CN113536676A - 基于特征迁移学习的锂电池健康状况监测方法 - Google Patents

基于特征迁移学习的锂电池健康状况监测方法 Download PDF

Info

Publication number
CN113536676A
CN113536676A CN202110801474.6A CN202110801474A CN113536676A CN 113536676 A CN113536676 A CN 113536676A CN 202110801474 A CN202110801474 A CN 202110801474A CN 113536676 A CN113536676 A CN 113536676A
Authority
CN
China
Prior art keywords
data
lithium battery
domain
representing
layer
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
CN202110801474.6A
Other languages
English (en)
Other versions
CN113536676B (zh
Inventor
李鹏华
程艺
侯杰
陈丰伟
俞成浦
孙健
周桐
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.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
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 Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202110801474.6A priority Critical patent/CN113536676B/zh
Publication of CN113536676A publication Critical patent/CN113536676A/zh
Application granted granted Critical
Publication of CN113536676B publication Critical patent/CN113536676B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/045—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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
    • H01M10/4257—Smart batteries, e.g. electronic circuits inside the housing of the cells or batteries
    • 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
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
    • H01M2010/4271—Battery management systems including electronic circuits, e.g. control of current or voltage to keep battery in healthy state, cell balancing
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
    • H01M2010/4278—Systems for data transfer from batteries, e.g. transfer of battery parameters to a controller, data transferred between battery controller and main controller
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Secondary Cells (AREA)
  • Tests Of Electric Status Of Batteries (AREA)

Abstract

本发明涉及一种基于特征迁移学习的锂电池健康状况监测方法，属于电池管理技术领域。该方法包括以下步骤：S1：基于特征迁移学习混合模型的构建；S2：基于特征迁移学习混合模型的应用。针对在缺少锂电池训练数据情况下，神经网络监测锂电池健康状况效果不佳的问题，研究基于特征迁移学习的锂电池健康状况监测方法。以神经网络模型为对象，设计CNN‑BILSTM串联混合模型，实现空间特征以及双向时间依赖关系的提取；以锂电池数据的特征空间为对象，研究特征迁移学习算法，通过迁移其他数据集的特征知识用于模型训练，实现在缺少训练数据情况下，训练信息的弥补。

