一种基于迁移学习与深度学习的锂电池SOC估算方法技术

一种基于迁移学习与深度学习的锂电池SOC估算方法，采用NASA锂电池数据集作为源数据集，采用Panasonic锂电池实验数据集作为目标数据集；选用放电电压、放电电流、电池温度作为CNN

【技术实现步骤摘要】
一种基于迁移学习与深度学习的锂电池SOC估算方法


[0001]本专利技术涉及锂电池荷电状态预策
，具体涉及一种基于迁移学习与深度学习的锂电池SOC估算方法。

技术介绍

[0002]锂电池因其优秀的储能密度，功率容限和较低的成本受到了人们的广泛关注。目前已广泛应用于消费电子，动力电池系统与大规模储能系统中。电池荷电容量(SOC)是锂电池循环过程中的重要参数，其表征了电池在充放电循环中的剩余容量。SOC的准确估计至关重要，对电动汽车的可靠行驶，储能系统的状态估计与决策都有重要的意义。
[0003]SOC值随着充放电循环变化，并且受到温度，电池老化情况等影响，无法直接用传感器观测到。目前，常用的SOC估算方法大致有以下：基于电化学模型的方法，开路电压法，卡尔曼滤波族法，数据驱动等。研究锂离子电池内部电化学反应动力学，从运行机理方面描述电池的充放电状态。电化学模型状态估计准确，但是计算量大应用过程复杂。安时积分法直接对充放电循环曲线进行积分，适应SOC的定义。然而该方法存在初值确定与传感器温度漂移等问题，随着电池循环，测量的累积误差会不断增大。开路电压法需要将电池开路静置，不能对SOC进行在线估算。卡尔曼滤波族法依赖于建立的电路等效模型的准确性，对真实世界中多样的电池类型与工况自适应性较弱。
[0004]基于数据驱动的方法挖掘电池充放电循环实验与各种工况的历史数据，从运行数据中获取启发性知识与特征。过去，传统的机器学习方法如贝叶斯和支持向量机等已经被用于电池SOC的预测任务中，这些方法直接学习可观测量与SOC之间的映射关系。
[0005]与传统机器学习相比，深度学习能够捕捉全局特征与上下文信息，自动提取深层次的数据特征，在图像识别，序列信息处理等任务中展现了更高的性能。
[0006]然而为了实现高性能，深度学习依赖于大数据集的训练，这一点在过往的与深度学习有关的SOC预测研究中得以体现，但该方式的缺点却往往较少提及。首先，大型数据集的获取是一个长期和高成本的过程。例如，电池数据集有各种工况实验，如恒压恒流充放电实验，美国城市道路循环工况(UDDS)，联邦城市运行工况(FUDS)等，在进行SOC预测时，往往获得带有噪声的小样本数据，这就使得深度学习训练出的网络适应性与泛化性能较差。

