结合迁移学习的深度学习锂电池SOC估算

摘要

电池种类的多样化、使用环境的多变性以及运行状态的不一致，给锂电池荷电状态(state of charge, SOC)预测带来了巨大挑战。为应对这一问题，研究提出并测试了5种迁移学习策略，将其与卷积神经网络(convolutional neural network, CNN)和双向长短期记忆网络(bidirectional long short-term memory, Bi-LSTM)的深度学习模型相结合，针对多种电池类型和不同使用环境进行验证。首先，利用卷积神经网络提取电池电压、电流和温度等时间序列数据中的局部特征，再通过双向长短期捕捉电池运行过程中的前向和后向时序关联信息，从而提高模型对复杂动态变化的表征能力。在此基础上，通过微调、混合迁移和特征提取等不同迁移学习方式，分析模型在跨温度和跨电池类型场景下的SOC预测效果。实验结果表明，迁移学习策略显著增强了模型对不同化学成分和物理结构电池的适应性。其中，特征提取和微调策略在处理电池行为的非线性和不确定性方面有效提升了预测准确度和鲁棒性，验证了迁移学习在电池管理系统中实际应用的潜力。

关键词

锂离子电池 / 荷电状态 / 迁移学习 / 深度学习 / 卷积升级网络 / 双向长短期记忆网络

基金资助

国家自然科学基金青年科学基金项目(52207074); 湖南省联合基金(2024JJ9175); 储能系统能量管理算法及电芯状态预测关键技术研究项目(2024ZKHX421)