利用CNN-LSTM及迁移学习策略，高效提升锂离子电池SOC估算能力

科技 2024-11-26 21:43 浙江

摘要 - 锂离子电池荷电状态（SoC）算法的开发需要进行不同的实验室测试，这涉及资金和时间成本。此外，对于每个新的锂离子电池参考型号，通常都必须重复这些实验工作。为了尽量减少这个问题，本文提出了一种开发SoC算法的新方法，即结合循环神经网络和迁移学习方法。后一种技术将使得能够利用先前测试过的电池参考型号所生成的数据，并将其用于开发新电池参考型号的SoC估计算法。本研究使用从电化学模型生成的合成数据为所提出的方法提供了概念验证，该合成数据描述了不同锂离子电池参考型号的行为。

1.简介

准确估算锂离子电池的荷电状态（SoC）对于确保其安全和优化使用至关重要。SoC估计算法的开发需要在不同操作条件（温度、电流或健康状态SoH）下对锂离子电池进行多次测试，通常在实验室环境中进行，这既耗时又耗费成本。该研究领域的一个重要问题是，为一种特定电池参考型号开发的SoC估计模型不一定适用于不同的电池参考型号（不同制造商、尺寸、化学成分等）。这意味着每次为新电池开发SoC估计算法时，所有实验室测试工作都必须从头开始，导致大量时间和经济资源的周期性浪费。

图1.总结了基于TL的SOC估计算法开发方法的概念流程图。

本文的主要目标是提出一种开发SoC估计算法的新方法，利用先前测试或部署的电池参考型号所生成的数据和先验知识。在这项工作中，通过将人工神经网络（ANN）算法与迁移学习（TL）方法相结合来解决这个问题。这些方法包括：首先，使用从先前测试和/或部署的电池参考型号获得的数据训练ANN；然后，使用来自新电池参考型号的少量数据重新训练ANN，从而得出相应的SoC估计算法。这样，期望获得的SoC估计算法能够提供准确的估计，同时减少新电池参考型号所需的实验室工作量和/或现场数据收集时间。在这项工作中，使用代表两种不同电池参考型号循环行为的两个不同数据集，为这种新的SoC估计算法方法提供了概念验证。第一个数据集由从广泛接受的电化学模型生成的合成数据组成，第二个数据集（用于应用TL方法）是通过在实验室环境中对真实电池进行循环测试生成的。

2.锂电SOC估计算法的设计与迁移学习策略

算法设计基础：本研究开发的SoC估计算法基于人工神经网络（ANN），其中卷积神经网络（CNN）与循环神经网络（RNN）的组合极具价值。CNN擅长从不同输入中提取特征，并且因其能自动检测输入数据的重要特征，从而可减少处理数据时的参数数量，这有助于提取关键特征并探寻不同输入参数间的关系。RNN包含记忆电池，能存储先前时间步的估计状态，进而在未来估计中加以考虑以提升准确性，尤其适用于提取构成输入和输出数据的时间序列的时间关系。本工作选用长短期记忆（LSTM）神经元，因其在不同循环神经元中具备最强的记忆能力。

图2. CNN体系结构。

图3. LSTM架构。

算法输入输出与架构：在开发电池SoC估计算法时，考虑了四个不同的输入变量，即电池电压、电流、温度和先前电池SoC估计值，算法输出为电池的SoC（如图4所示为所提出算法的架构方案）。

图4.所提出的算法方案。

迁移学习应用方式：为开发能充分利用先前测试或部署的电池参考数据及先验知识的SoC估计算法，本研究采用了迁移学习（TL）方法。TL是一种成功的方法，可将先前任务中获取的知识和技能应用于新任务。在本工作中，通过完全重新训练神经网络来实施TL，即不冻结任何层，重新训练算法不同层中的所有值。

3.研究中使用的数据集

数据集概述：本研究使用了两个不同的数据集，每个数据集对应特定的电池参考型号。两个数据集的每个输入数据样本都包含不同变量（温度、电压、电流和先前SoC），以便人工神经网络（ANN）量化它们对电池基础SoC的影响。

