CN116679232A - 基于混合神经网络和迁移学习的锂电池健康状态估计方法 - Google Patents
基于混合神经网络和迁移学习的锂电池健康状态估计方法 Download PDFInfo
- Publication number
- CN116679232A CN116679232A CN202310675038.8A CN202310675038A CN116679232A CN 116679232 A CN116679232 A CN 116679232A CN 202310675038 A CN202310675038 A CN 202310675038A CN 116679232 A CN116679232 A CN 116679232A
- Authority
- CN
- China
- Prior art keywords
- lithium battery
- model
- data set
- soh
- gru
- 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 72
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000036541 health Effects 0.000 title claims abstract description 31
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 22
- 238000013526 transfer learning Methods 0.000 title claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 238000011156 evaluation Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 230000002159 abnormal effect Effects 0.000 claims abstract description 4
- 238000012216 screening Methods 0.000 claims abstract description 4
- 238000010277 constant-current charging Methods 0.000 claims description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 14
- 238000006731 degradation reaction Methods 0.000 claims description 14
- 230000015556 catabolic process Effects 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 238000010280 constant potential charging Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 7
- 238000013508 migration Methods 0.000 claims description 6
- 230000005012 migration Effects 0.000 claims description 6
- 238000012952 Resampling Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000008014 freezing Effects 0.000 claims description 2
- 238000007710 freezing Methods 0.000 claims description 2
- 230000008929 regeneration Effects 0.000 claims description 2
- 238000011069 regeneration method Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 238000002474 experimental method Methods 0.000 description 27
- 238000012360 testing method Methods 0.000 description 8
- 238000007600 charging Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000001629 suppression Effects 0.000 description 3
