【技术实现步骤摘要】
本申请属于人工智能领域，尤其涉及一种电池健康度预测模型的训练方法、装置及储能系统。
技术介绍
1、储能系统的电池健康度(state of health，soh)是储能系统的关键参数，在运行维护等环节发挥着重要的指导作用，对储能系统的电池荷电状态(state of charge，soc)估计的准确度等影响很大。因此，对于soh的精准估计，是估计储能系统的soc等参数的基础。
2、目前，数据驱动的soh估计方法的模型通常使用实验室数据训练，导致模型的泛化能力弱，无法适用于储能系统的实际应用场景。
技术实现思路
1、本申请旨在至少解决现有技术中存在的技术问题之一。为此，本申请提出一种电池健康度预测模型的训练方法、装置及储能系统，有效提升模型健康度预测能力，模型泛化能力和鲁棒性更强，适用于各种储能系统的实际应用场景。
2、第一方面，本申请提供了一种电池健康度预测模型的训练方法，该方法包括：
3、获取第一充放电样本集和第二充放电样本集，所述第一充放电样本集的数据是基础工况下的电池充放电实验的数据，所述第二充放电样本集的数据是小倍率工况下的电池充放电实验的数据，所述第二充放电样本集的数据量小于第一充放电样本集；
4、基于所述第一充放电样本集，对第一特征提取器和第一估计器进行训练，得到训练好的第一健康度预测模型；
5、基于所述训练好的第一健康度预测模型和所述第二充放电样本集，对第二健康度预测模型进行训练，得到训练好的电池健康度预测模型，
6、根据本申请的电池健康度预测模型的训练方法，通过大量基础工况的第一充放电样本集训练第一健康度预测模型，第二特征提取器对第一健康度预测模型的特征提取能力进行迁移学习，再通过少量小倍率工况下的第二充放电样本集对第二特征提取器和第二估计器进行训练，有效提升模型的健康度预测能力，模型泛化能力和鲁棒性更强，适用于各种储能系统的实际应用场景。
7、根据本申请的一个实施例，所述基于所述训练好的第一健康度预测模型和所述第二充放电样本集，对第二健康度预测模型进行训练，得到训练好的电池健康度预测模型，包括：
8、将训练好的所述第一特征提取器的网络参数迁移至所述第二特征提取器；
9、将所述第二充放电样本集输入至所述第二健康度预测模型，对所述第二估计器进行参数优化；
10、将所述第二充放电样本集输入至所述第二健康度预测模型，对参数迁移后的所述第二特征提取器和参数优化后的所述第二估计器进行参数调整，得到所述训练好的电池健康度预测模型。
11、根据本申请的一个实施例，所述将所述第二充放电样本集输入至所述第二健康度预测模型，对参数迁移后的所述第二特征提取器和参数优化后的所述第二估计器进行参数调整，得到所述训练好的电池健康度预测模型，包括：
12、确定极小学习率；
13、将所述第二充放电样本集输入至所述第二健康度预测模型，获取所述参数优化后的所述第二估计器输出的所述第二充放电样本集对应的样本预测结果；
14、基于所述极小学习率和所述样本预测结果，对所述第二特征提取器和参数优化后的所述第二估计器进行参数微调，得到所述训练好的电池健康度预测模型。
15、根据本申请的一个实施例，所述第二特征提取器包括局部特征提取层、关键变化特征提取层和长时序关系特征提取层，所述对第二健康度预测模型进行训练，得到训练好的电池健康度预测模型，包括：
16、将所述第二充放电样本集输入至所述局部特征提取层，得到所述局部特征提取层输出的所述第二充放电样本集的局部特征；
17、将所述第二充放电样本集的局部特征输入至所述关键变化特征提取层，得到所述关键变化特征提取层输出的所述第二充放电样本集的关键变化特征；
18、将所述第二充放电样本集的关键变化特征输入至所述长时序关系特征提取层，得到所述长时序关系特征提取层输出的所述第二充放电样本集的长时序关系特征；
19、将所述局部特征、所述关键变化特征和所述长时序关系特征输入至所述第二估计器，获取所述第二估计器输出的所述第二充放电样本集的样本预测结果。
20、根据本申请的一个实施例，所述将所述第二充放电样本集输入至所述局部特征提取层，得到所述局部特征提取层输出的所述第二充放电样本集的局部特征，包括：
21、将所述第二充放电样本集输入至所述局部特征提取层，对所述第二充放电样本集的局部时序性和局部变量进行特征提取，得到所述局部特征提取层输出的所述第二充放电样本集的局部特征。
22、根据本申请的一个实施例，所述将所述第二充放电样本集的局部特征输入至所述关键变化特征提取层，得到所述关键变化特征提取层输出的所述第二充放电样本集的关键变化特征，包括：
23、将所述第二充放电样本集的局部特征输入至所述关键变化特征提取层，对所述第二充放电样本集的循环充放电的衰减差异进行特征提取，得到所述关键变化特征提取层输出的所述第二充放电样本集的关键变化特征。
24、根据本申请的一个实施例，所述将所述第二充放电样本集的关键变化特征输入至所述长时序关系特征提取层，得到所述长时序关系特征提取层输出的所述第二充放电样本集的长时序关系特征，包括：
25、将所述第二充放电样本集的关键变化特征输入至所述长时序关系特征提取层，对所述第二充放电样本集的每个循环的充放电数据之间的时序变化进行特征提取，得到所述长时序关系特征提取层输出的所述第二充放电样本集的长时序关系特征。