Description

基于特征迁移学习的锂电池健康状况监测方法
技术领域
本发明属于电池管理技术领域，涉及基于特征迁移学习的锂电池健康状况监测方法。
背景技术
锂电池健康状况监测一直是当下的研究热点，包括健康状态(SOH)估计和剩余使用寿命(RUL)预测。在过去的十年中，已经开发了大量基于模型和数据驱动的方法用于锂电池的健康状况监测。基于模型的方法通过分析锂电池的机理，构建物理模型，以进行健康状况监测，包括电化学模型、等效电路模型和经验模型。但是，由于电池不确定的工况和复杂的内部机理，目前没有可靠的模型可以准确描述锂电池的健康行为。
相较于基于模型的方法，基于数据驱动的健康状况监测方法直接从电池老化试验中采集的数据入手，进行数据挖掘和分析与电池健康状态相关的信息，从而实现电池健康状况估算。其中，神经网络(ANN)由于灵活性强且不需要了解电池的工作原理受到了众多研究人员的青睐。例如，研究人员将电压、电流和温度输送到三层神经网络，用于SOH估计。在之后的研究中，模型的选择逐渐从浅层ANN过渡到深层ANN，以实现更优的估计精度，包括卷积神经网络(CNN),循环神经网络(RNN)和长短期记忆神经网络(LSTM)。然而，这些模型在处理时间序列信息时，仍存在一些缺陷。例如，当LSTM网络记忆时间序列的长短期依赖关系时，防止反向误差信息快速衰减的CEC(Constant ErrorCarousel)并没有被控制，导致LSTM难以学习到基本信息，影响网络性能。针对这个问题，研究人员改进LSTM的拓扑结构，得到长期的主动状态跟踪-短期记忆神经网络(AST-LSTM神经网络)的预测框架，以进行SOH估计与RUL预测，并取得优于LSTM的估计精度。同时，由于基于LSTM、AST-LSTM、CNN、或RNN的组合框架可进一步提升神经网络模型的性能，因此组合框架也在锂电池健康状况监测中得到广泛的运用。
然而，上述神经网络方法显示出良好结果的前提是需要充足的锂电池数据进行训练。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。但是，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，还需要花费大量的时间。在实际的工况中，通常难以得到足够的数据用于神经网络模型的训练。因此，如何在缺少训练数据集的情况下取得良好的精度是采用ANN进行锂电池健康状态监测的迫切问题。
发明内容
有鉴于此，本发明的目的在于提供一种基于特征迁移学习的锂电池健康状况监测方法。
为达到上述目的，本发明提供如下技术方案：
基于特征迁移学习的锂电池健康状况监测方法，该方法包括以下步骤：
S1：基于特征迁移学习混合模型的构建；
S2：基于特征迁移学习混合模型的应用。
可选的，所述S1包括以下步骤：
S11：电池数据特征提取；
针对一维锂电池序列特点，以1d-CNN为特征提取器，用于提取源域与目标域电池数据的有效特征；对于第n层(n∈1,2,...N)CNN模型，令
Figure BDA0003164742600000021
与
Figure BDA0003164742600000022
表示一维卷积层的输入数据与输出特征，U1代表锂电池输入数据；其中Z与V分别代表数据的样本数与通道数；第n层卷积核
Figure BDA0003164742600000023
的个数为
Figure BDA0003164742600000024
第n层卷积神经网络的输出为：
Figure BDA0003164742600000025
其中，σ代表激活函数；
Figure BDA0003164742600000026
代表卷积核的大小；
Figure BDA0003164742600000027
代表第n层卷积第cj卷积核的偏置，
Figure BDA0003164742600000028
代表卷积核元素的位置坐标；
Figure BDA0003164742600000029
代表提取特征的位置坐标；表示γ代表卷积步长大小；经过n层卷积过后，输入最大池化层，具体公式如下所示：
Figure BDA00031647426000000210
其中，
Figure BDA00031647426000000211
代表池化输出，它也可代表n+1层卷积的输入；d代表池化步长；
Figure BDA00031647426000000212
代表池化输出坐标；
Figure BDA00031647426000000213
代表池化核大小；
当提取源域数据特征时，
Figure BDA00031647426000000214
当提取目标域数据特征时，
Figure BDA00031647426000000215
其中，
Figure BDA00031647426000000216
与
Figure BDA00031647426000000217
分别是源域与目标域的输入样本，并且源域与目标域的输入样本类型，样本长度，即通道数V与数据长度Z需保持一致；最终得到源域数据特征
Figure BDA00031647426000000218
目标域数据特征
Figure BDA00031647426000000219
S12：特征MMD值计算；
令源域电池数据特征
Figure BDA00031647426000000220
的特征点数为ns，目标域电池数据特征
Figure BDA00031647426000000221
的特征点数为nt；最大均值差异MMD是迁移学习中的重要参数，可有效衡量两个域特征之间的分布差异；当MMD＝0时，代表两个域特征的分布相同；反之，MMD值越大，代表分布差异也就越大；源域与目标域之间MMD的定义为两域数据点在再生核希尔伯特空间RKHS的RKHS距离；其定义公式为
