[发明专利]基于双塔深度学习网络的电池容量预估模型及方法

说明书

本发明涉及电池容量预测技术领域，具体地说，涉及一种基于双塔深度学习网络的电池容量预估模型及方法。该电池容量预估模型包括：第一输入层，其用于输入恒流充电特征序列；第一全连接网络，其用于对恒流充电特征序列进行处理并生成第一输出；第二输入层，其用于输入随机放电特征序列；第二全连接网络，其用于对随机放电特征序列进行处理并生成第二输出；以及输出层，其用于对第一输出和第二输出进行合并后，生成预估电池容量。该方法基于上述模型实现。本发明具备更高的电池容量估计精度。

技术领域

本发明涉及电池容量预测技术领域，具体地说，涉及一种基于双塔深度学习网络的电池容量预估模型及方法。

背景技术

锂电池具有储能密度高、使用寿命长、自放电率低、重量轻、绿色环保等优点，目前已经广泛应用于手机、笔记本电脑、电动工具、新能源汽车等多种日常生活场景。随着电池使用时间的增加，电池性能不断退化，导致电池容量和功率发生衰退。

电池容量(SOH)的数学定义如下：其中，Q_actual表示电池当前状态下的满电电荷量，Q_rated表示电池出厂时的电池标称电荷量。电池容量(SOH)反映的是电池在使用过程中的健康状态，一般在电池的SOH小于80％时，则认为电池发生失效。

从电池容量(SOH)的定义中可以看出，计算电池SOH的关键在于精准估计电池当前状态下的实际满电的电荷量，即当前电池容量。精确的容量估计是预测如电动汽车剩余行驶里程的前提，可以避免电池无法满足如电动汽车行驶所需的能量和功率要求的现象的出现，对保障电动汽车安全行驶和驾驶员的生命财产安全具有重要意义。

目前研究预测电池容量估计的方法主要又两大类：1、基于模型的方法；2、基于数据驱动的方法。

基于模型的方法主要包括电化学模型和等效电路模型，该方法通过采用参数辨识算法识别模型参数，根据离线建立参数和容量的映射关系，实现对电池容量估计。但是该方法由于相对模型较为复杂，参数辨识难度较大，故难以应用于实际电池容量估计。

基于数据驱动的方法通过充放电过程变化的变量作为特征参数，预测电池容量。常见的基础特征有：增量容量曲线、微分电压曲线、脉冲放电曲线和充电曲线。该目前大部分采用如SVM等机器学习模型，模型表达能力一般，实际应用中容易出现由于电池温度、充电次数不同导致模型精度大幅下降。也即，现有基于数据驱动的方法存在的问题如下：

(1)特征构建和模型构建简单，随着环境的改变(温度、充电次数不同)模型预估精度大幅下降；

(2)很多数据驱动的方法需要完整的恒流充电曲线，在实际应用中电池充电时还有部分电量，导致该方法的适应场景有限。

发明内容

本发明提供了一种基于双塔深度学习网络的电池容量预估模型，其能够克服现有基于数据驱动的方法所存在的如特征构建和模型构建简单等缺陷。

根据本发明的一种基于双塔深度学习网络的电池容量预估模型，其包括：

第一输入层，其用于输入恒流充电特征序列；

第一全连接网络，其用于对恒流充电特征序列进行处理并生成第一输出；

第二输入层，其用于输入随机放电特征序列；

第二全连接网络，其用于对随机放电特征序列进行处理并生成第二输出；以及

输出层，其用于对第一输出和第二输出进行合并后，生成预估电池容量。

为了提升电池容量预测的精度，本发明中基于深度学习网络构建了双塔深度学习网络，其实际属于基于数据驱动法中的基于深度学习模型的电池容量预估模型。相较于传统基于数据驱动的方法，本发明中的电池容量预估模型的优势体现在：