[發(fā)明專利]一種基于遷移深度學(xué)習(xí)的電池組剩余壽命預(yù)測方法

有效

• 申請?zhí)枺?/td>: 202110048627.4
• 申請日: 2021-01-14
• 公開（公告）號: CN112798960B
• 公開（公告）日: 2022-06-24
• 發(fā)明（設(shè)計）人: 胡曉松;車云弘;李佳承;鄧忠偉;唐小林
• 申請（專利權(quán)）人: 重慶大學(xué)
• 主分類號: G01R31/367
• 分類號: G01R31/367;G01R31/392;G06F30/27;G06N3/04;G06N3/08;G06N20/00;G06F111/08
• 代理公司: 北京同恒源知識產(chǎn)權(quán)代理有限公司 11275
• 代理人: 趙榮之

1.一種基于遷移深度學(xué)習(xí)的電池組剩余壽命預(yù)測方法，其特征在于：該方法包括以下步驟：

步驟S1：收集動力電池老化數(shù)據(jù)集，建立電池老化數(shù)據(jù)庫，包括完整的電池單體全壽命周期數(shù)據(jù)以及由同款電芯組成的電池組早期的老化數(shù)據(jù)；

步驟S2：根據(jù)電池單體老化數(shù)據(jù)提取多個健康因子，并根據(jù)相關(guān)性分析和容量估計誤差篩選健康因子；

步驟S3：基于電池單體全壽命周期老化數(shù)據(jù)集訓(xùn)練得到健康因子的遞推模型，以及基于健康因子的容量估計模型；

步驟S4：提取電池組早期老化實驗數(shù)據(jù)集每個電池單體的健康因子，建立基于電池單體健康因子集和電池組容量衰減的機器學(xué)習(xí)模型；

步驟S5：利用遷移學(xué)習(xí)對電池組每個電池單體的健康因子遞推模型進行微調(diào)，并進行健康因子外推預(yù)測，最后基于外推得到的單體健康因子集估計未來循環(huán)的電池組容量；基于單體容量估計模型預(yù)測未來各單體的容量，得到未來循環(huán)的電池組單體容量分布；

所述步驟S1具體為：

步驟S11：收集某款電芯的多個電池單體的全壽命周期完整數(shù)據(jù)集，包括充放電電流、電壓、溫度、時間和電量參數(shù)，涵蓋不同充放電倍率和環(huán)境溫度的數(shù)據(jù)集；

步驟S12：收集電池單體同款電芯對應(yīng)的電池組的老化實驗數(shù)據(jù)集，包括每個單體的電壓和溫度參數(shù)，以及電池組電流和電量信息；

步驟S13：根據(jù)收集的電池單體和電池組的老化實驗數(shù)據(jù)，建立某款電芯的電池老化數(shù)據(jù)集；

所述步驟S2具體為：

步驟S21：根據(jù)電池單體全壽命周期提取多個可用的健康因子；

步驟S22：通過相關(guān)性分析，篩選出和電池單體容量相關(guān)性高的健康因子；

步驟S23：基于A號電池單體建立全壽命的健康因子估計容量的機器學(xué)習(xí)模型，并利用B號電池單體提取健康因子進行容量估計，分析估計誤差；

所述步驟S3具體為：

步驟S31：根據(jù)選定的健康因子，建立多個單體的全壽命周期健康因子遞推衰減的深度學(xué)習(xí)模型；

步驟S32：根據(jù)選的健康因子，建立多個單體的全壽命周期基于健康因子的容量估計模型；

所述步驟S4具體為：

步驟S41：根據(jù)選定的健康因子，提取電池組早期循環(huán)中每個電池單體的健康因子，建立電池組各單體的健康因子組成的特征集；

步驟S42：根據(jù)單體特征集和電池組容量真值，建立電池組容量估計的機器學(xué)習(xí)模型；

所述步驟S5具體為：

步驟S51：利用前期訓(xùn)練好的電池單體全壽命周期健康因子衰減模型和電池組各單體早期提取的健康因子，運用遷移學(xué)習(xí)的方法將訓(xùn)練好的網(wǎng)絡(luò)進行部分結(jié)構(gòu)再訓(xùn)練，得到電池組每個單體的健康因子遞推模型；

步驟S52：根據(jù)每個單體的健康因子遞推模型，外推得到未來未知循環(huán)次數(shù)的健康因子預(yù)測值；

步驟S53：根據(jù)建立的電池單體特征集估計電池組容量的機器學(xué)習(xí)模型，預(yù)測未來循環(huán)的電池組容量值；

步驟S54：根據(jù)建立的電池單體容量估計模型，得到未來未知循環(huán)的電池組內(nèi)各單體的容量預(yù)測值，從而得到電池組單體的容量預(yù)測分布；

遷移學(xué)習(xí)的方法將基于早期訓(xùn)練好的健康因子遞推模型的深度學(xué)習(xí)網(wǎng)絡(luò)，選擇性的凍結(jié)某些層，對剩下的層進行模型再訓(xùn)練，或拆掉某些層并重新構(gòu)建網(wǎng)絡(luò)進行新網(wǎng)絡(luò)的再訓(xùn)練。

2.根據(jù)權(quán)利要求1所述的一種基于遷移深度學(xué)習(xí)的電池組剩余壽命預(yù)測方法，其特征在于：所述多個可用的健康因子包括電壓曲線斜率，等時間間隔電壓/溫度變化，等電壓/溫度間隔電量變化，電量序列方差，電量差方差，容量增量曲線峰值、谷值、峰間隔、峰面積、電壓/溫度差分曲線峰值、谷值和峰間隔；

A號電池單體和B號電池單體指的是同款電芯的不同電池單體，機器學(xué)習(xí)模型為高斯過程回歸模型或相關(guān)向量機模型，實現(xiàn)概率預(yù)測。

3.根據(jù)權(quán)利要求1所述的一種基于遷移深度學(xué)習(xí)的電池組剩余壽命預(yù)測方法，其特征在于：所述深度學(xué)習(xí)模型具體指多層神經(jīng)網(wǎng)絡(luò)構(gòu)建的模型，為高斯過程回歸模型或相關(guān)向量機模型，實現(xiàn)概率預(yù)測。

4.根據(jù)權(quán)利要求1所述的一種基于遷移深度學(xué)習(xí)的電池組剩余壽命預(yù)測方法，其特征在于：所述特征集為電池組中每個電池單體特征組成的特征矩陣，為高斯過程回歸模型或相關(guān)向量機模型，實現(xiàn)概率預(yù)測。