Figure BDA0003164742600000031
其中，xS与xT分别代表源域与目标域特征的数据点，φ(·)代表将数据映射到RKHS非线性函数；Hk代表RKHS；φ(·)无法确定，根据核技巧k(xS,xT)＝<φ(xS),φ(xT)>，公式(3)等价于：
Figure BDA0003164742600000032
其中，k被定义为m个核{ku}的凸组合，公式为：
Figure BDA0003164742600000033
在公式(5)中，βu为超参数；得到源域与目标域的MMD值为：
Figure BDA0003164742600000034
其中，核{ku}被定义为高斯核；
S13：源域目标域损失函数计算；
从CNN输出的源域与目标域特征值在计算MMD的同时，并输送进BILSTM网络中，用以得到源域与目标域电池数据的预测值；对于第l层BI-LSTM神经网络，l∈1,2,...L，令
Figure BDA0003164742600000035
代表t时刻的输入，|·|代表维度运算符；
Figure BDA0003164742600000036
代表第l层BILSTM模块在t-1时刻的输出，其中，E是神经元数；显而易见，ul+1,t＝hl,t；一个BILSTM模块包含一个前向层以及一个反向层；t时刻第l层BILSTM的前向层输出
Figure BDA0003164742600000037
为：
Figure BDA0003164742600000038
其中，
Figure BDA0003164742600000041
定义了非线性函数，代表LSTM算法；
t时刻第l层BILSTM的反向层输出
Figure BDA0003164742600000042
表示为：
Figure BDA0003164742600000043
t时刻第l层BILSTM的输出为：
Figure BDA0003164742600000044
其中，η(·)表示非线性函数，用于合并前反向层的输出；
最后，L层BILSTM神经网络的输出
Figure BDA0003164742600000045
为：
yL+1＝wL+1hL,t (10)
其中，
Figure BDA0003164742600000046
代表全连接层的权重；
对于运用L层BILSTM神经网络得到源域预测值，即
Figure BDA0003164742600000047
得到预测值
Figure BDA0003164742600000048
当预测目标域数据时，
Figure BDA0003164742600000049
得到预测值
Figure BDA00031647426000000410
令源域数据的真实值为yS，目标域数据的真实值为yT；得到源域与目标域数据的损失函数分别为
Figure BDA00031647426000000411
与
Figure BDA00031647426000000412
S14：损失函数组合；
根据源域与目标域特征计算出的MMD值以及BILSTM得到的源域与目标域损失函数，基于特征迁移的神经网络模型损失函数如下所示：
Figure BDA00031647426000000413
其中，λ代表超参数。
可选的，所述S2包括以下步骤：
根据目标锂电池数据集以及所选择的源域电池数据集，利用基于特征迁移的CNN-BILSTM混合神经网络模型实现锂电池的健康状态监测，即SOH估计与RUL预测；
SOH估计问题表示为：
Figure BDA00031647426000000414
其中，
Figure BDA00031647426000000415
代表基于迁移学习的CNN-BILSTM模型，C0代表目标锂电池的额定容量；pt代表估计开始时的循环数，即pt之前的循环数据用于网络训练，pt之后的数据用于网络估计；ps代表源域数据截止循环数，即ps之前的源域数据用于迁移；
Figure BDA0003164742600000051
代表目标锂电池第pt+i循环的电压V，电流I和采样时间t；SOHT,pt+i代表第pt+i循环的SOH估计值；第
Figure BDA0003164742600000052
代表目标锂电池第pt个充放电循环的历史容量；
Figure BDA0003164742600000053
代表提供源域数据集锂电池第ps个充放电循环的电压V，电流I、采样时间t；
Figure BDA0003164742600000054
代表已知的第ps个充放电循环历史容量；wSOH代表训练完成后得到的神经网络权值；
Figure BDA0003164742600000055
代表网络损失函数；
对于RUL预测问题，锂电池寿命终止时的容量值为C0×70％，qeol代表容量值达到C0×70％的循环次数，则RUL的定义为：
RUL＝qeol-qt (13)
其中，qt代表预测开始时的循环次数；当运用基于迁移学习的CNN-BILSTM模型预测出锂电池寿命终止容量值时，就可得到qeol，从而计算出RUL：
Figure BDA0003164742600000056
其中，0≤i≤qeol-qt,0≤jT≤qt-sw,0≤js≤qs-sw，qs代表选择qs循环之前的源域数据集进行迁移；sw代表滑动窗口大小，
Figure BDA0003164742600000057
代表目标锂电池第qt+i循环的容量；
Figure BDA0003164742600000058
代表提供源域数据集锂电池第sw+js循环的容量；wRUL代表用于预测RUL的神经网络权重。
