[發(fā)明專利]基于遺傳卷積神經(jīng)網(wǎng)絡(luò)的鋰電池健康狀態(tài)估計(jì)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202011434822.2
• 申請(qǐng)日: 2020-12-10
• 公開（公告）號(hào): CN112684346B
• 公開（公告）日: 2023-06-20
• 發(fā)明（設(shè)計(jì)）人: 金海燕;崔寧敏;蔡磊
• 申請(qǐng)（專利權(quán)）人: 西安理工大學(xué)
• 主分類號(hào): G01R31/367
• 分類號(hào): G01R31/367;G01R31/392;G01R31/388;G01R31/378;G01R31/36
• 代理公司: 西安弘理專利事務(wù)所 61214
• 代理人: 徐瑤

1.一種基于遺傳卷積神經(jīng)網(wǎng)絡(luò)的鋰電池健康狀態(tài)估計(jì)方法，其特征在于，具體按照以下步驟實(shí)施：

步驟1、針對(duì)不同類型鋰電池，測(cè)算其出廠時(shí)鋰電池的額定容量；

步驟2、針對(duì)不同類型鋰電池在恒流條件下進(jìn)行充放電，并對(duì)充電工作下的電壓數(shù)據(jù)進(jìn)行實(shí)時(shí)記錄，直到電池壽命終止結(jié)束記錄，根據(jù)記錄的數(shù)據(jù)形成鋰電池恒流充電電壓曲線，由電壓曲線獲取電池老化特征；

步驟3、在步驟2中的電池每一次充電后，確定該電池的當(dāng)前容量，作為CNN模型的真實(shí)值，不斷縮小真實(shí)值和預(yù)測(cè)值之間的誤差來訓(xùn)練最佳CNN模型；

步驟4、對(duì)步驟2記錄的每條電壓曲線使用二分法采樣8個(gè)點(diǎn)作為特征點(diǎn)，使用8個(gè)特征點(diǎn)來表征一條電壓曲線，并作為CNN模型的輸入數(shù)據(jù)；

步驟5、對(duì)步驟4中的特征點(diǎn)進(jìn)行處理；

步驟6、劃分?jǐn)?shù)據(jù)集；

步驟7、通過電池當(dāng)前容量和出廠時(shí)額定容量的比值來估計(jì)當(dāng)前鋰電池的SOH；

步驟8、初始化網(wǎng)絡(luò)結(jié)構(gòu)及各參數(shù)；

步驟9、將處理過的訓(xùn)練集數(shù)據(jù)進(jìn)行分組，每5條為一組，將每組訓(xùn)練集循環(huán)輸入到CNN網(wǎng)絡(luò)結(jié)構(gòu)中，對(duì)每個(gè)CNN網(wǎng)絡(luò)進(jìn)行訓(xùn)練；

步驟10、通過遺傳算法對(duì)種群進(jìn)化來實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)結(jié)構(gòu)的自動(dòng)學(xué)習(xí)，得到一組良好的CNN網(wǎng)絡(luò)結(jié)構(gòu)；

步驟11、將處理過的測(cè)試集數(shù)據(jù)輸入到一組CNN網(wǎng)絡(luò)結(jié)構(gòu)中，選擇真實(shí)值和預(yù)測(cè)值之間均方誤差最小的網(wǎng)絡(luò)結(jié)構(gòu)作為最終的預(yù)測(cè)模型；當(dāng)重新輸入另一塊電池的電壓數(shù)據(jù)，便可以通過該訓(xùn)練好的模型預(yù)測(cè)電池剩余容量，進(jìn)而快速且準(zhǔn)確地計(jì)算出該電池的SOH。

2.根據(jù)權(quán)利要求1所述的一種基于遺傳卷積神經(jīng)網(wǎng)絡(luò)的鋰電池健康狀態(tài)估計(jì)方法，其特征在于，所述步驟5處理的具體步驟為：根據(jù)135條電壓曲線，分別對(duì)每條電壓曲線提取8個(gè)特征點(diǎn)，組成一個(gè)135行8列的矩陣，對(duì)于每一行的8個(gè)數(shù)據(jù)轉(zhuǎn)化成2行4列的矩陣，作為圖像輸入到CNN模型中。

3.根據(jù)權(quán)利要求1所述的一種基于遺傳卷積神經(jīng)網(wǎng)絡(luò)的鋰電池健康狀態(tài)估計(jì)方法，其特征在于，所述步驟6中，將將數(shù)據(jù)集劃分為80％的訓(xùn)練集和20％的測(cè)試集。

4.根據(jù)權(quán)利要求1所述的一種基于遺傳卷積神經(jīng)網(wǎng)絡(luò)的鋰電池健康狀態(tài)估計(jì)方法，其特征在于，所述步驟8中，隨機(jī)初始化一組CNN網(wǎng)絡(luò)結(jié)構(gòu)，將一組網(wǎng)絡(luò)結(jié)構(gòu)看作一個(gè)種群，種群中的每個(gè)個(gè)體代表一個(gè)CNN網(wǎng)絡(luò)結(jié)構(gòu)，初始化種群大小和世代數(shù)。

5.根據(jù)權(quán)利要求1所述的一種基于遺傳卷積神經(jīng)網(wǎng)絡(luò)的鋰電池健康狀態(tài)估計(jì)方法，其特征在于，所述步驟10具體為：

步驟10.1、對(duì)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行編碼，對(duì)每個(gè)網(wǎng)絡(luò)結(jié)構(gòu)，即個(gè)體，以池化層為界將網(wǎng)絡(luò)結(jié)構(gòu)劃分成不同的階段，通過對(duì)每個(gè)階段進(jìn)行編碼，將其組合成固定二進(jìn)制字符串，采用基因型來表示每個(gè)網(wǎng)絡(luò)結(jié)構(gòu)；

步驟10.2、評(píng)估個(gè)體的適應(yīng)度值，將電壓數(shù)據(jù)輸入到個(gè)體中進(jìn)行訓(xùn)練，真實(shí)值和預(yù)測(cè)值之間的MSE即均方誤差，作為個(gè)體的適應(yīng)度值；

步驟10.3：通過選擇、交叉和變異產(chǎn)生新的網(wǎng)絡(luò)結(jié)構(gòu)，評(píng)估新網(wǎng)絡(luò)結(jié)構(gòu)的適應(yīng)度值，每次迭代將適應(yīng)度值低的個(gè)體保留下來，刪除適應(yīng)度值高的個(gè)體，始終保持種群大小為N，直到達(dá)到最大世代數(shù)，結(jié)束迭代，輸出一組良好的CNN網(wǎng)絡(luò)結(jié)構(gòu)。