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

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

基于神经网络、迁移集成学习的锂电池健康状态评估方法

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。

进一步的，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，A_i表示第i个峰的面积，μ_i表示第i个峰的位置，ω_i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，ω_l表示每层卷积核的权值，b_l表示每层卷积核的偏置，*表示卷积操作，δ_l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：

θ^S＝θ⁰+v^Sandθ^T＝θ⁰+v^T (5)，

公式(5)中，θ^S表示源任务参数，θ^T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，v^S表示与源任务相关的参数，v^T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{x^S,z^S}对CNN模型进行训练，其中x^s表示特征值，即HIs，z^S表示训练中的标签，即SOH；预先训练的参数θ^S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)＝θ^S·x^S(i)＝(θ⁰+v^S)·x^S(i) (7)，

公式(6)和(7)中，z^{^S}(i)是z^S(i)的估计值，θ⁰来自源任务的参数θ^S，z^S(i)表示源数据集的SOH，x^S(i)表示源任务中选取的特征值。

进一步的，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}＝β^T·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，A_i表示第i个峰的面积，μ_i表示第i个峰的位置，ω_i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，ω_l表示每层卷积核的权值，b_l表示每层卷积核的偏置，*表示卷积操作，δ_l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：

θ^S＝θ⁰+v^Sandθ^T＝θ⁰+v^T (5)，

公式(5)中，θ^S表示源任务参数，θ^T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，v^S表示与源任务相关的参数，v^T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{x^S,z^S}对CNN模型进行训练，其中x^s表示特征值，即HIs，z^S表示训练中的标签，即SOH；预先训练的参数θ^S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)＝θ^S·x^S(i)＝(θ⁰+v^S)·x^S(i) (7)，

公式(6)和(7)中，z^{^S}(i)是z^S(i)的估计值，θ⁰来自源任务的参数θ^S，z^S(i)表示源数据集的SOH，x^S(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}＝β^T·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。

2.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：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，A_i表示第i个峰的面积，μ_i表示第i个峰的位置，ω_i表示峰的宽度。

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，ω_l表示每层卷积核的权值，b_l表示每层卷积核的偏置，*表示卷积操作，δ_l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：

θ^S＝θ⁰+v^Sandθ^T＝θ⁰+v^T (5)，

公式(5)中，θ^S表示源任务参数，θ^T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，v^S表示与源任务相关的参数，v^T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{x^S,z^S}对CNN模型进行训练，其中x^s表示特征值，即HIs，z^S表示训练中的标签，即SOH；预先训练的参数θ^S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)＝θ^S·x^S(i)＝(θ⁰+v^S)·x^S(i)(7)，

公式(6)和(7)中，z^{^S}(i)是z^S(i)的估计值，θ⁰来自源任务的参数θ^S，z^S(i)表示源数据集的SOH，x^S(i)表示源任务中选取的特征值。

5.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}＝β^T·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。

Images