申请/专利权人：哈尔滨工业大学

申请日：2023-07-26

公开（公告）日：2024-06-14

公开（公告）号：CN116859247B

主分类号：G01R31/36

分类号：G01R31/36;G01R31/378;G01R31/367;G01R31/382;G01R31/3842;G01R31/385;G01R31/388;G01R31/392;G01R31/387

优先权：

专利状态码：有效-授权

法律状态：2024.06.14#授权;2023.10.27#实质审查的生效;2023.10.10#公开

摘要：基于多源迁移学习的电动汽车锂电池SOH估算方法，它涉及一种电动汽车锂电池SOH估算方法。本发明为了解决现有估算方法难以满足工况下电动车SOH日常估算需求的问题。本发明的步骤包括步骤一、数据预处理及特征提取；步骤二、领域选择；步骤三、SOH估算模型训练；步骤四、构建基于多源对抗领域自适应网络的估算网络。本发明属于电池健康状态及迁移学习技术领域。

主权项：1.基于多源迁移学习的电动汽车锂电池SOH估算方法，其特征在于：所述基于多源迁移学习的电动汽车锂电池SOH估算方法的步骤包括：步骤一、数据预处理及特征提取；步骤二、领域选择；步骤三、SOH估算模型训练；SOH估算模型由网络输入、特征层、回归器和判别器组成；其训练步骤包括：步骤1、特征提取器根据各个源域的标签数据进行训练，以获取有用的特征：在得到源域的特征表示后，这些特征被送入回归层，目标是预测电池的健康状态SOH，得到估算值后使用平均绝对误差L1Loss计算SOH估算值和源域数据的真实SOH值之间的差异，作为回归损失，它计算的是估算值和真实值之间的绝对差值，这个回归损失记为LR；步骤2、每个源域都有一个相应的判别器，判别器使用特征提取器提取的特征进行训练，其目标是区分这些特征是来自源域还是目标域；在训练开始之前将分别给源域和目标与打上域标签，源域的标签被设为1，目标域的标签被设为0；采用二分类的交叉熵损失； 公式⑤中，LCj代表第j个源域的分类损失，yi代表第i个样本的真实标签，fxi代表模型对第i个样本的预测概率，N表示样本数量；步骤3、在训练过程中，特征提取器和判别器进行对抗训练，特征提取器的目标是生成所有判别器都无法区分的特征，即使得源域和目标域在特征空间中的分布尽可能接近，而判别器则试图改进其对源域和目标域特征的区分能力，即尽可能准确地判断出特征是来自源域还是目标域，为了实现这种对抗训练，引入梯度反转层，梯度反转层在前向传播过程中，不改变输入；在反向传播过程中，对梯度进行取反；yGRL＝xGRL⑥ 公式⑥和⑦中，yGRL表示输出特征，xGRL表示输入特征，表示输入偏微分，表示输入偏微分，表示损失偏微分，λ表示梯度加权导数；最终的损失可以表示为公式⑧，公式⑧中同时包含了各个源域的回归损失和判别损失； 公式⑧中，其中θ表示域损失的权重，K表示判别器的个数，LRj表示源域j的回归损失，j表示中间变量；步骤四、构建基于多源对抗领域自适应网络的估算网络。

全文数据：

权利要求：

百度查询： 哈尔滨工业大学 基于多源迁移学习的电动汽车锂电池SOH估算方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD