【《基于CNN神经网络电池SOH估算分析案例》2900字】

参考文献XXV基于CNN神经网络电池SOH估算分析案例目录TOC\o"1-3"\h\u18541基于CNN神经网络电池SOH估算分析案例 1231701.1特征选取及相关性分析 1217851.2CNN卷积神经网络原理 2310391.3网络超参数优化 476121.4基于CNN卷积神经网络SOH估算过程 61.1特征选取及相关性分析锂离子电池SOH一般通过容量和内阻来间接计算。电池容量测试需要将电池充满，在指定条件下（如环境温度和放电倍率）测量放电容量，测试时间较长。电池内阻计算一般离线进行，并需要专门的内阻测试仪，传统电池管理系统无法对电池内阻进行在线测试。通过以上分析可知，在电池管理系统中直接测量内阻和容量来衡量SOH较为复杂，需要在电池管理系统中寻找SOH的特征参数，以实现SOH的估算。电压、电流和温度是电池管理系统最基本的测量参数，与电池容量和内阻参数相比易于获取。通过对NASA随机使用数据集中数据分析发现，电池在充电过程中由于采用固定充电方式，在不同SOH情况下电池电压、电流和温度呈规律性变化。图4-1NASA第25号电池SOH特征变化曲线（a）电压特征（b）电流特征（c）温度特征从图4-1可以看出，在固定的CC-CV充电方式下，SOH较低的电池达到充电截止电压的时间较早，对应的恒流充电时间短，温度峰值低，这符合电池老化严重情况下容量缩小，充电时间短的特点。鉴于以上分析，本文选用CC-CV充电过程中电池电压、电流、温度作为SOH估算模型的输入参数，以实现SOH估算。1.2CNN卷积神经网络原理卷积神经网络通常由输入层，卷积层，池化层，全连接层和输出层组成，其具体结构如图4-2所示：图4-2卷积神经网络架构卷积层神经元仅和上一层的部分神经元局部连接。卷积层用于提取输入数据局部特征，网络自动学习特征，无需人工选择特征。假设有一幅大小为4×4的图像，使用2×2卷积核，卷积核的滑动步长为2，则卷积运算过程可表示为图4-3所示：图4-3卷积运算池化层又称为下采样层，池化层一般位于卷积层的后面，其目的为压缩卷积后的图像以减少参数的数量。由于图像中的局部特征是相互关联的，将图像池化可以大大减少计算量。假设图像大小为4×4，采用最大池化（MaxPooling）、平均池化（MeanPooling）和随机池化（StochasticPooling）对图像进行2倍下采样过程如图4-4所示。图4-4池化运算全连接层是卷积神经网络的最后几层，用于分类和回归。从1.1节的分析中可知，电池在CC-CV充电过程中，不同SOH对应一组电压、电流、温度变化曲线。由于电压、电流和温度为一维时序序列，本文选用一维卷积神经网络对电池SOH进行估计。一维卷积神经网络原理如图4-5所示：图4-5一维卷积神经网络的工作原理卷积神经网络利用误差的反向传播算法实现权重和偏置的更新，假设网络目标函数为L，则目标函数对l层卷积核的权重Wl和偏置bl的偏导计算如下：(4-1)(4-2)式4-1中*代表卷积运算，δl=∂L/∂Zl为训练过程中误差项，卷积神经网络利用误差项δl对每层参数进行更新。在卷积层和池化层中误差项的计算方式分别按照公式4-3和公式4-4进行计算。(4-3)(4-4)式中，fl’()为第l层激活函数导数，rot180()表示将操作矩阵旋转180o，upsampling()代表上采样函数，该函数与池化层下采样操作相反。1.3网络超参数优化上节对卷积神经网络的原理进行介绍，本节在PyTorch深度学习框架中搭建卷积神经网络，并对网络超参数进行选择和优化。（1）网络架构采用不同架构CNN神经网络对NASA数据集电池SOH进行估算，测试结果如表4-1所示，从表中可以看出，随着卷积层的增加，卷积核可以提取更多的局部特征，SOH估算性能更加优异，但随着卷积层数越多，训练时间相应增加。由于采用2个卷积层与4个卷积层网络估算性能较为接近，综合训练时间和预测精度，本文最终选择2层卷积层CNN神经网络对电池SOH进行估算，其网络架构如表4-2所示。从表中可以看出，池化层的加入显著降低了网络的训练时间，但由于池化层信息进行筛选，造成部分特征丢失，使得网络的预测性能略微下降。