申请/专利权人：香港中文大学(深圳)

申请日：2022-05-10

公开（公告）日：2024-06-14

公开（公告）号：CN115015760B

主分类号：G01R31/367

分类号：G01R31/367;G01R31/378;G01R31/392;G01R31/396;G06N3/045;G06N3/0464;G06N3/096;G06N3/098;G06N20/00;G06N20/20

优先权：

专利状态码：有效-授权

法律状态：2024.06.14#授权;2022.09.23#实质审查的生效;2022.09.06#公开

摘要：基于神经网络、迁移集成学习的锂电池健康状态评估方法，它涉及一种锂电池健康状态评估方法。本发明为了解决现有锂电池健康评估方法由于训练数据集不充分，导致无法获得良好预测精度的问题。本发明的具体步骤为：步骤一、根据现有电池S在完整充放电过程中记录的数据集；步骤二、恒流阶段电压、恒压电流阶段、容量增量和电池与环境的温差作为输入；步骤三、针对新电池T，进行n次充放电过程中并记录其参数数据集；步骤四、迁移学习从数据集充足的电池S学习到的CNN参数模型来帮助训练数据集不足的目标任务电池T；步骤五、利用集成学习将两个CNN‑TL模型结合起来，通过训练生成新的模型CNN‑TL出。本发明属于电池管理技术领域。

主权项：1.基于神经网络、迁移集成学习的锂电池健康状态评估方法，其特征在于：基于神经网络、迁移集成学习的锂电池健康状态评估方法是通过如下步骤实现的：步骤一、根据现有电池S在完整充放电过程中记录的数据集，将恒流充电阶段的电压、恒压充电阶段的电流、容量增量和电池与环境的温差作为4个健康指标，即训练集中的特征向量，将电池健康状态SOH作为训练集中的标记；步骤二、恒流阶段电压、恒压电流阶段、容量增量和电池与环境的温差作为输入，SOH作为输出，建立卷积神经网络CNN算法模型；CC-CV充电阶段所提取的电压、电流、温度数据，以及此阶段不同温度下充电容量与未老化容量比值，构建训练样本对所述CNN算法模型进行训练；基于训练好的CNN算法模型估计当前条件下的SOH；步骤三、针对新电池T，进行n次充放电过程中并记录其参数数据集，该数据集仍需包含恒流阶段电压、恒压电流阶段和电池与环境的温差加上容量增量作为特征向量，并包含电池健康状态SOH作为标记；步骤四、迁移学习从数据集充足的电池S学习到的CNN参数模型来帮助训练数据集不足的目标任务电池T，通过训练迭代生成两个新的CNN-TL模型；源任务电池S和目标任务电池T的参数单独描述为：θS＝θ0+vSandθT＝θ0+vT5，公式5中，θS表示源任务参数，θT表示目标任务参数，θ0表示源任务向目标任务传递的通用参数，vS表示与源任务相关的参数，vT表示与目标任务相关的参数；步骤四的具体流程如下：使用数据{xS,zS}对CNN模型进行训练，其中xs表示特征值，即HIs，zS表示训练中的标签，即SOH；预先训练的参数θS表示通过CNN训练已学习到的参数，通过最小化估计的均方根误差RMSE得到预训练的参数： s.t.z^Si＝θS·xSi＝θ0+vS·xSi7，公式6和7中，z^Si是zSi的估计值，θ0来自源任务的参数θS，zSi表示源数据集的SOH，xSi表示源任务中选取的特征值；步骤五、利用集成学习将两个CNN-TL模型结合起来，通过训练生成新的模型CNN-TL；通过加权平均法则将权重分配给SOH估计的连续输出；将两个独立的CNN-TL模型合并为CNN-TL-EL模型，两个独立的CNN-TL模型的输出描述为：将一个权值向量赋给输出，最终结果为：y^T＝βT·z^T8，公式8中，y^T表示CNN-TL-EL模型的输出值，z^T表示包含了两个独立CNN-TL子模型预测值的向量。

全文数据：

权利要求：

百度查询： 香港中文大学(深圳) 基于神经网络、迁移集成学习的锂电池健康状态评估方法

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