基于神经网络、迁移集成学习的锂电池健康状态评估方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115015760A(43)申请公布日2022.09.06(21)申请号202210504737.1G06N3/08(2006.01)(22)申请日2022.05.10G06N20/00(2019.01)G06N20/20(2019.01)(71)申请人香港中文大学（深圳）地址518172广东省深圳市龙岗区龙翔大道2001号(72)发明人纪冬旭邢成龙吴国华(74)专利代理机构哈尔滨奥博专利代理事务所(普通合伙)23220专利代理师叶以方(51)Int.Cl.G01R31/367(2019.01)G01R31/378(2019.01)G01R31/392(2019.01)G01R31/396(2019.01)G06N3/04(2006.01)权利要求书2页说明书6页附图1页(54)发明名称基于神经网络、迁移集成学习的锂电池健康状态评估方法(57)摘要基于神经网络、迁移集成学习的锂电池健康状态评估方法，它涉及一种锂电池健康状态评估方法。本发明为了解决现有锂电池健康评估方法由于训练数据集不充分，导致无法获得良好预测精度的问题。本发明的具体步骤为：步骤一、根据现有电池S在完整充放电过程中记录的数据集；步骤二、恒流阶段电压、恒压电流阶段、容量增量和电池与环境的温差作为输入；步骤三、针对新电池T，进行n次充放电过程中并记录其参数数据集；步骤四、迁移学习从数据集充足的电池S学习到的CNN参数模型来帮助训练数据集不足的目标任务电池T；步骤五、利用集成学习将两个CNN‑TL模型结合起来，通过训练生成新的模型CNN‑TL出。本发明属于电池管理技术领域。CN115015760ACN115015760A权利要求书1/2页1.基于神经网络、迁移集成学习的锂电池健康状态评估方法，其特征在于：基于神经网络、迁移集成学习的锂电池健康状态评估方法是通过如下步骤实现的：步骤一、根据现有电池S在完整充放电过程中记录的数据集，将恒流充电阶段的电压、恒压充电阶段的电流、容量增量和电池与环境的温差作为4个健康指标，即训练集中的特征向量，将电池健康状态SOH作为训练集中的标记；步骤二、恒流阶段电压、恒压电流阶段、容量增量和电池与环境的温差作为输入，SOH作为输出，建立卷积神经网络CNN算法模型；CC‑CV充电阶段所提取的电压、电流、温度数据，以及此阶段不同温度下充电容量与未老化容量比值，构建训练样本对所述CNN算法模型进行训练；基于训练好的CNN算法模型估计当前条件下的SOH；步骤三、针对新电池T，进行n次充放电过程中并记录其参数数据集，该数据集仍需包含恒流阶段电压、恒压电流阶段和电池与环境的温差等加上容量增量作为特征向量，并包含电池健康状态SOH作为标记；步骤四、迁移学习从数据集充足的电池S学习到的CNN参数模型来帮助训练数据集不足的目标任务电池T，通过训练迭代生成两个新的CNN‑TL模型；步骤五、利用集成学习将两个CNN‑TL模型结合起来，通过训练生成新的模型CNN‑TL；通过加权平均法则将权重分配给SOH估计的连续输出。2.根据权利要求1所述的基于神经网络、迁移集成学习的锂电池健康状态评估方法，其特征在于：经步骤一的数据集用于对各估计模型训练前，对其进行预处理：电压、电流以及温度直接从数据集中读取，容量增量通过数据集进行微分处理，采用高斯函数对IC数据中的噪声进行滤波，表示为：公式(1)中，Q表示电池容量，V表示电池电压，Ai表示第i个峰的面积，μi表示第i个峰的位置，ωi表示峰的宽度。3.根据权利要求1所述的基于神经网络、迁移集成学习的锂电池健康状态评估方法，其特征在于：步骤二中CNN算法模型具体基于一维深度卷积神经网络建立，建立过程为：步骤A、进行网络层的设置，包括设置网络层数、卷积块形大小、初始化权值和偏置等结构参数和初始参数；步骤B、将训练样本输入到输入层，建立反映输入和输出之间关系的函数F(X|θ)：Y＝F(X|θ)＝f1(···f2(f1(X|θ1)|θ2)···|θ1)(2)，公式(2)中，Y表示网络的输出，X表示网络的输入，f1(·|θ1)表示卷积神经网络各层关于网络参数的关系函数，θ1表示第1层的网络参数；步骤C、设置相应的目标函数，通过误差反向传播算法对卷积核中的权值与偏置参数进行更新：2CN115015760A权利要求书2/2页公式(3)和公式(4)中，G表示目标函数，ωl表示每层卷积核的权值，bl表示每层卷积核的偏置，*表示卷积操作，δl表示卷积神经网络的误差项。4.根据权利要求1所述的基于神经网络、迁移集成学习的锂电池健康状态评估方法，其特征在于：步骤四中源任务电池S和目标任务电池T的参数可以单独描述为：θS＝θ0+vSandθT＝θ0+vT(5)，公式(5)中，θS表示源任务