[發明專利]一種基于移植神經網絡的電池容量衰減軌跡預測方法

有效

• 申請號: 202010060435.0
• 申請日: 2020-01-19
• 公開（公告）號: CN111220912B
• 公開（公告）日: 2022-03-29
• 發明（設計）人: 劉凱龍;謝翌;馮飛;孟錦豪;彭琦奧
• 申請（專利權）人: 重慶大學
• 主分類號: G01R31/367
• 分類號: G01R31/367;G01R31/392;G01R31/387
• 代理公司: 北京同恒源知識產權代理有限公司 11275
• 代理人: 趙榮之

1.一種基于移植神經網絡的電池容量衰減軌跡預測方法，其特征在于：該方法具體包括以下步驟：

S1：選定待測試的動力電池，制定兩種不同工況的循環條件，針對這兩種不同工況的循環條件分別進行電池老化實驗，采集電池測試數據；

S2：根據所采集的電池測試數據，計算電池在對應工況下的容量衰減，生成基準模型訓練數據庫B_base和移植神經網絡訓練數據庫B_transfer；

S3：針對基準模型訓練數據庫B_base，選取基模型種類，用B_base中的全部數據辨識基模型的參數；

S4：根據所收集的移植神經網絡訓練數據庫B_transfer，進行移植神經網絡訓練，建立移植神經網絡模型；

所述步驟S4具體包括以下步驟：

S41：設置移植神經網絡的模型結構為包括輸入層、隱藏層1、隱藏層2和輸出層的四層神經網絡；所述輸入層擁有一個節點，所述隱藏層1擁有N個節點加上一個偏執Bias1，所述隱藏層2擁有M個節點加上一個偏執Bias2，所述輸出層擁有一個節點；

S42：隱藏層1中所有節點的激勵函數均設置為辨識好參數的基模型f_base，隱藏層2中所有節點的激勵函數均設置為整流線性單元ReLU，計算公式為：

ReLU(x)＝max{0，x}+min{0，x}*λ

其中，x為整流線性單元的輸入值，λ為預設的權值參數，max{0，x}和min{0，x}分別表示取{0，x}中的最大值和最小值；

S43：選取移植神經網絡訓練數據庫B_transfer中的循環次數數據N_transfer作為整個移植神經網絡模型的輸入，與N_transfer一一對應的電池放電容量數據C_transfer作為整個移植神經網絡模型的輸出來訓練得到移植神經網絡模型NNM，該訓練方法為梯度下降法；

S5：基于移植神經網絡模型對衰減較慢的電池未來容量軌跡進行預測。

2.根據權利要求1所述的一種基于移植神經網絡的電池容量衰減軌跡預測方法，其特征在于：所述步驟S1中，工況的循環條件包括電池充電與放電的電流倍率C-rate，放電深度DOD，溫度Temperature和截止電壓Cut-offvoltage；采集的電池測試數據包括兩種不同工況條件下產生的所有終端電流數據和電壓數據，對應的數據采集時間。

3.根據權利要求1所述的一種基于移植神經網絡的電池容量衰減軌跡預測方法，其特征在于：所述步驟S2具體包括以下步驟：

S21：針對每一個循環工況下產生的電池測試數據，利用安時積分法計算電池在每一個循環期間從上限截止電壓放電到下限截止電壓的電池容量，最終生成循環次數C_Number與電池放電容量Cap相互一一對應的衰減實驗曲線；

S22:通過對比衰減實驗曲線的斜率，選取斜率較大曲線情況下的所有循環次數數據N_base和與N_base相互對應的電池放電容量數據C_base作為基準模型訓練數據庫B_base,對應的數據采集時間記為T_base；

S23:針對衰減斜率較小的曲線，選取在T_base時間段內所生成的循環次數數據N_transfer和與N_transfer相互對應的電池放電容量數據C_transfer作為移植神經網絡訓練數據庫B_transfer。