基于特征迁移学习的锂电池健康状况监测方法与流程

1.本发明属于电池管理技术领域，涉及基于特征迁移学习的锂电池健康状况监测方法。


背景技术：

2.锂电池健康状况监测一直是当下的研究热点，包括健康状态(soh)估计和剩余使用寿命(rul)预测。在过去的十年中，已经开发了大量基于模型和数据驱动的方法用于锂电池的健康状况监测。基于模型的方法通过分析锂电池的机理，构建物理模型，以进行健康状况监测，包括电化学模型、等效电路模型和经验模型。但是，由于电池不确定的工况和复杂的内部机理，目前没有可靠的模型可以准确描述锂电池的健康行为。
3.相较于基于模型的方法，基于数据驱动的健康状况监测方法直接从电池老化试验中采集的数据入手，进行数据挖掘和分析与电池健康状态相关的信息，从而实现电池健康状况估算。其中，神经网络(ann)由于灵活性强且不需要了解电池的工作原理受到了众多研究人员的青睐。例如，研究人员将电压、电流和温度输送到三层神经网络，用于soh估计。在之后的研究中，模型的选择逐渐从浅层ann过渡到深层ann，以实现更优的估计精度，包括卷积神经网络(cnn),循环神经网络(rnn)和长短期记忆神经网络(lstm)。然而，这些模型在处理时间序列信息时，仍存在一些缺陷。例如，当lstm网络记忆时间序列的长短期依赖关系时，防止反向误差信息快速衰减的cec(constant errorcarousel)并没有被控制，导致lstm难以学习到基本信息，影响网络性能。针对这个问题，研究人员改进lstm的拓扑结构，得到长期的主动状态跟踪
‑
短期记忆神经网络(ast
‑
lstm神经网络)的预测框架，以进行soh估计与rul预测，并取得优于lstm的估计精度。同时，由于基于lstm、ast
‑
lstm、cnn、或rnn的组合框架可进一步提升神经网络模型的性能，因此组合框架也在锂电池健康状况监测中得到广泛的运用。
4.然而，上述神经网络方法显示出良好结果的前提是需要充足的锂电池数据进行训练。如果缺乏训练数据，网络模型由于难以学习到足够的信息，通常难以达到令人满意的精度。但是，通过锂电池老化实验获取足量的数据不仅需要消耗不少的人力、物力，还需要花费大量的时间。在实际的工况中，通常难以得到足够的数据用于神经网络模型的训练。因此，如何在缺少训练数据集的情况下取得良好的精度是采用ann进行锂电池健康状态监测的迫切问题。


技术实现要素：

5.有鉴于此，本发明的目的在于提供一种基于特征迁移学习的锂电池健康状况监测方法。
6.为达到上述目的，本发明提供如下技术方案：
7.基于特征迁移学习的锂电池健康状况监测方法，该方法包括以下步骤：
8.s1：基于特征迁移学习混合模型的构建；
9.s2：基于特征迁移学习混合模型的应用。
10.可选的，所述s1包括以下步骤：
11.s11：电池数据特征提取；
12.针对一维锂电池序列特点，以1d
‑
cnn为特征提取器，用于提取源域与目标域电池数据的有效特征；对于第n层(n∈1,2,...n)cnn模型，令与表示一维卷积层的输入数据与输出特征，u1代表锂电池输入数据；其中z与v分别代表数据的样本数与通道数；第n层卷积核的个数为第n层卷积神经网络的输出为：
[0013][0014]
其中，σ代表激活函数；代表卷积核的大小；代表第n层卷积第c
j
卷积核的偏置，代表卷积核元素的位置坐标；代表提取特征的位置坐标；表示γ代表卷积步长大小；经过n层卷积过后，输入最大池化层，具体公式如下所示：
[0015][0016]
其中，代表池化输出，它也可代表n 1层卷积的输入；d代表池化步长；代表池化输出坐标；代表池化核大小；
[0017]
当提取源域数据特征时，当提取目标域数据特征时，其中，与分别是源域与目标域的输入样本，并且源域与目标域的输入样本类型，样本长度，即通道数v与数据长度z需保持一致；最终得到源域数据特征目标域数据特征
[0018]
s12：特征mmd值计算；
[0019]
令源域电池数据特征的特征点数为n
s
，目标域电池数据特征的特征点数为n
t
；最大均值差异mmd是迁移学习中的重要参数，可有效衡量两个域特征之间的分布差异；当mmd＝0时，代表两个域特征的分布相同；反之，mmd值越大，代表分布差异也就越大；源域与目标域之间mmd的定义为两域数据点在再生核希尔伯特空间rkhs的rkhs距离；其定义公式为
[0020][0021]
其中，x
s
与x
t
分别代表源域与目标域特征的数据点，φ(
·
)代表将数据映射到rkhs非线性函数；h
