CN117973442A - 基于混合神经网络的锂离子电池soc估计方法 - Google Patents
基于混合神经网络的锂离子电池soc估计方法 Download PDFInfo
- Publication number
- CN117973442A CN117973442A CN202410381183.XA CN202410381183A CN117973442A CN 117973442 A CN117973442 A CN 117973442A CN 202410381183 A CN202410381183 A CN 202410381183A CN 117973442 A CN117973442 A CN 117973442A
- Authority
- CN
- China
- Prior art keywords
- data
- bilstm
- battery
- network
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 71
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 36
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 36
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 29
- 238000012360 testing method Methods 0.000 claims abstract description 57
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000003062 neural network model Methods 0.000 claims abstract description 21
- 238000010606 normalization Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 23
- 230000002457 bidirectional effect Effects 0.000 claims description 22
- 238000000605 extraction Methods 0.000 claims description 20
- 238000007781 pre-processing Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 8
- 238000013526 transfer learning Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000002452 interceptive effect Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 238000007599 discharging Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000008901 benefit Effects 0.000 claims description 3
- 238000010277 constant-current charging Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000010355 oscillation Effects 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 238000013508 migration Methods 0.000 abstract description 6
- 230000005012 migration Effects 0.000 abstract description 6
- 238000001514 detection method Methods 0.000 abstract description 5
- 230000002787 reinforcement Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 6
- 230000006399 behavior Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000007600 charging Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Landscapes
- Secondary Cells (AREA)
Abstract
本发明涉及一种基于混合神经网络的锂离子电池SOC估计方法，属于锂离子电池管理技术领域。该方法首先获取锂离子电池的外部参数，经归一化处理后分为训练集和测试集。随后，构建混合神经网络模型，该模型结合ResNet残差网络非对称卷积模块和BiLSTM双向长短期记忆网络结构，分别提取电池数据的空域和时域特征，并利用迁移增强学习方法解决小数据集过拟合问题。利用训练集对ResNet‑BiLSTM神经网络模型进行训练，经过训练好的模型对测试集进行检测，模型能够对测试集进行准确检测，输出锂离子电池的SOC估计结果。不仅提高了模型检测精度，还增强了鲁棒性，为锂离子电池管理提供了新的解决方案。