- 206010011906 Death Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000007770 graphite material Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007086 side reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
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]
- G01R31/392—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]
- G01R31/367—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
- 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
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- 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
- G06N3/096—Transfer learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及一种基于混合神经网络和迁移学习的锂电池健康状态估计方法，属于电池存储技术领域领域。该方法为：提取电池循环数据并构成特征曲线，对其进行数据预处理，并进行异常值筛选和替换，构成源域数据集；提取不同类型或不同工况的锂电池数据得到特征曲线数据，构成目标域数据集；利用源域数据集对CNN‑GRU混合神经网络进行预训练得到预训练模型；将预训练模型作为基学习器估计模型，利用Tradaboost.R2算法在目标域数据集训练，从而对样本权重和基学习器权重进行更新；锂电池SOH估计值输出，同时计算相应评价指标值。本发明能够提高锂电池健康状态估计的精确度。
Description
技术领域
本发明属于电池存储技术领域，涉及锂电池的健康状态估计，具体涉及一种基于混合神经网络和迁移学习的锂电池健康状态估计方法。
背景技术
锂电池管理系统(Battery Management System，BMS)是连接车载动力锂电池和电动汽车的重要纽带，它将锂电池或锂电池组的监测及管理集于一体，从而确保锂电池或者锂电池组的安全可靠，并以最佳状态输出动力。其中，作为BMS系统中的重要组成部分，锂电池的健康评估能够及时对当前锂电池的放电容量和剩余循环寿命做出预测，在有效保证锂电池安全的同时，还可以提高电动汽车的续航里程，对电动汽车的安全可靠运行意义重大。
然而，锂电池在使用过程中由于环境温度、充放电循环次数增加等因素，其性能会逐渐退化，容量会不断衰退，进而导致电动汽车续航里程数的减少。此外，锂电池性能的退化通常伴随着内阻的增大，发热量会显著增加，从而加快了电池内部副反应的进行，电池退化速度进一步加快，进而导致电池使用寿命快速衰减，甚至引发电池热失控，造成安全事故。有必要对锂电池当前的健康状态进行检测，评估锂电池当前退化程度。锂电池健康状态估计有利于电池管理系统及时采取有效的管理和控制措施，从而提高电池的整体安全性和可靠性，确保其能够在更长的时间内以良好的状态运行。
随着人工智能的兴起，基于深度神经网络的锂电池健康评估方式占据了越来越关键的位置。目前基于数据驱动的SOH估计主要依赖于间接健康因子和训练样本数量，但间接健康因子在不同电池上与SOH的相关性会受电池不一致性退化而变化，进而影响到锂电池SOH估计的精度；此外，针对小样本场景下，即当前电池训练样本数量较少的情况下，使用数据驱动建立的模型预测精度较低。
发明内容
有鉴于此，本发明的目的在于提供一种基于混合神经网络和迁移学习的锂电池健康状态估计方法，解决手动提取间接健康因子的缺陷并提高小样本下的SOH估计精度。
为达到上述目的，本发明提供如下技术方案：
一种基于混合神经网络和迁移学习的锂电池健康状态估计方法，其包括以下步骤：
S1、提取电池循环数据并构成特征曲线，对其进行数据预处理，并进行异常值筛选和替换，构成源域数据集。
针对步骤S1，本发明主要基于外部因素对电池容量影响进行分析，包括：
a、放电倍率：在其他条件相同的情况下，放电电流越大，电池容量的下降速度越快，放电电流大小是影响锂电池退化的因素之一；
b、循环次数：随着锂电池充放电循环次数的增多，其容量普遍具有退化趋势，但是在退化的过程中有容量突变的现象，这是因为实验过程中存在锂电池静置阶段，电池退化轨迹在某些监测点处存在容量恢复现象，导致容量突变。当充放电次数增加时，电池容量将逐渐降低；
