基于分层对齐迁移学习的锂离子电池容量估计_翟智.pdf
《基于分层对齐迁移学习的锂离子电池容量估计_翟智.pdf》由会员分享,可在线阅读,更多相关《基于分层对齐迁移学习的锂离子电池容量估计_翟智.pdf(11页珍藏版)》请在咨信网上搜索。
1、第 12 卷 第 4 期2023 年 4 月Vol.12 No.4Apr.2023储能科学与技术Energy Storage Science and Technology基于分层对齐迁移学习的锂离子电池容量估计翟智1,2,王福金1,2,邸一1,2,马珮羽1,2,赵志斌1,2,陈雪峰1,2(1西安交通大学机械工程学院,陕西 西安 710049;2装备运行安全保障与智能监控国家地方联合工程研究中心,陕西 西安 712046)摘要:精准的容量估计对锂离子电池健康管理和预测性维护具有重要意义。近年来,数据驱动的方法被广泛应用于锂离子电池容量估计,然而现有的数据驱动方法大多假设训练和测试数据服从相同分布
2、,当此假设不满足时,模型的预测精度快速下降。现有的基于迁移学习的锂离子电池容量估计方法旨在对齐源域和目标域的整体分布,而忽略了不同层内的特征的可迁移性。针对以上问题,研究了深度迁移学习方法不同层之间的特征可迁移属性,提出了基于分层对齐迁移学习(hierarchical alignment transfer learning,HATL)的锂离子电池容量估计方法。首先,构建了一个基于卷积神经网络的特征提取器,考虑不同层特征的可迁移性,对不同层特征施加最大均值差异约束和通道注意力一致性约束,使得特征提取器从源域和目标域提取到的特征相似且模型更加关注域不变特征;然后,特征经过一个预测器得到容量估计值。
3、在公开的锂电池数据集上进行充分验证,并与其他方法进行对比,结果表明,本文所提的HATL方法具有更高的估计精度,明显优于其他方法。证明了迁移学习方法在跨工况容量估计任务中的有效性和优越性。关键词:锂离子电池;容量估计;分层对齐迁移学习;最大均值差异;通道注意力一致性doi:10.19799/ki.2095-4239.2022.0706 中图分类号:TM 912 文献标志码:A 文章编号:2095-4239(2023)04-1223-11Hierarchical alignment transfer learning for lithium-ion battery capacity estimat
4、ionZHAI Zhi1,2,WANG Fujin1,2,DI Yi1,2,MA Peiyu1,2,ZHAO Zhibin1,2,CHEN Xuefeng1,2(1School of Mechanical Engineering,Xian Jiaotong University,Xian 710049,Shaanxi,China;2National and Local Joint Engineering Research Center for Equipment Operation Safety Assurance and Intelligent Monitoring,Xian 712046,
5、Shaanxi,China)Abstract:Accurate estimation of capacity plays an important role in the health management and predictive maintenance of lithium-ion batteries.In recent years,data-driven methods have been widely used in the capacity estimation of lithium-ion battery.However,most of these methods assume
6、 that the training and test data obey the same distribution,resulting in a rapid decline in accuracy when the test conditions change.The existing transfer learning methods for lithium-ion battery capacity estimation aim to align the global distribution of source and target domains,while ignoring the
7、 transferability of features within different layers.Thus,this study proposes a hierarchical alignment transfer learning method for lithium-ion battery 储能测试与评价收稿日期:2022-11-30;修改稿日期:2022-12-30。基金项目:国家自然科学基金(52105116),中国博士后科学基金项目(2021TQ0263、2021M692557)。第一作者:翟智(1985),女,博士,副研究员,主要研究方向为航天器电源系统故障诊断、航天动力系
8、统健康管理,E-mail:;通讯作者:赵志斌,博士,讲师,主要研究方向为装备故障诊断与智能运维、新一代人工智能方法,E-mail:。引用本文:翟智,王福金,邸一,等.基于分层对齐迁移学习的锂离子电池容量估计J.储能科学与技术,2023,12(4):1223-1233.Citation:ZHAI Zhi,WANG Fujin,DI Yi,et al.Hierarchical alignment transfer learning for lithium-ion battery capacity estimationJ.Energy Storage Science and Technology,2