26、第二方面，本申请提供了一种电池健康度预测方法，该方法包括：
27、获取储能系统的当前充放电数据；
28、将所述当前充放电数据输入至电池健康度预测模型，获取所述电池健康度预测模型输出的所述储能系统的电池健康度预测信息；
29、其中，所述电池健康度预测模型是基于如第一方面所述的电池健康度预测模型的训练方法得到的。
30、根据本申请的电池健康度预测方法，通过基于迁移学习的电池健康度预测模型对当前充放电数据进行特征识别和提取，实现对任意工况下储能系统的电池健康度的精准快速预测。
31、第三方面，本申请提供了一种电池健康度预测模型的训练装置，该装置包括：
32、第一获取模块，用于获取第一充放电样本集和第二充放电样本集，所述第一充放电样本集的数据是基础工况下的电池充放电实验的数据，所述第二充放电样本集的数据是小倍率工况下的电池充放电实验的数据，所述第二充放电样本集的数据量小于第一充放电样本集；
33、第一处理模块，用于基于所述第一充放电样本集，对第一特征提取器和第一估计器进行训练，得到训练好的第一健康度预测模型；
34、第二处理本文档来自技高网...
【技术保护点】
1.一种电池健康度预测模型的训练方法，其特征在于，包括：
2.根据权利要求1所述的电池健康度预测模型的训练方法，其特征在于，所述基于所述训练好的第一健康度预测模型和所述第二充放电样本集，对第二健康度预测模型进行训练，得到训练好的电池健康度预测模型，包括：
3.根据权利要求2所述的电池健康度预测模型的训练方法，其特征在于，所述将所述第二充放电样本集输入至所述第二健康度预测模型，对参数迁移后的所述第二特征提取器和参数优化后的所述第二估计器进行参数调整，得到所述训练好的电池健康度预测模型，包括：
4.根据权利要求1-3任一项所述的电池健康度预测模型的训练方法，其特征在于，所述第二特征提取器包括局部特征提取层、关键变化特征提取层和长时序关系特征提取层，所述对第二健康度预测模型进行训练，得到训练好的电池健康度预测模型，包括：
5.根据权利要求4所述的电池健康度预测模型的训练方法，其特征在于，所述将所述第二充放电样本集输入至所述局部特征提取层，得到所述局部特征提取层输出的所述第二充放电样本集的局部特征，包括：
6.根据权利要求4所述
7.根据权利要求4所述的电池健康度预测模型的训练方法，其特征在于，所述将所述第二充放电样本集的关键变化特征输入至所述长时序关系特征提取层，得到所述长时序关系特征提取层输出的所述第二充放电样本集的长时序关系特征，包括：
8.一种电池健康度预测方法，其特征在于，包括：
9.一种电池健康度预测模型的训练装置，其特征在于，包括：
10.一种电池健康度预测装置，其特征在于，包括：
11.一种储能系统，其特征在于，包括：
12.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述电池健康度预测模型的训练方法，或者如权利要求8所述电池健康度预测方法。
13.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-7任一项所述电池健康度预测模型的训练方法，或者如权利要求8所述电池健康度预测方法。
14.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7任一项所述电池健康度预测模型的训练方法，或者如权利要求8所述电池健康度预测方法。
...【技术特征摘要】
1.一种电池健康度预测模型的训练方法，其特征在于，包括：
2.根据权利要求1所述的电池健康度预测模型的训练方法，其特征在于，所述基于所述训练好的第一健康度预测模型和所述第二充放电样本集，对第二健康度预测模型进行训练，得到训练好的电池健康度预测模型，包括：
3.根据权利要求2所述的电池健康度预测模型的训练方法，其特征在于，所述将所述第二充放电样本集输入至所述第二健康度预测模型，对参数迁移后的所述第二特征提取器和参数优化后的所述第二估计器进行参数调整，得到所述训练好的电池健康度预测模型，包括：
4.根据权利要求1-3任一项所述的电池健康度预测模型的训练方法，其特征在于，所述第二特征提取器包括局部特征提取层、关键变化特征提取层和长时序关系特征提取层，所述对第二健康度预测模型进行训练，得到训练好的电池健康度预测模型，包括：
5.根据权利要求4所述的电池健康度预测模型的训练方法，其特征在于，所述将所述第二充放电样本集输入至所述局部特征提取层，得到所述局部特征提取层输出的所述第二充放电样本集的局部特征，包括：
6.根据权利要求4所述的电池健康度预测模型的训练方法，其特征在于，所述将所述第二充放电样本集的局部特征输入至所述关键变化特征提取层，得到所述关键变化特征提取层输出的所述第二充放...
【专利技术属性】
技术研发人员：余兴泓，曹伟，赵子豪，
申请(专利权)人：阳光电源股份有限公司，
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。