c、在低温环境下电池容量退化速度快，电池退化较快。
针对步骤S1，提取出锂电池充电阶段几种常见的健康因子，包括：
1、恒流充电阶段等电压间隔时间差ΔT：其中，/>表示为电压到达Vlow的时间，/>表示电压到达Vhigh的时间；
2、恒流充电阶段电压充电积分A1、恒压充电阶段电流充电积分A2： 其中，t0表示恒流充电开始时间，/>表示电压到达4.2V的时间，tend表示电流到达截止电流的时间；V表示t时刻的电压，I表示t时刻的电流；
3、恒流充电阶段恒流充电时间T1、恒压充电阶段恒压充电时间T2：T1＝Tcc、T2＝Tcv；其中，Tcc表示恒流充电时间，Tcv表示恒压充电时间；
4、恒流充电阶段温度积分TA1、恒压充电阶段温度积分TA2：其中，T表示t时刻的温度值；
5、恒流充电阶段电压曲线的最大斜率Kcc，恒流充电阶段电流曲线的最大斜率Kcv：Kcc＝max(kvcc)、Kcv＝max(kicv)，其中，kvcc表示恒流充电阶段电压变换的斜率，kicv表示恒流充电阶段电流变换的斜率。
根据上述内容，步骤S1的主要部分为：
(1)特征曲线选择：选取锂电池在充电状态下的特征曲线作为数据输入，其中，从锂电池恒流充电阶段部分电压区间曲线作为电流特征曲线；获取锂电池恒压充电阶段部分电流区间曲线作为电压特征曲线；获取恒流充电阶段电压起始时间至恒压充电阶段电流下降时段的曲线作为温度特征曲线。
(2)去噪：由于设备或外部环境的干扰、瞬态故障等问题，传感器可能会引入误差，一些数据可能会显示出波动的值，从而降低准确性并导致错误的估计结果，导致数据检测和记录的不准确，或者出现数据缺失。因此需要对数据进行去噪，本发明采用滑动平均公式法进行去噪处理。
(3)归一化：通过min-max方法对去噪处理后的特征曲线进行归一化。
(4)重采样：采用三次多项式对提取的特征曲线进行拟合，对拟合完成后的每条特征曲线以相同采样间隔进行重新采样，得到目标特征，所述目标特征构成源域数据集。
S2、提取不同类型或不同工况的锂电池数据得到特征曲线数据，构成目标域数据集。
S3、利用源域数据集对CNN-GRU混合神经网络进行预训练得到预训练模型。
步骤S3中，预训练步骤包括：
1、利用CNN自动提取电池循环数据中的退化信息，通过卷积、池化和激活操作处理输入数据与SOH的非线性关系，提取循环数据中隐藏的特征信息；
2、采用多层CNN进行特征提取，提高提取特征与SOH之间的相关性；
3、利用GRU对特征提取模型提取特征建立模型，从退化特征中提取隐藏的时序特征建立特征与SOH映射关系，得到SOH估计模型。
进一步地，基于CNN的特征提取模型构建如下：通过滑动窗口重新建立的特征经过输入层，通过卷积层Conv1后，经过池化和激活函数进行浅层特征的提取。然后再通过卷积层Conv2，经过池化和激活函数进行深层特征的提取。CNN特征提取模型通过n次卷积和池化操作对输入数据进行处理，可以深度提取电池当前循环的特征信息。然后Flatten层将提取的深层特征展平成一维向量进行输出。
则构建CNN-GRU混合神经网络包括：依次连接的CNN卷积模块和GRU卷积模块。其中，CNN卷积模块包括2个连续的4层卷积层和最大池化层堆叠，最后堆叠一个全连接层；GRU卷积模块包括一层GRU层和全连接层，其中全连接层用于锂电池SOH的估计。
进一步地，CNN-GRU混合神经网络在时序输入上采用组合模型，即单次循环和滑动窗口的不同权重组合方式，综合二者优点实现对容量再生点较准确的SOH估计，有效地学习时序特征；
组合模型SOH估计的计算如下式：
式中，f1(·)表示单次循环CNN-GRU模型，f2(·)表示滑动窗口CNN-GRU模型；wit表示时间t上第i个模型的权重大小；
式中，eij表示时间点j上的预测误差值：
其中，表示第i个模型在时间点j处的预测值，yj表示第j个时间点的真实SOH值。对于时间点t处的各模型权重还应满足如下条件：
wit≥0
且w1t+w2t＝1
CNN-GRU混合神经网络进行锂电池SOH估计时使用均方误差作为损失函数来评估预测误差，其中损失函数如下式：
式中，N表示锂电池数据循环数，SOHi表示第i个数据样本对应的SOH预测值，SOHi ture表示第i个数据样本对应的SOH真实值。
S4、将预训练模型作为基学习器估计模型，利用Tradaboost.R2算法在目标域数据集训练，从而对样本权重和基学习器权重进行更新。
对于Tradaboost.R2算法，其SOH估计值为基学习器预测值的加权输出。其主要计算公式如下：
其中，f(x,θt)表示基学习器，本发明中即为CNN-GRU模型，θt表示基学习器的最优参数，wi表示在基学习器所组成的强学习器中，基学习器的权重。
步骤S4中，利用构建的目标域数据集来对预训练模型进行迁移学习和参数调整，包括以下步骤：
