CN115840154A - 一种基于神经网络的电池阻抗谱频率重要性分析方法 - Google Patents
一种基于神经网络的电池阻抗谱频率重要性分析方法 Download PDFInfo
- Publication number
- CN115840154A CN115840154A CN202310108006.XA CN202310108006A CN115840154A CN 115840154 A CN115840154 A CN 115840154A CN 202310108006 A CN202310108006 A CN 202310108006A CN 115840154 A CN115840154 A CN 115840154A
- Authority
- CN
- China
- Prior art keywords
- frequency
- neural network
- importance
- layer
- model
- 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
- 238000001453 impedance spectrum Methods 0.000 title claims abstract description 34
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 22
- 238000004458 analytical method Methods 0.000 title claims abstract description 8
- 238000003062 neural network model Methods 0.000 claims abstract description 26
- 238000012360 testing method Methods 0.000 claims abstract description 24
- 239000013598 vector Substances 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 19
- 230000006870 function Effects 0.000 claims description 22
- 238000000034 method Methods 0.000 claims description 19
- 230000000875 corresponding effect Effects 0.000 claims description 14
- 230000002596 correlated effect Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 7
- 238000012417 linear regression Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000001566 impedance spectroscopy Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 8
- 230000000694 effects Effects 0.000 abstract description 7
- 238000001514 detection method Methods 0.000 abstract description 6
- 238000000157 electrochemical-induced impedance spectroscopy Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000005518 electrochemistry Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
Images
Landscapes
- Secondary Cells (AREA)
Abstract
本发明公开一种基于神经网络的电池阻抗谱频率重要性分析方法，包括：步骤1：测试并采集电池阻抗谱和剩余容量数据；步骤2.构建神经网络模型，所述神经网络模型包括输入层，中间层和输出层；步骤3：训练并检验神经网络模型：将数据集按照8:2的比例分成训练集合和测试集合，在训练集合上进行模型训练，在测试集合上验证模型效果；步骤4：计算频率重要性特征向量的模长，确定重要性频率；步骤5：计算重要性频率之间的相关系数，选取代表性频率，去掉冗余频率。本发明将电池阻抗谱数据中选取若干重要频率之后，缩小阻抗谱检测频率覆盖范围，减少检测时间。本发明模型结构简单，容易训练，通过模长来衡量输入特征重要性，简单易懂，计算效果好。
