(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210859299.0 (22)申请日 2022.07.20 (71)申请人 重庆理工大 学 地址 400054 重庆市巴南区李 家沱红光大 道69号 (72)发明人 汤爱华　蒋依汗　张志刚　伍心雨　 龚鹏　 (74)专利代理 机构 重庆博凯知识产权代理有限 公司 50212 专利代理师 张乙山 (51)Int.Cl. G06F 30/20(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于迁移学习微调策略的多类型储能 电池 容量估计方法 (57)摘要 本发明具体涉及基于迁移学习微调策略的 多类型储能电池容量估计方法， 包括： 获取不同 类型储能电池的端电压数据， 并输入训练后的电 池容量估计模 型中， 输出对应类型储能电池的电 池容量估计值； 电池容量估计模 型基于深度神经 网络构建， 并进行两次训练； 第一次训练： 通过某 一种类型储能电池的老化实验数据训练电池容 量估计模型， 得到预训练估计模型； 第二次训练： 冻结预训练估计模型的核心神经网络层参数并 调用其模型参数， 得到优化估计模型； 然后通过 另一种类型储能电池的老化实验数据训练优化 估计模型以重构其全 连接输出层。 本发明能够适 用于多种类型储能电池的电池容量估计， 且能够 在储能电池整个寿命周期内实现电池容量精确 估计。 权利要求书3页 说明书8页 附图6页 CN 115221710 A 2022.10.21 CN 115221710 A 1.基于迁移学习微调策略的多类型储能电池容 量估计方法， 其特 征在于， 包括： S1： 获取不同类型储能电池的端电压数据； S2： 将对应类型储能电池的端电压数据输入训练后的电池容量估计模型中， 输出对应 类型储能电池的电池容 量估计值； 电池容量估计模型基于深度神经网络构建， 并进行两次训练； 第一次训练： 通过某一种类型储能电池的老化实验数据训练电池容量估计模型， 得到 预训练估计模型； 第二次训练： 冻结预训练估计模型的核心神经网络层并调用其模型参数， 得到优化估 计模型； 然后通过另一种类型储能电池的老化实验数据训练优化估计模型以重构其全连接 输出层， 得到训练后的电池容 量估计模型； S3： 将对应 类型储能电池的电池容 量估计值作为 其电池容 量估计结果。 2.如权利要求1所述的基于迁移学习微调策略的多类型储能电池容量估计方法， 其特 征在于： 步骤S1中， 储能电池的类型包括阴极材料为LiNiMnCoO2、 LiCoO2、 LiFePO4和LiMn2O4 的储能电池。 3.如权利要求1所述的基于迁移学习微调策略的多类型储能电池容量估计方法， 其特 征在于： 步骤S2中， 电池容量估计模型基于长 短时记忆神经网络构建， 包括LSTM层即核心神 经网络层、 激活函数层和全连接 输出层。 4.如权利要求3所述的基于迁移学习微调策略的多类型储能电池容量估计方法， 其特 征在于： 电池容 量估计模型的核心神经网络层包括遗 忘门、 输入门和输出门； 通过如下公式表示遗 忘门： ft＝σ(Wfht‑1+Wfxt+bf)； 式中： ft表示遗忘门输出； σ 表示sigmoid激活函数； Wf表示遗忘门权重； ht‑1表示t‑1时刻 的隐层信息； xt表示t时刻的输入特 征； bf表示遗忘门偏差； 通过如下公式表示输入门： it＝σ(Wiht‑1+Wixt+bi)； 式中： it表示输入 门的控制保留部分信息； σ 表示sigmoid激活函数； Wi和Wc表示输入门 权重； ht‑1表示t‑1时刻的隐层信息； xt表示t时刻的输入特征； bi、 bc表示输入门偏差； 表示 子细胞单元状态候选值， 即新输入带来的信息； ct表示t时刻子细胞单元状态， 即更新后的 信息； tanh表示双曲正切函数； ct‑1表示t‑1时刻子细胞 单元状态； 通过如下公式表示输出门： ot＝σ(Woht‑1+Woxt+bo)； ht＝ot⊙tanh(ct)； 式中： ot表示输出门的输出特征； ht表示t时刻的隐层信息； ht‑1表示t‑1时刻的隐层信 息； σ 表示sigmoid激活函数； Wo表示输出门权重； xt表示t时刻的输入特征； bo表示输出门偏 差； tanh表示双曲正切函数； ct表示t时刻子细胞 单元状态， 即更新后的信息 。 5.如权利要求3所述的基于迁移学习微调策略的多类型储能电池容量估计方法， 其特权　利　要　求　书 1/3 页 2 CN 115221710 A 2征在于： 电池容 量估计模型的损失函数采用如下的均方误差损失函数； 式中： yi表示i时刻的电池容量目标值； 表示i时刻的电池容量估计值； N表示样本数 量。 6.如权利要求3所述的基于迁移学习微调策略的多类型储能电池容量估计方法， 其特 征在于： 电池容 量估计模型的优化器采用如下的自适应矩估计算法； mt＝β1mt‑1+(1‑β1)gt 式中： mt和mt‑1表示迭代t次和t ‑1次的平滑后的滑动均值； t表示迭代次数； β1和β2表示 平滑常数； gt表示目标函数梯度； Vt表示梯度平方的滑动均值； wt和wt+1分别表示迭代t次和t +1次的更新参数； αt表示迭代t次的学习率； ε＝10‑8表示避免除数为0； 和 表示平滑常数 的t次方。 7.如权利要求3所述的基于迁移学习微调策略的多类型储能电池容量估计方法， 其特 征在于： 步骤S2中， 通过如下步骤进行第一次训练： S201： 针对不同类型储能电池开展电池循环老化实验， 构建各种类型储能电池的老化 实验数据集； S202： 从某一种类型储能电池的老化实验数据集中获取端电压数据作为一次训练数 据； S203： 通过一次训练数据训练电池容 量估计模型， 得到各个隐层神经 元的权重和偏差； S204： 通过ELU激活函数激活电池容 量估计模型的全连接 输出层； S205： 基于电池容量估计模型输出的电池容量估计值计算其训练损失： 若训练损失达 到预设值， 则保存 模型参数， 得到预训练估计模型； 否则， 返回步骤S202。 8.如权利要求7所述的基于迁移学习微调策略的多类型储能电池容量估计方法， 其特 征在于： 步骤S204中， 通过ELU激活函数激活电池容量估计模型的全连接输出层， 得到如下 具有平均值接 近零的电池容 量估计值： 式中： ELU表示ELU激活函数； k表示神经 元输出； α 表示学习率。 9.如权利要求7所述的基于迁移学习微调策略的多类型储能电池容量估计方法， 其特 征在于： 步骤S2中， 通过如下步骤进行第二次训练： S211： 基于迁移学习微调策略， 冻结预训练估计模型的核心神经网络层参数并调用其 模型参数， 得到优化估计模型； S212： 从另一种类型储能电池的老化实验数据集中获取端电压数据作为二次训练数 据；权　利　要　求　书 2/3 页 3 CN 115221710 A 3