第一个数据集（基于电化学模型的合成数据）：该数据集使用广泛接受的电化学模型模拟LCO基电池（即Doyle电池）的行为生成。设计了特定的循环曲线，包含不同类型的充电和放电阶段（恒定电流、恒定电压或不同充电/放电水平），并穿插不同时长的暂停。此循环曲线旨在便于评估开发的SoC估计算法性能，以易于识别算法弱点。循环曲线在0°C至45°C的多个温度值下应用，在每个温度下，以0.5C至4C放电和0.5C至1C充电的不同C - rate模拟充放电循环（1C为最大充电电流）。表1总结了循环条件，循环曲线如图5所示。

表1：使用Doyle 电池的电化学模型生成的数据集所涉及的循环条件。

图5.设计轮廓：SoC和电压与时间@ 1C CHA/DCH

第二个数据集（实验室实测数据）：此数据集在实验室环境中生成，对制造商为CALB的商业NMC基58Ah电池进行不同循环测试，包括容量、混合脉冲功率特性（HPPC）和准开路电压（quasi - OCV）测试。容量测试在1C下进行三个充放电循环，HPPC使用不同电流脉冲（在不同SoC水平下从0.5C到3C变化），准OCV测试以0.05C对电池进行充放电。此外，电池还使用上述设计曲线进行测试，并在曲线末尾不同SoC处添加了WLTC曲线，每个条件下测试三个不同电池以确保结果可重复性。

4.结果与讨论

模型训练与对比策略：本研究首先使用Doyle电池电化学模型合成的数据开发了基线人工神经网络（ANN）模型（即“基线模型”），随后采用迁移学习（TL）方法，用实验室中真实商业电池生成的数据对该模型进行重新训练。此外，为了对比评估TL方法的优势，使用仅来自CALB的数据训练了一个新的具有相同配置的ANN模型（即“NMC模型”），以展示不同模型的结果。

基线模型（Baseline Model）结果

模型架构与数据处理：如前文所述，结合CNN和LSTM架构开发SoC估计算法，具体使用16个滤波器的CNN层和5个神经元的双向LSTM层。使用Doyle电池相关数据（在第3节中介绍），并按表2所示进行划分，用于模型的训练、验证和测试。

表2.基线模型/验证/测试配置。

训练与评估过程：使用“训练数据”对算法进行500个轮次的训练，以确定所开发ANN模型的最优权重，保存训练阶段验证数据中平均绝对误差（MAE）最小的模型，然后使用“测试数据”评估算法在未见过数据上的准确性。

表3.对于训练、验证和测试数据集（Doyle数据集）的基线模型所获得的MAE和最大误差。

结果展示与分析：表3展示了训练、验证和测试数据集的MAE及最大误差。图6显示在25°C、1C充电和2C放电条件下的SoC估计，MAE为0.225%，最大误差为1.418%，可以看出SoC估计算法高精度地跟随真实SoC曲线。

图6.25ºC、1C CHA和2C DCH下去设计轮廓的基线模型估计。

NMC模型（用于对比TL方法）结果

模型配置一致性：NMC模型与基线模型架构相同，由16个滤波器的CNN层和5个神经元的双向LSTM层组成，用于对比评估TL方法的效果。

表4.简化的训练数据模型、训练/验证/测试配置。

减少训练数据模型结果

数据使用情况：使用一个25°C测试电池的容量、准OCV和HPPC数据进行ANN训练，用其他三个电池在10°C、25°C和45°C相同曲线的数据进行模型验证，最后用额外电池数据测试SoC估计算法，测试阶段还包括第3节中解释的设计曲线。

图7.在25ºC和1C CHA/DCH下，用减少的训练数据训练的模型进行的SoC估计。

图8.在25ºC和1C CHA/DCH下，用增加的训练数据训练的模型进行的SoC估计。

结果呈现：表5给出了训练、验证和测试数据集的MAE和最大误差。图7展示了算法在设计曲线上的SoC估计，此曲线下算法的MAE为2.48%，最大误差为12.294%。

表5.对于训练、验证和测试数据集（CALB数据集）的不同模型所获得的MAE和最大误差。

增加训练数据模型结果

数据调整与训练：为获得更准确结果和补充信息用于后续比较，在训练数据集中加入更多数据（来自CELL5和CELL10的数据）进行新的训练，验证数据集保持不变，由于CELL5和CELL10用于训练，测试数据集减少。

改进效果显著：值得注意的是，与4.2.1节结果相比，MAE降低了超过1%，最大误差也有所降低。图8显示设计曲线，可观察到估计更准确地跟随真实SoC值，此曲线下算法的MAE为0.941%，最大误差为2.895%。