Description
技术领域
本发明涉及电池电化学技术领域，尤其是一种基于神经网络的电池阻抗谱频率重要性分析方法。
背景技术
电池电化学阻抗谱（Electrochemical Impedance Spectroscopy，EIS）是电池的一种非侵入性的特征，是电化学领域的研究热点之一。电池阻抗谱最常见的研究内容就是预测电池的某些属性，如剩余容量、剩余寿命和健康度等。已经有大量的研究结果表明阻抗谱数据具有良好的预测以上电池属性的能力。
然而阻抗谱数据一般都是覆盖几十个频率范围，在测试和应用时，比较繁琐。因此通过一些方法找出其中起到关键作用的频率，则可以缩小阻抗检测的范围，起到减少测试数量和简化流程的作用，是目前急需要解决的问题。
发明内容
为了解决上述技术问题，本发明提供一种基于神经网络的电池阻抗谱频率重要性分析方法，每个输入节点的权重向量的模长反应出该输入节点的重要程度，将电池阻抗谱频率作为输入特征，通过神经网络模型构建了EIS与电池属性之间的映射关系，从而实现计算神经网络的电池电化学阻抗谱数据中各个频率重要性。
本发明解决其技术问题所采用的技术方案是：
一种基于神经网络的电池阻抗谱频率重要性分析方法，包括如下几个步骤：
步骤1：测试并采集电池阻抗谱和剩余容量数据：通过专业的阻抗谱测试仪器，并且覆盖一定的频率范围，频率范围设置10-2HZ至105HZ。
步骤2：构建神经网络模型，在步骤1完毕之后，构建神经网络模型。所述神经网络模型包括输入层，中间层、输出层。
所述输入层就是输入电池的电化学阻抗数据，特征维度是频率从高到低对应的阻抗的实部和虚部数据。
所述中间层是全连接层，设置成1层的全连接层，激活函数为Relu函数。
进一步的，在中间层设置防止过拟合的操作，添加Dropout层。
所述Dropout是指神经网络模型学习训练过程中，对于神经网络训练单元，暂时将按照一定的概率将其从网络中移除，是一种减少模型过拟合的方法。
所述输出层是一个线性回归层，输出值就是电池的剩余容量，做归一化处理，激活函数为Linear。
最后，对模型进行预估，模型损失函数为均方误差，模型优化方法选取rmsprop。
步骤3：训练并检验神经网络模型：将数据集按照8:2的比例分成训练集合和测试集合，在训练集合上进行模型训练，在测试集合上验证模型效果，检验指标是预测值和真实值之间的均方误差。
步骤4：计算频率重要性特征向量的模长，确定重要性频率；
步骤5：计算重要性频率之间的相关系数，选取代表性频率，去掉冗余频率。
进一步的，在计算频率重要性的基础上，选取模长最大的前16个频率作为重要频率，然后计算这些重要频率的样本值的Person相关系数，并根据相关系数来判断哪些频率之间高度相关，一般取阈值0.7以上为高度相关。
本发明的有益效果是：
本发明基于神经网络模型构建了电池阻抗谱数据与电池剩余容量之间的映射关系，将神经网络的输入层与隐藏层的全连接向量作为输入特征的向量表达，并根据向量的模长来衡量输入特征的重要程度，选取了电池阻抗谱数据中的若干重要性频率，为缩小测试电池阻抗谱数据时的频率范围提供了参考依据，从而实现计算神经网络的电池电化学阻抗谱数据中各个频率重要性。
本发明的神经网络模型结构简单，容易训练，通过模长来衡量输入特征重要性，简单易懂，计算效果好。从电池阻抗谱数据中选取若干重要频率之后，可以缩小阻抗谱检测频率覆盖范围，减少检测时间，后续基于阻抗谱数据的相关研究的计算量也会减少。
附图说明
图1是基于神经网络的阻抗谱预测电池剩余容量模型结构图。
图2是基于神经网络的阻抗谱频率重要性计算流程图。
图3是本发明重要频率相关性热力图。
具体实施方式
在神经网络中，输入层的每个节点与中间层所有节点是通过权重向量连接起来的。假如某个节点对应的权重向量的取值都是0，相应的模长也为0，该节点取值的变化对模型最终结果没有任何影响，很直观的认为该节点很不重要，在模型中可以忽略不计。反之，如果某个节点对应的权重向量的取值都很大，相应的模长也大，该节点的取值变化会很容易导致计算结果的变化，则说明该节点对模型起到了举足轻重的作用。因此，每个输入节点的权重向量的模长可以反应出该输入节点的重要程度。
本发明就是基于以上的分析，将电池阻抗谱频率作为输入特征，通过神经网络模型构建了EIS与电池属性之间的映射关系，这里的电池属性可以是剩余容量、剩余寿命和健康度，本发明选取电池剩余容量。
在模型效果良好的前提下，将每个频率特征与神经网络的第一个中间隐藏层的全连接权重向量，作为该频率特征的重要性特征向量，然后计算所有频率的重要性特征向量的模长并排序，依此来判定频率特征的相对重要性。在初步确定的重要频率的基础之上，计算这些重要频率的样本值的Person相关系数，在相关系数高的频率当中，选取代表性的频率，去掉冗余的频率，进一步精简重要频率。
