欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2020104754821
申请人: 浙大宁波理工学院
专利类型:发明专利
专利状态:未下证
专利领域: 测量;测试
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种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,其特征在于,步骤如下:S1:获取卷积神经网络的输入数据,具体方法是:

S11:选择若干不同型号的全新锂电池,各自进行加速老化实验采集循环数据,按照恒流充电、恒压充电、恒流放电的循环不断消耗电池容量,直到健康状态下降至80%以下;

同时,获取相同型号的接近寿命终点的废弃锂电池,各自进行正常速度老化实验采集循环数据,同样地按照恒流充电、恒压充电、恒流放电的过程来消耗电池容量,直到健康状态下降至80%以下;

获取相同型号的全新锂电池,各自进行正常速度老化实验采集循环数据,按照恒流充电、恒压充电、恒流放电的过程进行充放电循环,获取电池寿命的前15%循环数据;

S12:根据S11中采集的不同老化实验中恒流充电阶段电池的电压和电流值,计算得到电池容量,将电压、电流和电池容量三个变量的数值构成矩阵,作为卷积神经网络的输入数据;

S2:构建卷积神经网络模型,整个网络包括卷积层、池化层、全连接层,选取修正线性单元作为激活函数,与每一个卷积层和池化层的输出相连;

S3:对S2中构建的模型进行预训练,具体方法为S31~S32:

S31:将S1中全新锂电池加速老化实验得到的输入数据分为若干小批次的训练样本,按批次输入S2中构建的神经网络中,在迭代学习过程中通过随机梯度下降法更新参数,从而得到第一预训练模型,保存第一预训练模型的参数值,包括卷积核的值ka,b,c,k、偏置值bk、全连接层的权重Wl和偏置bl;

S32:将S1中废弃锂电池正常速度老化实验得到的输入数据分为若干小批次的训练样本,按批次输入S31训练后的神经网络中,在第一预训练模型已保存的模型参数值基础上进行迭代学习,并通过随机梯度下降法进一步调整参数,从而得到第二预训练模型,保存第二预训练模型的参数值,包括新的卷积核的值k'a,b,c,k、偏置值b'k、全连接层的权重Wl'和偏置bl';

此时前向传播和参数更新如下:

al'=f(zl')=f(Wl'al-1'+bl')               (17)其中:模型内部参数θ'j包括卷积核的值k'a,b,c,k、偏置值b'k、全连接层的权重Wl'和偏置bl';公式(16)~(18)中参数的上标“'”表示该参数在预训练阶段的前向传播更新值;

S4:将S1中全新锂电池正常速度老化实验得到的输入数据分为若干小批次的训练样本,按批次输入S3中得到的预训练模型中进行迭代学习,迭代学习过程中固定预训练模型的卷积层参数不变,即保持k'a,b,c,k和b'k不变,只将全连接层的权重Wl'和偏置bl'更新为Wl”和bl”,保存更新后的参数,得到最终的估计模型;

此时前向传播和参数更新如下:

al”=f(zl”)=f(Wl”al-1”+bl”)           (20)l l

其中:模型内部参数θ”j包括全连接层的权重W”和偏置b”;公式(19)~(21)中参数的上标“〞”表示该参数在微调阶段的前向传播更新值;

S5:对待估计的锂电池进行一次恒流充电实验,得到其电压、电流、容量测试值,将三者构成矩阵作为S4中得到的估计模型的输入X,网络前向传播的计算过程中使用S4中保存的l l参数k'a,b,c,k、b'k、W”和b”,此时的前向传播和参数更新如下:al”'=f(zl”')=f(Wl”al-1”'+bl”)                 (23)公式(22)~(23)中参数的上标“”'”表示该参数在估计阶段的前向传播更新值;

最终,估计模型输出电池在该时刻的健康状态。

2.如权利要求1所述的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,其特征在于,所述S1中,加速老化实验是指对电池进行过充和过放,即通过设置较高的恒流充电电压上限和较低的恒流放电电压下限。

3.如权利要求1所述的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,其特征在于,所述S1中,废弃锂电池的正常速度老化实验,进行35~40次充放电循环。

4.如权利要求1所述的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,其特征在于,所述S1中,全新锂电池的正常速度老化实验,进行75次充放电循环。

5.如权利要求1所述的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,其特征在于,所述S1中,将不同老化实验采集的数据分别构建成模型输入X:其中:k是恒流充电阶段的采样点数,Vi、Ii、Ci分别为第i个采样点的电压、电流、容量。

6.如权利要求1所述的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,其特征在于,所述的卷积神经网络模型中,卷积层的前向传播的计算如下:i'=(i-1)×hs+a             (3)

j'=(j-1)×ws+b              (4)

其中,k是该卷积层中卷积核的个数,即输出矩阵的通道数,Ci,j,k是输出矩阵中第k层第i行第j列的值,bk是偏置值,hk、wk和ck分别是卷积核的高度、宽度和通道数,ws和hs分别是卷积核在扫描输入矩阵时宽度和高度的步长,xi',j',c是输入矩阵中第c层第i'行第j'列的值,ka,b,c,k是第k个卷积核中第c层第a行第b列的值,f是激活函数;

卷积层的维度计算如下:

其中wk和hk分别是卷积核的宽度和高度,ws和hs分别是卷积核在扫描输入矩阵时宽度方向和高度方向的步长,win,wout分别表示输入矩阵和输出矩阵的宽度,hin和hout分别表示输入矩阵和输出矩阵的高度,wp和hp分别表示在输入矩阵的左右和上下方向对称填充零元素的数目,防止矩阵的边界信息随着不断卷积而丢失;

最大池化层的前向传播的计算为:

上式(7)表示将特征图拆分为i×j个大小为e1×e2的区域,对每个e1×e2区域的特征点做一次最大池化操作;其中,Mi,j,k是池化层输出的第k层第i行第j列的值, 是前一层卷积层的第k层第ei+σ1行第ej+σ2列的值,(ei,ej)是特征图中第i行第j列个e1×e2区域的左上角位置坐标;

全连接层的前向传播的计算为:

al=f(zl)=f(Wlal-1+bl)               (8)其中f(x)是激活函数,Wl和bl分别是第l层的权重和偏置值,al是第l层的输入;

卷积层的反向传播为:

l

其中rot180表示将卷积核旋转180度,δ表示第l层的输出对目标函数的微分;

建立神经网络的目标函数J为:

其中 是输出层的输出,yi(x)是真实标签值,n是样本数,λ是正则化参数。

根据目标函数(12),更新网络内部参数θj,其包括权重W和偏置b:其中m表示小批次包含的样本数, 表示在第j次迭代时小批次中第i个输入的输出值,yi(x)j是对应的真实值,θj是第j次迭代时的内部参数,α是学习率,γ是动量值。

7.如权利要求1所述的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,其特征在于,所述的卷积神经网络模型中,在网络中添加策略防止过拟合,临时地随机删掉网络中一定比例的隐藏神经元,输入输出神经元保持不变;输入通过修改后的网络前向传播,然后把得到的损失结果通过修改的网络反向传播;一批次训练样本执行完这个过程后,在没有被删除的神经元上按照随机梯度下降法更新参数。

8.如权利要求1所述的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,其特征在于,所述的卷积神经网络模型中,采用分段常数衰减策略,在训练过程中对学习率进行调整,而非固定不变,使得模型快速收敛。