基于迁移学习的锂离子电池容量预测方法技术

本发明专利技术为一种基于迁移学习的锂离子电池容量预测方法，首先对电池进行充电实验，在充电过程中对电流进行采样，计算每个周期的电池容量；然后，从数据集中随机选取一个电池作为目标电池，利用动态时间规整计算目标电池与剩余电池容量序列的最小距离，选取最小距离位于距离阈值范围内的剩余电池作为候选电池；计算目标电池和各个候选电池的容量退化率，选取容量退化率位于阈值区间内的候选电池作为最接近候选电池；计算目标电池与各个最接近候选电池的周期比，选取周期比位于周期比阈值范围内的最接近候选电池作为源域电池；最后，基于长短时记忆神经网络和注意力机制构建容量预测模型，利用源域电池的容量数据对模型进行预训练，利用目标电池已知周期的容量数据对预训练模型进行重新训练并对参数进行微调，得到训练后的容量预测模型。该方法能够在目标电池全局容量退化趋势未知的情况下，为目标电池提供参考，提高预测精度。提高预测精度。提高预测精度。

【技术实现步骤摘要】
基于迁移学习的锂离子电池容量预测方法


[0001]本专利技术属于电池管理
，特别是一种基于迁移学习的锂离子电池容量预测方法。

技术介绍

[0002]锂离子电池因其输出电压高、循环寿命长、能量密度高、环境友好等优点而被广泛应用于军事、航空航天、便携式终端、电动汽车等领域。然而，锂离子电池的性能随着使用时间和电化学成分的降低而下降，导致容量和功率衰减，当容量下降至失效阈值时可能会引发电池故障，因此电池容量预测对于提高电池使用过程中的安全性和可靠性具有重要作用。
[0003]根据预测步数量不同，可将锂离子电池容量预测分为单步预测和多步预测，单步预测是根据当前周期的容量数据预测下一周期的容量，多步预测是利用前面几个周期的真实容量数据，预测下一周期的容量，并利用预测值更新输入序列，预测再下一个周期的容量。在多步预测过程中，只在前几个周期预测时用到真实数据，预测得到的容量数据会用于更新输入，当每次预测的容量数值都比前几个周期的真实数据大时，就会导致预测得到的退化曲线呈飞升向上的趋势；当预测的容量数值相差甚小，就会导致预测得到的退化曲线几乎呈直线。此外，随着周期的增加，预测的容量数据逐渐与真实数据相差较大，因此误差累计越来越大。
[0004]迁移学习是指从相关领域中迁移标注数据或者知识结构，完成或改进目标域的学习效果，迁移学习可以利用数据、任务或模型之间的相似性，将在旧领域(源域)学习过的模型和知识应用于新领域(目标域)。对于锂离子电池容量预测而言，源域电池完整的容量数据能够帮助确定目标电池的整体退化趋势，弥补目标电池后续周期缺失的信息。因此，本申请提出一种基于迁移学习的锂离子电池容量预测方法，由源域电池建立预训练模型，在此基础上用目标电池的少量数据对预训练模型进行微调，得到最终的预测模型，能够有效地解决累计误差大，预测曲线呈飞升向上或者直线的问题。

