小样本条件下的锂电池健康状态估计研究

来源 :电子科技大学 | 被引量 : 0次 | 上传用户:boypoe
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
锂离子电池作为主要的储能器件广泛应用于航空航天、智能设备、新能源汽车等各个领域。在锂离子电池的使用过程中,电池内部会产生不可逆的容量衰减,其健康状态(State of health,SOH)会逐渐退化。当电池达到寿命终止条件时如果没有及时的更换电池将产生极大的安全隐患,准确的监测电池的健康状态具有重要的安全意义。但锂离子电池的内部化学反应非常复杂,传统的电化学建模方式涉及复杂的化学机理,而以数据驱动的建模方法可以根据电池寿命老化数据直接建立电池的健康状态估计模型,因为不用考虑电池内部的电化学机理,该方法成为当前研究的热点。基于数据驱动的建模方式需要充足的训练样本,但是锂离子电池的老化试验周期较长,短时间内难以获取充足的电池数据。由于电池的运行工况、容量、电极材料等存在差异,不同电池的数据分布并不相同。基于特定电池数据学习得到的模型并不适用于不同的电池对象,因此研究如何通过小样本学习实现可靠的电池健康状态估计模型具有较大的应用价值。为了解决锂离子电池数据驱动建模过程中的这种小样本问题,本文引入知识迁移的解决方案。首先基于电池运行工况和电池类型的差异划分数据领域并构造不同的小样本数据集,利用基于样本的迁移学习方法在两个不同数据领域间进行知识迁移,丰富小样本数据中的领域信息。在此过程中本文对机器学习中的数据不平衡问题进行分析,优化了样本权重的处理策略。然后针对单一领域知识迁移量有限的问题,本文将单一领域的知识迁移背景扩充为多源领域,利用元学习的多任务学习机制探索多领域背景下的知识迁移。最后通过最大均值差异算法进行领域度量并改进Model-Agnostic Meta Learnings(MAML)算法,提升多源领域下的知识迁移效率。本文基于Python语言和Pytorch机器学习框架进行仿真实验,结果证明在小样本条件下传统的机器学习模型由于缺乏足够的领域信息导致其泛化性能较差,而模型在训练过程中通过知识迁移能有效缩小总体数据与小样本数据之间的信息间隔,从而实现不同数据领域间的知识融合。最终训练出的模型能够正确跟踪电池的容量衰减趋势,通过误差分析可知基于知识迁移的预测方案能够显著提升模型估计精度和泛化性能,同时本文提出的改进方案相比原方法具有更小的估计误差。
其他文献
采用FPGA器件EP1C3T144C8N处理器,对A/D转换芯片AD7714进行采样控制。整个设计在Quartus平台下进行软件编程,采用Verilog语言描述,实现正确的AD7714转换的工作时序控制过程,
写字教学是语文教学的重要组成部分,写好字更是新课程理念下对学生的基本要求,但现实中写字教学收效不大,学生写不出令人满意的字。鉴于此,笔者认为借练字中的练口促进练眼、练脑
本文考虑了魏晋南北朝与东亚国家关系史中的“扶桑”、武宁王陵和梁元帝《职责图》后,指出扶桑并不专指日本,因此《梁书·扶桑国传》不能证明南朝佛教已经传入日本。以往用
为了研究沙化地温室甜瓜咸水灌溉是否可行,试验选用‘优选早蜜’甜瓜进行温室砂培,分四个不同生育时期用四个不同质量浓度咸水对其进行灌溉,即采用二因素四水平随机区组设计,
颈前路间盘摘除植骨融合术,是目前治疗脊髓型颈椎病的有效方法。随着临床实践的不断深入和手术方法的日趋完善,迫切要求良好的护理措施来协助,才能取得最好的疗效。本文通过对61例
阿尔兹海默症(Alzheimer’s disease,AD)又称原发性老年痴呆症,是一种中枢神经系统退行性疾病,主要表现为渐进性记忆障碍、认知功能障碍、人格改变及语言障碍等神经精神症状
<正> 本系统的数据采集和处理软件在HP1000小型计算机上采用高级语言FORTRAN、汇编语言、测控语言MCL和绘图语言DGL混合编制,其主要功能如下: (1) 提取铣削力、铣削温度信号
<正>唐山中材重型机械有限公司是中材装备集团有限公司控股的从事装备产业的高新技术企业。厂区位于河北省唐山市丰润区,拥有进出口贸易权。随着公司快速发展,中材重机已经成
会议
创造性思维作为高级思维活动,与人类社会进步与创新息息相关。现借助脑电等技术研究认知心理活动的神经机制已成为脑科学研究的重要任务之一。创造性思维作为一项基于个体的
实验教学是培养学生掌握科学实验方法与技能,提高科学素质、动手能力与创新能力的重要途径。通过教学改革,借助多媒体视频及其他声像资料,能有效地调动学生的想象力,加深对实验内