如图1所示，在图中，输入层的real1至real60表示从高频至低频对应的阻抗数据的实部数据，imaginary1至imaginary60表示从高频至低频对应的阻抗数据的虚部数据。隐藏层是一层神经网络模型神经元节点，设置64个神经元。输入层各个节点与隐藏层各个节点之间通过权重矩阵W连接起来，W的维度是120*64。权重矩阵W就是计算各个输入节点重要性的数据来源。输出层是一个线性回归层，预测目标是电池的剩余容量。
如图2所示，是本发明工作流程，主要包括如下步骤：首先，需要通过实验的方式采集电池阻抗谱和剩余容量数据；其次，构建神经网络模型，用电池EIS预测电池SOC；再次，训练并检验神经网络模型；然后，计算频率重要性特征向量的模长，确定重要性频率；最后，计算重要性频率之间的相关系数，选取代表性频率，去掉冗余频率。
本发明具体实现步骤如下：
步骤1.测试并采集电池电化学阻抗谱数据
测试和采集电池电化学阻抗谱数据需要专业的阻抗谱测试仪器，并且需要覆盖一定的频率范围，频率范围可以设置10-2HZ至105HZ，在频率范围中间按一定间隔选取多个频率值，比如60个。
采集数据时，需要记录每个频率对应的阻抗的实部和虚部数据，以及需要预测的目标值，比如相对应的电池容量数据、循环次数等。
步骤2.构建神经网络模型，在步骤1电池阻抗谱数据采集完毕之后，构建神经网络模型。所述神经网络模型包括输入层，中间层、输出层。
输入层就是输入电池的电化学阻抗数据，特征维度是频率从高到低对应的阻抗的实部和虚部数据。
比如如果频率范围中选取了60个频率值，则前60维度的数据对应于60个频率测试得到的阻抗的实部数据，接下来的60维度的数据对应于60个频率测试得到的阻抗的虚部数据，共120维度。
神经网络模型中间层是全连接层，设置成1层的全连接层，激活函数为Relu函数。
所述激活函数是指在神经元中，输入的数据通过加权求和后，负责将加权求和之后的值映射到输出端的函数。所述Relu函数是取输入值和0之间的最大值的函数。
进一步的，在中间层设置防止过拟合的操作，添加Dropout层。
所述Dropout是指神经网络模型学习训练过程中，对于神经网络训练单元，暂时将按照一定的概率将其从网络中移除，是一种减少模型过拟合的方法。
神经网络的输出层是一个线性回归层，输出值就是电池的剩余容量，一般做归一化处理，激活函数为Linear。Linear函数就是线性回归函数。
模型损失函数为均方误差，Mean Square Error。
所述损失函数是用来估量模型的预测值与真实值的不一致程度，损失函数是一个非负实值函数，损失函数越小，模型的鲁棒性就越好。
模型优化方法可以选取rmsprop。
所述模型优化方法就是模型参数求解方法，以最小化损失函数为目标，同时要兼顾计算性能和求解精度。
步骤3.训练和检验神经网络模型
在模型训练中，将数据集按照8:2的比例分成训练集合和测试集合，在训练集合上进行模型训练，在测试集合上验证模型效果，检验指标是预测值和真实值之间的均方误差。
在回归预测模型中，均方误差（Mean Square Error, MSE）是检验模型优劣的指标之一，它是检测样本的真实值与预测值的差值的平方求和的平均值，一般用来检测模型的预测值和真实值之间的偏差。均方误差越小，说明模型拟合的越好，效果也越好。
步骤4.计算频率重要性
在神经网络中，输入层的节点与中间层的节点通过权重矩阵W连接起来，W的维度是120*64。假设矩阵W的第i行向量记作Wi，它表示第i个输入节点与64个中间节点的连接权重向量，记Wi=[wi1,wi2,……,wi64]，（i=1,2,……，120），其中wij表示第i个输入节点与第j个（j=1,2,……，64）中间层节点的连接权重。
则第i个输入节点的重要性计算公式为：
步骤5.计算频率相关性
在计算频率重要性的基础上，选取模长最大的前16个频率作为重要频率，然后计算这些重要频率的样本值的Person相关系数，并根据相关系数来判断哪些频率之间高度相关，一般取阈值0.7以上为高度相关。在这些高度相关的频率之中，选取代表性的频率，去掉其他冗余的频率，可以起到进一步精简重要频率的作用。
假设向量X和Y分别为
，则X和Y的Person相关系数计算公式为：假设向量X和Y分，则X和Y的Person相关系数计算公式为：/>
其中，r表示Person相关系数，
表示向量X的均值，/>
表示向量Y的均值。
实施例
本发明在公开数据集合上测试效果，使用其中的阻抗数据来预测电池剩余容量。将数据集按照8:2的比例分成训练集合和测试集合，在训练集合上训练神经网络模型，在测试集合上计算每个特征的重要性。测试数据共有120个特征，特征序号依次是1至120，前60个特征是频率从高到低对应的阻抗数据的实部数据，后60个特征是频率从高到低对应的阻抗数据的虚部数据。