本发明的有益效果在于：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特征迁移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，以一维卷积神经网络(CNN)和双向长短期记忆神经网络(BILSTM)为基础模型，构建满足SOH、RUL任务的组合神经网络，并将特征迁移学习方法融入进组合神经网络模型中，通过特征迁移学习算法，打破传统神经网络方法中训练与测试数据必须同分布的假设，将来自其他数据集的相关特征知识迁移到组合神经网络模型中，弥补由于训练集不足而带来的信息缺失，实现基于有限数据集的高精度锂电池健康状况监测。
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为基于特征迁移学习的CNN-BILSTM神经网络***。
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。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
针对在缺少锂电池训练数据情况下，神经网络监测锂电池健康状况效果不佳的问题，研究基于特征迁移学习的锂电池健康状况监测方法。以神经网络模型为对象，设计CNN-BILSTM串联混合模型，实现空间特征以及双向时间依赖关系的提取；以锂电池数据的特征空间为对象，研究特征迁移学习算法，通过迁移其他数据集的特征知识用于模型训练，实现在缺少训练数据情况下，训练信息的弥补。
1)基于特征迁移学习混合模型的构建
基于特征迁移学习的锂电池健康状况监测***，如图1所示。在该***中，将与测试集同分布，但数据量较少的锂电池数据集称为目标域数据集；将与测试集不同分布，但含有大量训练数据的电池数据集称为源域数据集。源域数据与目标域数据被同时输送进CNN模型中，以提取源域与目标域特征。为量化两个数据集特征的分布差异，计算出两个数据集特征的最大均值差异(MMD)。同时，将源域特征与目标域特征输入BILSTM神经网络中，分别得到源域与目标域的损失函数。最后，结合两个损失函数与MMD值得到最终的神经网络损失函数。经过训练之后，源域提取特征的分布将与目标域特征分布一致，从而源域特征能够被用于目标域的训练，实现源域数据特征的迁移。该***主要包括电池数据的特征提取、特征MMD值计算、源域目标域损失函数计算和损失函数组合。
①电池数据特征提取
针对一维锂电池序列特点，以1d-CNN为特征提取器，用于提取源域与目标域电池数据的有效特征。对于第n层(n∈1,2,...N)CNN模型，令
Figure BDA0003164742600000071
与
Figure BDA0003164742600000072
表示一维卷积层的输入数据与输出特征，U1代表锂电池输入数据。其中Z与V分别代表数据的样本数与通道数。第n层卷积核
Figure BDA0003164742600000073
的个数为
Figure BDA0003164742600000074
基于此，第n层卷积神经网络的输出为：
Figure BDA0003164742600000075
其中，σ代表激活函数；
Figure BDA0003164742600000076
代表卷积核的大小。
Figure BDA0003164742600000077
代表第n层卷积第cj卷积核的偏置，
Figure BDA0003164742600000078
代表卷积核元素的位置坐标；
Figure BDA0003164742600000079
代表提取特征的位置坐标；表示γ代表卷积步长大小。经过n层卷积过后，输入最大池化层，具体公式如下所示：
Figure BDA00031647426000000710
其中，
Figure BDA00031647426000000711
代表池化输出，它也可代表n+1层卷积的输入；d代表池化步长；
Figure BDA00031647426000000712
代表池化输出坐标。
Figure BDA00031647426000000713
代表池化核大小。
因此，当提取源域数据特征时，
Figure BDA00031647426000000714
当提取目标域数据特征时，
Figure BDA00031647426000000715
其中，
Figure BDA00031647426000000716
与
Figure BDA00031647426000000717
分别是源域与目标域的输入样本，并且源域与目标域的输入样本类型，样本长度，即通道数V与数据长度Z需保持一致。最终得到源域数据特征
Figure BDA00031647426000000718
目标域数据特征
Figure BDA00031647426000000719
②特征MMD值计算
令源域电池数据特征
Figure BDA00031647426000000720
的特征点数为ns，目标域电池数据特征
Figure BDA00031647426000000721
的特征点数为nt。最大均值差异(MMD)是迁移学习中的重要参数，可有效衡量两个域特征之间的分布差异。当MMD＝0时，代表两个域特征的分布相同。反之，MMD值越大，代表分布差异也就越大。源域与目标域之间MMD的定义为两域数据点在再生核希尔伯特空间(RKHS)的RKHS距离。其定义公式为
Figure BDA0003164742600000081
其中，xS与xT分别代表源域与目标域特征的数据点，φ(·)代表将数据映射到RKHS非线性函数。Hk代表RKHS。由于φ(·)无法确定，根据核技巧k(xS,xT)＝<φ(xS),φ(xT)>，公式(3)等价于：