Description
技术领域
本发明涉及锂离子电池管理技术领域，具体为基于混合神经网络的锂离子电池SOC估计方法。
背景技术
随着全球能源危机日益严重，能源短缺和环境污染已成为全球关注的焦点。锂离子电池因其高能量密度和相对较低的污染性，被广泛应用于汽车、家电、手机、数码等各个领域。然而，为了充分发挥锂离子电池的性能并保障其安全使用，高效的电池管理***（BMS）变得至关重要。其中，电池荷电状态（SOC）的准确估计是BMS的核心功能之一。
尽管SOC估计对于电池管理至关重要，但其实现过程却充满了挑战。由于电池内部的化学反应过程难以直接观察，我们只能依赖测量电池的外部参数如电压、电流和温度来估计其SOC值。传统的数学建模方法虽然在一些场景下能够提供一定程度的精度，但在面对复杂的电池行为时，其局限性变得尤为明显。相比之下，数据驱动的方法，特别是基于机器学习的方法，在处理这种复杂性和不确定性时表现出了巨大的潜力。
近年来，针对锂离子电池SOC估计方法的研究已成为学术和工业界的热点。其中，传统的开路电压（OCV）方法虽然具有较高的精度，但要求电池处于开路状态，这在实际使用中几乎是不可能的，因此无法用于在线估计。电流积分法（也称为安时积分法）虽然简单易行，但对电流采集模块的精度要求极高，且长时间积分会引入累积误差，导致精度下降。特定模型方法虽然理论上能够提供更准确的估计，但由于需要获取电池内部的大量参数，而这些参数在实际应用中往往难以准确获取，因此其应用也受到了一定的限制。此外，值得注意的是，当使用基于数据的方法时，小数据集会导致过拟合的问题。这是因为小数据集可能无法充分覆盖电池在各种条件下的行为，从而导致模型在训练集上表现良好，但在测试集或实际应用中性能下降。
因此，针对现有技术的不足，急需一种新型的锂离子电池SOC估计方法，能在有限的数据下实现精确的SOC估计，同时对小数据集也有较好的效果，确保为锂离子电池高效、稳定运行。
发明内容
本发明的目的在于提供一种基于混合神经网络的锂离子电池SOC估计方法，利用混合神经网络模型，结合ResNet残差网络非对称卷积模块和BiLSTM双向长短期记忆网络结构，实现了高精度的SOC估计，为电池管理提供了坚实的数据支撑。同时，通过迁移增强学习方法，有效应对了小数据集带来的过拟合问题，显著提升了模型的泛化能力。此外，利用训练集对ResNet-BiLSTM神经网络模型进行训练，确保了模型能够多维度准确分析电池性能，并提高了网络模型的检测精度和鲁棒性，为锂离子电池的高效、稳定运行提供有力支持。
为实现上述目的，本发明提供的一种基于混合神经网络的锂离子电池SOC估计方法，包括以下步骤：
S1构建整体网络架构ResNet-BiLSTM混合神经网络；
以ResNet残差网络非对称卷积作为输入数据的交互特征提取模块，并使用ResNet残差网络非对称卷积与BiLSTM双向长短期记忆网络构建整体网络架构；
选择ResNet残差网络作为前端网络，ResNet残差网络具有高效的数据特征提取能力和对各种数据预测任务的高模型适用性，选择BiLSTM双向长短期记忆网络结构作为时间特征的提取模块提升充电状态估计的准确性，其由于电池各项数据之间的相关性不够，所以使用BiLSTM双向长短期记忆网络对电池荷电状态估计；并结合两者优点，提出了ResNet-BiLSTM混合神经网络；
S2获取锂离子电池的各项性能数据，构建电池自测数据集，并将获取的数据进行数据预处理；其采用小波变换降噪法对误差数据进行去噪处理；
其中，数据采集模块采集电池关键数据，包括采集时间、温度、电流、电压、内阻；
S3将预处理后的所有数据进行归一化处理；
S4将预处理和归一化的数据按照比例划分为训练数据和测试数据；
S4.1将训练数据送入构建好的ResNet-BiLSTM混合神经网络进行训练，并进行迁移学习；
S4.2利用训练好的ResNet-BiLSTM混合神经网络模型对测试数据进行测试；
S5通过全连接层将SOC的估计结果输出。
优选的，S1步骤中，利用ResNet残差网络卷积模块提取空间特征，结合BiLSTM双向长短期记忆网络结构处理双向时间序列数据，从而有效捕获电池数据集中的时空特征；其具体为以ResNet残差网络非对称卷积作为输入数据的交互特征提取模块，将双向LSTM模型级联到ResNet残差网络非对称卷积之后，将提取出的特征数据送到BiLSTM层对其进行时域特征处理与建模；
ResNet-BiLSTM混合神经网络模型，具体包括：
S3.1输入层，其将获取到的电池数据按照时间顺序进行输入；
S3.2ResNet Asymmetric Convolution Layer Conv残差非对称卷积层，卷积模块是由残差卷积模块为基础，并将ResNet残差网络中第二个原本为3×3的卷积核替换为两个大小为1×3和3×1的卷积核；其中使用非对称卷积替换后不仅减少了卷积层的参数量和计算量，还不需要增加额外的推理时间；
S3.3BiLSTM层，其 BiLSTM模块应用在卷积层之后，BiLSTM由两层隐藏单元为64的LSTM层组成，BiLSTM模块主要提取经过卷积后的时序特征，其中如果考虑电池的单向信息，电池各项数据之间必须有相关性，所以使用BiLSTM对电池荷电状态估计；
