一种基于CBAM改进的3DCNN的锂离子电池SOH估计方法技术

本发明专利技术提供了一种基于CBAM改进的3DCNN的锂离子电池SOH估计方法，属于锂离子电池技术领域。解决了3DCNN在锂离子电池SOH估计中数据特征挖掘和缓解神经网络框架复杂性的技术问题。其技术方案为：包括以下步骤：步骤1)将不同的全新锂离子电池充满电；步骤2)构建SOH估计的三维训练数据集和测试数据集；步骤3)实现最终的SOH实时估计。本发明专利技术的有益效果为：本发明专利技术分别通过不同温度下不同电池的充放电实验获取电池各项参数，然后处理数据与构建不同电池的训练数据集，将训练的数据集导入基于CBAM改进的3DCNN中进行训练，最终可用于锂离子电池SOH的实时估计。SOH的实时估计。SOH的实时估计。

【技术实现步骤摘要】
一种基于CBAM改进的3DCNN的锂离子电池SOH估计方法


[0001]本专利技术涉及锂离子电池
，尤其涉及一种基于CBAM改进的3DCNN的锂离子电池SOH估计方法。

技术介绍

[0002]锂离子电池由于其充电速度快、自放电低、使用寿命长等的特点，已广泛应用于人类生活。现在，锂离子电池的应用已从便携式电子设备(如手机、相机和笔记本电脑)扩展到更大的应用(如新能源汽车、无人机和卫星)，而其他更大的工业设备和电能存储都离不开它。锂离子电池是公认的一个复杂的电化学系统，除了对环境的影响外，其性能本身存在许多不确定性。因此，如何准确预测锂离子电池的健康状态(SOH)是确保其安全可靠使用的关键。
[0003]目前，SOH估计方法可分为两类，第一类是需要考虑锂离子电池内部化学机制的数学模型方法，第二类是基于测量数据间接预测的数据驱动方法。基于模型的方法主要包括电化学模型和等效电路模型。电化学模型主要通过研究电池的内部电化学反应来计算准确的SOH。然而，基于电化学模型的SOH建模是复杂的，难以在实践中应用。等效电路模型通过由电子元件组成的电路系统达到模拟电池特性的效果。虽然这种方法比电化学模型难度小，但等效电路的本质是近似处理，任何参数的偏差都可能导致较大的SOH计算误差。此外，基于模型的方法要解决的最大问题是，目前没有合适的模型可以准确地模拟所有老化行为。随着大数据的发展，越来越多的数据驱动方法在SOH估计中显示出各自的优势。数据驱动的SOH估计可分为两类。第一类将SOH估计和剩余使用寿命预测定义为时间序列处理问题，并且仅将容量序列作为模型的输入。然而，这类方法的缺点也很明显。它只考虑容量顺序，不考虑容量以外的其他因素(如电压、电流和温度)，因此锂离子电池实际在线估计的准确性将受到影响。第二类是在当前数据驱动方法中考虑健康特征或健康指标的研究最多的方法。大部分研究是二维卷积神经网络与其他算法的融合，刘昊天的“基于深度学习的锂离子电池SOC及SOH估算方法研究”中就采用了一种CNN
‑
GRU的算法，与GRU的结合能够挖掘数据的时空特性，旨在提高算法的精度。卷积神经网络在SOH估计中的应用和注意力机制的引入受到了关注，如何构建卷积神经网络并结合注意力机制来进一步挖掘数据特征和缓解神经网络框架复杂性的问题，成为了一个难点。
[0004]如何解决上述技术问题为本专利技术面临的课题。

