CN115015760A - 基于神经网络、迁移集成学习的锂电池健康状态评估方法 - Google Patents
基于神经网络、迁移集成学习的锂电池健康状态评估方法 Download PDFInfo
- Publication number
- CN115015760A CN115015760A CN202210504737.1A CN202210504737A CN115015760A CN 115015760 A CN115015760 A CN 115015760A CN 202210504737 A CN202210504737 A CN 202210504737A CN 115015760 A CN115015760 A CN 115015760A
- Authority
- CN
- China
- Prior art keywords
- battery
- cnn
- representing
- data set
- neural network
- 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
Links
- 230000036541 health Effects 0.000 title claims abstract description 30
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 29
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 29
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 21
- 238000013508 migration Methods 0.000 title claims abstract description 15
- 230000005012 migration Effects 0.000 title claims abstract description 15
- 238000011156 evaluation Methods 0.000 title claims description 10
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 39
- 230000008569 process Effects 0.000 claims abstract description 15
- 238000007600 charging Methods 0.000 claims abstract description 14
- 238000007599 discharging Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 12
- 230000003862 health status Effects 0.000 claims description 6
- 238000010280 constant potential charging Methods 0.000 claims description 3
- 238000010277 constant-current charging Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012384 transportation and delivery Methods 0.000 claims description 3
- 238000013459 approach Methods 0.000 description 4
- 230000032683 aging Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000013526 transfer learning Methods 0.000 description 3
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 229910001416 lithium ion Inorganic materials 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 239000011149 active material Substances 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000008719 thickening Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Secondary Cells (AREA)
Abstract
基于神经网络、迁移集成学习的锂电池健康状态评估方法,它涉及一种锂电池健康状态评估方法。本发明为了解决现有锂电池健康评估方法由于训练数据集不充分,导致无法获得良好预测精度的问题。本发明的具体步骤为:步骤一、根据现有电池S在完整充放电过程中记录的数据集;步骤二、恒流阶段电压、恒压电流阶段、容量增量和电池与环境的温差作为输入;步骤三、针对新电池T,进行n次充放电过程中并记录其参数数据集;步骤四、迁移学习从数据集充足的电池S学习到的CNN参数模型来帮助训练数据集不足的目标任务电池T;步骤五、利用集成学习将两个CNN‑TL模型结合起来,通过训练生成新的模型CNN‑TL出。本发明属于电池管理技术领域。