Figure BDA0003164742600000082
其中，k被定义为m个核{ku}的凸组合，公式为：
Figure BDA0003164742600000083
在公式(5)中，βu为超参数。因此，得到源域与目标域的MMD值为：
Figure BDA0003164742600000084
其中，核{ku}被定义为高斯核。
③源域目标域损失函数计算
从CNN输出的源域与目标域特征值在计算MMD的同时，并输送进BILSTM网络中，用以得到源域与目标域电池数据的预测值。对于第l层(l∈1,2,...L)BI-LSTM神经网络，令
Figure BDA0003164742600000085
代表t时刻的输入，其中，|·|代表维度运算符。
Figure BDA0003164742600000086
代表第l层BILSTM模块在t-1时刻的输出，其中，E是神经元数。显而易见，ul+1,t＝hl,t。同时，一个BILSTM模块包含一个前向层以及一个反向层。t时刻第l层BILSTM的前向层输出
Figure BDA0003164742600000087
为：
Figure BDA0003164742600000088
其中，
Figure BDA0003164742600000089
定义了非线性函数，代表LSTM算法。
同理，t时刻第l层BILSTM的反向层输出
Figure BDA0003164742600000091
可表示为：
Figure BDA0003164742600000092
因此，t时刻第l层BILSTM的输出为：
Figure BDA0003164742600000093
其中，η(·)表示非线性函数，用于合并前反向层的输出。
最后，L层BILSTM神经网络的输出
Figure BDA0003164742600000094
为：
yL+1＝wL+1hL,t (10)
其中，
Figure BDA0003164742600000095
代表全连接层的权重
对于运用L层BILSTM神经网络得到源域预测值，即
Figure BDA0003164742600000096
得到预测值
Figure BDA0003164742600000097
同理，当预测目标域数据时，
Figure BDA0003164742600000098
得到预测值
Figure BDA0003164742600000099
令源域数据的真实值为yS，目标域数据的真实值为yT.因此可得到源域与目标域数据的损失函数分别为
Figure BDA00031647426000000910
与
Figure BDA00031647426000000911
④损失函数组合
根据源域与目标域特征计算出的MMD值以及BILSTM得到的源域与目标域损失函数，基于特征迁移的神经网络模型损失函数如下所示：
Figure BDA00031647426000000912
其中，λ代表超参数。
2)基于特征迁移学习混合模型的应用
针对训练数据量不足的目标锂电池，可选择其他锂电池数据集(例如美国国家航空航天局(NASA)、马里兰(CALCE)以及自采数据集等)作为源域数据集。根据目标锂电池数据集以及所选择的源域电池数据集，可利用基于特征迁移的CNN-BILSTM混合神经网络模型实现锂电池的健康状态监测，即SOH估计与RUL预测。
SOH估计问题可表示为：
Figure BDA00031647426000000913
其中，
Figure BDA00031647426000000914
代表基于迁移学习的CNN-BILSTM模型，C0代表目标锂电池的额定容量。pt代表估计开始时的循环数，即pt之前的循环数据用于网络训练，pt之后的数据用于网络估计。ps代表源域数据截止循环数，即ps之前的源域数据用于迁移。
Figure BDA0003164742600000101
代表目标锂电池第pt+i循环的电压(V)，电流(I)和采样时间(t)。SOHT,pt+i代表第pt+i循环的SOH估计值。第
Figure BDA0003164742600000102
代表目标锂电池第pt个充放电循环的历史容量。
Figure BDA0003164742600000103
代表提供源域数据集锂电池第ps个充放电循环的电压(V)，电流(I)、采样时间(t)。
Figure BDA0003164742600000104
代表已知的第ps个充放电循环历史容量。wSOH代表训练完成后得到的神经网络权值。
Figure BDA0003164742600000105
代表网络损失函数。
对于RUL预测问题，锂电池寿命终止时的容量值为C0×70％，qeol代表容量值达到C0×70％的循环次数，则RUL的定义为：
RUL＝qeol-qt (13)
其中，qt代表预测开始时的循环次数。当运用基于迁移学习的CNN-BILSTM模型预测出锂电池寿命终止容量值时，就可得到qeol，从而计算出RUL：
Figure BDA0003164742600000106
其中，(0≤i≤qeol-qt,0≤jT≤qt-sw,0≤js≤qs-sw)，qs代表选择qs循环之前的源域数据集进行迁移。sw代表滑动窗口大小，
Figure BDA0003164742600000107
代表目标锂电池第qt+i循环的容量。
Figure BDA0003164742600000108
代表提供源域数据集锂电池第sw+js循环的容量。wRUL代表用于预测RUL的神经网络权重。
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 (3)

