基于双塔深度学习网络的电池容量预估模型及方法与流程

1.本发明涉及电池容量预测技术领域，具体地说，涉及一种基于双塔深度学习网络的电池容量预估模型及方法。


背景技术：

2.锂电池具有储能密度高、使用寿命长、自放电率低、重量轻、绿色环保等优点，目前已经广泛应用于手机、笔记本电脑、电动工具、新能源汽车等多种日常生活场景。随着电池使用时间的增加，电池性能不断退化，导致电池容量和功率发生衰退。
3.电池容量（soh）的数学定义如下：其中，表示电池当前状态下的满电电荷量，表示电池出厂时的电池标称电荷量。电池容量（soh）反映的是电池在使用过程中的健康状态，一般在电池的soh小于80%时，则认为电池发生失效。
4.从电池容量（soh）的定义中可以看出，计算电池soh的关键在于精准估计电池当前状态下的实际满电的电荷量，即当前电池容量。精确的容量估计是预测如电动汽车剩余行驶里程的前提，可以避免电池无法满足如电动汽车行驶所需的能量和功率要求的现象的出现，对保障电动汽车安全行驶和驾驶员的生命财产安全具有重要意义。
5.目前研究预测电池容量估计的方法主要又两大类：1、基于模型的方法；2、基于数据驱动的方法。
6.基于模型的方法主要包括电化学模型和等效电路模型，该方法通过采用参数辨识算法识别模型参数，根据离线建立参数和容量的映射关系，实现对电池容量估计。但是该方法由于相对模型较为复杂，参数辨识难度较大，故难以应用于实际电池容量估计。
7.基于数据驱动的方法通过充放电过程变化的变量作为特征参数，预测电池容量。常见的基础特征有：增量容量曲线、微分电压曲线、脉冲放电曲线和充电曲线。该目前大部分采用如svm等机器学习模型，模型表达能力一般，实际应用中容易出现由于电池温度、充电次数不同导致模型精度大幅下降。也即，现有基于数据驱动的方法存在的问题如下：（1）特征构建和模型构建简单，随着环境的改变（温度、充电次数不同）模型预估精度大幅下降；（2）很多数据驱动的方法需要完整的恒流充电曲线，在实际应用中电池充电时还有部分电量，导致该方法的适应场景有限。


技术实现要素：

8.本发明提供了一种基于双塔深度学习网络的电池容量预估模型，其能够克服现有基于数据驱动的方法所存在的如特征构建和模型构建简单等缺陷。
9.根据本发明的一种基于双塔深度学习网络的电池容量预估模型，其包括：第一输入层，其用于输入恒流充电特征序列；第一全连接网络，其用于对恒流充电特征序列进行处理并生成第一输出；
第二输入层，其用于输入随机放电特征序列；第二全连接网络，其用于对随机放电特征序列进行处理并生成第二输出；以及输出层，其用于对第一输出和第二输出进行合并后，生成预估电池容量。
10.为了提升电池容量预测的精度，本发明中基于深度学习网络构建了双塔深度学习网络，其实际属于基于数据驱动法中的基于深度学习模型的电池容量预估模型。相较于传统基于数据驱动的方法，本发明中的电池容量预估模型的优势体现在：1、通过构建深度学习的模型，能够借助机器学习和深度学习优秀的非线性表达性能，大幅提高电池容量估计的精度；2、所构建的电池容量预估模型具有第一全连接网络和第二全连接网络，第一全连接网络能够用于输入单次循环周期中的充电参数（即恒流充电特征序列）进行处理，第二全连接网络能够用于输入单次循环周期中的放电参数（即随机放电特征序列）进行处理，故而能够较佳地兼顾单次循环周期中的充放电特征作为所构建的特征序列，故而能够有效地大幅提高电池容量预估的精度；3、在模型训练时，能够在试验室条件下获取大量的样本数据，故而能够较佳地实现模型的训练，以实现模型预估精度的提升；4、第一全连接网络和第二全连接网络共同构成了双塔网络的单塔，且用于分别对单次循环周期中的充电参数序列和放电参数序列进行处理，通过输出层能够对第一全连接网络和第二全连接网络的输出进行整合并输出，故而能够实现在数据处理时的相互独立及相互补充，故而能够较佳地提升数据处理的精度。
11.作为优选，第一全连接网络具有依次连接的3层全连接网络层，其神经元个数分别为125、64及32；每层全连接网络层的公式为，其中，和分别为第l层全连接网络层的权重矩阵和偏置矩阵，为激活函数，为第l层全连接网络层的输出并作为第l 1层全连接网络层的输入，为第l层全连接网络层输入，首层全连接网络层的输入为恒流充电特征序列，1≤l≤3。故而能够较佳地实现对恒流充电特征序列的处理。
