一种基于深度学习和电池电流电压温度预测制造技术

一种基于深度学习和电池电流电压温度预测

【技术实现步骤摘要】
一种基于深度学习和电池电流电压温度预测SOH的方法


[0001]本专利技术涉及电池电化学
，一种基于深度学习和电池电流电压温度预测
SOH
的方法
。

技术介绍

[0002]电池健康状态（
State of Health
，
SOH
）反映了电池的健康程度和剩余使用寿命
。
电池
SOH
是电池的一个重要指标，主要体现在几个方面
:
反映电池的老化程度
、
指示更换时间
、
评估剩余容量
、
校正充放电策略和分析电池故障
。
[0003]对电池
SOH
进行准确测量，对使用和维护电池都有重要意义
。
由于电池电流
、
电压和温度与电池
SOH
有着密切的关系，因此根据电池电流
、
电压和温度来评估电池
SOH
的变化，是一个研究热点
。
[0004]神经网络法或支持向量机回归方法可以很好地实现电池
SOH
的估计，但是在预测精度上还有待提升
。
[0005]随着深度学习技术的发展，可以结合多种深度学习模型，以进一步提高预测精度
。
[0006]常见的深度学习模型及其作用有：卷积神经网络（
Convolution neural network
，
CNN
）；
CNN
可以用于提取电流
、
电压和温度数据的空间特征
。
[0007]双向长短期记忆网络
(Bidirectional Long Short
‑
Term Memory
，
BiLSTM)
；
BiLSTM
可以从正向序列和方向序列同时学习电流
、
电压和温度的时间序列变化规律
。
[0008]注意力（
Attention
）机制，
Attention
机制可以学习到序列中各个时间步的相对重要性，从而强化模型对序列上下文的理解，可以动态地选择序列中重要的部分，获得更加有效的序列表达
。
[0009]综上所述，
CNN
和
BiLSTM
的组合可以自动学习电流
、
电压和温度与
SOH
之间的复杂的时空映射关系，注意力机制强化模型对序列上下文的理解，因此可以使用以上三种模型的组合，使用电池电流
、
电压和温度数据预测
SOH。

技术实现思路

[0010]本专利技术是一种基于深度学习模型的使用电池电流
、
电压和温度预测
SOH
的方法
。
将
CNN、BiLSTM
和
Attention
模型进行组合，基于电池电流
、
电压和温度数据，共同预测
SOH。
[0011]本专利技术解决其技术问题所采用的技术方案是：一种基于深度学习和电池电流电压温度预测
SOH
的方法，包括如下步骤：步骤
S1.
测试并采集电池电流
、
电压
、
温度和容量数据：通过电池管理系统采集电池组的电流
、
电压
、
温度和容量数据
。
[0012]步骤
S2.
使用
CNN
模型提取电池电流电压温度的空间特征
: 将电流电压温度数据，作为
CNN
模型的输入数据，通过卷积层进行特征提取，卷积层中的卷积核对输入数据进行滑动，计算卷积操作，得到特征图，不同卷积核能提取不同的特征
。
[0013]所述步骤
CNN
结构包含两个卷积层和一个池化层，卷积层的激活函数均为
relu
函
数，过滤器数量设置为
32
个，核的尺寸为1，池化层的池化尺寸也为
1。
[0014]所述池化层进行下采样，减小特征图大小，提取主要特征，提高特征的鲁棒性，最大池化取感受野内的最大值，平均池化取平均值
。
[0015]步骤
S3.
使用
BiLSTM
模型提取电流电压温度的时间序列变化规律：将
CNN
提取到的电流电压温度的空间特征数据，作为
BiLSTM
的输入数据，进一步提取电流电压温度的时间变化特征
。
[0016]所述
BiLSTM
由前向
LSTM
和后向
LSTM
组成，包含前向隐状态和后向隐状态，可以捕捉过去和未来的上下文信息
。
在同一时刻，前向
LSTM
处理正向序列，后向
LSTM
处理反向序列，最后通过拼接或者添加两者的隐状态作为该时刻的输出状态
。
[0017]所述
LSTM
模型主要包括输入门
、
遗忘门和输出门记忆单元
。
所述输入门
、
遗忘门和输出门控制信息的流动，有选择地保存长期信息
。
记忆单元保存历史状态，不被短期数据干扰
。BiLSTM
通过双向结构
、
门控单元
、
序列学习等方式，层次提取和自动学习时间序列的数据特征，是处理时序问题的有效模型
。
[0018]步骤
S4.
使用
Attention
模型提取电流电压温度时空特征的重要部分：根据
S2
和
S3
步骤中，
CNN
‑
BiLSTM
模型已经提取到了电流电压温度数据的时空特征，将
CNN
‑
BiLSTM
的输出结果，作为
Attention
模型的输入，进一步计算特征之间的相对重要性，给相对重要的特征赋予较高的权重，即提取了特征的重要部分
。
所述
Attention
结构为
Bahdanau Attention
结构
。
[0019]步骤
S5.
预测电池容量即
SOH
：在
Attention
模型之后是一个全连接层，全连接层对
Attention
输出进行进一步提取，获得时间序列的高层特征表达
。
全连接层之后是模型的输出层，输出层是一个线性回归层，预测值是电池容量即
SOH
，激活函数为
...

【技术保护点】

【技术特征摘要】
1.
一种基于深度学习和电池电流电压温度预测
SOH
的方法，其特征是，包括如下步骤：步骤
S1.
测试并采集电池电流
、
电压
、
温度和容量数据：通过电池管理系统采集电池组的电流
、
电压
、
温度和容量数据；步骤
S2.
使用
CNN
模型提取电池电流电压温度的空间特征
: 将电流电压温度数据，作为
CNN
模型的输入数据，通过卷积层进行特征提取，卷积层中的卷积核对输入数据进行滑动，计算卷积操作，得到特征图，不同卷积核能提取不同的特征；所述步骤
CNN
结构包含两个卷积层和一个池化层，卷积层的激活函数均为
relu
函数，过滤器数量设置为
32
个，核的尺寸为1，池化层的池化尺寸也为1；所述池化层进行下采样，减小特征图大小，提取主要特征，提高特征的鲁棒性，最大池化取感受野内的最大值，平均池化取平均值；步骤
S3.
使用
BiLSTM
模型提取电流电压温度的时间序列变化规律：将
CNN
提取到的电流电压温度的空间特征数据，作为
BiLSTM
的输入数据，进一步提取电流电压温度的时间变化特征；所述
BiLSTM
由前向
LSTM
和后向
LSTM
组成，包含前向隐状态和后向隐状态，可以捕捉过去和未来的上下文信息
。
在同一时刻，前向
LSTM
处理正向序列，后向
LSTM
处理反向序列，最后通过拼接或者添加两者的隐状态作为该时刻的输出状态；所述
LSTM
模型主要包括输入门
、
遗忘门和输出门记忆单元
。
所述输入门
、
遗忘门和输出门控制信息的流动，有选择地保存长期信息
。
记忆单元保存历史状态，不被短期数据干扰；所述
BiLSTM
通过双向结构
、
门控单元
、
序列学习等方式，层次提取和自动学习时间序列的数据特征，是处理时序问题的有效模型；步骤
S4.
使用
Attention
模型提取电流电压温度时空特征的重要部分：根据
S2
和
S3
步骤中，
CNN
‑
BiLST...

【专利技术属性】
技术研发人员：常伟，潘多昭，胡志超，
申请(专利权)人：南通乐创新能源有限公司，
类型：发明
国别省市：