1.基于特征迁移学习的锂电池健康状况监测方法，其特征在于：该方法包括以下步骤：
S1：基于特征迁移学习混合模型的构建；
S2：基于特征迁移学习混合模型的应用。
2.根据权利要求1所述的基于特征迁移学习的锂电池健康状况监测方法，其特征在于：所述S1包括以下步骤：
S11：电池数据特征提取；
针对一维锂电池序列特点，以1d-CNN为特征提取器，用于提取源域与目标域电池数据的有效特征；对于第n层(n∈1,2,...N)CNN模型，令
Figure FDA0003164742590000011
与
Figure FDA0003164742590000012
表示一维卷积层的输入数据与输出特征，U1代表锂电池输入数据；其中Z与V分别代表数据的样本数与通道数；第n层卷积核
Figure FDA0003164742590000013
的个数为
Figure FDA0003164742590000014
第n层卷积神经网络的输出为：
Figure FDA0003164742590000015
其中，σ代表激活函数；
Figure FDA0003164742590000016
代表卷积核的大小；
Figure FDA0003164742590000017
代表第n层卷积第cj卷积核的偏置，
Figure FDA0003164742590000018
代表卷积核元素的位置坐标；
Figure FDA0003164742590000019
代表提取特征的位置坐标；表示γ代表卷积步长大小；经过n层卷积过后，输入最大池化层，具体公式如下所示：
Figure FDA00031647425900000110
其中，
Figure FDA00031647425900000111
代表池化输出，它也可代表n+1层卷积的输入；d代表池化步长；
Figure FDA00031647425900000112
代表池化输出坐标；
Figure FDA00031647425900000113
代表池化核大小；
当提取源域数据特征时，
Figure FDA00031647425900000114
当提取目标域数据特征时，
Figure FDA00031647425900000115
其中，
Figure FDA00031647425900000116
与
Figure FDA00031647425900000117
分别是源域与目标域的输入样本，并且源域与目标域的输入样本类型，样本长度，即通道数V与数据长度Z需保持一致；最终得到源域数据特征
Figure FDA00031647425900000118
目标域数据特征
Figure FDA00031647425900000119
S12：特征MMD值计算；
令源域电池数据特征
Figure FDA00031647425900000120
的特征点数为ns，目标域电池数据特征
Figure FDA00031647425900000121
的特征点数为nt；最大均值差异MMD是迁移学习中的重要参数，可有效衡量两个域特征之间的分布差异；当MMD＝0时，代表两个域特征的分布相同；反之，MMD值越大，代表分布差异也就越大；源域与目标域之间MMD的定义为两域数据点在再生核希尔伯特空间RKHS的RKHS距离；其定义公式为
Figure FDA0003164742590000021
其中，xS与xT分别代表源域与目标域特征的数据点，φ(·)代表将数据映射到RKHS非线性函数；Hk代表RKHS；φ(·)无法确定，根据核技巧k(xS,xT)＝<φ(xS),φ(xT)>，公式(3)等价于：
Figure FDA0003164742590000022
其中，k被定义为m个核{ku}的凸组合，公式为：
Figure FDA0003164742590000023
在公式(5)中，βu为超参数；得到源域与目标域的MMD值为：
Figure FDA0003164742590000024
其中，核{ku}被定义为高斯核；
S13：源域目标域损失函数计算；
从CNN输出的源域与目标域特征值在计算MMD的同时，并输送进BILSTM网络中，用以得到源域与目标域电池数据的预测值；对于第l层BI-LSTM神经网络，l∈1,2,...L，令
Figure FDA0003164742590000025
代表t时刻的输入，|·|代表维度运算符；
Figure FDA0003164742590000026
代表第l层BILSTM模块在t-1时刻的输出，其中，E是神经元数；显而易见，ul+1,t＝hl,t；一个BILSTM模块包含一个前向层以及一个反向层；t时刻第l层BILSTM的前向层输出
Figure FDA0003164742590000027
为：
Figure FDA0003164742590000028
其中，
Figure FDA0003164742590000029