9、023,12(4):1223-1233.2023 年第 12 卷储能科学与技术capacity estimation and examines the feature transferability among different layers of the deep transfer learning.First,a feature extractor based on a convolutional neural network was designed.Considering the feature transferability within different layers,the
10、maximum mean discrepancy constraint and channel attention consistency constraint were imposed at different layers of the feature extractor.Thus,the features extracted from the source and target domain are similar,and the feature extractor focuses more on domain-invariant features.A predictor then ob
11、tains a capacity estimation value.The experimental results were validated on a public lithium-ion battery dataset and compared with other methods.Our findings show that the proposed method has higher estimation accuracy and is significantly better than other methods.In addition,the findings demonstr
12、ated the effectiveness and superiority of the transfer learning method in cross-domain capacity estimation.Keywords:lithium-ion battery;capacity estimation;hierarchical alignment transfer learning;maximum mean discrepancy;channel attention consistency锂离子电池由于能量密度高、成本低、自放电率低等优点被广泛应用于各个领域1-2。在航空航天领域,锂离
13、子电池已成为继镍镉电池和镍氢电池之后的第三代航空储能电池3。在汽车领域,各大厂商正在大力推出以锂离子电池作为储能设备的电动汽车。然而,与其他机械或电子设备一样,锂离子电池也会经历性能下降直至失效的过程。锂离子电池的劣化会导致设备故障,甚至严重安全事故。电动汽车中锂离子电池管理不当可能导致火灾甚至爆炸4。此外,电池故障也是航空航天领域任务失败的主要原因之一5。据20032021年国内外公开的在轨航天器故障及其原因的统计分析表明,电源系统故障占航天器故障的比例高达44%6。为了确保设备的安全可靠运行,制定预测性维护计划,对电池的健康状态(state of health,SOH)和荷电状态(stat
14、e of charge,SOC)进行实时在线监测和评估具有重要意义7。对于锂离子电池而言,容量是反映电池退化状态的关键指标,其有效寿命、SOH和SOC的定义都与容量有关。电池有效寿命定义为电池容量降至初始容量80%的循环次数8,SOH 是第 n 个周期的容量与初始容量的比值9,而SOC则为当前可用剩余容量与当前周期最大容量之比9。因此,准确估计当前阶段的容量有助于电池的预测性维护。近年来,很多学者对锂离子电池的容量估计(capacity estimation)和剩余使用寿命(remaining useful life,RUL)预测开展了相应的研究。从方法角度来区分,目前常见的电池容量估计和RU
15、L预测方法主要分为基于模型的方法和数据驱动的方法。基于模型的方法10-13往往需要相关的专业知识,对电池建模也需要电池相关的设计参数,这些条件限制了它们的广泛应用。数据驱动的方法仅依赖于过去的退化数据来建立电池的老化模型,受到不少学者的广泛研究。戴海峰等14提出了一种基于充电曲线特征的锂离子电池容量估计方法,从充电曲线中提取特征作为相关向量机(relevance vector machine,RVM)模型的输入来估计电池容量。韩云飞等15从电压-放电容量曲线中提取特征,采用高斯过程回归对电池容量进行估计。周子游等16结合RVM和长短期记忆网络(long short-term memory,LS
16、TM)模型,以健康因子作为输入以估计电池容量。舒星等17提出了基于最小二乘支持向量机和 Box-Cox 变换的RUL预测方法。然而,以上方法都需要人为从数据中提取特征,工作量大,且需要相关的背景知识。因此,有学者利用深度学习方法来估计电池容量和预测RUL18-19。深度学习方法具有能从海量数据中自动提取特征的能力,因而被广泛应用到各个领域。Li 等20设 计 了 一 种 基 于 卷 积 神 经 网 络(convolutional neural network,CNN)模型和LSTM的混合模型来捕捉电池退化中多变量之间的层次特征。Du等21提出了RUL和SOC估计的统一估算模型。Yang22设计
17、了一个基于三维CNN和二维CNN融合的混合模型,实现了3.6%的RUL预测误差。Zhang等23提出了一种用于RUL预测的混合并行CNN模型,该模型能够基于20%充电容量对应的稀疏数据预测电池RUL。1224第 4 期翟智等:基于分层对齐迁移学习的锂离子电池容量估计尽管数据驱动的方法在电池容量估计和RUL预测领域得到了广泛研究和应用,但这些方法都基于训练数据(源域)和测试数据(目标域)服从相同分布的假设24。然而,这种假设在现实中往往得不到满足,因为电池内部化学成分的差异以及不同的充放电策略不可避免地导致不同的数据分布。因此有学者采用迁移学习(transfer learning)或领域自适应(
