一种基于迁移学习的锂电池荷电状态估计方法技术

本发明专利技术公开了一种基于迁移学习的锂电池荷电状态估计方法，针对很多应用场景中电池标签数据获取不足，导致的电池SOC估计精度低的问题。本发明专利技术首先，建立了可直接进行电池SOC估计的1DCNN‑LSTM模型，并使用源域数据对其进行预训练；其次利用最大均值差异(maximum mean discrepancy，简称MMD)度量源域和目标域在预训练模型中各层上的特征分布距离，并通过MMD判断迁移模型各网络层是否固定；最后，使用少量标记的目标域数据对模型进行微调，进而对电池SOC进行估计。实验结果表明，该方法提升了电池SOC估计精度，更加符合实际工程需求。

【技术实现步骤摘要】

本专利技术涉及基于深度学习的电池荷电状态soc(state of charge)估计，针对很多应用场景中电池标签数据获取不足，导致的电池soc估计精度低的问题，研究了一种基于迁移学习的锂电池soc估计方法。

技术介绍

1、随着新能源的快速发展，储能技术作为关键的支撑技术，其为风电、光伏发电发展中碰到的诸如不稳定、难消纳、弃用率高等问题找到了解决方案。在大量锂离子电池串并联组成的电化学储能系统中，电池soc是储能系统中电池最重要的运行参数之一。soc通常指在当前放电条件下，电池的剩余容量和充电完成时电池所具有的的容量的比值，其数学表达式如下：

2、

3、式中：

4、q1——在一定放电条件下电池的剩余容量(ah)

5、q2——与q1相同条件下电池的额定容量(ah)

6、soc能够反映当前电池的剩余容量，是储能系统运行策略的关键参考，也是运行维护的重要依据。精确地估计soc，才能够保证电池高效安全充放电、延长使用寿命。

7、soc作为锂电池的内部特性参数，不能直接测量，只能通过电压、电流和温本文档来自技高网...

【技术保护点】

1.一种基于迁移学习的锂电池荷电状态估计方法，其特征在于：

2.根据权利要求1所述的估计方法，其特征在于，具体包括以下步骤：

【技术特征摘要】

1.一种基于迁移学习的锂电池荷电状态估计方法，其特征在于：

<...

【专利技术属性】
技术研发人员：高学金，吴婷婷，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：