技术实现思路

[0007]为了克服以上技术问题，本专利技术的目的在于提供一种基于迁移学习与深度学习的锂电池SOC估算方法，借助深度学习自动提取深层次特征和迁移学习学习源领域与目标领域相似知识的能力，实现新的小样本数据SOC预测的任务，具有更快的训练速度和泛化性能。
[0008]为了实现上述目的，本专利技术采用的技术方案是：
[0009]一种基于迁移学习与深度学习的锂电池SOC估算方法，包括以下步骤；
[0010]步骤1，采用NASA锂电池数据集作为源数据集，采用Panasonic锂电池实验数据集
作为目标数据集；
[0011]步骤2，选用放电电压、放电电流、电池温度作为CNN
‑
LSTM神经网络模型的输入特征，电池的SOC值作为模型的输出，采用安时积分法计算得出的SOC作为目标输出，对所有输入输出的数据进行了最大
‑
最小的标准化处理；通过标准化处理后的数据再进行数据的预训练作为模型的输入值；
[0012]步骤3，在预训练中，步骤1中的源数据集被随机分为K个相互排斥的折叠，然后进行K次模型训练，每次训练中，保留一个数据折叠作为测试数据，其余K
‑
1个折叠作为训练数据，K次训练均保留不同的折叠，K次模型训练结束后，选取测试集预测误差最小的模型，保留其网络结构和参数进行迁移学习，通过数据集的预训练已经完成了对数据的处理，处理后的数据用于被网络识别，进行模型的建立；
[0013]步骤4，模型的建立，构建CNN
‑
LSTM神经网络，模型包括两层卷积层、一层LSTM层和两层全连接层，输入数据集为时间序列数据，每一层卷积层后用平均值池化层进行池化，通过卷积层挖掘数据间的关系，再利用LSTM的记忆功能对数据进行选择性记忆得到关键特征，用全连接层进行特征关联，得出对应的SOC值；
[0014]步骤5，选取再训练超参数进行迁移学习，步骤1得到的Panasonic锂电池实验数据集中0℃下LA92工况的预测；
[0015]步骤6，对比是否进行迁移学习产生的预测结果，通过测试集误差RMSE(均方根误差)、MAE(平均绝对误差)、MAX Error(最大误差)来进行量化对比；
[0016]步骤7，不断改变步骤5中的超参数探究超参数对预测结果的影响并选取最优的超参数，来优化模型使其达到最优情况。
[0017]进一步地，所述步骤1中，目标数据集样本数共有46个放电循环，选取工况UDDS、LA92、NN为测试数据，其余数据为训练数据，源数据集放电循环采样率为0.1Hz，目标数据集放电循环采样率为10Hz，统一源域与目标域的样本空间，将目标数据集放电循环进行了降采样，即每100个数据点取平均值，步长为100。
[0018]进一步地，所述步骤2的最大
‑
最小的标准化处理公式为：
[0019][0020]其中x
′
为标准化处理后的输入，maxX和minX分别为输入变量X所有数据中的最大值和最小值，处理后的数据范围均在[0,1]内。
[0021]进一步地，所述步骤2的安时积分法计算公式为：
[0022][0023]其中SOC0是电池电荷状态初始电量值，C
E
是电池的额定容量，I(t)为电池在t时刻的充放电电流，t为充放电的时间，η为充放电效率系数。
[0024]进一步地，所述步骤4的CNN
‑
LSTM神经网络配置参数为：
[0025]输入层为序列输入，具有3个通道，紧接着为两个卷积与平均池化层，然后是两个全连接层，最后是一个输出层，网络中的激活函数除输出层外均使用leakyRelu函数，输出层采用Relu函数，网络配置参数如下；
[0026][0027]进一步地，所述步骤4的CNN结构为：
[0028]卷积层描述为M
i
＝f(M
i
‑1·
W
i
+b
i
)，其中w
i
为该层卷积核的权值向量，
×
代表卷积操作，b
i
为偏移向量，通过激活函数映射出该层的输出Mi；池化层对输入的Mi
‑
1进行特征降维；
[0029]池化层描述为M
i
＝Pooling(M
i
‑1)，采用平均池化用于减少传感器噪声对性能的影响。
[0030]进一步地，所述步骤4的LSTM计算公式为：
[0031]f
t
＝σ(W
f
·
[h
t
‑1,x
t本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于迁移学习与深度学习的锂电池SOC估算方法，其特征在于，包括以下步骤；步骤1，采用NASA锂电池数据集作为源数据集，采用Panasonic锂电池实验数据集作为目标数据集；步骤2，选用放电电压、放电电流、电池温度作为CNN
‑
LSTM神经网络模型的输入特征，电池的SOC值作为模型的输出，采用安时积分法计算得出的SOC作为目标输出，对所有输入输出的数据进行了最大
‑
最小的标准化处理；通过标准化处理后的数据再进行数据的预训练作为模型的输入值；步骤3，在预训练中，源数据集被随机分为K个相互排斥的折叠，然后进行K次模型训练，每次训练中，保留一个数据折叠作为测试数据，其余K
‑
1个折叠作为训练数据，K次训练均保留不同的折叠，K次模型训练结束后，选取测试集预测误差最小的模型，保留其网络结构和参数进行迁移学习，通过数据集的预训练已经完成了对数据的处理，进行模型的建立；步骤4，模型的建立，构建CNN
‑
LSTM神经网络，模型包括两层卷积层、一层LSTM层和两层全连接层，输入为时间序列数据，每一层卷积层后用平均值池化层进行池化，通过卷积层挖掘数据间的关系，再利用LSTM的记忆功能对数据进行选择性记忆得到关键特征，用全连接层进行特征关联，得出对应的SOC值；步骤5，选取再训练超参数进行迁移学习，步骤1得到的Panasonic锂电池实验数据集中0℃下LA92工况的预测；步骤6，对比是否进行迁移学习产生的预测结果，通过测试集误差RMSE(均方根误差)、MAE(平均绝对误差)、MAX Error(最大误差)来进行量化对比；步骤7，不断改变步骤5中的超参数探究超参数对预测结果的影响并选取最优的超参数，来优化模型使其达到最优情况。2.根据权利要求1所述的一种基于迁移学习与深度学习的锂电池SOC估算方法，其特征在于，所述步骤1中，目标数据集样本数共有46个放电循环，选取工况UDDS、LA92、NN为测试数据，其余数据为训练数据，源数据集放电循环采样率为0.1Hz，目标数据集放电循环采样率为10Hz，统一源域与目标域的样本空间，将目标数据集放电循环进行了降采样，即每100个数据点取平均值，步长为100。3.根据权利要求1所述的一种基于迁移学习与深度学习的锂电池SOC估算方法，其特征在于，所述步骤2的最大
‑
最小的标准化处理公式为：其中x
′
为标准化处理后的输入，max X和min X分别为输入变量X所有数据中的最大值和最小值，处理后的数据范围均在[0,1]内。4.根据权利要求1所述的一种基于迁移学习与深度学习的锂电池SOC估算方法，其特征在于，所述步骤2的安时积分法计算公式为：其中SOC0是电池电荷状态初始电量值，C
E
是电池的额定容量，I(t)为电池在t时刻的充放电电流，t为充放电的时间，η为充放电效率系数。
5.根据权利要求1所述...

【专利技术属性】
技术研发人员：李龙，燕旭朦，张钰声，冯雅琳，锁军，段羽洁，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：