BiLSTM层，其 BiLSTM模块应用在卷积层之后，LSTM的算法公式如下：
遗忘门：
输入门：
输出门：
其中xt为t时刻的输入，Ct-1为t-1时刻的单元状态，ht-1为t-1时刻的隐藏层状态，σ为sigmoid函数；ft是Ct-1的权值，范围是0~1，当ft=1时表示“完全保留”，ft=0时代表“完全忘记”，Wf、Wi、Wc、Wo为权重矩阵；bf、bi、bc、bo为偏置参数。
优选的，S2步骤中，电池自测数据集采用LANHE-CT2001A电池测试硬件平台对电池进行测试，测试方案为先将被测电池静置三分钟，然后以1C速率进行恒流充电直至电压上限，再将电池静置三分钟，然后以1C速率进行恒流放电直至电池完全放电；测试中的环境温度为25℃，静置过程中每一分钟记录一次电池检测数据，充放电过程中每20秒进行一次记录。
优选的，S2步骤中，将马里兰大学的公开数据集和自测的数据集统一进行数据预处理，其获取锂离子电池的各项性能数据中，由于电池测试平台的噪声误差以及电池本身的化学属性，会导致测试数据中的谷底和谷峰电压值震荡程度大，为了保证数据集的准确性和一致性，所以将获取的数据进行数据预处理步骤中，采用小波变换降噪法对误差数据进行去噪处理；
小波变换降噪法中的小波基函数如下：
其中，为一平方可积函数，a0为尺度因子反映了小波函数的宽度大小和幅值变化，j=0,±1,±2…，/>为平移因子，反映了小波函数在时间轴上的平移位置。
优选的，S3步骤具体为：将马里兰大学的公开数据集和自测的数据集去噪处理后统一进行归一化；
由于电池的SOC值的范围在0-1之间，而电压、电流、温度值在数据集中的取值范围各不相同，为了保证训练的准确性和高效性，需要对所输入的各项数值进行归一化处理，归一化方法采用线性归一化；
数据归一化的公式如下：
其中，是标准化数据，/>是原始数据；/>和/>表示原始数据的最大值和最小值；归一化后，所有输入值的范围均在0-1之间。
优选的，S4.1步骤具体为：
将马里兰大学的公开数据集输入至构建好的ResNet-BiLSTM混合神经网络模型中进行训练，数据输入为时序数据，训练轮次为500轮，初始学习率为 0.001，训练批大小为128，权重衰减为0.0005；
进行迁移学习，在目标网络上使用自测数据集进行训练时，先载入预训练中的权重文件以及模型超参数，保持特征提取层的参数共享，并对全连接层进行微调，以适应目标任务和自测数据集。
优选的，S4.2步骤具体为：
根据测试结果不断的调整训练参数，优化ResNet-BiLSTM混合神经网络模型，最终使ResNet-BiLSTM混合神经网络模型达到最佳效果，并保留每层结构的网络参数；
在自测数据集中进行训练和验证，再次进行不断优化和调整模型参数，保留最优的模型参数。
优选的，S5的步骤具体为：
将BiLSTM双向长短期记忆网络的输出数据输入到全连接层中，全连接层有128个隐藏节点， 激活函数为ReLU，最后输出模型估计电池的SOC值；其中，ReLU为线性整流激活函数，具有稀疏性，减少了参数计算量，同时提高了收敛速度。
本发明的有益效果：
（1）本发明通过引入ResNet-BiLSTM混合神经网络模型，特别是结合ResNet残差网络的非对称卷积模块和BiLSTM双向长短期记忆网络结构，能够更全面地捕捉电池数据的空间和时间特征，以解决传统方法中时空特征耦合性被忽略的问题，从而实现了高精度的SOC估计。这相比于传统的数学建模方法，能够更好地应对电池行为的复杂性和不确定性，提高了估计的准确性和可靠性。其次，利用迁移增强学习方法，有效地解决了小数据集带来的过拟合问题。通过迁移学习，模型能够利用在其他任务或数据集上学到的知识，来辅助当前任务的训练，从而提高了模型的泛化能力和鲁棒性。这对于实际应用中电池数据集有限的情况尤为重要，能够确保模型在各种条件下都能保持稳定的性能。
（2）本发明通过训练集对ResNet-BiLSTM混合神经网络模型进行训练，确保了模型能够多维度准确分析电池性能。这不仅可以提高模型的检测精度，还能够为电池管理提供更全面、深入的数据支撑，有助于优化电池的使用和维护策略，延长电池的使用寿命。
（3）本发明的SOC的估计方法结果通过全连接层输出，这种方法有助于减轻梯度消失问题，提高了网络的训练效率和特征提取能力。与此同时，采用迁移学习方式解决有些电池数据集的数据量过少和容易过拟合的问题，并结合ResNet-BiLSTM混合神经网络，实现了锂离子电池SOC的高精度估计，并有效应对了小数据集带来的挑战，提高了模型的泛化能力，扩展模型的适用范围，从而提高电池管理的效率和安全性，促进锂离子电池的广泛应用。
附图说明
图1是本发明的一种实施例的***整体流程示意图；
图2是本发明的一种实施例的网络结构框架流程图；
图3是本发明的一种实施例的ResNet残差网络卷积中改进的ResNet残差网络非对称卷积特征提取模块的结构示意图；
图4是本发明的一种实施例的迁移学习方法的示意图；
图5是本分明的一种实施例中在公开数据集上，SOC估计结果及估计误差与现有算法的SOC估计结果及估计误差对比图；
图6是本分明的一种实施例中在自测数据集上，SOC估计结果及估计误差与现有算法的SOC估计结果及估计误差对比图。
具体实施方式
