[发明专利]一种基于迁移学习的锂电池核温评估方法及系统

说明书

本发明提供了一种基于迁移学习的锂电池核温评估方法及系统，获取目标域锂电池参量数据；根据获取的锂电池参量数据和目标域神经网络模型，得到锂电池核温评估结果；其中，根据源域锂电池的历史数据训练得到源域神经网络模型，根据目标域数据进行源域神经网络模型的全连接层的再训练，得到目标域神经网络；本发明采用迁移学习，将建立好的源域模型迁移到目标域锂电池上，利用目标域的少量信息作为训练数据即可准确估计目标域其他锂电池的核温，加快了模型训练进展，提高了训练效率。

技术领域

本发明涉及锂离子电池技术领域，特别涉及一种基于迁移学习的锂电池核温评估方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术，并不必然构成现有技术。

锂离子电池以其高功率、高能量密度、长循环寿命等优异性能被广泛应用于电动汽车和储能系统的电源中。然而，锂离子电池在充放电过程中产生的热量将直接影响电池的循环寿命、可靠性和安全性等。电池管理系统(Battery Management System，BMS)是保证锂电池安全高效运行的关键。因此通过BMS监控电池温度，防止电池过热、过冷非常重要。特别是锂离子电池的内部和外表面在高功率应用下的温差可以达到20℃。此外，电池内部的蓄热和温升会加速电池退化，甚至引发热失控，进而导致火灾、爆燃等危险的热安全问题。传统的锂电池核温测量方法通过热电偶插入电池或开发一种新的可视化原位测量装置，其成本较高且相对难以实现。锂电池表面温度不能反映电池的整体热特性，核温也不易观测。因此，估计电池核温对BMS十分重要，从而监测电池热状态，对电池热失控和早期预警具有指导意义。

锂电池核温估计方法大致可以分为三大类：基于热模型/基于阻抗谱和基于数据驱动。基于热模型的方法可以通过建立线性状态空间方程，将未测电池内部温度与可测表面温度、电流等信号关联起来，计算电池不同化学成分的温度分布。其具有精度高的优点，但参数多，计算复杂。基于阻抗谱的方法往往依赖于准确的阻抗谱设备测量，在实际应用中很难快速实时获取。而数据驱动方法可以避免电池建模的计算，且不增加硬件成本，在实际应用中更加可行。此外，基于数据驱动的方法避免了对锂电池内部复杂非线性系统的分析，直接将电池运行过程中的时间序列数据进行分析即可建立模型来估计锂电池核温。

基于数据驱动的现有核温估计方法包括BP神经网络、RBF神经网络等浅层网络，但没有记忆单元，缺少对时序数据时间相关性考虑。循环神经网络(RNN)是人工智能领域深度学习的一种算法，处理时间序列效果很好。

但是，发明人发现，在循环神经网络(RNN)的训练过程中容易出现梯度消失和爆炸的问题，只适用于处理短时间序列；另外，用于训练模型的数据往往不是同一分布或者分布之间有明显的差异，比如不同电池数据集之间，由于不同的内部电化学组成和复杂的外部环境因素影响等，即使同一型号的电池的温度曲线也不相同，因此电池温度数据不属于同一分布，因此用一节电池数据集建立的模型难以泛化到其他电池数据集上。其次，模型训练所需的大量数据难以获取或者花费时间很长，因此获得的数据十分有限且珍贵，传统的机器学习方法需要更多的数据来进行长期训练，这限制了算法的应用性。

发明内容

为了解决现有技术的不足，本发明提供了一种基于迁移学习的锂电池核温评估方法及系统，采用迁移学习，将建立好的源域模型迁移到目标域锂电池上，利用目标域的少量信息作为训练数据即可准确估计目标域其他锂电池的核温，加快了模型训练进展，提高了训练效率。

为了实现上述目的，本发明采用如下技术方案：

本发明第一方面提供了一种基于迁移学习的锂电池核温评估方法。

一种基于迁移学习的锂电池核温评估方法，包括以下过程：

获取目标域锂电池参量数据；

根据获取的锂电池参量数据和目标域神经网络模型，得到锂电池核温评估结果；