TL模型（迁移学习模型）结果

TL方法应用：SoC算法开发的最后一步是将TL应用于4.1节中用合成Doyle电池数据训练的模型。

数据使用与模型更新：使用4.2.1节定义的训练数据（表4）重新训练算法，用其他三个在10°C、25°C和45°C循环的电池数据作为验证数据集，剩余电池数据以及设计曲线数据纳入测试数据集。

结果对比优势明显：表5显示了应用TL方法后的误差，与4.2.1节减少训练数据模型相比误差降低超过1.2%，与4.2.2节增加训练数据模型相比降低0.25%。图9展示了使用TL更新模型后在设计曲线上的SoC估计，与图7结果相比，SoC估计显著改善，此曲线下MAE为0.450%，最大误差为1.408%。

图9.25ºC和TL模型对1C CHA/DCH下设计轮廓的SoC估算。

5.总结

本文提出了一种基于迁移学习（TL）方法开发锂离子电池荷电状态（SoC）估计算法的新方法，并进行了概念验证。其主要目标是减少新电池参考型号的SoC算法开发时对大量实验室测试的需求，通过利用先前已测试或部署的不同电池参考数据中编码的有用信息来实现。

研究使用由卷积神经网络（CNN）层和长短期记忆网络（LSTM）层组成的神经网络开发了SoC估计算法，并使用四个不同训练数据集训练得到四个不同模型：“基线模型”仅用基于LCO的合成数据（由先前验证的电化学模型生成）训练；“NMC模型#1”仅用实验室中通过循环商业电池生成的少量NMC基数据训练；“NMC模型#2”用更多量的实验室生成的NMC基数据训练；“TL模型”结合基于LCO的合成数据和少量NMC基数据训练。

通过比较这些模型性能，凸显了基于TL方法的优势：显著减少了实验室生成数据量和算法训练所需数据量，同时大幅提高了SoC估计的准确性。这是因为在基于LCO合成数据的首次训练阶段，神经网络学习了不同C - rate或温度条件下的电池行为，其中部分知识对NMC电池的SoC估计也有帮助，在重新训练阶段被TL利用，从而减少了实验室测试所需的NMC电池数据量。与从头开始为NMC电池开发的类似算法（NMC模型#2）相比，误差降低了50%，所需的实验室训练数据集减少了40%。

关

注

我

们

扫描右边二维码，一起探讨AIOT/新能源

往期精彩回顾

锂离子二次电池加速测试：揭秘性能提升的关键路径

对比分析：锂电池充电器智能控制策略在能效与安全性上的表现

揭秘差分电压技术：如何高效预测锂离子电池内部温度变化

深度探索：锂离子电池碰撞安全性的多层次研究与模拟分

LB说IOT

专注于AIOT、大数据、云计算、换电站、新能源等技术领域，在信息化基础设施、大数据平台建设、公共服务应用、企业信息化、智慧城市和信息安全服务等方面具有领先的技术能力。