为了使本发明实现的技术手段、创造特征与达成功效易于理解，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进一步清楚、完整地描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
本发明通过SOC估计***中的数据采集模块采集电池关键数据，包括采集时间、电压、电流、温度、内阻之后，利用ResNet残差网络的非对称卷积模块和双向LSTM模块对采集的电池数据进行空域和时域联合特征提取并进行SOC估计，这提高了估计的准确率。
本发明的基于混合神经网络的锂离子电池SOC估计方法及***，首先利用ResNet残差网络的残差连接来提取电池数据集中的空间特征，ResNet残差网络的残差连接允许网络学***均池化后、发送到BiLSTM层，使用BiLSTM双向长短期记忆网络在时域对数据进行处理和建模，构成ResNet-BiLSTM混合神经网络。通过全连接层将SOC的估计结果输出，这种方法有助于减轻梯度消失问题，提高了网络的训练效率和特征提取能力。与此同时，其采用迁移学习方式解决有些电池数据集的数据量过少和容易过拟合的问题，提高模型的泛化能力、扩展模型的适用范围。
实施例2
本发明提供的一种基于混合神经网络的锂离子电池SOC估计方法，如图1所示，包括以下步骤：
S1构建整体网络架构ResNet-BiLSTM混合神经网络；
以ResNet残差网络非对称卷积作为输入数据的交互特征提取模块，并使用ResNet残差网络非对称卷积与BiLSTM双向长短期记忆网络构建整体网络架构；
选择ResNet残差网络作为前端网络，ResNet残差网络具有高效的数据特征提取能力和对各种数据预测任务的高模型适用性，选择BiLSTM双向长短期记忆网络结构作为时间特征的提取模块提升充电状态估计的准确性，其由于电池各项数据之间的相关性不够，所以使用BiLSTM双向长短期记忆网络对电池荷电状态估计；并结合两者优点，提出了ResNet-BiLSTM混合神经网络。
利用ResNet残差网络卷积模块提取空间特征，结合BiLSTM双向长短期记忆网络结构处理双向时间序列数据，从而有效捕获电池数据集中的时空特征；其具体为以ResNet残差网络非对称卷积作为输入数据的交互特征提取模块，将双向LSTM模型级联到ResNet残差网络非对称卷积之后，将提取出的特征数据送到BiLSTM层对其进行时域特征处理与建模。
如图2所示，构建ResNet-BiLSTM混合神经网络模型，具体包括：
S3.1输入层，其将获取到的电池数据按照时间顺序进行输入；
S3.2ResNet Asymmetric Convolution Layer Conv残差非对称卷积层，卷积模块是由残差卷积模块为基础，并将ResNet残差网络中第二个原本为3×3的卷积核替换为两个大小为1×3和3×1的卷积核；其中使用非对称卷积替换后不仅减少了卷积层的参数量和计算量，还不需要增加额外的推理时间；残差非对称卷积的模型结果如图3所示。
S3.3BiLSTM层，其 BiLSTM模块应用在卷积层之后，BiLSTM由两层隐藏单元为64的LSTM层组成，BiLSTM模块主要提取经过卷积后的时序特征，其中如果考虑电池的单向信息，电池各项数据之间必须有相关性，所以使用BiLSTM对电池荷电状态估计；
BiLSTM层，如图2所示，其 BiLSTM模块应用在卷积层之后，LSTM的算法公式如下：
遗忘门：
输入门：
输出门：
其中xt为t时刻的输入，Ct-1为t-1时刻的单元状态，ht-1为t-1时刻的隐藏层状态，σ为sigmoid函数；ft是Ct-1的权值，范围是0~1，当ft=1时表示“完全保留”，ft=0时代表“完全忘记”，Wf、Wi、Wc、Wo为权重矩阵；bf、bi、bc、bo为偏置参数。
S2获取锂离子电池的各项性能数据，构建电池自测数据集，并将获取的数据进行数据预处理；其采用小波变换降噪法对误差数据进行去噪处理；
其中，数据采集模块采集电池关键数据，包括采集时间、温度、电流、电压、内阻；
其采用小波变换降噪法对误差数据进行去噪处理，小波变换降噪法中的小波基函数如下：
其中，为一平方可积函数，a0为尺度因子反映了小波函数的宽度大小和幅值变化，j=0,±1,±2…，/>为平移因子，反映了小波函数在时间轴上的平移位置。
S3将预处理后的所有数据进行归一化处理。
S4将预处理和归一化的数据按照比例划分为训练数据和测试数据。
S4.1将训练数据送入构建好的ResNet-BiLSTM混合神经网络进行训练，并进行迁移学习。
S4.2利用训练好的ResNet-BiLSTM混合神经网络模型对测试数据进行测试。
S5通过全连接层将SOC的估计结果输出。
将BiLSTM双向长短期记忆网络的输出数据输入到全连接层中，全连接层有128个隐藏节点， 激活函数为ReLU，最后输出模型估计电池的SOC值；其中，ReLU为线性整流激活函数，具有稀疏性，减少了参数计算量，同时提高了收敛速度。
实施例3
基于实施例1的ResNet-BiLSTM混合神经网络模型，进行迁移学习过程，如图5所示，包括如下步骤：
S1：构建电池自测数据集，自测数据集采用LANHE-CT2001A电池测试硬件平台对电池进行测试，测试方案为先将被测电池静置三分钟，然后以1C速率进行恒流充电直至电压上限，再将电池静置三分钟，然后以1C速率进行恒流放电直至电池完全放电。测试中的环境温度为25℃，静置过程中每一分钟记录一次电池检测数据，充放电过程中每20秒进行一次记录；