12.作为优选，第二全连接网络具有依次连接的3层全连接网络层，其神经元个数分别为125、64及32；每层全连接网络层的公式为，其中，和分别为第m层全连接网络层的权重矩阵和偏置矩阵，σ为激活函数，为第m层全连接网络层的输出并作为第m 1层全连接网络层的输入，为第m层全连接网络层输入，首层全连接网络层的输入为恒流充电特征序列，1≤m≤3。故而能够较佳地实现对随机放电特征序列的处理。
13.作为优选，输出层的公式为，其中，为输出层的输出，即预估电池容量；和b分别表示输出层的权重矩阵及偏
置矩阵，为第一全连接网络的输出，为第二全连接网络的输出，表示将和进行拼接。故而能够较佳地实现对恒流充电特征序列和随机放电特征序列处理结果的合并，以获取最终输出结果。
14.此外，本发明还提供了一种基于双塔深度学习网络的电池容量预估方法，其包括如下步骤：步骤s1、构建任一上述的电池容量预估模型；步骤s2、对经步骤s1构建的电池容量预估模型进行训练；步骤s3、在一个循环周期中，自预估对象的恒流充电曲线中提取恒流充电特征序列并通过第一输入层输入至第一全连接网络处，自预估对象的随机放电曲线中提取随机放电特征序列并通过第二输入层输入至第二全连接网络处，进而通过输出层输出预估对象在相应循环次数下的预估电池容量。
15.通过本发明中的步骤s1
‑
s3，能够融合电池的恒流充电曲线和随机放电曲线进行电池容量预估，由于电池充放电特性是电池的核心，故二者融合更加能够表达电池的特征，提高电池容量的预估精度。并且，由于所构建的模型为双塔模型，即基于恒流充电特征和随机放电特征分别构建自己的塔网络，且单塔网络层的参数独立，故而能够更好地保留恒流充电特征和随机放电特征的独特性；并且通过输出层，能够较佳地将双塔网络的输出进行融合，并获取最终结果，故而能够较佳地实现数据间的相互补充，以实现结合电池充放电特性实现电池容量的预估。
16.作为优选，步骤s2具体包括如下步骤，步骤s21、构建训练库所构建的训练库具有多条样本数据，单条样本数据自电池同一循环周期中采集且表示为，其中，为单条样本数据的恒流充电特征序列，为单条样本数据的随机放电特征序列，为单条样本数据的标签，表示和所对应的电池实际容量；步骤s22、初始化网络参数；步骤s23、构建损失函数，并基于梯度下降法实现网络参数的优化。
17.通过上述，能够较佳地实现所构建模型的训练，且由于训练库能够在实验室条件下获取，故而使得所训练的模型能够具备更佳的性能。
18.作为优选，步骤s21中，在实验室条件下采集多个电池在多个循环周期中的恒流充电曲线及随机放电曲线，自恒流充电曲线中提取，自随机放电曲线中提取，单条样本数据中的和所对应的循环次数一致，单条样本数据中的为对应循环次数下的电池实际容量。故而能够较佳地结合电池的充放电特性实现电池的容量估计。
19.作为优选，构建q1时，自恒流充电曲线中截取一个特定电压段，之后获取该特定电压段的充电时间t，温度变化，充电电流值i，电池的循环次数及充电时电池的温
度，则，其中，充电时间t表示电池电压自充电至所需的时间，表示电池电压为和时所对应的温度的差值，i表示恒流充电的充电电流，表示电池开始充电时的电池温度。
20.本发明中，在构建恒流充电特征序列时，能够自恒流充电曲线中的某个电压片段处的数据中提取，如电池电芯从3.5v充到3.6v的曲线段；故而使得所构建的恒流充电特征序列不需要完整的随机放电曲线，从而更加贴合实际应用，使得其适用范围更广。
21.作为优选，构建q2时，自随机放电曲线中截取一个特定电压段，之后获取该特定电压段的放电电荷量c、温度变化，电池的循环次数及放电时电池的温度，则，其中，放电电荷量c表示电池电压自放电至所放出的电荷量，温度变化表示电池电压为和时所对应的温度差值，表示电池开始放电时的电池温度。
22.本发明中，在构建随机放电特征序列时，能够自随机放电曲线中的某个电压片段处的数据中提取，如电池电芯从3.6v放电至3.5v的电压片段；故而使得所构建的随机放电特征序列不需要完整的随机放电曲线，从而更加贴合实际应用，使得其适用范围更广。
附图说明
23.图1为实施例1中的电池容量预估模型的构架示意图；图2为实施例1中的电池容量预估方法的示意图。
具体实施方式