Description
技术领域
本发明涉及一种锂电池健康状态评估方法,属于电池管理技术领域。
背景技术
锂离子电池(锂电池)因为其能量密度高,寿命长,稳定性强和对环境影响小的优点,已经被广泛应用于电动汽车、电动工具、应急电源、电网储能电站等领域。在实际应用中,随着电池中锂离子沉积、SEI膜增厚和活性物质损失等,导致了电池老化和容量衰减。通常情况下用电池健康状态(StateofHealth,SOH)来描述电池的衰退(老化)状态,基于容量的SOH定义为电池当前电池容量与初始容量的比值;SOH研究对电池的使用、维护和评估有很高价值,可为规划、政策和产业发展提供依据和参考,具有重要的意义。
直接测量电池容量需要一个完整的充放电循环,耗时较长,因此产生了多种容量估算方法。SOH估计方法主要分为三类:直接测量方法、基于模型的方法和数据驱动的方法。直接测量方法虽然具有较高的精度,但需要特定的设备,在实时实际中难以估计SOH。基于模型的方法是基于电化学建模或等效电路模型,将SOH更新为状态变量。然而,这些方法的计算成本很高,并且需要进一步的简化。基于数据的方法缓解了这些不足,近年来得到了广泛的研究。基于数据的方法利用充放电数据实现实时SOH估计,基于实验数据提取健康指标(HealthIndicators,HIs),然后应用机器学习算法建立HIs与SOH的映射关系。因此,数据驱动的方法通常不需要太多关于电池工作原理的知识。此外,经过良好训练的数据驱动模型可以很容易地应用于电池管理系统(BatteryManagementSystem,BMS),在实时估计方面具有良好的性能。
利用上述优势和机器学习算法的进步,数据驱动方法被进一步开发用于锂电池的健康状态估计;数据驱动方法将电压、电流和温度等HIs作为输入,输出为电池SOH的估计值。如核回归和深度神经网络(DNN),卷积神经网络(CNN),循环神经网络(RNN)和长短期记忆神经网络(LSTM)等机器学习方法,已被广泛应用于构建健康状态估计模型,并实现了在特定前提下是实现了对SOH的预测。
然而上述数据驱动的方法通常依赖大量的数据集对模型进行训练。如果缺乏训练数据,网络模型由于难以学习到足够的信息,通常难以达到令人满意的精度。但通过锂电池老化实验获取足量的数据不仅需要消耗不少的人力、物力,而且需要花费大量的时间。因此为所有类型的电池建立一个复杂的数据库是不切实际的。综上,如何在训练数据集不充分的情况下取得良好的预测精度是数据驱动方法进行锂电池健康状态监测的迫切问题。
发明内容
本发明为解决现有锂电池健康评估方法由于训练数据集不充分,导致无法获得良好预测精度的问题,进而提出基于神经网络、迁移集成学习的锂电池健康状态评估方法。
本发明为解决上述问题采取的技术方案是:本发明所述方法的具体步骤如下:
步骤一、根据现有电池S在完整充放电过程中记录的数据集,将恒流充电阶段的电压、恒压充电阶段的电流、容量增量和电池与环境的温差作为4个健康指标,即训练集中的特征向量,将电池健康状态SOH作为训练集中的标记;
步骤二、恒流阶段电压、恒压电流阶段、容量增量和电池与环境的温差作为输入,SOH作为输出,建立卷积神经网络CNN算法模型;CC-CV充电阶段所提取的电压、电流、温度数据,以及此阶段不同温度下充电容量与未老化容量比值,构建训练样本对所述CNN算法模型进行训练;基于训练好的CNN算法模型估计当前条件下的SOH;
步骤三、针对新电池T,进行n次充放电过程中并记录其参数数据集,该数据集仍需包含恒流阶段电压、恒压电流阶段和电池与环境的温差等加上容量增量作为特征向量,并包含电池健康状态SOH作为标记;
步骤四、迁移学习从数据集充足的电池S学习到的CNN参数模型来帮助训练数据集不足的目标任务电池T,通过训练迭代生成两个新的CNN-TL模型;
步骤五、利用集成学习将两个CNN-TL模型结合起来,通过训练生成新的模型CNN-TL;通过加权平均法则将权重分配给SOH估计的连续输出。
公式(1)中,Q表示电池容量,V表示电池电压,Ai表示第i个峰的面积,μi表示第i个峰的位置,ωi表示峰的宽度。
进一步的,步骤二中CNN算法模型具体基于一维深度卷积神经网络建立,建立过程为:
步骤A、进行网络层的设置,包括设置网络层数、卷积块形大小、初始化权值和偏置等结构参数和初始参数;
步骤B、将训练样本输入到输入层,建立反映输入和输出之间关系的函数F(X|θ):
Y=F(X|θ)=f1(…f2(f1(X|θ1)|θ2)…|θ1) (2),
公式(2)中,Y表示网络的输出,X表示网络的输入,f1(·|θ1)表示卷积神经网络各层关于网络参数的关系函数,θ1表示第1层的网络参数;
步骤C、设置相应的目标函数,通过误差反向传播算法对卷积核中的权值与偏置参数进行更新:
公式(3)和公式(4)中,G表示目标函数,ωl表示每层卷积核的权值,bl表示每层卷积核的偏置,*表示卷积操作,δl表示卷积神经网络的误差项。
进一步的,步骤四中源任务电池S和目标任务电池T的参数可以单独描述为:
θS=θ0+vSandθT=θ0+vT (5),
公式(5)中,θS表示源任务参数,θT表示目标任务参数,θ0表示源任务向目标任务传递的通用参数,vS表示与源任务相关的参数,vT表示与目标任务相关的参数;步骤四的具体流程如下:
使用数据{xS,zS}对CNN模型进行训练,其中xs表示特征值,即HIs,zS表示训练中的标签,即SOH;预先训练的参数θS表示通过CNN训练已学习到的参数,通过最小化估计的均方根误差RMSE得到预训练的参数:
s.t.z^S(i)=θS·xS(i)=(θ0+vS)·xS(i) (7),
公式(6)和(7)中,z^S(i)是zS(i)的估计值,θ0来自源任务的参数θS,zS(i)表示源数据集的SOH,xS(i)表示源任务中选取的特征值。
y^T=βT·z^T (8),
公式(8)中,y^T表示CNN-TL-EL模型的输出值,z^T表示包含了两个独立CNN-TL子模型预测值的向量。
本发明的有益效果是:本发明从实际应用角度出发,为解决缺乏锂电池训练数据问题提供一种基于卷积神经网络-迁移学习-集成学习的锂电池健康状况监测方法,弥补锂电池健康状况监测中基于有限训练数据集神经网络建模理论的缺失。针对一维锂电池序列特点,以卷积神经网络(CNN)为基础模型,对数据充分的锂电池进行训练;使用迁移学习(TL)方法帮助训练数据集不足的目标任务电池;通过集成学习(EL)方法,对模型进行训练优化,提高了电池健康状况的估计精度。
附图说明
图1是模型构建过程图。
具体实施方式
具体实施方式一:结合图1说明本实施方式,本实施方式所述基于神经网络、迁移集成学习的锂电池健康状态评估方法是通过如下步骤实现的:
步骤一、根据现有电池S在完整充放电过程中记录的数据集,将恒流充电阶段的电压、恒压充电阶段的电流、容量增量和电池与环境的温差作为4个健康指标,即训练集中的特征向量,将电池健康状态SOH作为训练集中的标记;
步骤二、恒流阶段电压、恒压电流阶段、容量增量和电池与环境的温差作为输入,SOH作为输出,建立卷积神经网络CNN算法模型;CC-CV充电阶段所提取的电压、电流、温度数据,以及此阶段不同温度下充电容量与未老化容量比值,构建训练样本对所述CNN算法模型进行训练;基于训练好的CNN算法模型估计当前条件下的SOH;
步骤三、针对新电池T,进行n次充放电过程中并记录其参数数据集,该数据集仍需包含恒流阶段电压、恒压电流阶段和电池与环境的温差等加上容量增量作为特征向量,并包含电池健康状态SOH作为标记;
步骤四、迁移学习从数据集充足的电池S学习到的CNN参数模型来帮助训练数据集不足的目标任务电池T,通过训练迭代生成两个新的CNN-TL模型;
步骤五、利用集成学习将两个CNN-TL模型结合起来,通过训练生成新的模型CNN-TL;通过加权平均法则将权重分配给SOH估计的连续输出。
具体实施方式二:结合图1说明本实施方式,本实施方式所述基于神经网络、迁移集成学习的锂电池健康状态评估方法的经步骤一的数据集用于对各估计模型训练前,对其进行预处理:电压、电流以及温度直接从数据集中读取,容量增量通过数据集进行微分处理,采用高斯函数对IC数据中的噪声进行滤波,表示为:
公式(1)中,Q表示电池容量,V表示电池电压,Ai表示第i个峰的面积,μi表示第i个峰的位置,ωi表示峰的宽度。
具体实施方式三:结合图1说明本实施方式,本实施方式所述基于神经网络、迁移集成学习的锂电池健康状态评估方法的步骤二中CNN算法模型具体基于一维深度卷积神经网络建立,建立过程为:
步骤A、进行网络层的设置,包括设置网络层数、卷积块形大小、初始化权值和偏置等结构参数和初始参数;
步骤B、将训练样本输入到输入层,建立反映输入和输出之间关系的函数F(X|θ):
Y=F(X|θ)=f1(…f2(f1(X|θ1)|θ2)…|θ1) (2),
公式(2)中,Y表示网络的输出,X表示网络的输入,f1(·|θ1)表示卷积神经网络各层关于网络参数的关系函数,θ1表示第1层的网络参数;
步骤C、设置相应的目标函数,通过误差反向传播算法对卷积核中的权值与偏置参数进行更新:
公式(3)和公式(4)中,G表示目标函数,ωl表示每层卷积核的权值,bl表示每层卷积核的偏置,*表示卷积操作,δl表示卷积神经网络的误差项。
具体实施方式四:结合图1说明本实施方式,本实施方式所述基于神经网络、迁移集成学习的锂电池健康状态评估方法的步骤四中源任务电池S和目标任务电池T的参数可以单独描述为:
θS=θ0+vSandθT=θ0+vT (5),
公式(5)中,θS表示源任务参数,θT表示目标任务参数,θ0表示源任务向目标任务传递的通用参数,vS表示与源任务相关的参数,vT表示与目标任务相关的参数;步骤四的具体流程如下:
使用数据{xS,zS}对CNN模型进行训练,其中xs表示特征值,即HIs,zS表示训练中的标签,即SOH;预先训练的参数θS表示通过CNN训练已学习到的参数,通过最小化估计的均方根误差RMSE得到预训练的参数:
s.t.z^S(i)=θS·xS(i)=(θ0+vS)·xS(i) (7),
公式(6)和(7)中,z^S(i)是zS(i)的估计值,θ0来自源任务的参数θS,zS(i)表示源数据集的SOH,xS(i)表示源任务中选取的特征值。
具体实施方式五:结合图1说明本实施方式,本实施方式所述基于神经网络、迁移集成学习的锂电池健康状态评估方法,其特征在于:步骤五中将两个独立的CNN-TL模型合并为CNN-TL-EL模型,两个独立的CNN-TL模型的输出可以描述为:将一个权值向量赋给输出,最终结果为:
y^T=βT·z^T (8),
公式(8)中,y^T表示CNN-TL-EL模型的输出值,z^T表示包含了两个独立CNN-TL子模型预测值的向量。