定义了非线性函数，代表LSTM算法；
t时刻第l层BILSTM的反向层输出
Figure FDA00031647425900000210
表示为：
Figure FDA0003164742590000031
t时刻第l层BILSTM的输出为：
Figure FDA0003164742590000032
其中，η(·)表示非线性函数，用于合并前反向层的输出；
最后，L层BILSTM神经网络的输出
Figure FDA0003164742590000033
为：
yL+1＝wL+1hL,t (10)
其中，
Figure FDA0003164742590000034
代表全连接层的权重；
对于运用L层BILSTM神经网络得到源域预测值，即
Figure FDA0003164742590000035
得到预测值
Figure FDA0003164742590000036
当预测目标域数据时，
Figure FDA0003164742590000037
得到预测值
Figure FDA0003164742590000038
令源域数据的真实值为yS，目标域数据的真实值为yT；得到源域与目标域数据的损失函数分别为
Figure FDA0003164742590000039
与
Figure FDA00031647425900000310
S14：损失函数组合；
根据源域与目标域特征计算出的MMD值以及BILSTM得到的源域与目标域损失函数，基于特征迁移的神经网络模型损失函数如下所示：
Figure FDA00031647425900000311
其中，λ代表超参数。
3.根据权利要求2所述的基于特征迁移学习的锂电池健康状况监测方法，其特征在于：所述S2包括以下步骤：
根据目标锂电池数据集以及所选择的源域电池数据集，利用基于特征迁移的CNN-BILSTM混合神经网络模型实现锂电池的健康状态监测，即SOH估计与RUL预测；
SOH估计问题表示为：
Figure FDA00031647425900000312
其中，
Figure FDA00031647425900000313
代表基于迁移学习的CNN-BILSTM模型，C0代表目标锂电池的额定容量；pt代表估计开始时的循环数，即pt之前的循环数据用于网络训练，pt之后的数据用于网络估计；ps代表源域数据截止循环数，即ps之前的源域数据用于迁移；
Figure FDA0003164742590000041
代表目标锂电池第pt+i循环的电压V，电流I和采样时间t；SOHT,pt+i代表第pt+i循环的SOH估计值；第
Figure FDA0003164742590000042
代表目标锂电池第pt个充放电循环的历史容量；
Figure FDA0003164742590000043
代表提供源域数据集锂电池第ps个充放电循环的电压V，电流I、采样时间t；
Figure FDA0003164742590000044
代表已知的第ps个充放电循环历史容量；wSOH代表训练完成后得到的神经网络权值；
Figure FDA0003164742590000045
代表网络损失函数；
对于RUL预测问题，锂电池寿命终止时的容量值为C0×70％，qeol代表容量值达到C0×70％的循环次数，则RUL的定义为：
RUL＝qeol-qt (13)
其中，qt代表预测开始时的循环次数；当运用基于迁移学习的CNN-BILSTM模型预测出锂电池寿命终止容量值时，就可得到qeol，从而计算出RUL：
Figure FDA0003164742590000046
其中，0≤i≤qeol-qt,0≤jT≤qt-sw,0≤js≤qs-sw，qs代表选择qs循环之前的源域数据集进行迁移；sw代表滑动窗口大小，
Figure FDA0003164742590000047
代表目标锂电池第qt+i循环的容量；
Figure FDA0003164742590000048
代表提供源域数据集锂电池第sw+js循环的容量；wRUL代表用于预测RUL的神经网络权重。
CN202110801474.6A 2021-07-15 2021-07-15 基于特征迁移学习的锂电池健康状况监测方法 Active CN113536676B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110801474.6A CN113536676B (zh) 2021-07-15 2021-07-15 基于特征迁移学习的锂电池健康状况监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110801474.6A CN113536676B (zh) 2021-07-15 2021-07-15 基于特征迁移学习的锂电池健康状况监测方法