24.为进一步了解本发明的内容，结合附图和实施例对本发明作详细描述。应当理解的是，实施例仅仅是对本发明进行解释而并非限定。
25.实施例1结合图1所示，本实施例提供了一种基于双塔深度学习网络的电池容量预估模型，其具有：第一输入层，其用于输入恒流充电特征序列；第一全连接网络，其用于对恒流充电特征序列进行处理并生成第一输出；第二输入层，其用于输入随机放电特征序列；第二全连接网络，其用于对随机放电特征序列进行处理并生成第二输出；以及输出层，其用于对第一输出和第二输出进行合并后，生成预估电池容量。
26.为了提升电池容量预测的精度，本实施例中基于深度学习网络构建了双塔深度学习网络，其实际属于基于数据驱动法中的基于深度学习模型的电池容量预估模型。相较于传统基于数据驱动的方法，本实施例中的电池容量预估模型的优势体现在：1、通过构建深度学习的模型，能够借助机器学习和深度学习优秀的非线性表达性
能，大幅提高电池容量估计的精度；2、所构建的电池容量预估模型具有第一全连接网络和第二全连接网络，第一全连接网络能够用于输入单次循环周期中的充电参数（即恒流充电特征序列）进行处理，第二全连接网络能够用于输入单次循环周期中的放电参数（即随机放电特征序列）进行处理，故而能够较佳地兼顾单次循环周期中的充放电特征作为所构建的特征序列，故而能够有效地大幅提高电池容量预估的精度；3、在模型训练时，能够在试验室条件下获取大量的样本数据，故而能够较佳地实现模型的训练，以实现模型预估精度的提升；4、第一全连接网络和第二全连接网络共同构成了双塔网络的单塔，且用于分别对单次循环周期中的充电参数序列和放电参数序列进行处理，通过输出层能够对第一全连接网络和第二全连接网络的输出进行整合并输出，故而能够实现在数据处理时的相互独立及相互补充，故而能够较佳地提升数据处理的精度。
27.其中，第一全连接网络具有依次连接的3层全连接网络层，其神经元个数分别为125、64及32；每层全连接网络层的公式为，其中，和分别为第l层全连接网络层的权重矩阵和偏置矩阵，为激活函数，为第l层全连接网络层的输出并作为第l 1层全连接网络层的输入，为第l层全连接网络层输入，首层全连接网络层的输入为恒流充电特征序列，1≤l≤3。故而能够较佳地实现对恒流充电特征序列的处理。
28.其中，第二全连接网络具有依次连接的3层全连接网络层，其神经元个数分别为125、64及32；每层全连接网络层的公式为，其中，和分别为第m层全连接网络层的权重矩阵和偏置矩阵，σ为激活函数，为第m层全连接网络层的输出并作为第m 1层全连接网络层的输入，为第m层全连接网络层输入，首层全连接网络层的输入为恒流充电特征序列，1≤m≤3。故而能够较佳地实现对随机放电特征序列的处理。
29.其中，输出层的公式为，其中，为输出层的输出，即预估电池容量；和b分别表示输出层的权重矩阵及偏置矩阵，为第一全连接网络的输出，为第二全连接网络的输出，表示将和进行拼接。故而能够较佳地实现对恒流充电特征序列和随机放电特征序列处理结果的合并，以获取最终输出结果。
30.结合图2所示，本实施例还提供了一种基于双塔深度学习网络的电池容量预估方法，其包括如下步骤：步骤s1、构建所述的电池容量预估模型；
步骤s2、对经步骤s1构建的电池容量预估模型进行训练；步骤s3、在一个循环周期中，自预估对象的恒流充电曲线中提取恒流充电特征序列并通过第一输入层输入至第一全连接网络处，自预估对象的随机放电曲线中提取随机放电特征序列并通过第二输入层输入至第二全连接网络处，进而通过输出层输出预估对象在相应循环次数下的预估电池容量。
31.通过本实施例中的步骤s1
‑
s3，能够融合电池的恒流充电曲线和随机放电曲线进行电池容量预估，由于电池充放电特性是电池的核心，故二者融合更加能够表达电池的特征，提高电池容量的预估精度。并且，由于所构建的模型为双塔模型，即基于恒流充电特征和随机放电特征分别构建自己的塔网络，且单塔网络层的参数独立，故而能够更好地保留恒流充电特征和随机放电特征的独特性；并且通过输出层，能够较佳地将双塔网络的输出进行融合，并获取最终结果，故而能够较佳地实现数据间的相互补充，以实现结合电池充放电特性实现电池容量的预估。
