内部状态(ct)传输线性循环信息，非线性输出通过隐含层输出状态(ht)，LSTM循环单元结构的计算方法如下，首先利用上一时刻的输出状态ht-1和当前时刻的输入状态xt来计算三个门和候选状态；其次，将遗忘门ft与输入门it相结合来更新存储单元ct。最后，结合输出门ot可以将内部状态的信息传递给输出状态ht，ct存储单元公式为：
ct＝ft⊙ct-1+i⊙zt (5)
ht＝ot⊙tanh(ct) (6)
其中，⊙代表向量乘积，ct-1为前一时刻的存储单元，zt由以下非线性函数得到：
zt＝tanh(Wcxt+Ucht-1+bc) (7)
其中，U、W、b为网络参数。
将训练集输入网络进行训练，并利用测试集与实际值比较验证模型的准确性，采用平均绝对误差(MAE)和均方根误差(RMSE)作为估计结果的评价指标，
其中，n为电池试验总样本量，CTactual和CTestimation分别为电池核温的实际值和估计值。
采用Adam优化算法作为模型的优化器，训练出误差最小的模型并封装，作为源域模型。
步骤3：将已采集电池的数据作为源域，其他电池的数据作为目标域，在源域模型的基础上，采用具有微调策略的迁移学习。
图3给出了本实施例中模型迁移的一般思路，即从源域模型中迁移知识来填充目标电池核温中的缺失值。
首先，从当前电池核温数据中获取源域模型MS；
然后，将使用从目标数据集构造的训练和验证集来微调传输的MS以获得目标模型MT。
具体地，首先冻结MS中的除最后2层之前的网络参数，进行接下来的训练。注意，在这个过程中，网络设置(如神经元数量和学习速率)不会改变，这个过程可以看作是对MS的额外一轮训练。此时MS变为MT，然后利用MT来预测目标电池数据中的空值。
本实施例对全连接层进行再训练，学习源电池和目标电池之间的差异，其他层的参数保持不变，在再训练过程中，只需前20％的数据用于模型训练，其余80％的数据将用于评估性能验证。
更为具体的例子：
针对某公司的三元材料动力锂电池为例进行说明。数据通过实验获取，实验包括初始温度环境分别为-10℃，-5℃，0℃，15℃，25℃，35℃，45℃，55℃下的1C、2C、3C恒定充放电工况以及DST和UDDS工况。将不同温度下1C、2C、3C恒定充放电工况中电流、电压、表面温度和核温作为训练集，与之对应温度下的DST和UDDS工况数据作为验证集。一节电池所有实验数据为源域，相同类型的另一节电池所有实验数据目标域数据。
对获取的数据作归一化处理，一节电池训练集输入LSTM网络来估计此节不同温度下电池DST和UDDS工况的核温，比较每次训练的误差，将误差最小模型封装，并作为源域模型。在然后将源域网络中的其他层的参数迁移到目标域网络并固定，利用目标域数据进行微调，得到最终网络，用于相同类型的其他电池核温估计。图4为15℃DST工况不同方法对电池核温估计结果值与实际值比较图，可以看出，此方法可以捕获电池的内部温度变化特性，估计电池核温准确度最高。此外，本实施例所述的模型能有效提高网络学习的效率，与其他方法的比较如表1所示。
表1：各种方法的对比
| 方法 | MAE | RMSE |
| Linear Regression | 0.1854 | 0.2011 |
| Decision Tree | 0.0929 | 0.1149 |
| Random Forest | 0.0918 | 0.1132 |
| Extra Tree | 0.0990 | 0.1229 |
| AdaBoost | 0.2405 | 0.3316 |
| 本实施例方法 | 0.0414 | 0.0529 |
实施例2：
本发明实施例2提供了一种基于迁移学习的锂电池核温评估系统，包括：
数据获取模块，被配置为：获取目标域锂电池参量数据；
核温评估模块，被配置为：根据获取的锂电池参量数据和目标域神经网络模型，得到锂电池核温评估结果；
其中，根据源域锂电池的历史数据训练得到源域神经网络模型，根据目标域数据进行源域神经网络模型的全连接层的再训练，得到目标域神经网络。
所述系统的工作方法与实施例1提供的基于迁移学习的锂电池核温评估方法相同，这里不再赘述。
实施例3：
本发明实施例3提供了一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如本发明实施例1所述的基于迁移学习的锂电池核温评估方法中的步骤。
实施例4：
本发明实施例4提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本发明实施例1所述的基于迁移学习的锂电池核温评估方法中的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于迁移学习的锂电池核温评估方法，其特征在于：
包括以下过程：
获取目标域锂电池参量数据；
根据获取的锂电池参量数据和目标域神经网络模型，得到锂电池核温评估结果；
其中，根据源域锂电池的历史数据训练得到源域神经网络模型，根据目标域数据进行源域神经网络模型的全连接层的再训练，得到目标域神经网络。
2.如权利要求1所述的基于迁移学习的锂电池核温评估方法，其特征在于：
锂电池参量数据包括电流、电压和表面温度。
3.如权利要求1所述的基于迁移学习的锂电池核温评估方法，其特征在于：
源域神经网络模型的训练中，以不同环境温度以及不同倍率充放电工况下的锂电池参量数据和锂电池核温作为训练集。
4.如权利要求1所述的基于迁移学习的锂电池核温评估方法，其特征在于：
源域神经网络模型的训练中，对输入的锂电池参量数据进行归一化处理。
5.如权利要求1所述的基于迁移学习的锂电池核温评估方法，其特征在于：
目标域神经网络模型和源域神经网络模型均采用长短期记忆人工神经网络。
6.如权利要求5所述的基于迁移学习的锂电池核温评估方法，其特征在于：
长短期记忆人工神经网络包括输入、隐藏层和输出层，通过内部状态传输线性循环信息，非线性输出通过隐含层输出状态；
长短期记忆人工神经网络的循环单元结构的计算，包括：利用上一时刻的输出状态和当前时刻的输入状态来计算三个门和候选状态，将遗忘门与输入门相结合来更新存储单元，结合输出门将内部状态的信息传递给输出状态。
7.如权利要求5所述的基于迁移学习的锂电池核温评估方法，其特征在于：
对源域神经网络模型的最后两层进行再训练，学习源域锂电池和目标域锂电池之间的差异，源域神经网络模型其他层的参数保持不变。
8.一种基于迁移学习的锂电池核温评估系统，其特征在于：
包括：
数据获取模块，被配置为：获取目标域锂电池参量数据；
核温评估模块，被配置为：根据获取的锂电池参量数据和目标域神经网络模型，得到锂电池核温评估结果；
其中，根据源域锂电池的历史数据训练得到源域神经网络模型，根据目标域数据进行源域神经网络模型的全连接层的再训练，得到目标域神经网络。
