基于堆叠残差因果卷积神经网络的锂电池健康状态检测方法技术

一种基于堆叠残差因果卷积神经网络的锂电池健康状态检测方法，通过传感器采集锂电池的工况数据，经预处理得到输入特征；通过传感器采集锂电池的工况数据，经预处理得到输入特征；根据输入特征设计堆叠残差因果卷积神经网络，训练该堆叠残差因果卷积神经网络后，利用训练得到的堆叠残差因果卷积神经网络对锂电池的健康状态进行估计；堆叠残差因果卷积神经网络，该网络将残差网络和长短期记忆网络的输入门结构有机地集成到因果卷积网络中。本发明专利技术可以有效的帮助锂电池用户准确获取电池实际可用容量及老化状态相关信息，进而为电池管理的控制决策提供参考。

【技术实现步骤摘要】
基于堆叠残差因果卷积神经网络的锂电池健康状态检测方法
本专利技术涉及的是一种锂电池制造领域的技术，具体是一种基于堆叠残差因果卷积神经网络的锂电池健康状态检测方法。
技术介绍
随着科技的飞速发展和技术的不断革新，国家对新能源尤其是环保能源的要求进一步提高，新能源汽车的发展可以促进我国能源结构的改革，从而实现绿色经济的可持续发展。锂电池作为新能源汽车的核心部件之一，有效的估计电池健康状态意义重大。健康状态(Stateofcharge，SOH)是从多次使用的角度评价电池，预测电池在其整个生命周期中的状态，它可以帮助电池管理系统掌握电池老化影响因素，在电池的全生命周期管理提供使用和维护的理论支持，避免电池的不当使用，充分发挥电池的使用价值。目前对电池的健康状态的定义主要有两种计算方式，一种是基于电池的容量的退化，另一种是基于电池的内阻。两种定义方式分别为：其中，Qaged为电池在当前充放电循环下的电池容量，Qnew为电池的额定容量；其中：R0为电池的初始内阻，Raged为电池在当前充放电循环下的电池内阻。电池的老化主要是电池内部化学成分的损失和本文档来自技高网...

【技术保护点】
1.一种基于堆叠残差因果卷积神经网络的锂电池健康状态检测方法，其特征在于，通过传感器采集锂电池的工况数据，经预处理得到输入特征；根据输入特征设计堆叠残差因果卷积神经网络，训练该堆叠残差因果卷积神经网络后，利用训练得到的堆叠残差因果卷积神经网络对锂电池的健康状态进行估计；/n所述的堆叠残差因果卷积神经网络，将残差网络和长短期记忆网络的输入门结构有机地集成到因果卷积网络中。/n

【技术特征摘要】
1.一种基于堆叠残差因果卷积神经网络的锂电池健康状态检测方法，其特征在于，通过传感器采集锂电池的工况数据，经预处理得到输入特征；根据输入特征设计堆叠残差因果卷积神经网络，训练该堆叠残差因果卷积神经网络后，利用训练得到的堆叠残差因果卷积神经网络对锂电池的健康状态进行估计；
所述的堆叠残差因果卷积神经网络，将残差网络和长短期记忆网络的输入门结构有机地集成到因果卷积网络中。


2.根据权利要求1所述的锂电池健康状态检测方法，其特征是，所述的堆叠残差因果卷积神经网络包括：多个残差因果卷积层，每个残差因果卷积层使用多个卷积核以充分挖掘样本特征，第k个残差因果卷积层的计算过程具体为：Yk＝tanh(W1*Xk,k+1)⊙σ(W2*Xk,k+1)+W3*Xk,k+1，其中：*为卷积算符，⊙为乘法算子，σ为sigmoid函数，k为网络层数，W1、W2和W3为卷积运算的权值。


3.根据权利要求1所述的锂电池健康状态检测方法，其特征是，所述的堆叠残差因果卷积神经网络，采用Adam算法对网络误差梯度做最速下降优化，以均方误差为损失函数进行离线训练。


4.根据权利要求1所述的锂电池健康状态检测方法，其特征是，所述的工况数据包括：环境温度、充电到4.2V时间、恒压充电电流降至1.4A时间、恒压充电电流从1.4降至1.2A时间、电池充电温度、电池放电时电压从4.2V降至4V的时间、电池放电时电压从4V降至3.8V的时间、电池放电时电压从3.8V降至3.6V的时间、电池放电时电压从3.6V降至3.4V的时间、电池放电时电压从3.4V降至3.2V的时间、电池放电温度、电池SOH。


5.根据权利要求1所述的锂电池健康状态检测方法，其特征是，所述的预处理是指：数据归一化处理，即采用min-max标准化，使数据值都映射到[0,...

【专利技术属性】
技术研发人员：秦威，孙衍宁，庄子龙，吕慧春，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：上海;31