经过验证,本发明可在数据不足的情况下,实现较高精度的SOH预测;且CNN-TL-EL模型较单独的CNN模型,大大降低了平均绝对误差(MeanAverage Error,MEA)。具体如下,使用NASA电池数据集作为预训练数据集,Oxford电池数据集作为目标数据集。两种锂电池型号不同且有不同的结构和化学成分;在目标数据集Oxford dataset中,80%的数据被删除,以模拟现实中数据不足的场景;将NASA的数据源进行训练得到的CNN模型通过迁移学习和集成学习应用到Oxford电池数据集进行训练;本发明CNN-TL-EL所用模型的SOH预测平均绝对误差小于1%,且与CNN模型相比降低了48.293%-62.945%的绝对误差。
本方法预测残缺的牛津数据集得到的绝对误差
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明,任何熟悉本专业的技术人员,在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案内容,依据本发明的技术实质,在本发明的精神和原则之内,对以上实施例所作的任何简单的修改、等同替换与改进等,均仍属于本发明技术方案的保护范围之内。
Claims (5)
1.基于神经网络、迁移集成学习的锂电池健康状态评估方法,其特征在于:基于神经网络、迁移集成学习的锂电池健康状态评估方法是通过如下步骤实现的:
步骤一、根据现有电池S在完整充放电过程中记录的数据集,将恒流充电阶段的电压、恒压充电阶段的电流、容量增量和电池与环境的温差作为4个健康指标,即训练集中的特征向量,将电池健康状态SOH作为训练集中的标记;
步骤二、恒流阶段电压、恒压电流阶段、容量增量和电池与环境的温差作为输入,SOH作为输出,建立卷积神经网络CNN算法模型;CC-CV充电阶段所提取的电压、电流、温度数据,以及此阶段不同温度下充电容量与未老化容量比值,构建训练样本对所述CNN算法模型进行训练;基于训练好的CNN算法模型估计当前条件下的SOH;
步骤三、针对新电池T,进行n次充放电过程中并记录其参数数据集,该数据集仍需包含恒流阶段电压、恒压电流阶段和电池与环境的温差等加上容量增量作为特征向量,并包含电池健康状态SOH作为标记;
步骤四、迁移学习从数据集充足的电池S学习到的CNN参数模型来帮助训练数据集不足的目标任务电池T,通过训练迭代生成两个新的CNN-TL模型;
步骤五、利用集成学习将两个CNN-TL模型结合起来,通过训练生成新的模型CNN-TL;通过加权平均法则将权重分配给SOH估计的连续输出。
3.根据权利要求1所述的基于神经网络、迁移集成学习的锂电池健康状态评估方法,其特征在于:步骤二中CNN算法模型具体基于一维深度卷积神经网络建立,建立过程为:
步骤A、进行网络层的设置,包括设置网络层数、卷积块形大小、初始化权值和偏置等结构参数和初始参数;
步骤B、将训练样本输入到输入层,建立反映输入和输出之间关系的函数F(X|θ):
Y=F(X|θ)=f1(···f2(f1(X|θ1)|θ2)···|θ1)(2),
公式(2)中,Y表示网络的输出,X表示网络的输入,f1(·|θ1)表示卷积神经网络各层关于网络参数的关系函数,θ1表示第1层的网络参数;
步骤C、设置相应的目标函数,通过误差反向传播算法对卷积核中的权值与偏置参数进行更新:
公式(3)和公式(4)中,G表示目标函数,ωl表示每层卷积核的权值,bl表示每层卷积核的偏置,*表示卷积操作,δl表示卷积神经网络的误差项。
4.根据权利要求1所述的基于神经网络、迁移集成学习的锂电池健康状态评估方法,其特征在于:步骤四中源任务电池S和目标任务电池T的参数可以单独描述为:
θS=θ0+vSandθT=θ0+vT (5),
公式(5)中,θS表示源任务参数,θT表示目标任务参数,θ0表示源任务向目标任务传递的通用参数,vS表示与源任务相关的参数,vT表示与目标任务相关的参数;步骤四的具体流程如下:
使用数据{xS,zS}对CNN模型进行训练,其中xs表示特征值,即HIs,zS表示训练中的标签,即SOH;预先训练的参数θS表示通过CNN训练已学习到的参数,通过最小化估计的均方根误差RMSE得到预训练的参数:
s.t.z^S(i)=θS·xS(i)=(θ0+vS)·xS(i)(7),
公式(6)和(7)中,z^S(i)是zS(i)的估计值,θ0来自源任务的参数θS,zS(i)表示源数据集的SOH,xS(i)表示源任务中选取的特征值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210504737.1A CN115015760B (zh) | 2022-05-10 | 2022-05-10 | 基于神经网络、迁移集成学习的锂电池健康状态评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210504737.1A CN115015760B (zh) | 2022-05-10 | 2022-05-10 | 基于神经网络、迁移集成学习的锂电池健康状态评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115015760A true CN115015760A (zh) | 2022-09-06 |
CN115015760B CN115015760B (zh) | 2024-06-14 |
Family
ID=83069456
