[发明专利]一种基于半监督迁移学习的锂电池容量预测方法

说明书

本发明提供了锂电池检测技术领域的一种基于半监督迁移学习的锂电池容量预测方法，包括：步骤S10、获取锂电池的实验室数据、实际工况数据；步骤S20、对获取的数据进行特征提取得到第一特征组、第二特征组；步骤S30、对第一特征组、第二特征组进行预处理，得到实验室数据集和实际工况数据集；步骤S40、创建第一容量预测模型、第二容量预测模型；步骤S50、利用实验室数据集对第一容量预测模型进行训练；步骤S60、利用训练后的第一容量预测模型作为第二容量预测模型的初始化参数，合并两个数据集输入第二容量预测模型进行迁移学习训练；步骤S70、利用第二容量预测模型进行锂电池容量预测。本发明的优点在于：极大地提升了实际工况下锂电池容量预测的精度。

技术领域

本发明涉及锂电池检测技术领域，特别指一种基于半监督迁移学习的锂电池容量预测方法。

背景技术

随着锂电池技术的快速发展，目前已广泛应用于移动电子设备、电动汽车、储能等领域。容量是评估锂电池(锂离子电池)品质的重要技术指标之一，在锂电池正式面市前需要通过大量、完整的实验室充放电循环检测来进行性能评估。

目前，锂电池在实验室的容量检测都是按照标准的小电流充放电，需要耗费较长的时间，且放电电流、电压、温度等都可控，最后获得的容量随循环次数的衰减曲线都是在室温(25℃)下测得的。而在实际工况中，无法做到车电分离，外部环境的温度也无法满足室温条件，无法开展标准的充放电实验来进行容量检测；此外，不同车企的电池管理系统(BMS)的性能各不相同，其对容量检测的精度差强人意。因此，产生了在外部环境变化、充放电数据采集困难、数据不完整的情况下，进行锂电池容量预测的需求。

传统的锂电池容量预测存在如下两种方法：

方法一：基于模型的预测方法，该方法不仅需要大量的专家知识，而且模型具有很高的复杂度，在实际应用过程中受到实际室外温度和室外环境影响导致模型精度不足，泛化能力较差。

方法二：基于大数据的预测方法，即基于锂电池历史数据学习锂电池容量衰减的的客观变化规律，该方法由于实验室检测环境可控，可采集的数据多且完整，因此在实验室环境下的锂电池容量预测往往能达到很高的精度；但在实际工况下，环境多变不可控，无法采集完整的充放电周期数据，且车载BMS的估计结果也存在较大的误差。

因此，如何提供一种基于半监督迁移学习的锂电池容量预测方法，实现提升实际工况下锂电池容量预测的精度，成为一个亟待解决的问题。

发明内容

本发明要解决的技术问题，在于提供一种基于半监督迁移学习的锂电池容量预测方法，实现提升实际工况下锂电池容量预测的精度。

本发明是这样实现的：一种基于半监督迁移学习的锂电池容量预测方法，包括如下步骤：

步骤S10、获取锂电池的实验室数据以及实际工况数据；

步骤S20、对所述实验室数据以及实际工况数据进行特征提取，分别得到第一特征组以及第二特征组；

步骤S30、对所述第一特征组以及第二特征组进行预处理，得到实验室数据集和实际工况数据集；

步骤S40、基于深度神经网络创建一第一容量预测模型以及一第二容量预测模型；

步骤S50、利用所述实验室数据集对第一容量预测模型进行训练；

步骤S60、利用训练后的所述第一容量预测模型作为第二容量预测模型的初始化参数，构建半监督损失函数，合并所述实验室数据集以及实际工况数据集输入第二容量预测模型进行迁移学习训练；

步骤S70、利用训练后的所述第二容量预测模型进行锂电池容量预测。

进一步地，所述步骤S10中，所述实验室数据至少包括锂电池在若干个充放电周期下的电压值、电流值、温度值、容量值以及能量值；