掩码表征迁移策略下的锂电池变工况健康状态预测

摘要：

锂电池健康状态(SOH)预测可以对电池老化程度进行评估.由于电池工作状况的差异,锂电池训练数据(源域)和在线应用数据(目标域)具有不同的分布,而迁移学习是解决上述问题的有效方法.然而,一方面,传统迁移学习方法需要大量源域数据标签,而SOH测量困难,难以提供充足标签;另一方面,这些方法无法充分利用已有的专家知识.基于此,本文创新性地提出了一种掩码表征迁移策略(MFTS),实现了源域无标签场景下的变工况锂电池SOH预测.首先,设计了一种掩码自监督框架,其可以在无标签的情况下实现自动特征提取来表征源域数据.其次,提出了一种专家知识模块,引导所提特征逼近专家特征,从而实现了专家知识的融入.最后,提出了一种双学习率的方法对特征提取和SOH预测网络进行同步变速训练,在迁移源域知识的同时实现了目标域SOH的准确预测.基于NA-SA 的公开数据集,所提出的 MFTS 模型在 6 组实验上的预测误差均不大于 4.08％.

关键词：锂离子电池、健康状态、掩码表征迁移策略、变工况迁移

所属期刊栏目：41

分类号：TP181;TM912;V263.6

在线出版日期：2024-09-19（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：1377-1385