测试集合的均值为30.6003，方差为4.0861，预测集合的均值为30.6338，方差为4.0864，这表明预测结果的数据分布与真实数据的数据分布基本一致。预测集合和测试集合的均方误差只有0.6370，说明模型的预测效果良好。
在模型效果优良的前提下，获取每个输入节点，即每个频率的重要性特征向量，如下表1所示。
表1 频率重要性特征向量一览表（部分）
计算每个频率的重要性特征向量的模长，并按模长从高到低排序，下表2展示了部分权重排名靠前的频率以及相关信息。
表2 阻抗频率重要性一览表（部分）
从表2可以看出，在电池容量预测数据中，重要的频率主要集中在2个区间，一个区间是61至65，这一区间对应的是高频部分，覆盖7835.48HZ至20004.453HZ，另一个区间是90至100，这一区间对应的是低频部分，覆盖2.16054HZ至22.48202HZ。另外，这2个区间对应的特征值都来自于阻抗复数表达式中的虚部数据。
进一步，可以计算重要频率的相关性，去掉冗余特征。
通过计算重要频率61至65、90至100的输入值的Person相关系数，并做出热力图，可以发现相关度高的频率。如图3所示，从图3中可以发现，重要性频率可以分成三类，这三类频率内部彼此高度相关，而外部彼此相关度不高，其中f61、f62和f63的相关程度很高，可以只保留1个频率f61；f64和f65相关度高，由于f65与f61、f62和f63的相关度更低，因此可以只保留一个频率f65；f90至f100的相关度都挺高，可以保留1个频率f90。综上所述，最终的重要频率可以确定为f61、f65和f90。
Claims (7)
1.一种基于神经网络的电池阻抗谱频率重要性分析方法，其特征在于，包括如下几个步骤：
步骤1：测试并采集电池阻抗谱和剩余容量数据：通过专业的阻抗谱测试仪器，并且覆盖一定的频率范围，频率范围设置10-2HZ至105HZ；
步骤2：构建神经网络模型，在步骤1完毕之后，构建神经网络模型；所述神经网络模型包括输入层，中间层、输出层；
步骤3：训练并检验神经网络模型：将数据集按照8:2的比例分成训练集合和测试集合，在训练集合上进行模型训练，在测试集合上验证模型效果，检验指标是预测值和真实值之间的均方误差；
步骤4：计算频率重要性特征向量的模长，确定重要性频率；
步骤5：计算重要性频率之间的相关系数，选取代表性频率，去掉冗余频率。
2.根据权利要求1所述的一种基于神经网络的电池阻抗谱频率重要性分析方法，其特征在于，在步骤2中，所述输入层就是输入电池的电化学阻抗数据，特征维度是频率从高到低对应的阻抗的实部和虚部数据。
3.根据权利要求1所述的一种基于神经网络的电池阻抗谱频率重要性分析方法，其特征在于，在步骤2中，所述中间层是全连接层，设置成1层的全连接层，激活函数为Relu函数。
4.根据权利要求3所述的一种基于神经网络的电池阻抗谱频率重要性分析方法，其特征在于，在步骤2中，在中间层设置防止过拟合的操作，添加Dropout层；所述Dropout是指神经网络模型学习训练过程中，对于神经网络训练单元，暂时将按照一定的概率将其从网络中移除，是一种减少模型过拟合的方法。
5.根据权利要求1所述的一种基于神经网络的电池阻抗谱频率重要性分析方法，其特征在于，在步骤2中，所述输出层是一个线性回归层，输出值就是电池的剩余容量，做归一化处理，激活函数为Linear。
6.根据权利要求1所述的一种基于神经网络的电池阻抗谱频率重要性分析方法，其特征在于，在步骤2中，对模型进行预估，模型损失函数为均方误差，模型优化方法选取rmsprop。
7.根据权利要求1所述的一种基于神经网络的电池阻抗谱频率重要性分析方法，其特征在于，在步骤5中，在计算频率重要性的基础上，选取模长最大的前16个频率作为重要频率，然后计算这些重要频率的样本值的Person相关系数，并根据相关系数来判断哪些频率之间高度相关，取阈值0.7以上为高度相关。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310108006.XA CN115840154A (zh) | 2023-02-14 | 2023-02-14 | 一种基于神经网络的电池阻抗谱频率重要性分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310108006.XA CN115840154A (zh) | 2023-02-14 | 2023-02-14 | 一种基于神经网络的电池阻抗谱频率重要性分析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115840154A true CN115840154A (zh) | 2023-03-24 |
