[发明专利]基于特征迁移学习的锂电池健康状况监测方法

说明书

本发明涉及一种基于特征迁移学习的锂电池健康状况监测方法，属于电池管理技术领域。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。针对在缺少锂电池训练数据情况下，神经网络监测锂电池健康状况效果不佳的问题，研究基于特征迁移学习的锂电池健康状况监测方法。以神经网络模型为对象，设计CNN‑BILSTM串联混合模型，实现空间特征以及双向时间依赖关系的提取；以锂电池数据的特征空间为对象，研究特征迁移学习算法，通过迁移其他数据集的特征知识用于模型训练，实现在缺少训练数据情况下，训练信息的弥补。

技术领域

本发明属于电池管理技术领域，涉及基于特征迁移学习的锂电池健康状况监测方法。

背景技术

锂电池健康状况监测一直是当下的研究热点，包括健康状态(SOH)估计和剩余使用寿命(RUL)预测。在过去的十年中，已经开发了大量基于模型和数据驱动的方法用于锂电池的健康状况监测。基于模型的方法通过分析锂电池的机理，构建物理模型，以进行健康状况监测，包括电化学模型、等效电路模型和经验模型。但是，由于电池不确定的工况和复杂的内部机理，目前没有可靠的模型可以准确描述锂电池的健康行为。

相较于基于模型的方法，基于数据驱动的健康状况监测方法直接从电池老化试验中采集的数据入手，进行数据挖掘和分析与电池健康状态相关的信息，从而实现电池健康状况估算。其中，神经网络(ANN)由于灵活性强且不需要了解电池的工作原理受到了众多研究人员的青睐。例如，研究人员将电压、电流和温度输送到三层神经网络，用于SOH估计。在之后的研究中，模型的选择逐渐从浅层ANN过渡到深层ANN，以实现更优的估计精度，包括卷积神经网络(CNN),循环神经网络(RNN)和长短期记忆神经网络(LSTM)。然而，这些模型在处理时间序列信息时，仍存在一些缺陷。例如，当LSTM网络记忆时间序列的长短期依赖关系时，防止反向误差信息快速衰减的CEC(Constant ErrorCarousel)并没有被控制，导致LSTM难以学习到基本信息，影响网络性能。针对这个问题，研究人员改进LSTM的拓扑结构，得到长期的主动状态跟踪-短期记忆神经网络(AST-LSTM神经网络)的预测框架，以进行SOH估计与RUL预测，并取得优于LSTM的估计精度。同时，由于基于LSTM、AST-LSTM、CNN、或RNN的组合框架可进一步提升神经网络模型的性能，因此组合框架也在锂电池健康状况监测中得到广泛的运用。

然而，上述神经网络方法显示出良好结果的前提是需要充足的锂电池数据进行训练。如果缺乏训练数据，网络模型由于难以学习到足够的信息，通常难以达到令人满意的精度。但是，通过锂电池老化实验获取足量的数据不仅需要消耗不少的人力、物力，还需要花费大量的时间。在实际的工况中，通常难以得到足够的数据用于神经网络模型的训练。因此，如何在缺少训练数据集的情况下取得良好的精度是采用ANN进行锂电池健康状态监测的迫切问题。

发明内容

有鉴于此，本发明的目的在于提供一种基于特征迁移学习的锂电池健康状况监测方法。

为达到上述目的，本发明提供如下技术方案：

基于特征迁移学习的锂电池健康状况监测方法，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。

可选的，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(n∈1,2,...N)CNN模型，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：