1、基学习器的设置：
先使用CNN-GRU混合神经网络对源域数据集进行预训练学习各部分参数，再将参数迁移至新基学习器网络参数中；
随后使用目标域数据集再训练，需要对浅层卷积网络和GRU层网络权重进行冻结，然后对深层网络进行训练；
对特定的网络层引入抑制反向传播算法，具体的抑制反向传播算法公式为：
式中，表示前一次计算的梯度值，λ表示抑制参数，且取值范围为(0,1)，l表示学习率，b表示偏置参数，Lg表示第g个损失函数值，Lt表示特定网络层。
2、Tradaboost.R2初始权重设置：
使用KMM算法对源域和目标域的权重初始值进行确定，相当于在Tradaboost.R2算法开始迭代之前，就已经得到了一个较为准确的初始权重，从而降低了模型过拟合的风险。
KMM算法如下所示：
式中，βi表示源域样本数据加权因子，表示源域数据样本，/>表示目标域数据样本，φ(·)是从原始空间到RKHS的映射函数，H表示具有特征核k的再生希尔伯特空间-RKHS空间。
对KMM进行推导：
式中，c表示常数，并且可以进行简化：
其中，通过对上式的简化，最终目标函数的形式为：
3、模型框架构建：
步骤1、确定源域数据集Ds＝{Xs,Ys}，有(xi,yi)∈Ds且i＝1，2，3，…，n；确定目标域数据集Dt＝{Xt,Yt}，有(xj,yj)∈Dt且j＝1，2，3，…，m；将源域数据集和目标域数据集合并T＝Ds∪Dt；
步骤2、设置数据集T初始权重，设置最大迭代次数N，即基学习器个数；其中，对于源域数据集样本权重系数为目标域数据集样本权重系数为/>
步骤3、获取源域权重＝KMM(XS,XT)，其中XS表示源域数据样本，XT表示目标域数据样本；
步骤4、初始化权重向量：
步骤5、源域样本权重更新参数：
步骤6、归一化权重向量：
步骤7、通过模型微调得到基学习器ht，将合并数据集T和T上的权重分布pt带入已有的基学习器模型中训练，得到回归器：ft:X→Y；X表示源域空间，Y表示目标域空间；
步骤8、计算ft在Ttarget上的错误率：
则Dt的整体回归误差为：
步骤9、设置目标域权重更新参数：
βt＝εt/(1-εt)
步骤10、更新源域和目标域训练样本的权重向量：
步骤11、判断迭代次数是否小于N，若小于，则返回步骤6；若大于，则进入步骤12；
步骤12、通过最后N/2个基学习器加权得到锂电池SOH估计模型：
式中，θt表示基学习器的最优参数，αi表示基学习器的学习率。
S5、锂电池SOH估计值输出，同时计算相应评价指标值。
步骤S5中，使用三种回归评价指标：均方误差(Mean Square Error，MSE)，均方根误差(Root Mean Squared Error，RMSE)，平均绝对误差(Mean Absolute Error，MAE)，其计算公式分别如下：
本发明的有益效果在于：本发明采用CNN-GRU的混合神经网络模型，同时通过迁移学习的方式能够提高间接健康因子与SOH间的相关性；此外，在电池训练样本数量较少的情况下，也能够通过采集不同工况或不同类型数据的方式使构建的预估模型精度较高。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1为锂电池评估整体框图；
图2为对输入电池数据的区间选择和重采样示意图；
图3为CNN特征提取模型；
图4为基于CNN-GRU的SOH估计模型示意图；
图5为不同电池组合模型的SOH的估计结果与权重分布；
图6为迁移学习过程中的源域初始权重，图6(a)为实验1源域初始权重，图6(b)为实验2源域初始权重；
图7为基学习器训练过程中的RMSE分布示意图，图7(a)为实验1基学习器训练过程RMSE分布，图7(b)为实验2基学习器训练过程RMSE分布；
图8为实验1～4的SOH估计结果，图8(a)为实验1的SOH估计结果，图8(b)为实验2的SOH估计结果，图8(c)为实验3的SOH估计结果，图8(d)为实验4的SOH估计结果。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
请参阅图1～图8，为一种基于混合神经网络和迁移学习的锂电池健康状态估计方法，该方法步骤包括：
S1、提取电池循环数据并构成特征曲线，对其进行数据预处理，并进行异常值筛选和替换，构成源域数据集；
S2、提取不同类型或不同工况的锂电池数据得到特征曲线数据，构成目标域数据集；
S3、利用源域数据集对CNN-GRU混合神经网络进行预训练得到预训练模型；
S4、将预训练模型作为基学习器，利用Tradaboost.R2算法进行迁移学习构建基于迁移学习的SOH估计模型，同时使用目标域数据集进行训练，从而对样本权重和基学习器权重进行更新；
S5、锂电池SOH估计值输出，同时计算相应评价指标值。
