CN114062948A - 一种基于3dcnn的锂离子电池soc估计方法 - Google Patents

一种基于3dcnn的锂离子电池soc估计方法 Download PDF

Info

Publication number
CN114062948A
CN114062948A CN202210025289.7A CN202210025289A CN114062948A CN 114062948 A CN114062948 A CN 114062948A CN 202210025289 A CN202210025289 A CN 202210025289A CN 114062948 A CN114062948 A CN 114062948A
Authority
CN
China
Prior art keywords
data
input
layer
discharge
battery
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.)
Granted
Application number
CN202210025289.7A
Other languages
English (en)
Other versions
CN114062948B (zh
Inventor
李俊红
蒋泽宇
顾菊平
宗天成
李磊
褚云琨
芮佳丽
李政
张泓睿
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.)
Nantong University
Original Assignee
Nantong 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 Nantong University filed Critical Nantong University
Priority to CN202210025289.7A priority Critical patent/CN114062948B/zh
Publication of CN114062948A publication Critical patent/CN114062948A/zh
Application granted granted Critical
Publication of CN114062948B publication Critical patent/CN114062948B/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]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • G01R31/387—Determining ampere-hour charge capacity or SoC
    • 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]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • 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
    • G06N3/045—Combinations of 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (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)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明提供了一种基于3DCNN的锂离子电池SOC估计方法，属于锂离子电池技术领域。解决了SOC估计方法中3DCNN卷积神经网络难以用于SOC估计的问题。其技术方案为：该方法包括以下步骤：步骤1）通过放电实验，反复测取电流等数据；步骤2）数据预处理并构建数据集；步骤3）通过3DCNN卷积神经网络对数据集进行训练，得到3DCNN模型用于实时估计。本发明的有益效果为：本发明使用的卷积神经网络结构能够发掘相邻放电周期之间同一时间点上输入数据的联系，时间维度上的卷积核不仅能考虑循环次数，还能提取各个循环之间的特征关系，且凭借其高适应能力，还可以进行电池剩余容量、电池剩余寿命等电池各个参数的预测。