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210504737.1A Active CN115015760B (zh) | 2022-05-10 | 2022-05-10 | 基于神经网络、迁移集成学习的锂电池健康状态评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115015760B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116609677A (zh) * | 2023-07-18 | 2023-08-18 | 江西五十铃汽车有限公司 | 一种电池状态估计方法 |
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 |
CN117150275A (zh) * | 2023-11-01 | 2023-12-01 | 宁德时代新能源科技股份有限公司 | 机器学习模型构建方法、电池健康度预测方法以及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111638465A (zh) * | 2020-05-29 | 2020-09-08 | 浙大宁波理工学院 | 基于卷积神经网络和迁移学习的锂电池健康状态估计方法 |
CN112684346A (zh) * | 2020-12-10 | 2021-04-20 | 西安理工大学 | 基于遗传卷积神经网络的锂电池健康状态估计方法 |
CN112965488A (zh) * | 2021-02-05 | 2021-06-15 | 重庆大学 | 基于迁移学习神经网络的婴儿监控移动机器小车 |
WO2021138925A1 (zh) * | 2020-01-08 | 2021-07-15 | 重庆邮电大学 | 基于改进卷积-长短时记忆神经网络的锂电池容量估算方法 |
CN113536676A (zh) * | 2021-07-15 | 2021-10-22 | 重庆邮电大学 | 基于特征迁移学习的锂电池健康状况监测方法 |
US20220057451A1 (en) * | 2020-08-21 | 2022-02-24 | Carnegie Mellon University | System and method for estimation of battery state and health |
CN114236410A (zh) * | 2021-11-24 | 2022-03-25 | 广东工业大学 | 基于新型生成式对抗神经网络的锂电池soh估计方法 |
-
2022
- 2022-05-10 CN CN202210504737.1A patent/CN115015760B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021138925A1 (zh) * | 2020-01-08 | 2021-07-15 | 重庆邮电大学 | 基于改进卷积-长短时记忆神经网络的锂电池容量估算方法 |
CN111638465A (zh) * | 2020-05-29 | 2020-09-08 | 浙大宁波理工学院 | 基于卷积神经网络和迁移学习的锂电池健康状态估计方法 |
US20220057451A1 (en) * | 2020-08-21 | 2022-02-24 | Carnegie Mellon University | System and method for estimation of battery state and health |
CN112684346A (zh) * | 2020-12-10 | 2021-04-20 | 西安理工大学 | 基于遗传卷积神经网络的锂电池健康状态估计方法 |
CN112965488A (zh) * | 2021-02-05 | 2021-06-15 | 重庆大学 | 基于迁移学习神经网络的婴儿监控移动机器小车 |
CN113536676A (zh) * | 2021-07-15 | 2021-10-22 | 重庆邮电大学 | 基于特征迁移学习的锂电池健康状况监测方法 |
CN114236410A (zh) * | 2021-11-24 | 2022-03-25 | 广东工业大学 | 基于新型生成式对抗神经网络的锂电池soh估计方法 |
Non-Patent Citations (3)
Title |
---|
DONGXU JI ET AL.: "Geometry optimization of solar thermoelectric generator under different operating conditions via Taguchi method", ECM, 15 June 2021 (2021-06-15) * |
肖仁鑫;宋新月;张梦帆;夏雪磊;肖佳鹏;: "基于长短期记忆神经网络的健康状态估算", 农业装备与车辆工程, no. 04, 10 April 2020 (2020-04-10) * |
肖睿娟;李泓;陈立泉;: "基于材料基因组方法的锂电池新材料开发", 物理学报, no. 12, 23 May 2018 (2018-05-23) * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116609677A (zh) * | 2023-07-18 | 2023-08-18 | 江西五十铃汽车有限公司 | 一种电池状态估计方法 |
CN116609677B (zh) * | 2023-07-18 | 2023-11-03 | 江西五十铃汽车有限公司 | 一种电池状态估计方法 |