本实施例将结合国家航空航天局公开的锂电池数据集作为原始数据进行对其健康状态评估的研究，该数据集采用的商用锂电池(正极为钴酸锂，负极为石墨材料，额定容量为2Ah)在一系列环境温度(4℃、24℃、43℃)下循环，用通用恒流-恒压(Constantcurrent-Constant voltage，CC-CV)协议和不同的放电方案充电。该数据集包括终端电流、电压和电池温度的周期内测量，以及放电容量和EIS阻抗读数的周期间测量。该数据集以MAT文件格式提供，包含cycle结构体，其中记录了充电、放电和阻抗3种实验类型数据，还包括室温，实验时间，以及data结构体。data结构体记录了当前实验类型下的相关数据，主要包括充放电电压、充放电电流、电池温度、测试时间等。该实验寿命的失效阈值定义为其容量下降到额定容量的70％左右，即表示电池的寿命终止。该实验中，电池的失效阈值被定义为其容量下降到额定容量的70％左右，即表示锂电池寿命达到终止值。这里采用NASA数据集中的B0005、B0006和B0034电池进行电池健康状态的评估，同时选择CALCE电池数据集中的CX2-33、CX2-38、CS2-33和CS2-38进行评估模型的迁移学习样本。
步骤S1中的数据预处理包括四步，第一步是通过NASA锂电池数据集获取电流特征曲线数据、电压特征曲线数据与温度特征曲线数据；
第二步是采用滑动平均法对电池数据集去噪，其核心思想在于，将观测值周围的某n个区域的观测值做算数平均，所求得的算术平均数就可以用来替换该观测值，n为滑动窗口的大小，这里取3，即：
第三步是数据标准化，可以将不同尺度和规格的事物按照一个统一的标准来进行修正，从而消除量纲不同所造成的对结果的影响差异，具体公式为：
通过对数据的每一个维度的值进行重新调节，使得最终的数据向量落在[0,1]区间内。
第四步是对提取的特征曲线进行拟合，拟合三次多项式为
y＝at3+bt2+ct+d
步骤S2中，在CALCE电池数据集中构建目标域数据集，后面用来对预训练好的电池健康状态评估模型进行微调。
步骤S3中，构建CNN-GRU预训练混合神经网络模型主要包括步骤：
1、基于CNN的特征提取设计
将输入电池数据进行区间选择和重采样，如图2所示。通过加权的方式对输入数据单次循环方式和滑动窗口方式组合起来对电池时序特征进行构建，如下式所示：
其中，权重通常根据最近观察到的1个时间点下单个模型的均方预测误差倒数确定权重：
处理后的特征数据输入多层CNN进行特征提取，特征提取模型如图3所示。
将CNN模型拆分后提取的特征重新组合成序列并输出给GRU模型，最后使用GRU模型提取循环特征中所存在的时序特征信息完成锂电池SOH估计，实现了端到端的CNN-GRU的SOH估计结构模型，如图4所示。
将CNN的特征提取模型记为g(·)，模型的序列输入为[t1，t2，…，tm]，其中有：
式中，m表示滑动窗口的大小，ti表示窗口的第i个时刻点数据。对于重新构成的序列输出记为[t1′,t2′,…,tm′]，对于ti′有ti′＝g(ti)，即序列输出为[g(t1),g(t2),…,g(tm)]。将GRU记为f(·)，则最终的SOH估计为：
SOH＝f(g(t1),g(t2),…,g(tm))
最后将模型应用在测试集上并得到对应评价指标，B0005、B0006、B0007电池的SOH估计结果与权重分布如图5所示。
步骤S4中，针对小样本情况，利用构建的目标域数据集来对预训练模型进行迁移学习和参数调整，如下所述：
步骤1、确定源域数据集Ds＝{Xs,Ys}，有(xi,yi)∈Ds且i＝1，2，3，…，n；确定目标域数据集Dt＝{Xt,Yt}，有(xj,yj)∈Dt且j＝1，2，3，…，m；将源域数据集和目标域数据集合并T＝Ds∪Dt；
从NASA锂电池数据集和CALCE数据集中共选取8个电池设计了4组实验，如表1所示，记Ktrain(D)表示数据集D的前20％数据，Ktest(D)表示数据集D的后80％数据，Ds表示源域，Dt表示目标域，Te表示测试集。
表1 4组实验
对同类电池之间的迁移学习使用实验1和实验2进行实验分析。实验1中，B0034和B0005充电条件和外部环境温度相同，B0005放电电流为2A，放电截止电压为2.7V，而B0034放电电流为4A，放电截止电压为2.2V。实验2中，CS2-33和CS2-38充电条件、标称容量和外部环境相同，CS2-33放电电流为0.55A而CS2-38放电电流为1.1A。
对非同类电池之间的迁移学习使用实验3和实验4进行实验分析。实验3，4中，选用非同类(NASA和CALCE电池)互相进行知识迁移以验证算法的有效性。B0006、B0007标称容量为2Ah，放电电流为2A，放电截止电压分别为2.5V，2.2V。CX2-33和CX2-38标称容量为1350mAh，放电电流为0.67A，且放电截止电压均为2.7V。
