基于特征解耦和趋势保持的锂电池跨域容量估计方法

基于地域差异的阅读趋势地域分析 #生活乐趣# #阅读乐趣# #阅读趋势分析#

摘要： 基于特征解耦和趋势保持的锂电池跨域容量估计方法，包括：分别采集在不同工况下工作的锂电池充电过程中的过程量信号，包括：电压、电流和时间；将工况一下采集的数据作为源域数据，将工况二下采集的数据作为目标域数据；建立包括公有特征提取器、私有特征提取器、解码器、预测器和域分类器的域自适应网络；输入有标签的源域数据和无标签的目标域数据对该网络进行训练；训练完成后，将无标签的目标域数据输入训练好的域自适应网络进行前向传播，训练好的域自适应网络输出容量预测结果，实现不同工况下锂电池容量估计和健康状态评估。本公开能够有效提高估计精度、减小了域...

主分类号：

G06F30/27(2020.01)(用于将所要处理的数据转变成为计算机能够处理的形式的输入装置；用于将数据从处理机传送到输出设备的输出装置，例如，接口装置)

权利要求：

1.一种基于特征解耦和趋势保持的锂电池跨域容量估计方法，包括如下步骤： S100：通过电池健康管理系统采集在不同工况下工作的锂电池充电过程的过程量信号，将所述工况一下采集的过程量信号作为源域数据，其所对应的真实容量值是已知的，将所述工况二下采集的过程量信号作为目标域数据，其所对应的容量值是未知的； S200：建立包括公有特征提取器、私有特征提取器、解码器、预测器和域分类器的域自适应网络； S300：同时输入有标签的源域数据和无标签的目标域数据对所述域自适应网络进行训练； S400：训练完成后，将无标签的目标域数据输入训练好的域自适应网络进行前向传播，所述训练好的域自适应网络用于输出容量估计结果，实现不同工况下锂电池的容量估计和健康状态评估； 其中， 步骤S300中，对所述域自适应网络进行训练包括以下子步骤： S301：将有标签的源域数据和无标签的目标域数据同时输入公有特征提取器和私有特征提取器中进行前向传播，提取源域数据和目标域数据的特征，记为：，， 其中：和分别表示从源域数据提取的公有特征和私有特征；和分别表示从目标域数据提取的公有特征和私有特征； S302：将所提取的公有特征和私有特征加和之后经过解码器进行前向传播，得到解码数据，记为：； 其中：表示源域或目标域的公有特征与私有特征之和； S303：将所提取的源域数据的公有特征输入预测器进行前向传播，获得容量标签预测值，记为； S304：将所提取的源域数据和目标域数据的公有特征经域分类器进行前向传播，获得域标签预测值，记为0或1； S305：根据所述容量标签预测值、域标签预测值、解码数据，计算得到预测器、域分类器、编码器和解码器的损失函数，再结合特征之间的区分性损失函数构造目标函数，目标函数构造完成后，进行反向传播； S306：重复执行步骤S301到步骤S304，当迭代次数达到设定的最大迭代次数时，域自适应网络训练完成。 2.根据权利要求1所述的方法，其中， 步骤S100中，所述过程量信号包括充电过程中记录的电流信号、充电电压信号和充电时间信号，其对应的长度都为，用表示充电过程量数据，则：； 所述源域数据表示为： ， 其中，表示第个源域样本，表示与源域样本相对应当前充放电周期的容量值标签，表示源域的样本数目。 3.根据权利要求1所述的方法，其中， 步骤S100中，所述目标域数据表示为：， 其中，表示第个目标域样本，表示目标域的样本数目。 4.根据权利要求1所述的方法，其中， 步骤S200中，所述公有特征提取器、私有特征提取器有相同的结构，都由卷积层、池化层、批归一化层和全连接层构成，用于从输入数据中提取特征； 所述解码器由反卷积层、批归一化层和全连接层组成，用于对提取的特征进行解码； 所述预测器由全连接层构成，用于预测容量； 所述域分类器由全连接层构成，用于辨别输入的特征来自于源域还是目标域。 5.根据权利要求1所述的方法，其中， 步骤S301中，获得源域数据和目标域数据的公有特征和私有特征之后，并计算特征之间的区分性损失函数，表示为：， 其中：和表示分别由和分为行向量组成的矩阵，和表示分别由和分为行向量组成的矩阵，表示平方Frobenuis范数。 6.根据权利要求1所述的方法，其中， 步骤S302中，获得解码数据后，根据真实数据，可计算获得编码器和解码器之间的损失，表示为： ， 其中，表示期望，表示第个样本，表示相对应的解码数据，表示一个批次的数据，表示相似度函数，表示为。 7.根据权利要求1所述的方法，其中， 步骤S303中，获得源域数据的容量标签预测值后，根据源域数据的真实容量标签，计算获得预测器的损失，预测器的损失表示为：。 8.根据权利要求1所述的方法，其中， 步骤S304中，获得域标签预测值后，根据真实的域标签，计算得到域分类器的损失，域分类器的损失表示为：， 其中，表示期望，表示所有源域样本，表示所有目标域样本；为第个源域样本的域标签预测值，为第个目标域样本的域标签预测值。 9.根据权利要求1所述的方法，其中， 步骤S305中，所述损失函数表示为： ， 其中，、和表示权衡系数，权衡系数用网格搜索技术进行搜索，最终确定最优系数组合。

网址：基于特征解耦和趋势保持的锂电池跨域容量估计方法 https://klqsh.com/news/view/209485

相关内容

一种基于储能电站锂电池多维特征的容量估计方法及系统与流程
孙耀杰、王瑜团队提出了一种基于特征匹配的迁移学习锂离子电池容量估计方法
中国出海2.0｜锂电池巨头在前、国产设备商在后，“内卷”下的新业务增长点
全球首发！NGI高性能液流电池BMS测试方案
2025年中国稀有金属行业发展环境、现状分析及未来趋势预测
2023年十大产业趋势投资展望
读懂县域重点产业链的“励志故事”
2025中国环保行业全景调研及市场规模、未来趋势分析
国家自然科学基金选题经验技巧
2025年戏剧电影发展前景 趋势预测

随便看看