Description

一种基于3DCNN的锂离子电池SOC估计方法
技术领域
本发明涉及锂离子电池技术领域，尤其涉及一种基于3DCNN的锂离子电池SOC估计方法。
背景技术
新能源汽车目前在国内发展迅速，其中以车载锂电池为动力的电动汽车在“十三五”规划中被大力推广。锂电池凭借寿命、比能等多方面的特点成为了最重要的储能元件，锂电池也按照正负极材料不同分为沽酸锂电池、锰酸锂电池、二氧化锰锂电池和磷酸铁锂电池。电动汽车的续航能力、剩余电量等测量准确性也成为了人们关注的重点。在现实中，完成电动汽车电池荷电状态的估计仍然是一项具有挑战性的任务。
目前现有的锂电池SOC估计方法中，有放电试验法、安时积分法、开路电压法、内阻法、卡尔曼滤波法和神经网络算法等。因为在实际运行过程中电动汽车电池受到温度等各种因素的干扰，处于一种电压电流不恒定的放电状态，并且没有一个约定的具体模型，所以前五种算法均考虑不全面，神经网络算法凭借其精度高、适应能力强等优点发展迅速，3DCNN作为一种最初用于视频图像学习的技术，将其用于锂电池SOC估计成为了一个难点。
如何解决上述技术问题为本发明面临的课题。
发明内容
本发明的目的在于提供一种基于3DCNN的锂离子电池SOC估计方法，分别通过不同温度下的电池充放电实验获取电池各项参数，然后处理数据与构建训练数据集，将训练的数据集导入3DCNN卷积神经网络中进行训练，最终可用于锂电池SOC的实时估计。
本发明是通过如下措施实现的：一种基于3DCNN的锂离子电池SOC估计方法，包括以下步骤：
步骤1）在不同温度下，将全新锂电池充满电，然后通过恒流放电实验、DST工况放电实验、FUDS工况放电实验和US06工况放电实验，反复测取SOC从1到0的锂离子电池端电压、负载电流数据、内阻；
步骤2）对测取的数据进行预处理，构建用于3DCNN的训练数据集和测试数据集；
步骤3）通过3DCNN卷积神经网络对数据集进行训练，得到3DCNN模型用于实时估计；
作为本发明提供的一种基于3DCNN的锂离子电池SOC估计方法进一步优化方案，所述步骤2）具体包括如下步骤：
步骤2-1）数据没有统一量纲在神经网络算法拟合时有收敛速度缓慢、误差偏高等问题，所以需要对测取的数据进行归一化处理，各种工况实验的电池对象相同，但是电压电流等变化范围不同，因此需要先对各种工况的数据单独进行预处理，采用公式（1）对输入数据进行归一化处理：
Figure 293118DEST_PATH_IMAGE002
（1）
其中，
Figure 53001DEST_PATH_IMAGE004
为第
Figure 380208DEST_PATH_IMAGE006
个输入的第
Figure 306576DEST_PATH_IMAGE008
个数据点，
Figure 917686DEST_PATH_IMAGE010
是第
Figure 5728DEST_PATH_IMAGE006
个输入数据的最小值，
Figure 100002_DEST_PATH_IMAGE012
是第
Figure 333415DEST_PATH_IMAGE006
个输入数据的最大值，
Figure 100002_DEST_PATH_IMAGE014
是
Figure 63473DEST_PATH_IMAGE004
进行归一化处理后的数据。
输出为锂电池的SOC，SOC的范围在0到1之间，因此不需要进行归一化处理。
步骤2-2）数据归一化处理后，为了发掘一个放电周期中各个输入数据间的联系和 相邻放电周期之间的联系，使用一种新的方法构建数据集，首先将一个放电周期中的测量 值截取成若干个长度为
Figure 263510DEST_PATH_IMAGE016
的数据，如下所示：
Figure 100002_DEST_PATH_IMAGE018
（2）
其中，
Figure 100002_DEST_PATH_IMAGE020
表示输入数据集中第
Figure 804344DEST_PATH_IMAGE006
个输入的第
Figure 824253DEST_PATH_IMAGE008
幁数据，因为3DCNN卷积神经网络可 以同时输入一个时间戳上的多帧数据，所以通过选取同一放电时间段上的连续
Figure 92423DEST_PATH_IMAGE008
个放电周 期的电压电流等数据作为3DCNN的一个输入。本发明中，
Figure 881388DEST_PATH_IMAGE008
取3。数据集中，
Figure 100002_DEST_PATH_IMAGE022
