技术摘要：
本发明公开了一种基于卷积神经网络的锂电池容量在线估计方法，首先利用参考电池的充放电循环实验数据，处理得到包含若干个样本及对应容量标签的源数据集，其中每个样本由一段充电电压、充电电压一阶微分、充电电流数据组成。进一步地，建立用于估计锂电池容量的卷积神  全部
背景技术：
锂电池由于其优异特性(如高能量密度、长寿命等)已经被越来越广泛地应用到电 动汽车、手机等多个领域。在锂电池的使用过程中，对其容量的估计是至关重要的。而事实 上，在实际使用过程中，锂电池并不会按照标准放电电流从100％荷电状态放电到0％，且其 容量无法直接测量，因此需要通过其他方法对电池的容量进行估计。 常用的电池容量估计方法主要包括基于模型和数据驱动两大类。具体地，基于模 型的电池容量估计方法又包括基于电化学模型、基于经验模型等方法。基于电化学模型的 估计方法由于状态方程复杂且繁多，计算量大，需要明确的参数多，不适用于在线估计；而 基于经验模型的方法的估计准确率又受限于模型的选择和对模型参数的估计能力，实际应 用中误报率较高。数据驱动的估计方法则将电池视作黑箱，直接分析在电池充放电过程中 检测到的电流、电压等外部数据来对其容量进行估计。当前，数据驱动类的锂电池状态估计 方法主要包括增量容量分析法、差分电压分析法等。然而，此类方法多要求电池在充电或放 电过程中的荷电状态(SOC)变化范围足够大以经过某些特定的荷电状态点，这在实际使用 中是很难实现的。事实上，电池在实际使用过程中，其充电或放电过程的起始荷电状态和最 终荷电状态都具有不确定性，甚至在放电过程中，放电电流的大小以及所处环境的温度等 等都是不确定和动态变化的，因此，以上提到的模型在锂电池实际工作状态下的状态监测 与故障诊断应用中均具有一定的局限性。
技术实现要素：
为解决现有锂电池容量在线估计技术存在的不足，本发明提供一种基于卷积神经 网络的锂电池容量在线估计方法，适用于在实际充放电条件下对锂电池容量的在线估计。 该方法仅依赖电池充电过程中采集得到的电压、电流数据片段，对数据要求低，计算资源消 耗少，估计精度高，具有很大的实际应用价值。 一种基于卷积神经网络的锂电池容量在线估计方法，具体包括以下步骤： 第一步：对同系列参考电池进行充放电循环实验，采集记录实验过程中的电池容 量、充电电压、充电电流随时间变化数据； 第二步：对参考电池每个充电循环的充电电压、充电电流数据按固定充电容量间 距dq进行插值，并根据充电电压随充电容量的变化计算得到充电电压一阶微分数据，其中 充电电压一阶微分 的计算满足以下公式： 3 CN 111579993 A 说　明　书 2/3 页 其中， 为充电容量qi对应的充电电压。从经插值计算得到的充电电压、充电电压 一阶微分、充电电流随充电容量变化数据中选取对应充电容量区间长度为ql的数据段组成 训练样本，其中样本Xk由一段充电电压、充电电压一阶微分、充电电流数据Vk,dVk,Ik组成： 最终获得包含若干个样本及对应容量标签的参考电池实验数据集， 第三步：构建具有多层结构的卷积神经网络，层类型包括卷积层、池化层和全连接 层，采用反向传导算法沿着误差减小的方向从输出层逐层调整网络的连接权值；以参考电 池实验数据集为源数据集，首先利用寻优算法，基于源数据集对神经网络超参数进行寻优， 优化确定神经网络超参数后再基于源数据集对神经网络进行训练，确定神经网络参数。 第四步：对于待测电池，取其最近一次充电过程中的与第二步相同区间长度的任 意一段充电电压、充电电流数据，按第二步中的方法对充电电压、充电电流进行插值并计算 充电电压一阶微分数据，将得到的充电电压、充电电压一阶微分和充电电流数据作为第三 步最终训练好的卷积神经网络的输入，得到的卷积神经网络输出即为电池的容量估计值。 附图说明 图1为本发明实施例的基于卷积神经网络的锂电池容量在线估计方法的步骤流程 图。 图2为本发明实施例的参考电池和待测电池的实际容量退化曲线。 图3为本发明实施例的神经网络超参数寻优过程中适应度函数的收敛过程。 图4为本发明实施例的超参数优化后的卷积神经网络结构图。 图5为本发明实施例的待测电池容量估计结果。