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 |
CN117150275A (zh) * | 2023-11-01 | 2023-12-01 | 宁德时代新能源科技股份有限公司 | 机器学习模型构建方法、电池健康度预测方法以及装置 |
CN117150275B (zh) * | 2023-11-01 | 2024-04-09 | 宁德时代新能源科技股份有限公司 | 机器学习模型构建方法、电池健康度预测方法以及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115015760B (zh) | 2024-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110187290B (zh) | 一种基于融合型算法的锂离子电池剩余寿命预测方法 | |
Khan et al. | Batteries state of health estimation via efficient neural networks with multiple channel charging profiles | |
CN115015760B (zh) | 基于神经网络、迁移集成学习的锂电池健康状态评估方法 | |
Kim et al. | An on-board model-based condition monitoring for lithium-ion batteries | |
CN110457789B (zh) | 一种锂离子电池剩余寿命预测方法 | |
CN113917337A (zh) | 基于充电数据和lstm神经网络的电池健康状态估计方法 | |
Mamo et al. | Long short-term memory with attention mechanism for state of charge estimation of lithium-ion batteries | |
CN113722877A (zh) | 一种对锂电池放电时温度场分布变化进行在线预测的方法 | |
CN111999649A (zh) | 一种基于XGBoost算法的锂电池剩余寿命预测方法 | |
Sun et al. | Joint estimation of state-of-health and state-of-charge for lithium-ion battery based on electrochemical model optimized by neural network | |
Wang et al. | Health diagnosis for lithium-ion battery by combining partial incremental capacity and deep belief network during insufficient discharge profile | |
CN115856678A (zh) | 一种锂离子电池健康状态估计方法 | |
CN116643196A (zh) | 一种融合机理与数据驱动模型的电池健康状态估计方法 | |
Wong et al. | Li-ion batteries state-of-charge estimation using deep lstm at various battery specifications and discharge cycles | |
CN113406503A (zh) | 基于深度神经网络的锂电池soh在线估算方法 | |
CN114167295B (zh) | 基于多算法融合的锂离子电池soc估算方法与系统 | |
Ozcan et al. | Online battery state-of-charge estimation based on sparse gaussian process regression | |
CN115586444A (zh) | 一种基于vmd与bp神经网络的锂电池剩余寿命预测方法 | |
CN113466710B (zh) | 含新能源受端电网中储能电池的soc与soh协同估算方法 | |
CN110232432B (zh) | 一种基于人工生命模型的锂电池组soc预测方法 | |
Xu et al. | A novel Drosophila‐back propagation method for the lithium‐ion battery state of charge estimation adaptive to complex working conditions | |
CN114487890A (zh) | 一种改进长短期记忆神经网络的锂电池健康状态估计方法 | |
CN117150334A (zh) | 一种基于优化后的BiLSTM神经网络的锂电池多状况预测方法和装置 | |
CN116930769A (zh) | 一种基于双向生成式对抗神经网络的锂电池建模方法 | |
CN116794547A (zh) | 一种基于afsa-gru的锂离子电池剩余使用寿命预测方法 |
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 | ||
GR01 | Patent grant |