实验1将B0034电池作为源域数据，使用B0005电池前20％的数据作为目标域数据，余下数据部分作为测试数据。实验2将CS2-38电池作为源域数据，使用CS2-33电池前20％的数据作为目标域数据，余下数据部分作为测试数据。实验3将B0007电池作为源域数据，使用CX2-38电池前20％的数据作为目标域数据，余下数据部分作为测试数据。实验4将CS2-33电池作为源域数据，使用B0006电池前20％的数据作为目标域数据，余下数据部分作为测试数据。
步骤2、初始化参数。设置数据集T初始权重，设置最大迭代次数N，即基学习器个数；其中，对于源域数据集样本权重系数为目标域数据集样本权重系数为/>
步骤3、获取源域权重β＝KMM(XS,XT)，其中XS表示源域数据样本，XT表示目标域数据样本；
步骤4、初始化权重向量：
步骤5、源域样本权重更新参数：
步骤6、归一化权重向量：
对于实验1和实验2，其源域初始权重如图6所示。
步骤7、通过模型微调得到基学习器ht，将合并数据集T和T上的权重分布pt带入已有的基学习器模型中训练，得到回归器：ft:X→Y；X表示源域空间，Y表示目标域空间；
步骤8、计算ft在Ttarget上的错误率：
则Dt的整体回归误差为：
步骤9、设置目标域权重更新参数：
βt＝εt/(1-εt)
步骤10、更新源域和目标域训练样本的权重向量：
步骤11、判断迭代次数是否小于N，若小于，则返回步骤6；若大于，则进入步骤12；
对于实验1和实验2，其基学习器训练过程RMSE如图7所示，图7中可见，基学习器训练过程中，实验1与实验2的RMSE分布均维持在较小值且比较平稳。
步骤12、通过最后N/2个基学习器加权得到锂电池SOH估计模型：
式中，θt表示基学习器的最优参数，αi表示基学习器的学习率。
最终实验结果如图8以及表2所示。
表2实验结果
/>
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于混合神经网络和迁移学习的锂电池健康状态估计方法，其特征在于：该方法包括以下步骤：
S1、提取电池循环数据并构成特征曲线，对其进行数据预处理，并进行异常值筛选和替换，构成源域数据集；
S2、提取不同类型或不同工况的锂电池数据得到特征曲线数据，构成目标域数据集；
S3、利用源域数据集对CNN-GRU混合神经网络进行预训练得到预训练模型；
S4、将预训练模型作为基学习器估计模型，利用Tradaboost.R2算法在目标域数据集训练，从而对样本权重和基学习器权重进行更新；
S5、锂电池SOH估计值输出，同时计算相应评价指标值。
2.根据权利要求1所述的锂电池健康状态估计方法，其特征在于：步骤S1具体为：
获取锂电池恒流充电阶段部分电压区间曲线作为电流特征曲线；获取锂电池恒压充电阶段部分电流区间曲线作为电压特征曲线；获取恒流充电阶段电压起始时间至恒压充电阶段电流下降时段的曲线作为温度特征曲线；
采用滑动平均公式法对提取的特征曲线进行去噪处理；
通过min-max方法对去噪处理后的特征曲线进行归一化；
采用三次多项式对提取的特征曲线进行拟合，对拟合完成后的每条特征曲线以相同采样间隔进行重新采样，得到目标特征，所述目标特征构成源域数据集。
3.根据权利要求1所属的锂电池健康状态估计方法，其特征在于：步骤S2中，在同种类型或相似类型电池数据集上构建目标数据集，在模型微调过程中使用。
4.根据权利要求1所述的锂电池健康状态估计方法，其特征在于：步骤S3中，所述CNN-GRU混合神经网络包括依次连接的CNN卷积模块和GRU卷积模块；所述CNN卷积模块包括2个连续的4层卷积层和最大池化层堆叠，最后堆叠一个全连接层；所述GRU卷积模块包括一层GRU层和全连接层，其中全连接层用于锂电池SOH的估计。
5.根据权利要求1所述的锂电池健康状态估计方法，其特征在于：步骤S3中，对CNN-GRU混合神经网络进行预训练包括：
利用CNN自动提取电池循环数据中的退化信息，通过卷积、池化和激活操作处理输入数据与SOH的非线性关系，提取循环数据中隐藏的特征信息；
采用多层CNN进行特征提取，提高提取特征与SOH之间的相关性。
利用GRU对特征提取模型提取特征建立模型，从退化特征中提取隐藏的时序特征建立特征与SOH映射关系，得到SOH估计模型。
6.根据权利要求1、4或5所述的锂电池健康状态估计方法，其特征在于：CNN-GRU混合神经网络进行锂电池SOH估计时使用均方误差作为损失函数来评估预测误差，其中损失函数如下式：
式中，N表示锂电池数据循环数，SOHi表示第i个数据样本对应的SOH预测值，表示第i个数据样本对应的SOH真实值。
7.根据权利要求1、4或5所述的锂电池健康状态估计方法，其特征在于：CNN-GRU混合神经网络在时序输入上采用组合模型，即单次循环和滑动窗口的不同权重组合方式，综合二者优点实现对容量再生点较准确的SOH估计，有效地学习时序特征；
组合模型SOH估计的计算如下式：