S2：将马里兰大学的公开数据集和实验室自测的数据集统一进行数据预处理和归一化，并按照比例划分为训练集和验证集；
S3：将马里兰大学的公开数据集输入至构建好的ResNet-BiLSTM混合神经网络模型中进行训练，数据输入为时序数据，训练轮次为500轮，初始学习率为 0.001，训练批大小为 128，权重衰减为0.0005；
S4：对训练出来的模型进行测试，根据测试结果不断的调整训练参数，优化ResNet-BiLSTM混合神经网络模型，最终使ResNet-BiLSTM混合神经网络模型达到最佳效果，并保留每层结构的网络参数。
S5：进行迁移学习，在目标网络上使用自测数据集进行训练时，先载入预训练中的权重文件以及模型超参数，保持特征提取层的参数共享，并对全连接层进行微调，以适应目标任务和自测数据集。迁移学习的参数共享过程如图4所示；
S6：然后，本实施例在自测数据集中进行训练和验证。再次进行不断优化和调整模型参数，保留最优的模型参数。迁移学习前后的实验结果图如图6所示；
S7：验证本发明的网络模型泛化能力，并且考虑到电池在实际使用情况中很少会以0%和100%的SOC值进行充放电。因此在本实施例中，使用25℃下自测数据集中的80%SOC起始值放电数据集和50%SOC起始值放电数据集进行实验验证。实验结果图如图6所示。
上述两个实施例的实验硬件平台为：CPU为AMD Ryzen 9 5900X，GPU为NVIDIAGeForce RTX 3080Ti，操作***为Ubuntu18.04。实验环境为：基于Pytorch 1.9.1的CUDA11.2和CUDNN 8.2.0。
综上，本发明针对SOC预测中各个数据之间的强关联性，考虑时域和空域特征提取的不同特点，提出了一种新的混合方法，即使用非对称卷积的ResNet-BiLSTM混合神经网络来估计锂离子电池的荷电状态，并创新性地将ResNet残差网络非对称卷积模块与BiLSTM双向长短期记忆网络结合起来。该方法对于其他模型中存在的精度低、结构复杂、空域特征信息捕捉不足、时域信息难以记录、泛化能力弱等问题进行了解决。同时，针对不同类型的锂离子电池的SOC预测提出使用迁移学习方法去解决小数据集的数据量小模型容易过拟合的问题，并且进一步验证了所提模型的泛化能力，其网络模型性能相较于迁移学习之前得到了显著提升。进一步验证了模型的泛化能力，在SOC起始值为80%和50%的情况下进行实验，并提高了网络模型的检测精度、鲁棒性和泛化能力，具有较强的适用性，为锂离子电池的高效、稳定运行提供有力支持。
以上实施例仅用以说明本发明的技术方案，而非对其进行限制；尽管参照前述实施例对本发明进行了详细的说明，对于本领域的普通技术人员来说，依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明所要求保护的技术方案的精神和范围。
Claims (8)
1.基于混合神经网络的锂离子电池SOC估计方法，其特征在于，包括以下步骤：
S1构建整体网络架构ResNet-BiLSTM混合神经网络；
以ResNet残差网络非对称卷积作为输入数据的交互特征提取模块，并使用ResNet残差网络非对称卷积与BiLSTM双向长短期记忆网络构建整体网络架构；选择ResNet残差网络作为前端网络，ResNet残差网络具有高效的数据特征提取能力和对各种数据预测任务的高模型适用性，选择BiLSTM双向长短期记忆网络结构作为时间特征的提取模块提升充电状态估计的准确性，其由于电池各项数据之间的相关性不够，所以使用BiLSTM双向长短期记忆网络对电池荷电状态估计；并结合两者优点，提出了ResNet-BiLSTM混合神经网络；
S2获取锂离子电池的各项性能数据，构建电池自测数据集，并将获取的数据进行数据预处理；其采用小波变换降噪法对误差数据进行去噪处理；
其中，数据采集模块采集电池关键数据，包括采集时间、温度、电流、电压、内阻；
S3将预处理后的所有数据进行归一化处理；
S4将预处理和归一化的数据按照比例划分为训练数据和测试数据；
S4.1将训练数据送入已构建的ResNet-BiLSTM混合神经网络进行训练，并进行迁移学习；
S4.2利用已训练的ResNet-BiLSTM混合神经网络模型对测试数据进行测试；
S5通过全连接层将SOC的估计结果输出。
2.根据权利要求1所述的基于混合神经网络的锂离子电池SOC估计方法，其特征在于，所述S1步骤中，利用ResNet残差网络卷积模块提取空间特征，结合BiLSTM双向长短期记忆网络处理双向时间序列数据，从而有效捕获电池数据集中的时空特征；其具体为以ResNet残差网络非对称卷积作为输入数据的交互特征提取模块，将双向LSTM模型级联到ResNet残差网络非对称卷积之后，将提取出的特征数据送到BiLSTM层对其进行时域特征处理与建模；
所述ResNet-BiLSTM混合神经网络，具体包括：
S3.1输入层，其将获取到的电池数据按照时间顺序进行输入；
S3.2ResNet Asymmetric Convolution Layer Conv残差非对称卷积层，卷积模块是由残差卷积模块为基础，并将ResNet残差网络中第二个原本为3×3的卷积核替换为两个大小为1×3和3×1的卷积核；其中使用非对称卷积替换后不仅减少了卷积层的参数量和计算量，还不需要增加额外的推理时间；