k
代表rkhs；φ(
·
)无法确定，根据核技巧k(x
s
,x
t
)＝<φ(x
s
),φ(x
t
)>，公式(3)等价于：
[0022][0023]
其中，k被定义为m个核{k
u
}的凸组合，公式为：
[0024][0025]
在公式(5)中，β
u
为超参数；得到源域与目标域的mmd值为：
[0026][0027]
其中，核{k
u
}被定义为高斯核；
[0028]
s13：源域目标域损失函数计算；
[0029]
从cnn输出的源域与目标域特征值在计算mmd的同时，并输送进bilstm网络中，用以得到源域与目标域电池数据的预测值；对于第l层bi
‑
lstm神经网络，l∈1,2,...l，令代表t时刻的输入，|
·
|代表维度运算符；代表第l层bilstm模块在t
‑
1时刻的输出，其中，e是神经元数；显而易见，u
l 1,t
＝h
l,t
；一个bilstm模块包含一个前向层以及一个反向层；t时刻第l层bilstm的前向层输出为：
[0030][0031]
其中，定义了非线性函数，代表lstm算法；
[0032]
t时刻第l层bilstm的反向层输出表示为：
[0033][0034]
t时刻第l层bilstm的输出为：
[0035][0036]
其中，η(
·
)表示非线性函数，用于合并前反向层的输出；
[0037]
最后，l层bilstm神经网络的输出为：
[0038]
y
l 1
＝w
l 1
h
l,t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)
[0039]
其中，代表全连接层的权重；
[0040]
对于运用l层bilstm神经网络得到源域预测值，即得到预测值当预测目标域数据时，得到预测值令源域数据的真实值为y
s
，目标域数据的真实值为y
t
；得到源域与目标域数据的损失函数分别为与
[0041]
s14：损失函数组合；
[0042]
根据源域与目标域特征计算出的mmd值以及bilstm得到的源域与目标域损失函数，基于特征迁移的神经网络模型损失函数如下所示：
[0043][0044]
其中，λ代表超参数。
[0045]
可选的，所述s2包括以下步骤：
[0046]
根据目标锂电池数据集以及所选择的源域电池数据集，利用基于特征迁移的cnn
‑
bilstm混合神经网络模型实现锂电池的健康状态监测，即soh估计与rul预测；
[0047]
soh估计问题表示为：
[0048][0049]
其中，代表基于迁移学习的cnn
‑
bilstm模型，c0代表目标锂电池的额定容量；p
t
代表估计开始时的循环数，即p
t
之前的循环数据用于网络训练，p
t
之后的数据用于网络估计；p
s
代表源域数据截止循环数，即p
s
之前的源域数据用于迁移；代表目标锂电池第p
t
i循环的电压v，电流i和采样时间t；soh
t,pt i
代表第p
t
i循环的soh估计值；第代表目标锂电池第p
t
个充放电循环的历史容量；代表提供源域数据集锂电池第p
s
个充放电循环的电压v，电流i、采样时间t；代表已知的第p
s
个充放电循环历史容量；w
soh
代表训练完成后得到的神经网络权值；代表网络损失函数；
[0050]
对于rul预测问题，锂电池寿命终止时的容量值为c0×
70％，q
eol
代表容量值达到c0×
70％的循环次数，则rul的定义为：
[0051]
rul＝q
eol
‑
q
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13)
[0052]
其中，q
t
代表预测开始时的循环次数；当运用基于迁移学习的cnn
‑
bilstm模型预测出锂电池寿命终止容量值时，就可得到q
eol
，从而计算出rul：
[0053][0054]
其中，0≤i≤q
eol
‑
q
t
,0≤j
t
≤q
t
‑
sw,0≤j
s
≤q
s
‑
sw，q
s
代表选择q
s
循环之前的源域数据集进行迁移；sw代表滑动窗口大小，代表目标锂电池第q
t
i循环的容量；代表提供源域数据集锂电池第sw j
s
循环的容量；w
rul
代表用于预测rul的神经网络权重。
[0055]
本发明的有益效果在于：从实际应用角度出发，为解决缺乏锂电池训练数据问题提供一种基于特征迁移学习的锂电池健康状况监测方法，弥补锂电池健康状况监测中基于有限训练数据集神经网络建模理论的缺失。针对一维锂电池序列特点，以一维卷积神经网
