【技术实现步骤摘要】
本专利技术属于电池荷电状态估计，具体涉及具备快速迁移能力的锂电池荷电状态估计系统及方法。
技术介绍
1、电动汽车已经引起了产业界和学术界的极大兴趣。可充电锂离子电池目前是电动汽车的最佳选择，因为它们具有合理的能量/功率密度、循环寿命和低自放电率等优点。尽管提高能量/功率密度可以促进电动汽车的采用，但它也可能导致潜在的效率和安全隐患。另一个阻碍电动汽车广泛采用的关键障碍是续航焦虑。因此，一个能够提供监控电池运行能力信息的先进电池管理系统对于准确确定荷电状态和优化电池行为至关重要。
2、本质上，荷电状态是电动汽车的燃油表等效物，定义为剩余容量与总容量之比。它是多种电池管理系统功能的关键参数，如估计行驶范围、健康诊断、最佳充电控制、平衡等。荷电状态不能直接测量。相反，必须通过电池管理系统提供的可测量量，如终端电压、电流和温度来估计。在这种情况下，估计的准确性和不确定性量化非常重要，这使得电池管理系统能够做出稳健的控制和优化决策，避免意外的故障和损失。然而，由于高度非线性的动态行为、温度和负载轮廓的变化以及复杂的退化轨迹，准确和稳健的荷电状态估计仍然是一项具有挑战性的任务。
技术实现思路
1、本专利技术旨在解决现有技术的不足，提出一种具备快速迁移能力的锂电池荷电状态估计系统及方法，对于不同温度下电池表现的不同性质，能够通过快速的迁移学习，使用少量数据建立锂电池荷电状态估计模型。在估计锂电池荷电状态的同时给出该估计值的不确定性区间。
2、为实现上述目的，本专利技术提供
3、具备快速迁移能力的锂电池荷电状态估计系统，包括：数据测量模块、神经网络训练模块、网络更新模块和状态评估模块；
4、所述数据采集模块用于采集锂电池的历史数据，所述历史数据包括：历史电压数据、历史电流数据、历史温度数据和历史荷电状态数据；
5、所述神经网络训练模块用于构建初始状态评估网络，并基于所述历史数据对所述初始状态评估网络进行训练，得到状态评估网络；
6、所述网络更新模块用于测量锂电池实时数据，并基于所述锂电池实时数据对所述状态评估网络的参数进行更新，得到更新后状态评估网络，所述锂电池实时数据包括：实时电压数据、实时电流数据和实时温度数据；
7、所述状态评估模块用于基于所述更新后状态评估网络和所述锂电池实时数据进行状态评估，得到评估结果。
8、优选的，所述神经网络训练模块包括：网络构建单元和网络训练单元；
9、所述网络构建单元用于构建所述初始状态评估网络，所述初始状态评估网络的结构包括：由串联卷积神经网络、门控循环单元神经网络构成的神经网络层和稀疏高斯过程回归层；
10、所述网络训练单元用于基于所述历史数据和半随机异步梯度下降算法对所述初始状态评估网络进行训练，得到所述状态评估网络。
11、优选的，所述网络训练单元的工作流程包括：
12、将所述历史数据进行标签化，得到输入数据序列x和相应的荷电状态数据，所述输入数据序列x包括：所述历史电压数据、所述历史电流数据和所述历史温度数据；
13、初始化所述稀疏高斯过程回归层的参数θ和所述神经网络层的权重参数w；
14、基于所述输入数据序列x和所述参数θ计算核矩阵k；
15、利用所述半随机异步梯度下降算法对所述参数θ进行全批量梯度下降优化，对所述权重参数w进行随机小批量梯度下降优化，直到算法收敛，完成网络训练；
16、其中梯度下降优化对应的损失函数由所述历史电荷状态数据与网络输出的电荷状态数据的差异得到，为负对数边际似然函数。
17、优选的，所述网络更新模块的工作流程包括：利用快速迁移机制对所述神经网络层的权重参数w进行冻结，对所述稀疏高斯过程回归层的参数θ进行快速迁移优化，得到所述更新后状态评估网络。
18、本专利技术还提供了具备快速迁移能力的锂电池荷电状态估计方法，所述估计方法应用于上述任一项所述的估计系统，包括以下步骤：
19、采集锂电池的历史数据，所述历史数据包括：历史电压数据、历史电流数据、历史温度数据和历史荷电状态数据；
20、构建初始状态评估网络，并基于所述历史数据对所述初始状态评估网络进行训练，得到状态评估网络；
21、测量锂电池实时数据，并基于所述锂电池实时数据对所述状态评估网络的参数进行更新，得到更新后状态评估网络，所述锂电池实时数据包括：实时电压数据、实时电流数据和实时温度数据；