式中，f1(·)表示单次循环CNN-GRU模型，f2(·)表示滑动窗口CNN-GRU模型；wit表示时间t上第i个模型的权重大小；
式中，eij表示时间点j上的预测误差值：
其中，表示第i个模型在时间点j处的预测值，yj表示第j个时间点的真实SOH值。
8.根据权利要求1所述的锂电池健康状态估计方法，其特征在于：步骤S4中，利用Tradaboost.R2算法在目标域数据集上对预训练模型进行迁移学习和参数调整，包括以下步骤：
1)设置基学习器：
先使用CNN-GRU混合神经网络对源域数据集进行预训练学习各部分参数，再将参数迁移至新基学习器网络参数中；
随后使用目标域数据集再训练，需要对浅层卷积网络和GRU层网络权重进行冻结，然后对深层网络进行训练；
2)使用KMM算法对源域和目标域的权重初始值进行确定；
3)构建模型框架：
步骤1、确定源域数据集Ds＝{Xs,Ys}，有(xi,yi)∈Ds且i＝1，2，3，…，n；确定目标域数据集Dt＝{Xt,Yt}，有(xj,yj)∈Dt且j＝1，2，3，…，m；将源域数据集和目标域数据集合并T＝Ds∪Dt；
步骤2、设置数据集T初始权重，设置最大迭代次数N，即基学习器个数；其中，对于源域数据集样本权重系数为目标域数据集样本权重系数为/>
步骤3、获取源域权重＝KMM(XS,XT)，其中XS表示源域数据样本，XT表示目标域数据样本；
步骤4、初始化权重向量：
步骤5、源域样本权重更新参数：
步骤6、归一化权重向量：
步骤7、通过模型微调得到基学习器ht，将合并数据集T和T上的权重分布pt带入已有的基学习器模型中训练，得到回归器：ft:X→Y；X表示源域空间，Y表示目标域空间；
步骤8、计算ft在Ttarget上的错误率：
则Dt的整体回归误差为：
步骤9、设置目标域权重更新参数：
βt＝εt/(1-εt)
步骤10、更新源域和目标域训练样本的权重向量：
步骤11、判断迭代次数是否小于N，若小于，则返回步骤6；若大于，则进入步骤12；
步骤12、通过最后N/2个基学习器加权得到锂电池SOH估计模型：
式中，θt表示基学习器的最优参数，αi表示基学习器的学习率。
9.根据权利要求8所述的锂电池健康状态估计方法，其特征在于：所述KMM算法的计算过程如下：
式中，βi表示源域样本数据加权因子，表示源域数据样本，/>表示目标域数据样本，φ(·)表示从原始空间到RKHS的映射函数，H表示具有特征核k的再生希尔伯特空间-RKHS空间。
10.根据权利要求1所述的锂电池健康状态估计方法，其特征在于：步骤S5中，评价指标包括均方误差、均方根误差和平均绝对误差；
所述均方误差如下式：
所述均方根误差如下式：
所述平均绝对误差如下式：
式中，yi表示锂电池SOH估计值，表示SOH估计值的平均值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310675038.8A CN116679232A (zh) | 2023-06-08 | 2023-06-08 | 基于混合神经网络和迁移学习的锂电池健康状态估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310675038.8A CN116679232A (zh) | 2023-06-08 | 2023-06-08 | 基于混合神经网络和迁移学习的锂电池健康状态估计方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116679232A true CN116679232A (zh) | 2023-09-01 |
Family
ID=87783339
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310675038.8A Pending CN116679232A (zh) | 2023-06-08 | 2023-06-08 | 基于混合神经网络和迁移学习的锂电池健康状态估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116679232A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116973794A (zh) * | 2023-09-06 | 2023-10-31 | 广东工业大学 | 一种基于不完整充电电压曲线重构的锂电池soh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 |
| CN117150918A (zh) * | 2023-09-08 | 2023-12-01 | 南京理工大学 | 一种基于小样本机器学习的高精度疲劳寿命预测方法 |
| 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 |