Publications (2)

Publication Number Publication Date
CN113536676A true CN113536676A (zh) 2021-10-22
CN113536676B CN113536676B (zh) 2022-09-27

Family

ID=78099538

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110801474.6A Active CN113536676B (zh) 2021-07-15 2021-07-15 基于特征迁移学习的锂电池健康状况监测方法

Country Status (1)

Country Link
CN (1) CN113536676B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114553315A (zh) * 2022-02-28 2022-05-27 常州北邮新一代信息技术研究院有限公司 基于CNN-biRNN的光纤非线性均衡方法及***
CN114580262A (zh) * 2021-11-18 2022-06-03 吉林大学 一种锂离子电池健康状态估计方法
CN114966436A (zh) * 2022-01-06 2022-08-30 湖北理工学院 锂电池荷电状态预测方法、装置、设备及可读存储介质
CN115015760A (zh) * 2022-05-10 2022-09-06 香港中文大学（深圳） 基于神经网络、迁移集成学习的锂电池健康状态评估方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111227823A (zh) * 2020-01-13 2020-06-05 北京邮电大学 具有时域特性的一维特征信号处理方法、装置以及***
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
CN111722139A (zh) * 2020-06-29 2020-09-29 重庆邮电大学 基于可微连续映射的锂电池健康监测模型自学习方法
CN112347697A (zh) * 2020-11-10 2021-02-09 上海交通大学 基于机器学习筛选锂硫电池中最佳载体材料的方法及***
CN112734002A (zh) * 2020-12-28 2021-04-30 北京航空航天大学 一种基于数据层和模型层联合迁移学习的寿命预测方法
CN113094985A (zh) * 2021-03-31 2021-07-09 电子科技大学 一种基于交叉流形嵌入迁移学习的电池soh预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111227823A (zh) * 2020-01-13 2020-06-05 北京邮电大学 具有时域特性的一维特征信号处理方法、装置以及***
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
CN111722139A (zh) * 2020-06-29 2020-09-29 重庆邮电大学 基于可微连续映射的锂电池健康监测模型自学习方法
CN112347697A (zh) * 2020-11-10 2021-02-09 上海交通大学 基于机器学习筛选锂硫电池中最佳载体材料的方法及***
CN112734002A (zh) * 2020-12-28 2021-04-30 北京航空航天大学 一种基于数据层和模型层联合迁移学习的寿命预测方法
CN113094985A (zh) * 2021-03-31 2021-07-09 电子科技大学 一种基于交叉流形嵌入迁移学习的电池soh预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
NOMAN KHAN: "Batteries State of Health Estimation via Efficient Neural Networks With Multiple Channel Charging Profiles", 《 IEEE ACCESS》, vol. 9, 13 January 2021 (2021-01-13), pages 7797 - 7807 *
王斐: "基于LSTM神经网络的锂电池SOH预测研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, 15 February 2021 (2021-02-15), pages 042 - 2095 *
王泽平: "基于深度神经网络的锂离子电池剩余使用寿命预测方法研究", 《万方学位论文》, 1 July 2021 (2021-07-01), pages 4 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114580262A (zh) * 2021-11-18 2022-06-03 吉林大学 一种锂离子电池健康状态估计方法
CN114966436A (zh) * 2022-01-06 2022-08-30 湖北理工学院 锂电池荷电状态预测方法、装置、设备及可读存储介质
CN114553315A (zh) * 2022-02-28 2022-05-27 常州北邮新一代信息技术研究院有限公司 基于CNN-biRNN的光纤非线性均衡方法及***
CN114553315B (zh) * 2022-02-28 2023-07-18 常州京信新一代信息技术研究院有限公司 基于CNN-biRNN的光纤非线性均衡方法及***
CN115015760A (zh) * 2022-05-10 2022-09-06 香港中文大学（深圳） 基于神经网络、迁移集成学习的锂电池健康状态评估方法

Also Published As

Publication number Publication date
CN113536676B (zh) 2022-09-27

Similar Documents

Publication Publication Date Title
CN113536676B (zh) 基于特征迁移学习的锂电池健康状况监测方法
Zhao et al. Elman neural network using ant colony optimization algorithm for estimating of state of charge of lithium-ion battery
CN113777496B (zh) 基于时间卷积神经网络的锂离子电池剩余寿命预测方法
CN111443294B (zh) 一种锂离子电池剩余寿命间接预测方法及装置
Yang et al. State-of-charge estimation of lithium-ion batteries based on gated recurrent neural network
CN110660478A (zh) 一种基于迁移学习的癌症图像预测判别方法和***
CN109001640B (zh) 一种动力电池的数据处理方法和装置
Chen et al. An overview of data-driven battery health estimation technology for battery management system
Zhou et al. Battery health prognosis using improved temporal convolutional network modeling
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
CN110045292A (zh) 基于大数据和bp神经网络的锂离子电池SOC预测方法
CN112380773A (zh) 一种基于迁移学习的燃料电池退化预测方法、装置、设备
CN108009585B (zh) 基于局部信息融合的铅酸电池健康状态预测方法
Huang et al. A comprehensively optimized lithium-ion battery state-of-health estimator based on Local Coulomb Counting Curve
CN115201686B (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
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***
Shi et al. A fast state-of-health estimation method using single linear feature for lithium-ion batteries
CN115308608A (zh) 一种全钒液流电池电压预测方法、装置及介质
Das et al. Electric vehicle battery capacity degradation and health estimation using machine-learning techniques: A review
Li et al. Enhancing real-time degradation prediction of lithium-ion battery: A digital twin framework with CNN-LSTM-attention model
CN113093014B (zh) 一种基于阻抗参数的soh与soc的在线协同估计方法及***
CN116047314B (zh) 一种可充电电池健康状态预测方法
Song et al. Capacity estimation method of lithium-ion batteries based on deep convolution neural network
CN116224085A (zh) 一种基于数据驱动的锂电池健康状态评估方法
Zhang et al. A Fusion Method to Estimate the State-of-Health of Lithium-ion Batteries

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