9.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的基于迁移学习的锂电池核温评估方法中的步骤。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的基于迁移学习的锂电池核温评估方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111234006.1A CN113962154A (zh) | 2021-10-22 | 2021-10-22 | 一种基于迁移学习的锂电池核温评估方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111234006.1A CN113962154A (zh) | 2021-10-22 | 2021-10-22 | 一种基于迁移学习的锂电池核温评估方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113962154A true CN113962154A (zh) | 2022-01-21 |
Family
ID=79466478
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111234006.1A Pending CN113962154A (zh) | 2021-10-22 | 2021-10-22 | 一种基于迁移学习的锂电池核温评估方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113962154A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114520389A (zh) * | 2022-02-23 | 2022-05-20 | 阳光电源股份有限公司 | 储能装置内部温度的确定方法及装置 |
| CN115436821A (zh) * | 2022-09-02 | 2022-12-06 | 四川新能源汽车创新中心有限公司 | 电池系统产热异常识别方法及装置 |
| CN117054892A (zh) * | 2023-10-11 | 2023-11-14 | 特变电工西安电气科技有限公司 | 一种储能电站电池健康状态的评估方法、装置及管理方法 |
| CN117872166A (zh) * | 2024-03-11 | 2024-04-12 | 广东采日能源科技有限公司 | 储能电池热失控检测方法、装置及电子设备 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108519556A (zh) * | 2018-04-13 | 2018-09-11 | 重庆邮电大学 | 一种基于循环神经网络的锂离子电池soc预测方法 |
| CN109755683A (zh) * | 2018-12-04 | 2019-05-14 | 厦门大学 | 一种基于压缩感知理论的电池包内部温度实时监测方法 |
| 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 |
| CN112241608A (zh) * | 2020-10-13 | 2021-01-19 | 国网湖北省电力有限公司电力科学研究院 | 一种基于lstm网络和迁移学习的锂电池寿命预测方法 |
| CN112380773A (zh) * | 2020-11-19 | 2021-02-19 | 华中科技大学鄂州工业技术研究院 | 一种基于迁移学习的燃料电池退化预测方法、装置、设备 |
| CN112417767A (zh) * | 2020-12-09 | 2021-02-26 | 东软睿驰汽车技术（沈阳）有限公司 | 一种衰减趋势确定模型构建方法、衰减趋势确定方法 |
| CN113049962A (zh) * | 2021-03-24 | 2021-06-29 | 国网浙江省电力有限公司电力科学研究院 | 一种基于lstm的储能装置运行态势推演方法 |
-
2021
- 2021-10-22 CN CN202111234006.1A patent/CN113962154A/zh active Pending
Patent Citations (7)
| 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 |
| CN108519556A (zh) * | 2018-04-13 | 2018-09-11 | 重庆邮电大学 | 一种基于循环神经网络的锂离子电池soc预测方法 |
| CN109755683A (zh) * | 2018-12-04 | 2019-05-14 | 厦门大学 | 一种基于压缩感知理论的电池包内部温度实时监测方法 |
| CN112241608A (zh) * | 2020-10-13 | 2021-01-19 | 国网湖北省电力有限公司电力科学研究院 | 一种基于lstm网络和迁移学习的锂电池寿命预测方法 |
| CN112380773A (zh) * | 2020-11-19 | 2021-02-19 | 华中科技大学鄂州工业技术研究院 | 一种基于迁移学习的燃料电池退化预测方法、装置、设备 |
| CN112417767A (zh) * | 2020-12-09 | 2021-02-26 | 东软睿驰汽车技术（沈阳）有限公司 | 一种衰减趋势确定模型构建方法、衰减趋势确定方法 |
| CN113049962A (zh) * | 2021-03-24 | 2021-06-29 | 国网浙江省电力有限公司电力科学研究院 | 一种基于lstm的储能装置运行态势推演方法 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114520389A (zh) * | 2022-02-23 | 2022-05-20 | 阳光电源股份有限公司 | 储能装置内部温度的确定方法及装置 |
| CN115436821A (zh) * | 2022-09-02 | 2022-12-06 | 四川新能源汽车创新中心有限公司 | 电池系统产热异常识别方法及装置 |
| CN115436821B (zh) * | 2022-09-02 | 2024-01-30 | 四川新能源汽车创新中心有限公司 | 电池系统产热异常识别方法及装置 |
| CN117054892A (zh) * | 2023-10-11 | 2023-11-14 | 特变电工西安电气科技有限公司 | 一种储能电站电池健康状态的评估方法、装置及管理方法 |
