[发明专利]基于特征迁移学习的锂电池健康状况监测方法

权利要求书

1.基于特征迁移学习的锂电池健康状况监测方法，其特征在于：该方法包括以下步骤：

S1：基于特征迁移学习混合模型的构建；

S2：基于特征迁移学习混合模型的应用；

所述S1包括以下步骤：

S11：电池数据特征提取；

针对一维锂电池序列特点，以1d-CNN为特征提取器，用于提取源域与目标域电池数据的有效特征；对于第n层CNN模型，n∈1,2,...N，令与表示一维卷积层的输入数据与输出特征，U₁代表锂电池输入数据；其中Z与V分别代表数据的样本数与通道数；第n层卷积核的个数为第n层卷积神经网络的输出为：

其中，σ代表激活函数；代表卷积核的大小；代表第n层卷积第c_j卷积核的偏置，代表卷积核元素的位置坐标；代表提取特征的位置坐标；表示γ代表卷积步长大小；经过n层卷积过后，输入最大池化层，具体公式如下所示：

其中，代表池化输出，它也可代表n+1层卷积的输入；d代表池化步长；代表池化输出坐标；代表池化核大小；

当提取源域数据特征时，当提取目标域数据特征时，其中，与分别是源域与目标域的输入样本，并且源域与目标域的输入样本类型，样本长度，即通道数V与数据长度Z需保持一致；最终得到源域数据特征目标域数据特征

S12：特征MMD值计算；

令源域电池数据特征的特征点数为n_s，目标域电池数据特征的特征点数为n_t；最大均值差异MMD是迁移学习中的重要参数，可有效衡量两个域特征之间的分布差异；当MMD＝0时，代表两个域特征的分布相同；反之，MMD值越大，代表分布差异也就越大；源域与目标域之间MMD的定义为两域数据点在再生核希尔伯特空间RKHS的RKHS距离；其定义公式为

其中，x^S与x^T分别代表源域与目标域特征的数据点，φ(·)代表将数据映射到RKHS非线性函数；H_k代表RKHS；φ(·)无法确定，根据核技巧k(x^S,x^T)＝φ(x^S),φ(x^T)，公式(3)等价于：

其中，k被定义为m个核{k_u}的凸组合，公式为：

在公式(5)中，β_u为超参数；得到源域与目标域的MMD值为：

其中，核{k_u}被定义为高斯核；

S13：源域目标域损失函数计算；

从CNN输出的源域与目标域特征值在计算MMD的同时，并输送进BILSTM网络中，用以得到源域与目标域电池数据的预测值；对于第l层BI-LSTM神经网络，l∈1,2,...L，令代表t时刻的输入，|·|代表维度运算符；代表第l层BILSTM模块在t-1时刻的输出，其中，E是神经元数；显而易见，u_l+1,t＝h_l,t；一个BILSTM模块包含一个前向层以及一个反向层；t时刻第l层BILSTM的前向层输出为：

其中，定义了非线性函数，代表LSTM算法；

t时刻第l层BILSTM的反向层输出表示为：

t时刻第l层BILSTM的输出为：

其中，η(·)表示非线性函数，用于合并前反向层的输出；

最后，L层BILSTM神经网络的输出为：

y_L+1＝w_L+1h_L,t (10)

其中，代表全连接层的权重；

对于运用L层BILSTM神经网络得到源域预测值，即得到预测值当预测目标域数据时，得到预测值令源域数据的真实值为y^S，目标域数据的真实值为y^T；得到源域与目标域数据的损失函数分别为与

S14：损失函数组合；

根据源域与目标域特征计算出的MMD值以及BILSTM得到的源域与目标域损失函数，基于特征迁移的神经网络模型损失函数如下所示：

其中，λ代表超参数。

2.根据权利要求1所述的基于特征迁移学习的锂电池健康状况监测方法，其特征在于：所述S2包括以下步骤：

根据目标锂电池数据集以及所选择的源域电池数据集，利用基于特征迁移的CNN-BILSTM混合神经网络模型实现锂电池的健康状态监测，即SOH估计与RUL预测；

SOH估计问题表示为：

其中，代表基于迁移学习的CNN-BILSTM模型，C₀代表目标锂电池的额定容量；p_t代表估计开始时的循环数，即p_t之前的循环数据用于网络训练，p_t之后的数据用于网络估计；p_s代表源域数据截止循环数，即p_s之前的源域数据用于迁移；代表目标锂电池第p_t+i循环的电压V，电流I和采样时间t；代表第p_t+i循环的SOH估计值；第代表目标锂电池第p_t个充放电循环的历史容量；代表提供源域数据集锂电池第p_s个充放电循环的电压V，电流I、采样时间t；代表已知的第p_s个充放电循环历史容量；w_SOH代表训练完成后得到的神经网络权值；代表网络损失函数；

对于RUL预测问题，锂电池寿命终止时的容量值为C₀×70％，q_eol代表容量值达到C₀×70％的循环次数，则RUL的定义为：

RUL＝q_eol-q_t (13)

其中，q_t代表预测开始时的循环次数；当运用基于迁移学习的CNN-BILSTM模型预测出锂电池寿命终止容量值时，就可得到q_eol，从而计算出RUL：

其中，0≤i≤q_eol-q_t,0≤j_T≤q_t-sw,0≤j_s≤q_s-sw，q_s代表选择q_s循环之前的源域数据集进行迁移；sw代表滑动窗口大小，代表目标锂电池第q_t+i循环的容量；代表提供源域数据集锂电池第sw+j_s循环的容量；w_RUL代表用于预测RUL的神经网络权重。