表示电池工作时 的温度，
Figure 100002_DEST_PATH_IMAGE024
表示电池两端的电压，
Figure 100002_DEST_PATH_IMAGE026
表示电池通过的电流，
Figure 100002_DEST_PATH_IMAGE028
表示本放电周期的电池内阻，
Figure 100002_DEST_PATH_IMAGE030
表示放电的时间。本发明中，
Figure 685133DEST_PATH_IMAGE031
取5，则
Figure DEST_PATH_IMAGE032
对应的输出
Figure DEST_PATH_IMAGE034
为
Figure DEST_PATH_IMAGE036
时刻第2帧的SOC值。
步骤2-3）对于一个总循环充放电次数
Figure DEST_PATH_IMAGE038
、单放电周期
Figure DEST_PATH_IMAGE040
的工况放电实验。为了 充分发掘每一个放电周期内前后输入数据间的联系和相邻放电周期之间输入数据的联系， 使用padding方法对边缘数据进行扩充，然后总共生成
Figure 100002_DEST_PATH_IMAGE042
组输入数据，对应的
Figure 802125DEST_PATH_IMAGE043
个 SOC值为输出数据，不同工况的输入输出数据合并成为总数据集。
步骤2-4）为了保证工况的连续性和对特征的充分挖掘，采用总数据集中放电工况前80%的数据作为训练数据集，后20%的数据作为测试数据集，用于3DCNN的训练和测试。
作为本发明提供的一种基于3DCNN的锂离子电池SOC估计方法进一步优化方案，所述步骤3）具体包含如下步骤：
步骤3-1）针对锂离子电池SOC估计开发的3DCNN卷积神经网络架构包括：一个输入层、两个卷积层、一个池化层、一个全连接层和一个输出层。
输入层（Input）：连续3帧大小为
Figure 608407DEST_PATH_IMAGE045
的输入数据幁作为输入。
卷积层（Convolution C1）：对输入的数据使用大小为
Figure 517457DEST_PATH_IMAGE047
的3D卷积核进行卷积 操作（
Figure 370400DEST_PATH_IMAGE049
表示在1帧数据中操作空间维度，2表示时间维度上每次操作2帧数据），这样卷积 核在每次进行卷积运算时都能够包含中心的数据，以便发现当前时刻数据在空间与时间上 与其他数据的联系。为了增加特征maps数量，采用两种不同的卷积核，因此C1层的特征maps 数量：
Figure DEST_PATH_IMAGE051
，特征maps大小为：
Figure DEST_PATH_IMAGE053
。
池化层（Sub-sampling S2）：该层采用
Figure DEST_PATH_IMAGE055
的核进行average pooling操作，池化 操作后maps数量不变，大小变为
Figure 427218DEST_PATH_IMAGE055
。
卷积层（Convolution C3）：以池化层的输出作为该层输入。使用
Figure DEST_PATH_IMAGE057
的卷积核 进行卷积操作，选取三种不同的卷积核，因此，C3层的特征maps数量：
Figure DEST_PATH_IMAGE059
，大小为：
Figure DEST_PATH_IMAGE061
。
全连接层（Fully connected layer F4）：全连接层的输入为卷积层输出，输出的 maps数量为9和大小也是
Figure 584661DEST_PATH_IMAGE061
。
输出层（Output）：使用softmax激活来进行最终的锂电池SOC估计输出。
与现有技术相比，本发明的有益效果为：
（1）本发明的数据集构建方法相比2DCNN，可以更好发掘相邻放电周期之间同一时间点上输入数据的联系；而且，通过针对锂离子电池SOC估计开发的3DCNN卷积神经网络架构，不需要对数据集进行膨胀操作等，就能让每一层的每一个特征maps都能包含预测对象的信息。
（2）本发明使用的卷积神经网络为3DCNN，相比较2DCNN，3DCNN拥有了时间维度的卷积核，锂离子电池的SOC估计中，电池的剩余寿命和剩余容量对估计的影响很大，这就跟循环充放电的次数有很大的关系，2DCNN仅仅能考虑循环次数，却不能提取各个循环之间的特征关系，3DCNN的引入将会对这一特征进行充分提取。