Family
ID=85579637
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310108006.XA Pending CN115840154A (zh) | 2023-02-14 | 2023-02-14 | 一种基于神经网络的电池阻抗谱频率重要性分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115840154A (zh) |
-
2023
- 2023-02-14 CN CN202310108006.XA patent/CN115840154A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109350032B (zh) | 一种分类方法、系统、电子设备及存储介质 | |
| CN113109715B (zh) | 基于特征选择和支持向量回归的电池健康状况预测方法 | |
| CN111443293A (zh) | 一种基于数据驱动的锂电池健康状态soh估算方法 | |
| CN110522444B (zh) | 一种基于Kernel-CNN的心电信号识别分类方法 | |
| KR20200023672A (ko) | 딥러닝을 이용한 전지 진단 방법 | |
| CN105930663B (zh) | 一种基于演化模糊规则的手部震颤信号及音频信号分类方法 | |
| CN116224112A (zh) | 一种基于XGBoost模型的电池阻抗谱频率重要性分析方法 | |
| CN114024328A (zh) | 储能电站系统的综合评估方法、设备及可读介质 | |
| CN112641451B (zh) | 基于单通道脑电信号多尺度残差网络睡眠分期方法及系统 | |
| KR20030025362A (ko) | 임피던스 스펙트럼의 패턴 매칭기법을 이용한 단위전지분류방법 | |
| CN115236522A (zh) | 基于混合深度神经网络的储能电池端到端容量估计方法 | |
| CN117517963A (zh) | 一种基于膨胀力的多尺度的锂离子电池荷电状态评估方法 | |
| CN115840154A (zh) | 一种基于神经网络的电池阻抗谱频率重要性分析方法 | |
| CN117102082A (zh) | 一种液态金属电池的分选方法及系统 | |
| CN116564409A (zh) | 基于机器学习的转移性乳腺癌转录组测序数据识别方法 | |
| CN116031453A (zh) | 一种质子交换膜燃料电池特征频率阻抗在线估计方法 | |
| CN114864086A (zh) | 一种基于肺功能报告模板的疾病预测方法 | |
| CN114287910A (zh) | 一种基于多阶段图卷积融合的脑功能连接分类方法 | |
| CN114155025A (zh) | 基于随机森林的电动汽车充电站充电流失用户预测方法 | |
| CN115128482A (zh) | 基于pca-rf模型的锂电池soc估算方法及装置 | |
| CN116298893A (zh) | 一种基于神经网络和阻抗谱数据预测电池剩余容量方法 | |
| CN117592789B (zh) | 基于时间序列分析的电网环境火灾风险评估方法及设备 | |
| CN113283533B (zh) | 面向性能衰退时间序列数据的可借用样本筛选方法和系统 | |
| CN115389955A (zh) | 一种电池内外总压测试的压差预测方法及装置 | |
| CN115902664A (zh) | 一种基于elm模型和电池阻抗谱数据预测电池剩余容量方法 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: Room 307, Building 10A, Zilang Science and Technology City, No. 60 Chongzhou Avenue, Development Zone, Nantong City, Jiangsu Province, 226010 Applicant after: Nantong Le Chuangxin Energy Co.,Ltd. Address before: Room 1801, Building 19, No. 1515, Gumei Road, Xuhui District, Shanghai, 201102 Applicant before: Shanghai Lejia Smart Energy Technology Co.,Ltd. |