表4-1CNN网络结构对SOH估算影响结构变量变化情况全局MAE(%)全局MAX(%)训练时间/s卷积层数1层3.1111.201572层1.181.272893层1.131.184454层1.071.04612池化层无1.013.981004有1.071.04612表4-2卷积神经网络架构网络层类型输出形状参数数量/个convid_1(Conv1D)(None,81,64)3721activation_1(Activation)(None,81,64)0max_pooling1d_1(MaxPooling1)(None,27,64)0convid_2(Conv1D)(None,8,128)156288activation_2(Activation)(None,8,128)0max_pooling1d_2(MaxPooling1)(None,4,128)0flatten_1(Flatten)(None,512)0dense_1(Dense)(None,32)16416dense_2(Dense)(None,1)33表4-2第1层为Conv1D卷积层，该层输入为100×3的矩阵，其中100代表一维卷积神经网络的时间维度，3代表输入数据三个特征，分别对应电池电压，电流和温度特征。网络利用100个连续时刻的电压，电流，温度作为输入数据，对电池SOH进行预测。网络第1层输出为（81,64）矩阵，其中64代表该层共有64个卷积核，每个卷积核大小为20×3，即每个卷积核通道数为3，每个通道对应卷积核长度为20，对应输入电压，电流，温度三个特征。在第一层中，每个卷积核包含60个权重参数和1偏置参数，即每个卷积核共有61个学习参数，第一层共有64个卷积核，即该层共计3721个网络参数需要在训练的过程中学习。第2层为激活层，该层接受形状为（81,64）输入，输出矩阵同为（81,64）矩阵，该层仅对每个数据做ReLU激活处理。第3层为一维池化层，该层池化窗口为3×1，移动步幅为3，采用最大池化对数据进行下采样，经过池化处理，将输入形状为（81,64）矩阵转变为形状为（27,64）矩阵，实现了特征序列3倍下采样。第4层为Conv1D卷积层，该层卷积核数量为128，网络特征深度增加1倍，而特征长度降低为8，该层共计156288个学习参数。第5层与第2层类似，仅对输入数据做ReLU激活处理。第6层与第3层类似，该层池化窗口为2×1矩阵，窗口移动步幅为2，将输入为（8,128）矩阵转变为（4,128）矩阵，实现特征序列2倍下采样。第7层为Flatten层，该层将接收到的2维数据转换为1维数据，实现卷积层到全连接层的过渡，经过该层处理，数据由（4,128）转变为（512,1）矩阵。第8层为全连接层，该层为32个神经元，每个神经元分别上一层512个输出连接，共有32×512个权重参数，其中每个神经元带有一个偏置参数，该层共计16416个网络参数。第9层为网络的最后输出，即电池SOH值。（2）损失函数选用均方误差(MSE)作为衡量网络输出值和预期值之间的偏差，选用平均绝对误差(MAE)和最大绝对误差（MAX）作为衡量网络性能的指标。（3）优化器采用带动量的随机梯度下降（SGD）对网络权重和偏置进行调节和优化。（4）批处理数量批处理数量取值为128，该数值可兼顾训练时间和梯度更新次数。（5）训练周期图4-6迭代次数对网络预测性能影响从图4-6可以看出，在训练周期在300次左右，网络在验证集上估算精度已经低于训练集上估算精度，验证集MSE呈上升趋势，网络开始过拟合，故将训练周期选为300。1.4基于CNN卷积神经网络SOH估算过程Step1：实验数据划分。本实验数据集为NASA随机使用过程中锂离子电池恒流恒压充电数据，共包括950次恒流恒压充电曲线，约5万个数据样本，每个数据样本包括电池充电过程中的电压、电流、温度信息。将28号电池CC-CV充电数据作为验证集，将14号、20号、23号、25号充电数据作为测试集，其余充电曲线作为训练集；Step2：数据预处理。采用离差标准化对数据进行归一化处理；Step3：搭建卷积神经网络。按照1.2.3节选定超参数搭建卷