（3）本发明预测的对象为SOC值，因为本方法的高适应能力，还可以进行电池剩余容量、电池剩余寿命等电池各个参数的预测。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
图1 为本发明的总体框架流程图。
图2为本发明中一组DST工况放电实验的SOC数据结果曲线图。
图3 为本发明对DST工况的SOC后20%的预测结果曲线图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。当然，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
实施例1
参见图1至图3，本发明提供其技术方案为一种基于3DCNN的锂离子电池SOC估计方法，本实施例以松下锂离子电池NCR-18650B为对象展开研究，标定电压为3.7V，电池容量为3400mAh。电池以恒流-恒压充电方式充满，待静置1h后，电池为满电状态。电池分别以恒流放电、DST工况、FUDS工况和US06工况进行放电实验，直至电压降至放电截止电压，反复实验。
为了更好的实现本发明的目的，本实施例是基于3DCNN的锂离子电池SOC估计方法，包括下列步骤：
步骤1）在不同温度下，将全新锂电池充满电，然后通过恒流放电实验、DST工况放电实验、FUDS工况放电实验和US06工况放电实验，反复测取SOC从1到0的锂离子电池端电压、负载电流数据、内阻，其中如图2所示，是某一组DST工况的放电实验中SOC的原始数据；
步骤2）对测取的数据进行预处理，构建用于3DCNN的训练数据集和测试数据集；
步骤3）通过3DCNN卷积神经网络对数据集进行训练，得到3DCNN模型用于实时估计。
具体地，所述步骤2）具体包括如下步骤：
步骤2-1）对测取的数据进行归一化处理，因为各种工况实验的电池对象相同，但是电压电流等变化范围不同，因此需要先对各种工况的数据单独进行预处理，采用如下公式对输入数据进行归一化处理：
Figure 613797DEST_PATH_IMAGE002
（1）
其中，
Figure 651023DEST_PATH_IMAGE004
为第
Figure 867240DEST_PATH_IMAGE006
个输入的第
Figure 530172DEST_PATH_IMAGE008
个数据点，
Figure 148235DEST_PATH_IMAGE010
是第
Figure 356362DEST_PATH_IMAGE006
个输入数据的最小值，
Figure 325455DEST_PATH_IMAGE012
是第
Figure 11652DEST_PATH_IMAGE006
个输入数据的最大值，
Figure 15380DEST_PATH_IMAGE014
是
Figure 145141DEST_PATH_IMAGE004
进行归一化处理后的数据。
输出为锂电池的SOC，SOC的范围在0到1之间，因此不需要进行归一化处理。
步骤2-2）数据归一化处理后，为了发掘一个放电周期中各个输入数据间的联系和 相邻放电周期之间的联系，使用一种新的方法构建数据集，首先将一个放电周期中的测量 值截取成若干个长度为
Figure 601530DEST_PATH_IMAGE031
的数据，如下所示：
Figure 91417DEST_PATH_IMAGE062
（2）
其中，
Figure 418493DEST_PATH_IMAGE020
表示输入数据集中第
Figure 234003DEST_PATH_IMAGE006
个输入的第
Figure 912109DEST_PATH_IMAGE008
帧数据，因为3DCNN卷积神经网络可 以同时输入一个时间戳上的多帧数据，所以通过选取同一放电时间段上的连续
Figure 457884DEST_PATH_IMAGE008
个放电周 期的电压电流等数据作为3DCNN的一个输入。本发明中，
Figure 905046DEST_PATH_IMAGE008
取3。数据集中，
Figure 625877DEST_PATH_IMAGE022
表示电池工作时 的温度，
Figure 791279DEST_PATH_IMAGE024
表示电池两端的电压，
Figure 622969DEST_PATH_IMAGE026
表示电池通过的电流，
Figure 190217DEST_PATH_IMAGE028
表示本放电周期的电池内阻，
Figure 832682DEST_PATH_IMAGE030