技术实现思路

[0005]本专利技术的目的在于提供一种基于CBAM改进的3DCNN的锂离子电池SOH估计方法，分别通过不同温度下不同电池的充放电实验获取电池各项参数，然后处理数据与构建不同电池的训练数据集，将训练的数据集导入基于CBAM改进的3DCNN中进行训练，最终可用于锂离子电池SOH的实时估计。
[0006]为了实现上述专利技术目的，本专利技术采用技术方案具体为：一种基于CBAM改进的3DCNN
的锂离子电池SOH估计方法，包括以下步骤：
[0007]步骤1)在变化的温度下，将不同的全新锂离子电池充满电，然后通过恒流放电实验、DST工况放电实验、FUDS工况放电实验和US06工况放电实验，反复测取SOH和锂离子电池的端电压、电流和温度；
[0008]步骤2)对不同电池测取的数据进行预处理，构建用于SOH估计的三维训练数据集和测试数据集；
[0009]步骤3)使用基于CBAM改进的3DCNN对数据集进行训练和测试，实现最终的SOH实时估计。
[0010]作为本专利技术提供的一种基于CBAM改进的3DCNN的锂离子电池SOH估计方法进一步优化方案，所述步骤2)具体包括如下步骤：
[0011]步骤2
‑
1)对测取的数据进行归一化处理。各种工况实验的电池对象不同，因此需要采用一种容量比的预处理；具体的，电流I使用电流速率I/C
n
表示并记作Is，电压U使用电压速率U/C
n
表示并记作Us，时间t使用时间速率t/C
n
表示并记作ts，其中，C
n
为锂离子电池的额定容量。然后采用最大最小归一化的方法对温度T、电流速率Is、电压速率Us、时间速率ts和锂离子电池的SOH进行归一化处理，其中温度的上下限选取70℃和0℃。
[0012]步骤2
‑
2)数据归一化处理后，使用如下的方法构建数据集，首先将一个放电周期中的测量值截取成若干个长度为n的数据，如下所示：
[0013][0014]其中，x
ij
表示输入数据集中第i个循环的第j个数据，x
ij
对应的输出为第i个循环的锂离子电池SOH值。本专利技术中，n取10。
[0015]步骤2
‑
3)对于一个总循环充放电次数N、单放电周期m的工况放电实验。为了充分发掘每一个放电周期内前后输入数据间的联系，使用padding方法对边缘数据进行扩充，然后总共生成N
×
m组大小为4
×
10的输入数据，对应的N
×
m个SOH值为输出数据，不同工况的输入输出数据合并成为总数据集。
[0016]步骤2
‑
4)不对总数据集进行打乱操作，然后抽取训练与测试数据集。选用一个放电工况80％的数据作为训练数据集，后20％的数据作为测试数据集，用作改进的3DCNN的训练和测试数据。
[0017]作为本专利技术提供的一种基于CBAM改进的3DCNN的锂离子电池SOH估计方法进一步优化方案，所述步骤3)具体包含如下步骤：
[0018]步骤3
‑
1)针对锂离子电池SOH估计开发的架构包括：一个输入层、两个3DCNN层(C)、两个CBAM模块(CBAM)、一个全连接层和一个输出层。
[0019]步骤3
‑
2)3DCNN层和全连接层全部使用relu函数进行激活，输出层使用tanh函数进行激活，并将估计值向SOH的最大最小值进行映射。
[0020]与现有技术相比，本专利技术的有益效果为：
[0021](1)本专利技术中将CBAM注意力机制与3DCNN结合，提出一种基于CBAM改进的3DCNN算
法并应用于锂离子电池SOH估计。
[0022](2)本专利技术使用的一种基于CBAM改进的3DCNN算法，与相比较3DCNN，改进的3DCNN算法可以提高模型对重要信息的关注能力，关注真正影响预测结果的因素，而不仅仅是从相关性分析中分析。
[0023](3)本专利技术使用的一种基于CBAM改进的3DCNN算法，与单通道的注意力机制相比，CBAM可以更好地抑制次要特征，增加主要特征对预测结果的影响。从而，在缓解卷积神经网络模型复杂性的同时拥有更高的估计精度。
附图说明
[0024]附图用来提供对本专利技术的进一步理解，并且构成说明书的一部分，与本专利技术的实施例一起用于解释本专利技术，并不构成对本专利技术的限制。
[0025]图1为本专利技术基于CBAM改进的3DCNN框架示意图。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CBAM改进的3DCNN的锂离子电池SOH估计方法，其特征在于，包括以下步骤：步骤1)在变化的温度下，将不同的全新锂离子电池充满电，然后通过恒流放电实验、DST工况放电实验、FUDS工况放电实验和US06工况放电实验，反复测取SOH和锂离子电池的端电压、电流和温度；步骤2)对不同电池测取的数据进行预处理，构建用于SOH估计的三维训练数据集和测试数据集；步骤3)使用基于CBAM改进的3DCNN对数据集进行训练和测试，实现最终的SOH实时估计。2.根据权利要求1所述的基于CBAM改进的3DCNN的锂离子电池SOH估计方法，其特征在于，所述步骤2)具体包括如下步骤：步骤2
‑
1)对测取的数据进行归一化处理，各种工况实验的电池对象不同，采用一种容量比的预处理；具体为，电流I使用电流速率I/C
n
表示并记作Is，电压U使用电压速率U/C
n
表示并记作Us，时间t使用时间速率t/C
n
表示并记作ts，其中，C
n
为锂离子电池的额定容量，然后采用最大最小归一化的方法对温度T、电流速率Is、电压速率Us、时间速率ts和锂离子电池的SOH进行归一化处理，其中温度的上下限选取70℃和0℃；步骤2
‑
2)数据归一化处理后，使用如下的方法构建数据集，首先将一个放电周期中的测量值截取成若干个...

【专利技术属性】
技术研发人员：李俊红，蒋泽宇，白贵祥，顾菊平，张泓睿，肖康，
申请(专利权)人：南通大学，
类型：发明
国别省市：