技术实现思路

[0005]针对现有技术的不足，本专利技术拟解决的技术问题是，提供一种基于迁移学习的锂离子电池容量预测方法。
[0006]本专利技术解决所述技术问题采用的技术方案是：
[0007]一种基于迁移学习的锂离子电池容量预测方法，其特征在于，该方法包括以下步骤：
[0008]步骤1：对电池进行充电实验，在充电过程中对电流进行采样，计算每个周期的电池容量；
[0009]步骤2：从数据集中随机选取一个电池作为目标电池，利用动态时间规整计算目标电池与剩余电池容量序列的最小距离，选取最小距离位于距离阈值范围内的剩余电池作为
候选电池；
[0010]根据式(2)计算目标电池和各个候选电池的容量退化率R，选取容量退化率位于阈值区间内的候选电池作为最接近候选电池；
[0011][0012]公式(2)中，Q
w％
×
K
表示电池第w％
×
K个周期的容量，K为总周期数，w∈(0,100]，Q1表示电池第一个周期的容量；
[0013]根据式(3)计算目标电池与各个最接近候选电池的周期比δ，选取周期比位于周期比阈值范围内的最接近候选电池作为源域电池；
[0014][0015]公式(3)中，表示目标电池A总周期前w％的容量序列长度，表示第q个候选电池总周期前w％的容量序列长度；
[0016]步骤3：基于长短时记忆神经网络和注意力机制构建容量预测模型；容量预测模型包括多个长短时记忆单元，所有长短时记忆单元的输出经过注意力计算后，再经过两个全连接层，得到模型输出；
[0017]利用源域电池的容量数据对容量预测模型进行预训练，得到预训练容量预测模型；保持预训练容量预测模型除两个全连接层外其余结构的参数不变，利用目标电池的容量数据对预训练容量预测模型进行重新训练，得到训练后的容量预测模型；
[0018]步骤4：将目标电池的容量数据[Q
m
‑
r+1
，Q
m
‑
r+2
，...，Q
m
]输入到训练后的容量预测模型中，得到第m+1个周期的容量预测值其中m表示目标电池已知容量数据的周期数，r表示输入窗口大小；将输入到训练后的容量预测模型中，得到第m+2个周期的容量预测值以此类推，完成目标电池的容量预测。
[0019]进一步的，所述距离阈值范围为[0.002，0.02]；容量退化率的阈值区间为[R0‑
0.005，R0+0.005]，R0表示目标电池的容量退化率；周期比阈值范围为[0.8，1.3]。
[0020]进一步的，根据下式进行注意力计算：
[0021][0022]公式(5)中，h
g
表示第g个长短时记忆单元的输出，T表示矩阵转置，ω和b分别表示权重矩阵和偏置，Φ(
·
)表示非线性激活函数，s
g
表示第g个长短时记忆单元的输出的注意力权重，softmax(
·
)表示激活函数，α
g
表示归一化后的注意力权重，O表示注意力计算得到的特征向量，H＝{h1，h2，...，h
g
，...，h
G
}
T
表示所有长短时记忆单元的输出组成的向量，G表示长短时记忆单元的数量，A＝{α1，α2，...，α
g
，...，α
G
}表示注意力权重向量，表示两个向量对应元素的点积。
[0023]与现有技术相比，本专利技术的有益效果如下：
[0024]1.本专利技术基于每个电池总周期前30％的容量数据，以动态时间规整、容量退化率
和周期比三个指标逐步筛选得到源域电池，源域电池的容量退化趋势与目标电池最相似，将源域电池作为迁移学习的样本电池。基于迁移学习，利用源域电池的容量数据对容量预测模型进行预训练，使用目标电池已知周期的容量数据对预训练容量预测模型进行微调，得到训练后的容量预测模型，并用于目标电池的容量预测，由于目标电池预测周期的容量数据是缺失的，而源域电池和目标电池的容量退化趋势较为相似，模型通过源域电池的容量数据学习到与目标电池相似的全局信息，从而能够在未知目标电池全局容量退化趋势的情况下，为目标电池提供参考，弥补目标电池缺失的全局信息，再结合目标电池的已知数据对模型加以微调，提高模型的预测能力。与现有技术指定源域电池的方式相比，本专利技术可以显著提高预测精度。
[0025]2.基于长短时记忆神经网络和注意力机制建立容量预测模型，长短时记忆神经网络适用于时间序列数据的预测，可以学习长期依赖信息，实现多步或长期预测；注意力机制将注意力权重赋值给最为相关的信息，提高模型的准确性。
[0026]3.验证结果表明，本专利技术方法可对电池的容量进行长期预测，为判断电池是否达到寿命终止，是否需要更换提供依据，且该方法适用于不同工况的锂离子电池。
附图说明
[0027]图1为本专利技术的整体流程图；
[0028]图2为本专利技术的电池充电曲线图；
[0029]图3为本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于迁移学习的锂离子电池容量预测方法，其特征在于，该方法包括以下步骤：步骤1：对电池进行充电实验，在充电过程中对电流进行采样，计算每个周期的电池容量；步骤2：从数据集中随机选取一个电池作为目标电池，利用动态时间规整计算目标电池与剩余电池容量序列的最小距离，选取最小距离位于距离阈值范围内的剩余电池作为候选电池；根据式(2)计算目标电池和各个候选电池的容量退化率R，选取容量退化率位于阈值区间内的候选电池作为最接近候选电池；公式(2)中，Q
w％
×
K
表示电池第w％
×
K个周期的容量，K为总周期数，w∈(0,100]，Q1表示电池第一个周期的容量；根据式(3)计算目标电池与各个最接近候选电池的周期比δ，选取周期比位于周期比阈值范围内的最接近候选电池作为源域电池；公式(3)中，表示目标电池A总周期前w％的容量序列长度，表示第q个候选电池总周期前w％的容量序列长度；步骤3：基于长短时记忆神经网络和注意力机制构建容量预测模型；容量预测模型包括多个长短时记忆单元，所有长短时记忆单元的输出经过注意力计算后，再经过两个全连接层，得到模型输出；利用源域电池的容量数据对容量预测模型进行预训练，得到预训练容量预测模型；保持预训练容量预测模型除两个全连接层外其余结构的参数不变，利用目标电池的容量数据对预训练容量预测模型进行重新训练，得到训练后的容量预测模型；步骤4：将目标电池的容量数据[Q
m
‑
r+1
,Q
m
‑
r+2
,....

【专利技术属性】
技术研发人员：郭永芳，王雅爽，丁鹏元，赵赫，余湘媛，
申请(专利权)人：河北工业大学，
类型：发明
国别省市：