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,当此假设不满足时,模型的预测精度快速下降。现有的...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,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。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。展开更多
文摘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,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。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。