络(cnn)和双向长短期记忆神经网络(bilstm)为基础模型，构建满足soh、rul任务的组合神经网络，并将特征迁移学习方法融入进组合神经网络模型中，通过特征迁移学习算法，打破传统神经网络方法中训练与测试数据必须同分布的假设，将来自其他数据集的相关特征知识迁移到组合神经网络模型中，弥补由于训练集不足而带来的信息缺失，实现基于有限数据集的高精度锂电池健康状况监测。
[0056]
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
[0057]
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
[0058]
图1为基于特征迁移学习的cnn
‑
bilstm神经网络系统。
具体实施方式
[0059]
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
[0060]
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
[0061]
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
[0062]
针对在缺少锂电池训练数据情况下，神经网络监测锂电池健康状况效果不佳的问题，研究基于特征迁移学习的锂电池健康状况监测方法。以神经网络模型为对象，设计cnn
‑
bilstm串联混合模型，实现空间特征以及双向时间依赖关系的提取；以锂电池数据的特征空间为对象，研究特征迁移学习算法，通过迁移其他数据集的特征知识用于模型训练，实现在缺少训练数据情况下，训练信息的弥补。
[0063]
1)基于特征迁移学习混合模型的构建
[0064]
基于特征迁移学习的锂电池健康状况监测系统，如图1所示。在该系统中，将与测
试集同分布，但数据量较少的锂电池数据集称为目标域数据集；将与测试集不同分布，但含有大量训练数据的电池数据集称为源域数据集。源域数据与目标域数据被同时输送进cnn模型中，以提取源域与目标域特征。为量化两个数据集特征的分布差异，计算出两个数据集特征的最大均值差异(mmd)。同时，将源域特征与目标域特征输入bilstm神经网络中，分别得到源域与目标域的损失函数。最后，结合两个损失函数与mmd值得到最终的神经网络损失函数。经过训练之后，源域提取特征的分布将与目标域特征分布一致，从而源域特征能够被用于目标域的训练，实现源域数据特征的迁移。该系统主要包括电池数据的特征提取、特征mmd值计算、源域目标域损失函数计算和损失函数组合。
[0065]
①
电池数据特征提取
[0066]
针对一维锂电池序列特点，以1d
‑
cnn为特征提取器，用于提取源域与目标域电池数据的有效特征。对于第n层(n∈1,2,...n)cnn模型，令与表示一维卷积层的输入数据与输出特征，u1代表锂电池输入数据。其中z与v分别代表数据的样本数与通道数。第n层卷积核的个数为基于此，第n层卷积神经网络的输出为：
[0067][0068]
其中，σ代表激活函数；代表卷积核的大小。代表第n层卷积第c
j
卷积核的偏置，代表卷积核元素的位置坐标；代表提取特征的位置坐标；表示γ代表卷积步长大小。经过n层卷积过后，输入最大池化层，具体公式如下所示：
[0069][0070]
其中，代表池化输出，它也可代表n 1层卷积的输入；d代表池化步长；代表池化输出坐标。代表池化核大小。
[0071]
因此，当提取源域数据特征时，当提取目标域数据特征时，其中，与分别是源域与目标域的输入样本，并且源域与目标域的输入样本类型，样本长度，即通道数v与数据长度z需保持一致。最终得到源域数据特征目标域数据特征
[0072]
②
特征mmd值计算
[0073]
令源域电池数据特征的特征点数为n
s
，目标域电池数据特征的特征点数为n
t
。最大均值差异(mmd)是迁移学习中的重要参数，可有效衡量两个域特征之间的分布差异。当mmd＝0时，代表两个域特征的分布相同。反之，mmd值越大，代表分布差异也就越大。源域与目标域之间mmd的定义为两域数据点在再生核希尔伯特空间(rkhs)的rkhs距离。其定义公式为
[0074][0075]
其中，x
s
与x
t
分别代表源域与目标域特征的数据点，φ(
·
)代表将数据映射到rkhs非线性函数。h
k
代表rkhs。由于φ(
·
)无法确定，根据核技巧k(x
s
,x
t
)＝<φ(x
s
