基于双塔深度学习网络的电池容量预估模型及方法技术

本发明专利技术涉及电池容量预测技术领域，具体地说，涉及一种基于双塔深度学习网络的电池容量预估模型及方法。该电池容量预估模型包括：第一输入层，其用于输入恒流充电特征序列；第一全连接网络，其用于对恒流充电特征序列进行处理并生成第一输出；第二输入层，其用于输入随机放电特征序列；第二全连接网络，其用于对随机放电特征序列进行处理并生成第二输出；以及输出层，其用于对第一输出和第二输出进行合并后，生成预估电池容量。该方法基于上述模型实现。本发明专利技术具备更高的电池容量估计精度。本发明专利技术具备更高的电池容量估计精度。本发明专利技术具备更高的电池容量估计精度。

【技术实现步骤摘要】
基于双塔深度学习网络的电池容量预估模型及方法


[0001]本专利技术涉及电池容量预测
，具体地说，涉及一种基于双塔深度学习网络的电池容量预估模型及方法。

技术介绍

[0002]锂电池具有储能密度高、使用寿命长、自放电率低、重量轻、绿色环保等优点，目前已经广泛应用于手机、笔记本电脑、电动工具、新能源汽车等多种日常生活场景。随着电池使用时间的增加，电池性能不断退化，导致电池容量和功率发生衰退。
[0003]电池容量（SOH）的数学定义如下：其中，表示电池当前状态下的满电电荷量，表示电池出厂时的电池标称电荷量。电池容量（SOH）反映的是电池在使用过程中的健康状态，一般在电池的SOH小于80%时，则认为电池发生失效。
[0004]从电池容量（SOH）的定义中可以看出，计算电池SOH的关键在于精准估计电池当前状态下的实际满电的电荷量，即当前电池容量。精确的容量估计是预测如电动汽车剩余行驶里程的前提，可以避免电池无法满足如电动汽车行驶所需的能量和功率要求的现象的出现，对保障电动汽车安全行驶和驾驶员的生命财产安全具有重要意义。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于双塔深度学习网络的电池容量预估模型，其特征在于：第一输入层，其用于输入恒流充电特征序列；第一全连接网络，其用于对恒流充电特征序列进行处理并生成第一输出；第二输入层，其用于输入随机放电特征序列；第二全连接网络，其用于对随机放电特征序列进行处理并生成第二输出；以及输出层，其用于对第一输出和第二输出进行合并后，生成预估电池容量。2.根据权利要求1所述的基于双塔深度学习网络的电池容量预估模型，其特征在于：第一全连接网络具有依次连接的3层全连接网络层，其神经元个数分别为125、64及32；每层全连接网络层的公式为，其中，和分别为第l层全连接网络层的权重矩阵和偏置矩阵，为激活函数，为第l层全连接网络层的输出并作为第l+1层全连接网络层的输入，为第l层全连接网络层输入，首层全连接网络层的输入为恒流充电特征序列，1≤l≤3。3.根据权利要求2所述的基于双塔深度学习网络的电池容量预估模型，其特征在于：第二全连接网络具有依次连接的3层全连接网络层，其神经元个数分别为125、64及32；每层全连接网络层的公式为，其中，和分别为第m层全连接网络层的权重矩阵和偏置矩阵，σ为激活函数，为第m层全连接网络层的输出并作为第m+1层全连接网络层的输入，为第m层全连接网络层输入，首层全连接网络层的输入为恒流充电特征序列，1≤m≤3。4.根据权利要求3所述的基于双塔深度学习网络的电池容量预估模型，其特征在于：输出层的公式为，其中，为输出层的输出，即预估电池容量；和b分别表示输出层的权重矩阵及偏置矩阵，为第一全连接网络的输出，为第二全连接网络的输出，表示将和进行拼接。5.基于双塔深度学习网络的电池容量预估方法，其包括如下步骤：步骤S1、构建权利要求1
‑
3中任一所述的电池容量预估模型；步骤S2、对经步骤S1构建的电池容量预估模型进行训练；步骤S3、在一个循环周期中，自预估对象的恒流充电曲线中提取恒流充电特...

【专利技术属性】
技术研发人员：肖劼，胡雄毅，余为才，
申请(专利权)人：杭州宇谷科技有限公司，
类型：发明
国别省市：