| CN117054892B (zh) * | 2023-10-11 | 2024-02-27 | 特变电工西安电气科技有限公司 | 一种储能电站电池健康状态的评估方法、装置及管理方法 |
| CN117872166A (zh) * | 2024-03-11 | 2024-04-12 | 广东采日能源科技有限公司 | 储能电池热失控检测方法、装置及电子设备 |
| CN117872166B (zh) * | 2024-03-11 | 2024-05-14 | 广东采日能源科技有限公司 | 储能电池热失控检测方法、装置及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Improved anti-noise adaptive long short-term memory neural network modeling for the robust remaining useful life prediction of lithium-ion batteries | |
| Chang et al. | Lithium-ion battery state of health estimation using the incremental capacity and wavelet neural networks with genetic algorithm | |
| Wei et al. | Remaining useful life prediction and state of health diagnosis for lithium-ion batteries using particle filter and support vector regression | |
| Zhang et al. | Synchronous estimation of state of health and remaining useful lifetime for lithium-ion battery using the incremental capacity and artificial neural networks | |
| Dai et al. | A novel estimation method for the state of health of lithium-ion battery using prior knowledge-based neural network and Markov chain | |
| CN113962154A (zh) | 一种基于迁移学习的锂电池核温评估方法及系统 | |
| CN109061506A (zh) | 基于神经网络优化ekf的锂离子动力电池soc估计方法 | |
| Zhang et al. | Intelligent state of charge estimation of lithium-ion batteries based on LM optimized back-propagation neural network | |
| Mamo et al. | Long short-term memory with attention mechanism for state of charge estimation of lithium-ion batteries | |
| CN113740736B (zh) | 一种基于深度网络自适应的电动汽车锂电池soh估算方法 | |
| CN113447828B (zh) | 一种基于贝叶斯神经网络的锂电池温度估计方法及系统 | |
| CN114970376B (zh) | 锂电池的健康度和剩余寿命预测模型的构建方法及装置 | |
| Afshari et al. | Remaining useful life early prediction of batteries based on the differential voltage and differential capacity curves | |
| CN115201686B (zh) | 一种不完备充放电数据下的锂离子电池健康状态评估方法 | |
| Chen et al. | State of health estimation for lithium-ion battery based on long short term memory networks | |
| Naguib et al. | Accurate surface temperature estimation of lithium-ion batteries using feedforward and recurrent artificial neural networks | |
| Hu et al. | State of health estimation for lithium-ion batteries with dynamic time warping and deep kernel learning model | |
| CN112327169B (zh) | 一种锂电池剩余寿命预测方法 | |
| Huang et al. | State of health estimation of lithium-ion batteries based on fine-tuning or rebuilding transfer learning strategies combined with new features mining | |
| Li et al. | Degradation Pattern Recognition and Features Extrapolation for Battery Capacity Trajectory Prediction | |
| CN116577686A (zh) | 一种基于局部阶段充电数据的多工况soh估计方法和系统 | |
| CN116893349A (zh) | 一种基于高斯过程回归的电池健康状态预测方法和系统 | |
| Wang et al. | Joint prediction of Li-ion battery state of charge and state of health based on the DRSN-CW-LSTM model | |
| CN116794518A (zh) | 一种退役锂电池的荷电状态预测方法及系统 | |
| CN116224085A (zh) | 一种基于数据驱动的锂电池健康状态评估方法 |
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 |