基于掩码表征的锂电池健康状态变工况迁移预测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115856653A(43)申请公布日2023.03.28(21)申请号202211613530.4(22)申请日2022.12.15(71)申请人浙江大学地址310058浙江省杭州市西湖区余杭塘路866号(72)发明人赵春晖王一航(74)专利代理机构杭州求是专利事务所有限公司33200专利代理师邱启旺(51)Int.Cl.G01R31/378(2019.01)G01R31/392(2019.01)权利要求书1页说明书7页附图2页(54)发明名称基于掩码表征的锂电池健康状态变工况迁移预测方法(57)摘要本发明公开了一种基于掩码表征的锂电池健康状态变工况迁移预测方法，将待预测电池当前充放电循环数据输入至锂电池健康状态预测模型得到健康状态预测结果；锂电池健康状态预测模型是将源域的无标签充放电数据进行掩码重构，将提取到的特征进行降维后和手动提取的蕴含丰富信息的特征进行近似，从两方面引导网络学习到最具代表性的特征。然后丢弃后面的解码器，增加全连接层进行健康状态的预测任务，并且利用目标域的少量数据进行微调，以此解决锂电池健康状态预测任务中源域数据无标签的迁移学习问题。本方法创新性地引入掩码重构和手动特征近似两方面对无标签的充放电数据进行特征提取，很好地解决了变工况的自监督锂电池健康状态预测问题。CN115856653ACN115856653A权利要求书1/1页1.基于掩码表征的锂电池健康状态变工况迁移预测方法，其特征在于，具体为：将待预测电池当前充放电循环数据输入至训练好的锂电池健康状态预测模型，锂电池健康状态预测模型输出得到待预测电池当前的锂电池健康状态预测结果；其中，所述锂电池健康状态预测模型由自监督掩码表征的特征提取器和全连接层组成，通过以收集的第一训练数据集的每一样本作为输入，以最小化模型输出的锂电池健康状态预测值与标签的误差为目标训练获得；所述自监督掩码表征的特征提取器是以特征提取器作为编码器，构建结构为编码器‑解码器的掩码特征近似网络，再以收集的第二训练数据集的每一样本作为掩码特征近似网络输入，以最小化解码器输出的重构数据与真实数据的误差、编码器输出的特征与对应的手动特征的误差为目标进行训练得到的；所述第一训练数据集的每一样本包含充放电循环数据和锂电池健康状态标签，其中充放电循环数据的工况与待预测电池的充放电循环数据的工况相同；所述第二训练数据集的每一样本包含掩码的充放电循环数据和对应的手动特征，其中充放电循环数据的工况与待预测电池的充放电循环数据的工况不同，掩码比例λ∈[0，1]，0代表全部不掩码，1代表全部掩码，手动特征为恒流充电的时长、恒压充电的时长、恒压充电开始前电压曲线的斜率、面积、基于增量容量曲线提取的特征中的一种或多种。2.根据权利要求1所述的方法，其特征在于，所述自监督掩码表征的特征提取器由并行的双向门控单元模块和卷积神经网络模块组成。3.根据权利要求1所述的方法，其特征在于，所述解码器由并行的门控单元、反卷积层和全连接层组成。4.根据权利要求1所述的方法，其特征在于，所述以最小化解码器输出的重构数据与真实数据的误差、编码器输出的特征与对应的手动特征的误差为目标具体表示为：其中，表示编码器输出的特征hi与对应的手动特征zi的误差，表示解码器输出的重构数据与真实数据xi的误差，α和β为两部分损失函数的权重，Wh和bh代表线性层的权重和偏置，下标i表示第i个样本，n代表第二训练数据集总样本数。5.根据权利要求1所述的方法，其特征在于，所述充放电循环数据包括电压、电流、温度数据中的一种或多种。6.根据权利要求1所述的方法，其特征在于，所述基于增量容量曲线提取的特征为增量容量曲线上两个波峰和一个波谷的电压值和dQ/值。7.根据权利要求1所述的方法，其特征在于，掩码的方式包括将部分片段置零或者添加高斯白噪声。8.根据权利要求1所述的方法，其特征在于，所述以收集的第一训练数据集的每一样本作为输入，以最小化模型输出的锂电池健康状态预测值与标签的误差为目标训练的过程中，全连接层的学习率大于特征提取器。2CN115856653A说明书1/7页基于掩码表征的锂电池健康状态变工况迁移预测方法技术领域[0001]本发明属于锂电池健康状态预测领域，尤其涉及基于变工况的自监督预测方法。背景技术[0002]近年来，锂离子电池因其高能量密度、低自放电率、高电压、长寿命周期以及更高的可靠性被广泛使用，其带来的安全问题不容小觑。作为保障安全性的主要手段之一，锂电池的健康状态(Stateofhealth,SOH)管理受到越来越多的关注。SOH作为一种评估电池老化程度的指标，反映了电池实际容量与标称容量的衰减比率，一个全新电池的SOH值为100％。随着电池的不断使用，SOH会逐渐下降。