22、基于所述更新后状态评估网络和所述锂电池实时数据进行状态评估，得到评估结果。
23、优选的，所述初始状态评估网络的结构包括：由串联卷积神经网络、门控循环单元神经网络构成的神经网络层和稀疏高斯过程回归层。
24、优选的，所述训练的方法包括：
25、将所述历史数据进行标签化，得到输入数据序列x和相应的荷电状态数据，所述输入数据序列x包括：所述历史电压数据、所述历史电流数据和所述历史温度数据；
26、初始化所述稀疏高斯过程回归层的参数θ和所述神经网络层的权重参数w；
27、基于所述输入数据序列x和所述参数θ计算核矩阵k；
28、利用所述半随机异步梯度下降算法对所述参数θ进行全批量梯度下降优化，对所述权重参数w进行随机小批量梯度下降优化，直到算法收敛，完成网络训练；
29、其中梯度下降优化对应的损失函数由所述历史电荷状态数据与网络输出的电荷状态数据的差异得到，为负对数边际似然函数。
30、优选的，所述更新的方法包括：利用快速迁移机制对所述神经网络层的权重参数w进行冻结，对所述稀疏高斯过程回归层的参数θ进行快速迁移优化，得到所述更新后状态评估网络。
31、与现有技术相比，本专利技术的有益效果为：
32、(1)本专利技术能够对不同温度条件下的电池数据进行有效的荷电状态估计，并提供结果不确定性区间；
33、(2)本专利技术通过结合卷积神经网络、门控循环单元神经网络和稀疏高斯过程回归，可以处理以电池放电电压、电流、表面温度为代表的长序列数据，并得到输出结果的不确定度定量区间；相对与传统的高斯过程回归，引入核结构利用的稀疏高斯过程回归能极大的减轻输入数据长度的限制并明显降低训练和预测的时间；
34、(3)本专利技术具有快速的迁移学习机制，对于训练数据之外的温度工况，提供少量训练数据即可快速进行模型迁移；相对于传统的微调式迁移学习，本方法提出的非参数化迁移学习机制能够显著减少迁移花费时间。
本文档来自技高网...【技术保护点】
1.具备快速迁移能力的锂电池荷电状态估计系统，其特征在于，包括：数据测量模块、神经网络训练模块、网络更新模块和状态评估模块；
2.根据权利要求1所述具备快速迁移能力的锂电池荷电状态估计系统，其特征在于，所述神经网络训练模块包括：网络构建单元和网络训练单元；
3.根据权利要求2所述具备快速迁移能力的锂电池荷电状态估计系统，其特征在于，所述网络训练单元的工作流程包括：
4.根据权利要求3所述具备快速迁移能力的锂电池荷电状态估计系统，其特征在于，所述网络更新模块的工作流程包括：利用快速迁移机制对所述神经网络层的权重参数W进行冻结，对所述稀疏高斯过程回归层的参数θ进行快速迁移优化，得到所述更新后状态评估网络。
5.具备快速迁移能力的锂电池荷电状态估计方法，所述估计方法应用于权利要求1-4任一项所述的估计系统，其特征在于，包括以下步骤：
6.根据权利要求5所述具备快速迁移能力的锂电池荷电状态估计方法，其特征在于，所述初始状态评估网络的结构包括：由串联卷积神经网络、门控循环单元神经网络构成的神经网络层和稀疏高斯过程回归层。
<...【技术特征摘要】
1.具备快速迁移能力的锂电池荷电状态估计系统，其特征在于，包括：数据测量模块、神经网络训练模块、网络更新模块和状态评估模块；
2.根据权利要求1所述具备快速迁移能力的锂电池荷电状态估计系统，其特征在于，所述神经网络训练模块包括：网络构建单元和网络训练单元；
3.根据权利要求2所述具备快速迁移能力的锂电池荷电状态估计系统，其特征在于，所述网络训练单元的工作流程包括：
4.根据权利要求3所述具备快速迁移能力的锂电池荷电状态估计系统，其特征在于，所述网络更新模块的工作流程包括：利用快速迁移机制对所述神经网络层的权重参数w进行冻结，对所述稀疏高斯过程回归层的参数θ进行快速迁移优化，得到所述更新后状态评估网络。
5.具备快...
【专利技术属性】
技术研发人员：董广忠，陈浩楠，沈富康，楼云江，王夷飞，张明明，孙丽，
申请(专利权)人：哈尔滨工业大学深圳哈尔滨工业大学深圳科技创新研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。