【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
);
【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:
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。