表示放电的时间。本发明中，
Figure DEST_PATH_IMAGE063
取5，则
Figure 750959DEST_PATH_IMAGE032
对应的输出
Figure 651919DEST_PATH_IMAGE034
为
Figure 808094DEST_PATH_IMAGE036
时刻第2帧的SOC值。
步骤2-3）对于一个总循环充放电次数
Figure 870728DEST_PATH_IMAGE038
、单放电周期
Figure 259990DEST_PATH_IMAGE040
的工况放电实验。为了 充分发掘每一个放电周期内前后输入数据间的联系和相邻放电周期之间输入数据的联系， 使用padding方法对边缘数据进行扩充，然后总共生成
Figure 699061DEST_PATH_IMAGE042
组输入数据，对应的
Figure 975322DEST_PATH_IMAGE043
个 SOC值为输出数据，不同工况的输入输出数据合并成为总数据集。
步骤2-4）为了保证工况的连续性和对特征的充分挖掘，采用总数据集中放电工况前80%的数据作为训练数据集，后20%的数据作为测试数据集，用于3DCNN的训练和测试。
具体地，所述步骤3）具体包括如下步骤：
步骤3-1）针对锂离子电池SOC估计开发的3DCNN卷积神经网络架构包括：一个输入层、两个卷积层、一个池化层、一个全连接层和一个输出层。
输入层（Input）：连续3帧大小为
Figure 208857DEST_PATH_IMAGE045
的输入数据帧作为输入。
卷积层（Convolution C1）：对输入的数据使用大小为
Figure 836148DEST_PATH_IMAGE047
的3D卷积核进行卷积 操作（
Figure 813331DEST_PATH_IMAGE049
表示在1帧数据中操作空间维度，2表示时间维度上每次操作2帧数据），这样卷积 核在每次进行卷积运算时都能够包含中心的数据，以便发现当前时刻数据在空间与时间上 与其他数据的联系。为了增加特征maps数量，采用两种不同的卷积核，因此C1层的特征maps 数量：
Figure 944098DEST_PATH_IMAGE051
，特征maps大小为：
Figure 364846DEST_PATH_IMAGE053
。
池化层（Sub-sampling S2）：该层采用
Figure 213853DEST_PATH_IMAGE055
的核进行average pooling操作，池化 操作后maps数量不变，大小变为
Figure 729148DEST_PATH_IMAGE055
。
卷积层（Convolution C3）：以池化层的输出作为该层输入。使用
Figure 980001DEST_PATH_IMAGE057
的卷积核 进行卷积操作，选取三种不同的卷积核，因此，C3层的特征maps数量：
Figure 820918DEST_PATH_IMAGE059
，大小为：
Figure 157222DEST_PATH_IMAGE061
。
全连接层（Fully connected layer F4）：全连接层的输入为卷积层输出，输出的 maps数量为9和大小也是
Figure 728405DEST_PATH_IMAGE061
。
输出层（Output）：使用softmax激活来进行最终的锂电池SOC估计输出。
输入到3DCNN的数据集构建方法与2DCNN相比，可以更好发掘相邻放电周期之间同一时间点上输入数据的联系；而且，通过针对锂离子电池SOC估计开发的3DCNN卷积神经网络架构，不需要对数据集进行膨胀操作等，就能让每一层的每一个特征maps都能包含预测对象的信息。最终，将图2所示DST工况后20%的数据作为输入，对SOC进行预测，结果如图3所示。
3DCNN相比较2DCNN，3DCNN拥有了时间维度的卷积核。锂离子电池的SOC估计中，电池的剩余寿命和剩余容量对估计的影响很大，这就跟循环充放电的次数有很大的关系，2DCNN仅仅能考虑循环次数，却不能提取各个循环之间的特征关系，3DCNN的引入将会对这一特征进行充分提取。
本发明中的方法最初用于预测SOC值，因为本方法的高适应能力，还可以进行电池剩余容量、电池剩余寿命等电池各个参数的预测。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，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 (1)