32.可以理解的是，充放电特性为电池的核心，充放电特征能够反映出电池衰老的特征，例如电池衰老程度越大（及soh越低）则充放电过程中的电压下降速度越快。故通过步骤s3，能够同时采集单个循环周期中的恒流充电特征序列和随机放电特征序列，并作为输入特征以实现电池容量的估计，故而使得估计的结果具备更高的精确度。
33.其步骤s2具体包括如下步骤，步骤s21、构建训练库所构建的训练库具有多条样本数据，单条样本数据自电池同一循环周期中采集且表示为，其中，为单条样本数据的恒流充电特征序列，为单条样本数据的随机放电特征序列，为单条样本数据的标签，表示和所对应的电池实际容量；步骤s22、初始化网络参数；步骤s23、构建损失函数，并基于梯度下降法实现网络参数的优化。
34.通过上述，能够较佳地实现所构建模型的训练，且由于训练库能够在实验室条件下获取，故而使得所训练的模型能够具备更佳的性能。
35.本实施例的步骤s23中，所构建的损失函数能够采用l2损失函数，并且能够通过梯度下降法不断优化网络参数，得到最终的网络模型。
36.其步骤s21中，在实验室条件下采集多个电池在多个循环周期中的恒流充电曲线及随机放电曲线，自恒流充电曲线中提取，自随机放电曲线中提取，单条样本数据中的和所对应的循环次数一致，单条样本数据中的为对应循环次数下的电池实际容量。故而能够较佳地结合电池的充放电特性实现电池的容量估计。
37.此外，构建，时，自恒流充电曲线中截取一个特定电压段，之后获取该特定电压段的充电时间t，温度变化，充电电流值i，电池的循环次数及充电时电池的温度，则，
其中，充电时间t表示电池电压自充电至所需的时间，表示电池电压为和时所对应的温度的差值，i表示恒流充电的充电电流，表示电池开始充电时的电池温度。
38.本实施例中，在构建恒流充电特征序列时，能够自恒流充电曲线中的某个电压片段处的数据中提取，如电池电芯从3.5v充到3.6v的曲线段；故而使得所构建的恒流充电特征序列不需要完整的随机放电曲线，从而更加贴合实际应用，使得其适用范围更广。
39.并且，构建时，自随机放电曲线中截取一个特定电压段，之后获取该特定电压段的放电电荷量c、温度变化，电池的循环次数及放电时电池的温度，则，其中，放电电荷量c表示电池电压自放电至所放出的电荷量，温度变化表示电池电压为和时所对应的温度差值，表示电池开始放电时的电池温度。
40.本实施例中，在构建随机放电特征序列时，能够自随机放电曲线中的某个电压片段处的数据中提取，如电池电芯从3.6v放电至3.5v的电压片段；故而使得所构建的随机放电特征序列不需要完整的随机放电曲线，从而更加贴合实际应用，使得其适用范围更广。
41.由于电池在放电的过程中，其放电电流是不断变化的，故随机放电特征序列中并未构建如放电电流或放电时长等特征，而是提取其放电电荷量作为特征。其中，放电电荷量能够基于安时积分法计算获取。
42.此外，可以理解的是，在对预估对象进行实际预测时，能够依照和的构建方法获取当前循环周期中的预估对象的恒流充电特征序列及随机放电特征序列，故而能够较佳地实现预估对象在当前循环周期下的电池容量的预估。
43.本实施例中，一次连续的充电和放电过程构成一个电池的循环周期。
44.总而言之，本实施例中的方案，其优点主要在于：1、通过融合电池的恒流充电曲线和随机放电曲线进行电池容量预估，能够大幅提高电池容量精度；主要原因有二，其一在于，电池充放电特性是电池的核心，在提取充放电特征时，本发明采用特定电压片段的充电时间和特定电压片段的放电电荷量，故使得模型特性的表达能力更强；其二在于，只要采集部分片段的充放电曲线而不需要完整的曲线，故模型的适应性更强；2、基于恒流充电特征和随机放电特征分别构建了自己的塔网络，并形成了双塔深度网络，故而使得单个塔网络的网络层参数独立，故能够更好地保留恒流充电特征和随机放电特征的独特性；且通过输出层的融合，能够相互补充共同预测电池容量，以实现电池容量的预估精度的提升；3、在构建训练库时，能够在收集不同温度、不同循环次数、不同充放电下电池的规律（即特征序列），通过借助于深度网络优秀的非线性拟合能力，使得最终得到的模型性能更强。
45.以上示意性的对本发明及其实施方式进行了描述，该描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。所以，如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。