-
2023
- 2023-06-08 CN CN202310675038.8A patent/CN116679232A/zh active Pending
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116973794A (zh) * | 2023-09-06 | 2023-10-31 | 广东工业大学 | 一种基于不完整充电电压曲线重构的锂电池soh估计方法 |
| CN116973794B (zh) * | 2023-09-06 | 2024-04-19 | 广东工业大学 | 一种基于不完整充电电压曲线重构的锂电池soh估计方法 |
| CN117150918A (zh) * | 2023-09-08 | 2023-12-01 | 南京理工大学 | 一种基于小样本机器学习的高精度疲劳寿命预测方法 |
| 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 |
| 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 |
|---|---|---|
| CN116679232A (zh) | 基于混合神经网络和迁移学习的锂电池健康状态估计方法 | |
| CN111610456B (zh) | 一种区分电池微短路和小容量故障的诊断方法 | |
| CN110146822B (zh) | 一种基于恒流充电过程的车用动力电池容量在线估计方法 | |
| CN110398697B (zh) | 一种基于充电过程的锂离子健康状态估计方法 | |
| 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 | |
| CN111856287B (zh) | 基于堆叠残差因果卷积神经网络的锂电池健康状态检测方法 | |
| CN111965559B (zh) | 一种锂离子电池soh在线估计方法 | |
| CN110658459B (zh) | 基于双向循环神经网络的锂离子电池荷电状态估计方法 | |
| CN113391213B (zh) | 一种基于电池组一致性演变的电池微故障诊断方法 | |
| CN112989690B (zh) | 一种混合动力汽车锂电池多时间尺度荷电状态估计方法 | |
| 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 | |
| CN111458646A (zh) | 一种基于pso-rbf神经网络的锂电池soc估算方法 | |
| CN112163372B (zh) | 一种动力电池的soc估算方法 | |
| CN112782594B (zh) | 考虑内阻的数据驱动算法估算锂电池soc的方法 | |
| CN113901707A (zh) | 一种车用锂离子动力电池soh时间序列预测方法 | |
| CN115994441A (zh) | 基于机理信息的大数据云平台在线电池寿命预测方法 | |
| CN115877232A (zh) | 一种基于卡尔曼滤波的锂离子电池内部温度估计方法 | |
| Lin et al. | Simultaneous and rapid estimation of state of health and state of charge for lithium-ion battery based on response characteristics of load surges | |
| CN115201686A (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 | |
| CN115656848A (zh) | 一种基于容量修正的锂电池soc估算方法 | |
| Hu et al. | State of health estimation for lithium-ion batteries with dynamic time warping and deep kernel learning model | |
| CN114545275A (zh) | 一种锂离子电池剩余使用寿命间接预测方法 | |
| CN116482539A (zh) | 基于多维数据驱动的电池荷电状态估计方法、系统、设备及介质 | |
| CN115684940A (zh) | 一种锂电池健康状态评估方法 | |
| CN115598546A (zh) | 锂离子电池soh、soc和rul的联合估计方法 |
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 |