S3.3BiLSTM层，其 BiLSTM模块应用在卷积层之后，BiLSTM由两层隐藏单元为64的LSTM层组成，所述BiLSTM模块主要提取经过卷积后的时序特征，其中如果考虑电池的单向信息，电池各项数据之间必须有相关性，所以使用BiLSTM对电池荷电状态估计；
所述BiLSTM层，其 BiLSTM模块应用在卷积层之后，LSTM的算法公式如下：
遗忘门：
输入门：
输出门：
其中xt为t时刻的输入，Ct-1为t-1时刻的单元状态，ht-1为t-1时刻的隐藏层状态，σ为sigmoid函数；ft是Ct-1的权值，范围是0~1，当ft=1时表示“完全保留”，ft=0时代表“完全忘记”，Wf、Wi、Wc、Wo为权重矩阵；bf、bi、bc、bo为偏置参数。
3.根据权利要求1所述的基于混合神经网络的锂离子电池SOC估计方法，其特征在于，所述S2步骤中，所述电池自测数据集采用LANHE-CT2001A电池测试硬件平台对电池进行测试，测试方案为先将被测电池静置三分钟，然后以1C速率进行恒流充电直至电压上限，再将电池静置三分钟，然后以1C速率进行恒流放电直至电池完全放电；测试中的环境温度为25℃，静置过程中每一分钟记录一次电池检测数据，充放电过程中每20秒进行一次记录。
4.根据权利要求1所述的基于混合神经网络的锂离子电池SOC估计方法，其特征在于，所述S2步骤中，将马里兰大学的公开数据集和自测的数据集统一进行数据预处理，其获取锂离子电池的各项性能数据中，由于电池测试平台的噪声误差以及电池本身的化学属性，会导致测试数据中的谷底和谷峰电压值震荡程度大，为了保证数据集的准确性和一致性，所以将获取的数据进行数据预处理步骤中，采用小波变换降噪法对误差数据进行去噪处理；
所述小波变换降噪法中的小波基函数如下：
其中，为一平方可积函数，a0为尺度因子反映了小波函数的宽度大小和幅值变化，j=0,±1,±2…，/>为平移因子，反映了小波函数在时间轴上的平移位置。
5.根据权利要求1所述的基于混合神经网络的锂离子电池SOC估计方法，其特征在于，所述S3步骤具体为：将马里兰大学的公开数据集和自测的数据集去噪处理后统一进行归一化；
由于电池的SOC值的范围在0-1之间，而电压、电流、温度值在数据集中的取值范围各不相同，为了保证训练的准确性和高效性，需要对所输入的各项数值进行归一化处理，归一化方法采用线性归一化；
所述数据归一化的公式如下：
其中，是标准化数据，/>是原始数据；/>和/>表示原始数据的最大值和最小值；归一化后，所有输入值的范围均在0-1之间。
6.根据权利要求1所述的基于混合神经网络的锂离子电池SOC估计方法，其特征在于，S4.1步骤具体为：
将马里兰大学的公开数据集输入至已构建的ResNet-BiLSTM混合神经网络模型中进行训练，数据输入为时序数据，训练轮次为500轮，初始学习率为 0.001，训练批大小为 128，权重衰减为0.0005；
进行迁移学习，在目标网络上使用自测数据集进行训练时，先载入预训练中的权重文件以及模型超参数，保持特征提取层的参数共享，并对全连接层进行微调，以适应目标任务和自测数据集。
7.根据权利要求1所述的基于混合神经网络的锂离子电池SOC估计方法，其特征在于，S4.2步骤具体为：
根据测试结果不断的调整训练参数，优化ResNet-BiLSTM混合神经网络模型，最终使ResNet-BiLSTM混合神经网络模型达到最佳效果，并保留每层结构的网络参数；
在自测数据集中进行训练和验证，再次进行不断优化和调整模型参数，保留最优的模型参数。
8.根据权利要求1所述的基于混合神经网络的锂离子电池SOC估计方法，其特征在于，S5的步骤具体为：
将BiLSTM双向长短期记忆网络的输出数据输入到全连接层中，全连接层有128个隐藏节点， 激活函数为ReLU，最后输出模型估计电池的SOC值；其中，ReLU为线性整流激活函数，具有稀疏性，减少了参数计算量，同时提高了收敛速度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410381183.XA CN117973442A (zh) | 2024-04-01 | 2024-04-01 | 基于混合神经网络的锂离子电池soc估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410381183.XA CN117973442A (zh) | 2024-04-01 | 2024-04-01 | 基于混合神经网络的锂离子电池soc估计方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117973442A true CN117973442A (zh) | 2024-05-03 |
Family
ID=90853392
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410381183.XA Pending CN117973442A (zh) | 2024-04-01 | 2024-04-01 | 基于混合神经网络的锂离子电池soc估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117973442A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114325450A (zh) * | 2022-01-11 | 2022-04-12 | 青岛科技大学 | 基于CNN-BiLSTM-AT混合模型的锂离子电池健康状态预测方法 |
