基于神经网络、迁移集成学习的锂电池健康状态评估方法

技术特征：
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，a
i
表示第i个峰的面积，μ
i
表示第i个峰的位置，ω
i
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：
公式(3)和公式(4)中，g表示目标函数，ω
l
表示每层卷积核的权值，b
l
表示每层卷积核的偏置，*表示卷积操作，δ
l
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：θ
s
＝θ0 v
s
andθ
t
＝θ0 v
t (5)，公式(5)中，θ
s
表示源任务参数，θ
t
表示目标任务参数，θ0表示源任务向目标任务传递的通用参数，v
s
表示与源任务相关的参数，v
t
表示与目标任务相关的参数；步骤四的具体流程如下：使用数据{x
s
,z
s
}对cnn模型进行训练，其中x
s
表示特征值，即his，z
s
表示训练中的标签，即soh；预先训练的参数θ
s
表示通过cnn训练已学习到的参数，通过最小化估计的均方根误差rmse得到预训练的参数：s.t.z
^s
(i)＝θ
s
·
x
s
(i)＝(θ0 v
s
)
·
x
s
(i)(7)，公式(6)和(7)中，z
^s
(i)是z
s
(i)的估计值，θ0来自源任务的参数θ
s
，z
s
(i)表示源数据集的soh，x
s
(i)表示源任务中选取的特征值。5.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：步骤五中将两个独立的cnn-tl模型合并为cnn-tl-el模型，两个独立的cnn-tl模型的输出可以描述为：将一个权值向量赋给输出，最终结果为：y
^t
＝β
t
·
z
^t
ꢀꢀ
(8)，公式(8)中，y
^t
表示cnn-tl-el模型的输出值，z
^t
表示包含了两个独立cnn-tl子模型预测值的向量。

技术总结
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。本发明属于电池管理技术领域。本发明属于电池管理技术领域。


技术研发人员：纪冬旭 邢成龙 吴国华
受保护的技术使用者：香港中文大学（深圳）
技术研发日：2022.05.10
技术公布日：2022/9/6