一种基于深度学的动力电池配组方法

摘要

本发明涉及一种基于深度学的动力电池配组方法。现有配组方法劳动强度大，易受检测人员主观因素的影响，容易造成误测量和误匹配的现象。本发明方法首先获取动力电池充放电回路中所有电池的充放电电压数据，并对充放电数据进行归一化，然后构建两层稀疏自编码神经网络模型，训练获得两层模型编码器的最优权值矩阵和偏置向量，以电池的充放电序列为输入，两层编码器级联构建深度神经网络，计算所有电池充放电序列通过该深度神经网络后的输出向量，最终对所有输出向量进行聚类，完成电池配组。本发明方法可以自动提取动力电池的充放电一致性特征，提高组内电池的一致性，从而提高成组电池的品质。

主权项

一种基于深度学习的动力电池配组方法，其特征在于，该方法的具体步骤如下：步骤1、获取动力电池充放电回路中所有n只电池的充放电电压数据，方法是：对该回路以电流大小为C₁进行恒流放电，每隔时间T_d测量回路中所有电池的端电压，直至放电时间达到T₁，设第i只电池的端电压序列为d表示放电，M＝T₁/T_d为放电序列长度；以电流大小为C₂对回路中的电池进行恒流充电，每隔时间T_c测量回路中所有电池的端电压，直至充电时间达到T₂，设第i只电池的端电压序列为c表示充电，N＝T₂/T_c为充电序列长度；步骤2、将步骤1中获得的所有电池的端电压序列进行归一化，其中第i只电池的第p个放电端电压的归一化值为${\mathrm{Vd}}_p^{\prime i}=({\mathrm{Vd}}_p^i-{\mathrm{Vd}}_M^i)/({\mathrm{Vd}}_M^i-{\mathrm{Vd}}_1^i),1\le p\le M;$第i只电池的第q个充电端电压的归一化值为${\mathrm{Vc}}_q^{\prime i}=({\mathrm{Vc}}_q^i-{\mathrm{Vc}}_1^i)/({\mathrm{Vc}}_N^i-{\mathrm{Vc}}_1^i);$步骤3、构建第一层稀疏自编码神经网络模型NN₁：NN₁的编码器输入数据为步骤2中获得的每一只电池的归一化放电序列和充电序列，每一只电池的序列总长度为M+N，则NN₁的编码器输入层节点数为M+N；NN₁的编码器输出节点数为Nh₁，h表示隐藏，NN₁的解码器输出节点数为M+N；对模型NN₁进行训练获得其最优权值矩阵W₁和偏置向量b₁，其中W₁大小为(M+N)×Nh₁，b₁大小为1×Nh₁；步骤4、构建第二层稀疏自编码神经网络模型NN₂：输入数据为步骤3中获得的NN₁的编码器输出，NN₂的编码器输入层节点数即为NN₁的编码器输出节点数Nh₁，NN₂的编码器输出节点数为Nh₂，NN₂的解码器输出节点数为Nh₁，对模型NN₂进行训练获得其最优权值矩阵W₂和偏置向量b₂，其中W₂大小为Nh₁×Nh₂，b₂大小为1×Nh₂；步骤5、以电池的充放电序列为输入，NN₁的编码器作为第一个隐藏层，NN₂的编码器作为第二个隐藏层，构建深度神经网络，计算所有n只电池充放电序列通过该深度神经网络后的输出向量；步骤6、对步骤5中的输出向量进行聚类，将聚为一类的电池配为一组。