[發明專利]基于卷積神經網絡和遷移學習的鋰電池健康狀態估計方法

有效

• 申請號: 202010475482.1
• 申請日: 2020-05-29
• 公開（公告）號: CN111638465B
• 公開（公告）日: 2023-02-28
• 發明（設計）人: 陶吉利;李央;馬龍華;白楊;喬志軍;謝亮
• 申請（專利權）人: 浙大寧波理工學院
• 主分類號: G01R31/392
• 分類號: G01R31/392;G01R31/3842;G01R31/367;G06N3/04;G06N3/08
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 傅朝棟;張法高

1.一種基于卷積神經網絡和遷移學習的鋰電池健康狀態估計方法，其特征在于，步驟如下：

S1：獲取卷積神經網絡的輸入數據，具體方法是：

S11：選擇若干不同型號的全新鋰電池，各自進行加速老化實驗采集循環數據，按照恒流充電、恒壓充電、恒流放電的循環不斷消耗電池容量，直到健康狀態下降至80％以下；

同時，獲取相同型號的接近壽命終點的廢棄鋰電池，各自進行正常速度老化實驗采集循環數據，同樣地按照恒流充電、恒壓充電、恒流放電的過程來消耗電池容量，直到健康狀態下降至80％以下；

獲取相同型號的全新鋰電池，各自進行正常速度老化實驗采集循環數據，按照恒流充電、恒壓充電、恒流放電的過程進行充放電循環，獲取電池壽命的前15％循環數據；

S12：根據S11中采集的不同老化實驗中恒流充電階段電池的電壓和電流值，計算得到電池容量，將電壓、電流和電池容量三個變量的數值構成矩陣，作為卷積神經網絡的輸入數據；

S2：構建卷積神經網絡模型，整個網絡包括卷積層、池化層、全連接層，選取修正線性單元作為激活函數，與每一個卷積層和池化層的輸出相連；

S3：對S2中構建的模型進行預訓練，具體方法為S31～S32：

S31：將S1中全新鋰電池加速老化實驗得到的輸入數據分為若干小批次的訓練樣本，按批次輸入S2中構建的神經網絡中，在迭代學習過程中通過隨機梯度下降法更新參數，從而得到第一預訓練模型，保存第一預訓練模型的參數值，包括卷積核的值k_a,b,c,k、偏置值b_k、全連接層的權重W^l和偏置b^l；

S32：將S1中廢棄鋰電池正常速度老化實驗得到的輸入數據分為若干小批次的訓練樣本，按批次輸入S31訓練后的神經網絡中，在第一預訓練模型已保存的模型參數值基礎上進行迭代學習，并通過隨機梯度下降法進一步調整參數，從而得到第二預訓練模型，保存第二預訓練模型的參數值，包括新的卷積核的值k'_a,b,c,k、偏置值b'_k、全連接層的權重W^l'和偏置b^l'；

此時前向傳播和參數更新如下：

a^l'＝f(z^l')＝f(W^l'a^l-1'+b^l') (17)

其中：公式(16)中k是該卷積層中卷積核的個數，即輸出矩陣的通道數，C_i,j,k是輸出矩陣中第k層第i行第j列的值，x_i',j',c是輸入矩陣中第c層第i'行第j'列的值，b_k是偏置值，h_k、w_k和c_k分別是卷積核的高度、寬度和通道數，f是激活函數；公式(17)中，f(x)是激活函數，W^l和b^l分別是第l層的權重和偏置值，a^l是第l層的輸入；

模型內部參數θ'_j包括卷積核的值k'_a,b,c,k、偏置值b'_k、全連接層的權重W^l'和偏置b^l'；公式(16)～(18)中參數的上標“'”表示該參數在預訓練階段的前向傳播更新值；λ是正則化參數，α是學習率，γ是動量值；

S4：將S1中全新鋰電池正常速度老化實驗得到的輸入數據分為若干小批次的訓練樣本，按批次輸入S3中得到的預訓練模型中進行迭代學習，迭代學習過程中固定預訓練模型的卷積層參數不變，即保持k'_a,b,c,k和b'_k不變，只將全連接層的權重W^l'和偏置b^l'更新為W^l”和b^l”，保存更新后的參數，得到最終的估計模型；

此時前向傳播和參數更新如下：

a^l”＝f(z^l”)＝f(W^l”a^l-1”+b^l”) (20)

其中：模型內部參數θ”_j包括全連接層的權重W^l”和偏置b^l”；公式(19)～(21)中參數的上標“〞”表示該參數在微調階段的前向傳播更新值；

S5：對待估計的鋰電池進行一次恒流充電實驗，得到其電壓、電流、容量測試值，將三者構成矩陣作為S4中得到的估計模型的輸入X，網絡前向傳播的計算過程中使用S4中保存的參數k'_a,b,c,k、b'_k、W^l”和b^l”，此時的前向傳播和參數更新如下：

a^l”'＝f(z^l”')＝f(W^l”a^l-1”'+b^l”) (23)

公式(22)～(23)中參數的上標“”'”表示該參數在估計階段的前向傳播更新值；

最終，估計模型輸出電池在該時刻的健康狀態。