),φ(x
t
)>，公式(3)等价于：
[0076][0077]
其中，k被定义为m个核{k
u
}的凸组合，公式为：
[0078][0079]
在公式(5)中，β
u
为超参数。因此，得到源域与目标域的mmd值为：
[0080][0081]
其中，核{k
u
}被定义为高斯核。
[0082]
③
源域目标域损失函数计算
[0083]
从cnn输出的源域与目标域特征值在计算mmd的同时，并输送进bilstm网络中，用以得到源域与目标域电池数据的预测值。对于第l层(l∈1,2,...l)bi
‑
lstm神经网络，令代表t时刻的输入，其中，|
·
|代表维度运算符。代表第l层bilstm模块在t
‑
1时刻的输出，其中，e是神经元数。显而易见，u
l 1,t
＝h
l,t
。同时，一个bilstm模块包含一个前向层以及一个反向层。t时刻第l层bilstm的前向层输出为：
[0084][0085]
其中，定义了非线性函数，代表lstm算法。
[0086]
同理，t时刻第l层bilstm的反向层输出可表示为：
[0087][0088]
因此，t时刻第l层bilstm的输出为：
[0089][0090]
其中，η(
·
)表示非线性函数，用于合并前反向层的输出。
[0091]
最后，l层bilstm神经网络的输出为：
[0092]
y
l 1
＝w
l 1
h
l,t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)
[0093]
其中，代表全连接层的权重
[0094]
对于运用l层bilstm神经网络得到源域预测值，即得到预测值同理，当预测目标域数据时，得到预测值令源域数据的真实值为y
s
，目标域数据的真实值为y
t
.因此可得到源域与目标域数据的损失函数分别为与
[0095]
④
损失函数组合
[0096]
根据源域与目标域特征计算出的mmd值以及bilstm得到的源域与目标域损失函数，基于特征迁移的神经网络模型损失函数如下所示：
[0097][0098]
其中，λ代表超参数。
[0099]
2)基于特征迁移学习混合模型的应用
[0100]
针对训练数据量不足的目标锂电池，可选择其他锂电池数据集(例如美国国家航空航天局(nasa)、马里兰(calce)以及自采数据集等)作为源域数据集。根据目标锂电池数据集以及所选择的源域电池数据集，可利用基于特征迁移的cnn
‑
bilstm混合神经网络模型实现锂电池的健康状态监测，即soh估计与rul预测。
[0101]
soh估计问题可表示为：
[0102][0103]
其中，代表基于迁移学习的cnn
‑
bilstm模型，c0代表目标锂电池的额定容量。p
t
代表估计开始时的循环数，即p
t
之前的循环数据用于网络训练，p
t
之后的数据用于网络估计。p
s
代表源域数据截止循环数，即p
s
之前的源域数据用于迁移。代表目标锂电池第p
t
i循环的电压(v)，电流(i)和采样时间(t)。soh
t,pt i
代表第p
t
i循环的soh估计值。第代表目标锂电池第p
t
个充放电循环的历史容量。代表提供源域数据集锂电池第p
s
个充放电循环的电压(v)，电流(i)、采样时间(t)。代表已知的第p
s
个充放电循环历史容量。w
soh
代表训练完成后得到的神经网络权值。代表网络损失函数。
[0104]
对于rul预测问题，锂电池寿命终止时的容量值为c0×
70％，q
eol
代表容量值达到c0×
70％的循环次数，则rul的定义为：
[0105]
rul＝q
eol
‑
q
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13)
[0106]
其中，q
t
代表预测开始时的循环次数。当运用基于迁移学习的cnn
‑
bilstm模型预测出锂电池寿命终止容量值时，就可得到q
eol
，从而计算出rul：
[0107][0108]
其中，(0≤i≤q
eol
‑
q
t
,0≤j
t
≤q
t
‑
sw,0≤j
s
≤q
s
‑
sw)，q
s
代表选择q
s
循环之前的源域数据集进行迁移。sw代表滑动窗口大小，代表目标锂电池第q
t
i循环的容量。代表提供源域数据集锂电池第sw j
s
循环的容量。w
rul
代表用于预测rul的神经网络权重。
[0109]
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。