【技术实现步骤摘要】
基于混合神经网络和迁移学习的锂电池健康状态估计方法
[0001]本专利技术属于电池存储
，涉及锂电池的健康状态估计，具体涉及一种基于混合神经网络和迁移学习的锂电池健康状态估计方法。
技术介绍
[0002]锂电池管理系统(Battery Management System，BMS)是连接车载动力锂电池和电动汽车的重要纽带，它将锂电池或锂电池组的监测及管理集于一体，从而确保锂电池或者锂电池组的安全可靠，并以最佳状态输出动力。其中，作为BMS系统中的重要组成部分，锂电池的健康评估能够及时对当前锂电池的放电容量和剩余循环寿命做出预测，在有效保证锂电池安全的同时，还可以提高电动汽车的续航里程，对电动汽车的安全可靠运行意义重大。
[0003]然而，锂电池在使用过程中由于环境温度、充放电循环次数增加等因素，其性能会逐渐退化，容量会不断衰退，进而导致电动汽车续航里程数的减少。此外，锂电池性能的退化通常伴随着内阻的增大，发热量会显著增加，从而加快了电池内部副反应的进行，电池退化速度进一步加快，进而导致电池使用寿命快速衰减，甚至引...
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.一种基于混合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：该方法包括以下步骤：S1、提取电池循环数据并构成特征曲线，对其进行数据预处理，并进行异常值筛选和替换，构成源域数据集；S2、提取不同类型或不同工况的锂电池数据得到特征曲线数据，构成目标域数据集；S3、利用源域数据集对CNN
‑
GRU混合神经网络进行预训练得到预训练模型；S4、将预训练模型作为基学习器估计模型，利用Tradaboost.R2算法在目标域数据集训练，从而对样本权重和基学习器权重进行更新；S5、锂电池SOH估计值输出，同时计算相应评价指标值。2.根据权利要求1所述的锂电池健康状态估计方法，其特征在于：步骤S1具体为：获取锂电池恒流充电阶段部分电压区间曲线作为电流特征曲线；获取锂电池恒压充电阶段部分电流区间曲线作为电压特征曲线；获取恒流充电阶段电压起始时间至恒压充电阶段电流下降时段的曲线作为温度特征曲线；采用滑动平均公式法对提取的特征曲线进行去噪处理；通过min
‑
max方法对去噪处理后的特征曲线进行归一化；采用三次多项式对提取的特征曲线进行拟合，对拟合完成后的每条特征曲线以相同采样间隔进行重新采样，得到目标特征，所述目标特征构成源域数据集。3.根据权利要求1所属的锂电池健康状态估计方法，其特征在于：步骤S2中，在同种类型或相似类型电池数据集上构建目标数据集，在模型微调过程中使用。4.根据权利要求1所述的锂电池健康状态估计方法，其特征在于：步骤S3中，所述CNN
‑
GRU混合神经网络包括依次连接的CNN卷积模块和GRU卷积模块；所述CNN卷积模块包括2个连续的4层卷积层和最大池化层堆叠，最后堆叠一个全连接层；所述GRU卷积模块包括一层GRU层和全连接层，其中全连接层用于锂电池SOH的估计。5.根据权利要求1所述的锂电池健康状态估计方法，其特征在于：步骤S3中，对CNN
‑
GRU混合神经网络进行预训练包括：利用CNN自动提取电池循环数据中的退化信息，通过卷积、池化和激活操作处理输入数据与SOH的非线性关系，提取循环数据中隐藏的特征信息；采用多层CNN进行特征提取，提高提取特征与SOH之间的相关性。利用GRU对特征提取模型提取特征建立模型，从退化特征中提取隐藏的时序特征建立特征与SOH映射关系，得到SOH估计模型。6.根据权利要求1、4或5所述的锂电池健康状态估计方法，其特征在于：CNN
‑
GRU混合神经网络进行锂电池SOH估计时使用均方误差作为损失函数来评估预测误差，其中损失函数如下式：式中，N表示锂电池数据循环数，SOH
i
表示第i个数据样本对应的SOH预测值，表示第i个数据样本对应的SOH真实值。7.根据权利要求1、4或5所述的锂电池健康状态估计方法，其特征在于：CNN
‑
GRU混合神
经网络在时序输入上采用组合模型，即单次循环和滑动窗口的不同权重组合方式，综合二者优点实现对容量再生点较准确的SOH估计，有效地学习时序特征；组合模型SOH估计的计算如下式：式中，f1(
·
)表示单次循环CNN
‑
GRU模型，f2(
·
)表示滑动窗口CNN
‑
GRU模型；w
it
表示时间t上第i个模型的权重大小；式中，e
ij
技术研发人员：廖孝勇，李源琼，林景栋，游锐，曾德涛，陈梦杰，周俞辰，王昶，
申请(专利权)人：重庆大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。