| 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 |
| CN115526860A (zh) * | 2022-09-29 | 2022-12-27 | 浙江求是半导体设备有限公司 | 电池片缺陷检测方法、装置、计算机设备及可读存储介质 |
| CN115657600A (zh) * | 2022-11-02 | 2023-01-31 | 重庆大学 | Cnn-blrnet热误差预测模型及其迁移学习方法和智能集成框架 |
| US20230039900A1 (en) * | 2021-08-07 | 2023-02-09 | Fuzhou University | Method for realizing a multi-channel convolutional recurrent neural network eeg emotion recognition model using transfer learning |
| CN116796623A (zh) * | 2023-03-28 | 2023-09-22 | 上海玫克生储能科技有限公司 | 锂电池soc的预测方法、***、设备和介质 |
| CN117709396A (zh) * | 2023-12-15 | 2024-03-15 | 烟台大学 | 一种锂离子电池能量状态预测方法 |
| CN117789037A (zh) * | 2024-02-19 | 2024-03-29 | 北京市农林科学院智能装备技术研究中心 | 作物生长期预测方法及装置 |
-
2024
- 2024-04-01 CN CN202410381183.XA patent/CN117973442A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20230039900A1 (en) * | 2021-08-07 | 2023-02-09 | Fuzhou University | Method for realizing a multi-channel convolutional recurrent neural network eeg emotion recognition model using transfer learning |
| 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 |
| CN114325450A (zh) * | 2022-01-11 | 2022-04-12 | 青岛科技大学 | 基于CNN-BiLSTM-AT混合模型的锂离子电池健康状态预测方法 |
| CN115526860A (zh) * | 2022-09-29 | 2022-12-27 | 浙江求是半导体设备有限公司 | 电池片缺陷检测方法、装置、计算机设备及可读存储介质 |
| CN115657600A (zh) * | 2022-11-02 | 2023-01-31 | 重庆大学 | Cnn-blrnet热误差预测模型及其迁移学习方法和智能集成框架 |
| CN116796623A (zh) * | 2023-03-28 | 2023-09-22 | 上海玫克生储能科技有限公司 | 锂电池soc的预测方法、***、设备和介质 |
| CN117709396A (zh) * | 2023-12-15 | 2024-03-15 | 烟台大学 | 一种锂离子电池能量状态预测方法 |
| CN117789037A (zh) * | 2024-02-19 | 2024-03-29 | 北京市农林科学院智能装备技术研究中心 | 作物生长期预测方法及装置 |
Non-Patent Citations (6)
| Title |
|---|
| 朱成杰: "基于BiLSTM神经网络的锂电池SOH快速估计研究", 《无线互联科技》, 25 October 2022 (2022-10-25) * |
| 李林等: "基于BiLSTM-MhSa-ResNet的储能电站SOC预测", 《电子设计工程》, 17 November 2023 (2023-11-17) * |
| 王义: "基于BiLSTM神经网络的锂电池SOH估计与RUL预测", 《电子测量技术》, 25 November 2021 (2021-11-25) * |
| 王景景: "Frequency Control Strategy of Energy Storage System Based on SOC under Distributed Photovoltaic Intensive Access", 《IEEE》, 1 September 2020 (2020-09-01) * |
| 王鹏凯: "基于ResNet-Bi-LSTM-Attention的锂离子电池剩余使用寿命预测", 《储能科学与技术》, 12 January 2023 (2023-01-12) * |