最新文章

基于AUTOSAR标准：利用FMI技术实现高效HiL平台电池管理系统验证

基于大电流增量容量的快速充电电池：老化模型与性能优化

深度解析：用户充电习惯如何加速或延缓电动汽车电池老化

高级电池管理系统：从理论到实践的深入对比解析

无人机电池性能优化：电化学阻抗被动跟踪与主动干预的深度剖析

深度解析：电池热管理系统的最新进展对锂离子电池效能的显著提升

电动汽车电池健康预测——从线性滤波到机器学习方法的演进与成效评估

聚焦安全：固定式电池储能系统的风险识别与应对策略

实践指南：如何优化电动汽车锂离子电池组的SoC估计策略

利用CNN-LSTM及迁移学习策略，高效提升锂离子电池SOC估算能力

锂离子二次电池加速测试：揭秘性能提升的关键路径

对比分析：锂电池充电器智能控制策略在能效与安全性上的表现

揭秘差分电压技术：如何高效预测锂离子电池内部温度变化

深度解析：构建汽车柔性BMS的高效设计策略与综合指南

深度解析：WO2015092107A1专利下的NiMH电池再生技术，非侵入评估新篇章

深度剖析：直流微电网中DC-DC转换器的高效控制策略与结构设计

机器学习×优化技术：打造自适应锂电池剩余容量估算新模型

革新BMS技术：三种卡尔曼滤波器在锂离子电池状态估计中的精度与效率对比研究

FPGA赋能卡尔曼滤波：高效实现锂离子电池包SOC的实时监测与预测

深度解析：被动电池平衡策略如何优化BMS在直接功率注入中的效能

高效快充新篇章：揭秘800V集成SiC动力总成的极致性能

全新DWPT建模技术大幅提升电动汽车无线充电系统效能

精准把脉电池健康：新型建模方法有效监测VRLA电池异常老化

专业解读：电镀的基本原理、工艺流程及其化学支撑体系

技术指南：优化电池管理系统，不可忽视的接地技术细节

电池管理系统硬件概念：深入解析BMS的核心构成与技术原理

专业解读：锂离子电池热失控影响复合材料结构的有限元模型研究新进展

深度探索：锂离子电池碰撞安全性的多层次研究与模拟分析

技术前沿：BEV车身结构设计中电池包集成难题的破解之道

锂离子电池运输指南：法规遵循与DV Power设备在SOC调整中的创新应用

电化学阻抗建模新视角：分数阶系统时频两步法深度解析

深度剖析：（EIS）在燃料电池性能评估中的关键角色与挑战

安全为先：锂离子电池安全性提升的多维度策略解析

专为商业锂离子电池设计的三电极测量优化MCC快速充电算法解析

深度解析：锂离子电池多阶段恒流充电策略的优化与创新

激光技术赋能三维石墨阳极，打造锂离子电池超快充电解决方案

基于LUT与量化技术的深度学习模型，精准预测锂离子电池SOH

重塑充电体验：电动汽车快速充电技术革新与电池热管理优化策略概览

锂离子电池强制液冷系统：热分析视角下的能效革命

极限挑战下的电池智慧：负载EIS分析揭示锂离子电池内部温度秘密

解构800V高压电动汽车：充电效率飞跃、车辆结构优化与电气绝缘技术的创新路径

极端条件下的稳定表现：深度学习BMS技术，解锁锂离子电池性能新高度

深度解析：CC算法如何在电池管理系统中脱颖而出，精准预估SOH、SOC与终端电压

电池新生：电动汽车循环经济下的生命周期管理与创新回收技术

从风冷到液冷：全面对比锂离子电池组温控策略下的性能衰减与降解机制

锂离子电池老化机制的基本建模框架与关键参数研究

SBC vs SCC——为何新型开关电池DC-DC转换器成为超低功率首选

如何利用部分恒流充电特性与深度学习算法优化锂离子电池SOH在线预测

如何利用先进内温监测技术预防商用锂电池热失控灾难

一种高效精准的新型锂离子电池反应速率建模方法横空出世

分类

时事

民生

政务

教育

文化

科技

财富

体娱

健康

情感

旅行

百科

职场

楼市

企业

乐活

学术

汽车

时尚

创业

美食

幽默

美体

文摘

原创标签

时事社会财经军事教育体育科技汽车科学房产搞笑综艺明星音乐动漫游戏时尚健康旅游美食生活摄影宠物职场育儿情感小说曲艺文化历史三农文学娱乐电影视频图片新闻宗教电视剧纪录片广告创意壁纸头像心灵鸡汤星座命理教育培训艺术文化金融财经健康医疗美妆时尚餐饮美食母婴育儿社会新闻工业农业时事政治星座占卜幽默笑话独立短篇连载作品文化历史科技互联网

发布位置

广东北京山东江苏河南浙江山西福建河北上海四川陕西湖南安徽湖北内蒙古江西云南广西甘肃辽宁黑龙江贵州新疆重庆吉林天津海南青海宁夏西藏香港澳门台湾美国加拿大澳大利亚日本新加坡英国西班牙新西兰韩国泰国法国德国意大利缅甸菲律宾马来西亚越南荷兰柬埔寨俄罗斯巴西智利卢森堡芬兰瑞典比利时瑞士土耳其斐济挪威朝鲜尼日利亚阿根廷匈牙利爱尔兰印度老挝葡萄牙乌克兰印度尼西亚哈萨克斯坦塔吉克斯坦希腊南非蒙古奥地利肯尼亚加纳丹麦津巴布韦埃及坦桑尼亚捷克阿联酋安哥拉