基于动态工况实测数据图像和深度学习的锂电池容量估计方法

摘要

针对实际应用中基于动态工况下电池状态参数的片段数据进行电池健康状态(state of health,SOH)实时估计的问题,提出基于动态工况下锂离子电池状态参数(电压、电流、温度)实测数据二维特征图像和深度学习的锂离子电池容量估计算法。首先,将动态工况下电池状态参数监测量(电压、电流和温度)的片段数据转化为二维特征图像。其次,提出基于残差卷积神经网络(residual convolutional neural network,Res-CNN)和门控循环单元(gate recurrent unit,GRU)网络结合的多通道深度学习模型Res-CNN-GRU,以构建动态工况下电池状态参数特征图像和SOH之间的复杂非线性关系,其中电压、电流和温度的二维特征图像以三通道的方式输入到Res-CNN-GRU模型中,模型输出为对应电池的相邻参考充放电循环实验所获得容量的差值。研究结果表明:此方法在锂电池随机充放电工况下对电池健康状态估计效果更佳,且Res-CNN-GRU模型的泛化性和全局特征提取能力较强。论文研究为现实工况下电池健康状态估计的进一步深入研究提供了参考。