| 谭越;邹福泰;: "基于ResNet和BiLSTM的僵尸网络检测方法", 《通信技术》, no. 12, 10 December 2019 (2019-12-10) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Remaining useful life prediction for lithium-ion batteries based on a hybrid model combining the long short-term memory and Elman neural networks | |
| Liu et al. | State-of-health estimation of lithium-ion batteries based on electrochemical impedance spectroscopy: a review | |
| Khan et al. | Batteries state of health estimation via efficient neural networks with multiple channel charging profiles | |
| CN106908736B (zh) | 锂电池剩余寿命预测方法 | |
| Saha et al. | Uncertainty management for diagnostics and prognostics of batteries using Bayesian techniques | |
| Zhou et al. | Battery health prognosis using improved temporal convolutional network modeling | |
| CN113406521B (zh) | 一种基于特征分析的锂电池健康状态在线估计方法 | |
| Bhalaji et al. | Remaining Useful Life (RUL) estimation of lead acid battery using bayesian approach | |
| Su et al. | Prediction of remaining useful life for lithium-ion battery with multiple health indicators | |
| CN115366683A (zh) | 一种新能源汽车动力电池多维模型融合的故障诊断策略 | |
| CN111257753A (zh) | 一种电池***故障诊断方法 | |
| CN113608140A (zh) | 一种电池故障诊断方法及*** | |
| Wang et al. | A remaining useful life prediction model based on hybrid long-short sequences for engines | |
| DIng et al. | Li-ion battery health estimation based on multi-layer characteristic fusion and deep learning | |
| CN116298936A (zh) | 在不完全电压范围内的锂离子电池智能健康状态预测方法 | |
| CN114578234A (zh) | 一种考虑因果性特征的锂离子电池退化与容量预测模型 | |
| Liu et al. | State of health estimation of lithium-ion batteries based on multi-feature extraction and temporal convolutional network | |
| Zhang et al. | Remaining useful life prediction of lithium-ion batteries based on TCN-DCN fusion model combined with IRRS filtering | |
| CN112749474A (zh) | 一种基于多尺度集成回归模型的锂电池剩余寿命预测方法 | |
| Niu et al. | Fault diagnosis and prognosis based on deep belief network and particle filtering | |
| CN117973442A (zh) | 基于混合神经网络的锂离子电池soc估计方法 | |
| CN115792631A (zh) | 一种结合小波变换和卷积神经网络的锂电池soh预测方法 | |
| CN115481796A (zh) | 基于贝叶斯混合神经网络的电池剩余使用寿命预测方法 | |
| Cui et al. | An Online State of Health Estimation Method for Lithium-Ion Battery Based on ICA and TPA-LSTM | |
| CN117686921B (zh) | 检测电池内短路的方法和***及计算设备 |
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 |