1.一种基于3DCNN的锂离子电池SOC估计方法，其特征在于，包括以下步骤：
步骤1）在不同温度下，将全新锂电池充满电，通过恒流放电实验、DST工况放电实验、FUDS工况放电实验和US06工况放电实验，反复测取SOC从1到0的锂离子电池端电压、负载电流数据、内阻；
步骤2）对测取的数据进行预处理，构建用于3DCNN的训练数据集和测试数据集；
步骤3）通过3DCNN卷积神经网络对数据集进行训练，得到3DCNN模型用于实时估计；
所述步骤2）具体包括如下步骤：
步骤2-1）数据没有统一量纲在神经网络算法拟合时有收敛速度缓慢、误差偏高的问题，对测取的数据进行归一化处理，各种工况实验的电池对象相同，电压电流变化范围不同，先对各种工况的数据单独进行预处理，采用公式（1）对输入数据进行归一化处理：
Figure 754528DEST_PATH_IMAGE002
（1）
其中，
Figure 937248DEST_PATH_IMAGE004
为第
Figure 982564DEST_PATH_IMAGE006
个输入的第
Figure 908932DEST_PATH_IMAGE008
个数据点，
Figure 988883DEST_PATH_IMAGE010
是第
Figure 329122DEST_PATH_IMAGE006
个输入数据的最小值，
Figure DEST_PATH_IMAGE012
是第
Figure 392893DEST_PATH_IMAGE006
个输 入数据的最大值，
Figure DEST_PATH_IMAGE014
是
Figure 122952DEST_PATH_IMAGE004
进行归一化处理后的数据；
输出为锂电池的SOC，SOC的范围在0到1之间，不需要进行归一化处理；
步骤2-2）数据归一化处理后，为了发掘一个放电周期中各个输入数据间的联系和相邻 放电周期之间的联系，使用一种新的方法构建数据集，首先将一个放电周期中的测量值截 取成若干个长度为
Figure 57410DEST_PATH_IMAGE016
的数据，如下所示：
Figure DEST_PATH_IMAGE018
（2）
其中，
Figure DEST_PATH_IMAGE020
表示输入数据集中第
Figure 863823DEST_PATH_IMAGE006
个输入的第
Figure 883732DEST_PATH_IMAGE008
幁数据，3DCNN卷积神经网络同时输入一个 时间戳上的多帧数据，通过选取同一放电时间段上的连续
Figure 886323DEST_PATH_IMAGE008
个放电周期的电压电流数据作 为3DCNN的一个输入，
Figure 940866DEST_PATH_IMAGE008
取3，数据集中，
Figure DEST_PATH_IMAGE022
表示电池工作时的温度，
Figure DEST_PATH_IMAGE024
表示电池两端的电压，
Figure DEST_PATH_IMAGE026
表示电池通过的电流，
Figure DEST_PATH_IMAGE028
表示本放电周期的电池内阻，
Figure DEST_PATH_IMAGE030
表示放电的时间，
Figure 479033DEST_PATH_IMAGE031
取5，则
Figure 986238DEST_PATH_IMAGE020
对应的 输出
Figure 526940DEST_PATH_IMAGE033
为
Figure 452302DEST_PATH_IMAGE035
时刻第2帧的SOC值；
步骤2-3）对于一个总循环充放电次数
Figure 53048DEST_PATH_IMAGE037
、单放电周期
Figure DEST_PATH_IMAGE039
的工况放电实验，为了充分 发掘每一个放电周期内前后输入数据间的联系和相邻放电周期之间输入数据的联系，使用 padding方法对边缘数据进行扩充，然后总共生成
Figure 313128DEST_PATH_IMAGE041
组输入数据，对应的
Figure DEST_PATH_IMAGE042
个SOC值 为输出数据，不同工况的输入输出数据合并成为总数据集；
步骤2-4）为了保证工况的连续性和对特征的充分挖掘，采用总数据集中放电工况前80%的数据作为训练数据集后，20%的数据作为测试数据集，用于3DCNN的训练和测试；
所述步骤3）具体包含如下步骤：
步骤3-1）针对锂离子电池SOC估计开发的3DCNN卷积神经网络架构包括：一个输入层、两个卷积层、一个池化层、一个全连接层和一个输出层；
输入层（Input）：连续3帧大小为
Figure DEST_PATH_IMAGE044
的输入数据幁作为输入；
卷积层（Convolution C1）：对输入的数据使用大小为
Figure DEST_PATH_IMAGE046
的3D卷积核进行卷积操 作，卷积核在每次进行卷积运算时都能够包含中心的数据，以便发现当前时刻数据在空间 与时间上与其他数据的联系，为了增加特征maps数量，采用两种不同的卷积核，C1层的特征 maps数量：
Figure DEST_PATH_IMAGE048
，特征maps大小为：
Figure DEST_PATH_IMAGE050
；
池化层（Sub-sampling S2）：该层采用
Figure 376348DEST_PATH_IMAGE052
的核进行average pooling操作，池化操作后 maps数量不变，大小变为
Figure 139904DEST_PATH_IMAGE052
；
卷积层（Convolution C3）：以池化层的输出作为该层输入，使用
Figure 255759DEST_PATH_IMAGE054
的卷积核进行 卷积操作，选取三种不同的卷积核，C3层的特征maps数量：
Figure 737556DEST_PATH_IMAGE056
，大小为：
Figure 137838DEST_PATH_IMAGE058
；
全连接层（Fully connected layer F4）：全连接层的输入为卷积层输出，输出的maps 数量为9和大小也是
Figure 21480DEST_PATH_IMAGE058
；
输出层（Output）：使用softmax激活来进行最终的锂电池SOC估计输出。
CN202210025289.7A 2022-01-11 2022-01-11 一种基于3dcnn的锂离子电池soc估计方法 Active CN114062948B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210025289.7A CN114062948B (zh) 2022-01-11 2022-01-11 一种基于3dcnn的锂离子电池soc估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210025289.7A CN114062948B (zh) 2022-01-11 2022-01-11 一种基于3dcnn的锂离子电池soc估计方法