18、domain adaptation)来解决数据分布不一致情况下的容量估计问题。从数据预处理角度出发,Li等25提出了一种基于 最 大 均 值 差 异(maximum mean discrepancy,MMD)的数据预处理方法,以减少不同数据分布之间的差异,从而实现跨领域的知识迁移。此外,预训练和微调技术也被广泛用于电池容量估计任务26-28,该类方法在源域上训练一个模型,并用有标签的目标域数据进行微调,最终用于目标域的预测。Kim等29使用变分推理来预测电池RUL,并使用不确定性估计来预测电池退化模式,其中也应用了预训练和微调技术。然而,这些方法都需要来自源域和目标域的标记数据,在许多实际应用
19、中,很难从目标域获得标记数据。除此之外,Wang等30-31提出了一种退化趋势对齐方法,使得不同域内处于相同退化阶段的电池数据相互对齐,再根据退化对齐状态计算RUL,从而实现跨领域的知识迁移。陈峥等32提出了一种基于迁移模型的老化锂离子电池SOC估计方法。Han等33将基于MMD的域适配层集成到LSTM中,以实现源电池和目标电池退化特征的对齐。Ye等34提出一种整合相关性对齐(corelation alignment,CORAL)和 MMD 的无监督特征对齐方法用于电池SOH估计。然而,前面所述的基于迁移学习的方法都旨在对齐源域和目标域特征的整体分布,而没有考虑特征的可迁移性。Yosinski
20、等35对深度学习模型提取的特征进行研究,发现深层神经网络的不同层会学习到不同的特征,底层的网络学习学习到的大多是通用的特征,随着层数加深,特征从一般特征过渡到特定于任务的特征。Neyshabur等36也得出相似的结论:神经网络的前几层提取的特征基本是通用特征,高层则提取对任务有强相关的特征。因此,不同层的特征具有不同的可迁移性。有不少学者在不同领域对此展开了研究:Bousmalis等37提出将高层特征解耦成域公有特征和域私有特征,并对齐公有特征的分布实现从源域到目标域的迁移;文献28固定提取通用特征的底层网络的参数,并利用目标域数据微调顶层参数以使模型能更好地适应目标域;文献38则是微调底层的
21、模型,而利用MMD约束顶层模型。为解决不同层特征可迁移性不同的问题,本工作提出了基于分层对齐迁移学习(HATL)的锂离子电池容量估计方法。通过构建领域共享的特征提取器,提取来自源域和目标域的特征,考虑到不同层特征的可迁移性不同,在特征提取器不同层间施加MMD约束和通道注意力一致性约束,形成可跨工况的容量估计模型。该方法以充电过程中采集到的电流、电压和时间数据作为输入集,无需手动提取特征,然后模型输出对应的容量估计值。通过对每个通道进行注意力建模,特征提取器用特定通道的特征来解释电池退化趋势,从而关注于可迁移的潜在属性。最后,在公开的数据集上进行实验,验证了该方法的有效性。1 迁移容量估计问题描
22、述迁移容量估计问题旨在利用源域有标签的数据训练一个容量估计模型,使模型迁移到目标域时能保持一个较高的估计精度。有标签源域数据表示为Ds=(xsi,ysi)Nsi=1,其中:xsi表示第i个样本,即电池第i个循环周期的数据,ysi表示第i个周期对应的容量值,Ns表示源域的样本数。同样地,无标签目标域数据表示为D t=xtiNti=1。由于电池内部化学成分的差异以及充放电策略的不同,两者数据分布差异较大,具体体现在两者的电流和电压曲线存在很大不同,如图1所示。从统计分析的角度看,假设分别用Ps(xs)和Pt(xt)表示源域和目标域的边缘概率分布,则Ps(xs)Pt(xt)。为更加直观地表示数据分布
23、差异,如图2和图3所示,将源域和目标域电池充电电流和电压曲线通过t-分布邻域嵌入39(t-distribution stochastic neighbor embedding,t-SNE)算法进行二维分布的可视化,可以看出无论是电流还是电压均散乱地分布在二维空间中。在本工作中,充电过程中记录的电流、电压和时间数据被用来预测当前周期的容量值,即xsi和xti皆由充电时间、充电电流和充电电压组成,最终的容量估计模型可以用公式表示为:y?i=f(xi),其中f()表示提出的容量估计模型。12252023 年第 12 卷储能科学与技术2 分层对齐迁移学习模型架构针对由一种充电策略至另一种充电策略的跨工
24、况容量估计问题,提出了基于分层对齐迁移学习的锂离子电池容量估计方法。提出的HATL的整体架构如图4所示。该架构主要由特征提取器和容量预测器组成,源域和目标域共用相同的特征提取器。需要注意的是,本工作提出的是一种通用的针对锂离子电池跨工况容量估计的架构,而并非某一种特定的网络模型。旨在强调关注源域和目标域中相同通道的高层特征,因为更高层的特征更具有表示性,这些通道的特征也更能反映电池的退化信息。2.1迁移退化特征提取特征提取器(图4)主要用来提取能反映电池退化趋势的特征。在本工作中,特征提取器由四个一维的深度残差模块(residual network,ResNet)组成,每个残差模块由卷积层、池
25、化层、批归一化层和激活函数构成。由于源域和目标域数据存在较大差异,若不做任何约束,则特征提取器从数据中提取的特征亦具有较大分布差异。此外,由于目标域数据无标签信息,无法直接用来训练特征提取器的参数。因此,本工作从减小特征边缘概率分布和关图1不同充放电策略(域)下两个电池的电流和电压曲线Fig.1Current and voltage curves of two batteries under different charging-discharging strategies(domains)图2源域和目标域电池充电电流曲线的t-SNE可视化Fig.2T-SNE visualization of
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 分层 对齐 迁移 学习 锂离子电池 容量 估计 翟智
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。