Publications (2)

Publication Number Publication Date
CN114062948A true CN114062948A (zh) 2022-02-18
CN114062948B CN114062948B (zh) 2022-05-20

Family

ID=80230770

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210025289.7A Active CN114062948B (zh) 2022-01-11 2022-01-11 一种基于3dcnn的锂离子电池soc估计方法

Country Status (1)

Country Link
CN (1) CN114062948B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115508711A (zh) * 2022-10-10 2022-12-23 南京工程学院 一种基于深度网络模型的电动汽车动力锂电剩余寿命预测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200081070A1 (en) * 2017-11-20 2020-03-12 The Trustees Of Columbia University In The City Of New York Neural-network state-of-charge and state of health estimation
CN111579993A (zh) * 2020-05-21 2020-08-25 北京航空航天大学 一种基于卷积神经网络的锂电池容量在线估计方法
CN112379272A (zh) * 2020-11-16 2021-02-19 北京理工大学 一种基于人工智能的锂离子电池系统soc估计方法
CN112986830A (zh) * 2021-04-22 2021-06-18 湖北工业大学 一种基于卷积时间记忆神经网络的锂电池容量估计方法
CN113671381A (zh) * 2021-08-30 2021-11-19 武汉理工大学 一种基于时间卷积网络的锂离子动力电池估算方法
CN113702843A (zh) * 2021-07-26 2021-11-26 南通大学 一种基于郊狼优化算法的锂电池参数辨识与soc估计方法
CN113777496A (zh) * 2021-09-06 2021-12-10 北京化工大学 基于时间卷积神经网络的锂离子电池剩余寿命预测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200081070A1 (en) * 2017-11-20 2020-03-12 The Trustees Of Columbia University In The City Of New York Neural-network state-of-charge and state of health estimation
CN111579993A (zh) * 2020-05-21 2020-08-25 北京航空航天大学 一种基于卷积神经网络的锂电池容量在线估计方法
CN112379272A (zh) * 2020-11-16 2021-02-19 北京理工大学 一种基于人工智能的锂离子电池系统soc估计方法
CN112986830A (zh) * 2021-04-22 2021-06-18 湖北工业大学 一种基于卷积时间记忆神经网络的锂电池容量估计方法
CN113702843A (zh) * 2021-07-26 2021-11-26 南通大学 一种基于郊狼优化算法的锂电池参数辨识与soc估计方法
CN113671381A (zh) * 2021-08-30 2021-11-19 武汉理工大学 一种基于时间卷积网络的锂离子动力电池估算方法
CN113777496A (zh) * 2021-09-06 2021-12-10 北京化工大学 基于时间卷积神经网络的锂离子电池剩余寿命预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
QISONG ZHANG 等: "A deep learning method for lithium-ion battery remaining useful life prediction based on sparse segment data via cloud computing system", 《ENERGY》 *
XIANGBAO SONG 等: "Combined CNN-LSTM Network for State-of-Charge Estimation of Lithium-Ion Batteries", 《IEEE ACCESS》 *
YIXING YANG: "A machine-learning prediction method of lithium-ion battery life based on charge process for different applications", 《APPLIED ENERGY》 *
李超然 等: "基于深度学习的锂离子电池SOC和SOH联合估算", 《中国电机工程学报》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115508711A (zh) * 2022-10-10 2022-12-23 南京工程学院 一种基于深度网络模型的电动汽车动力锂电剩余寿命预测方法

Also Published As

Publication number Publication date
CN114062948B (zh) 2022-05-20

Similar Documents

Publication Publication Date Title
Zhang et al. A deep learning method for lithium-ion battery remaining useful life prediction based on sparse segment data via cloud computing system
Qiao et al. Online quantitative diagnosis of internal short circuit for lithium-ion batteries using incremental capacity method
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
Zheng et al. A novel capacity estimation method based on charging curve sections for lithium-ion batteries in electric vehicles
Shen et al. Neural network-based residual capacity indicator for nickel-metal hydride batteries in electric vehicles
CN110333463B (zh) 一种电芯一致性筛选方法及其系统
CN103909068B (zh) 电池的分选方法
CN111352032A (zh) 一种锂电池动态峰值功率预测方法
CN111781504A (zh) 一种锂离子动力电池老化状态识别与开路电压重构方法
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
CN110931901B (zh) 模拟铅酸电池电气特性的锂电池柔性集成方法与系统
CN116609676B (zh) 一种基于大数据处理的混合储能电池状态监控方法及系统
CN112526352B (zh) 一种退役锂离子电池的soh估计方法
Ouyang et al. Determination of the battery pack capacity considering the estimation error using a Capacity–Quantity diagram
CN109613446A (zh) 一种基于时间序列分析的锂电池老化检测方法
CN113064089A (zh) 动力电池的内阻检测方法、装置、介质以及系统
WO2024000756A1 (zh) 基于深度学习和启发式算法的电化学模型参数辨识方法
CN114062948B (zh) 一种基于3dcnn的锂离子电池soc估计方法
CN114779103A (zh) 一种基于时滞卷积神经网络的锂离子电池soc估计方法
Lin et al. Lithium-ion battery degradation trajectory early prediction with synthetic dataset and deep learning
CN114865117A (zh) 锂离子电池电极嵌锂量检测方法、装置及电池管理系统
CN112526353B (zh) 一种退役锂离子动力电池soc快速检测方法及装置
Yan et al. Life decay characteristics identification method of retired power batteries based on inverse power law model of accelerated life test
Pan et al. An integration and selection scheme for capacity estimation of Li-ion battery based on different state-of-charge intervals
Lin et al. State of health estimation of lithium-ion batteries based on remaining area capacity

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