(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110801474.6 (22)申请日 2021.07.15 (65)同一申请的已公布的文献号 申请公布号 CN 113536676 A (43)申请公布日 2021.10.2 2 (73)专利权人 重庆邮电大 学 地址 400065 重庆市南岸区黄桷垭崇文路2 号 (72)发明人 李鹏华　程艺　侯杰　陈丰伟　 俞成浦　孙健　周桐　 (74)专利代理 机构 北京同恒源知识产权代理有 限公司 1 1275 专利代理师 杨柳岸 (51)Int.Cl. G06F 30/27(2020.01)G06N 3/04(2006.01) G06N 3/08(2006.01) H01M 10/42(2006.01) G06F 119/02(2020.01) (56)对比文件 CN 113094985 A,2021.07.09 审查员 易建琼 (54)发明名称 基于特征迁移学习的锂电池健康状况监测 方法 (57)摘要 本发明涉及一种基于特征迁移学习的锂电 池健康状况监测方法， 属于电池管理技术领域。 该方法包括以下步骤： S1： 基于特征迁移学习混 合模型的构建； S2： 基于特征迁移学习混合模型 的应用。 针对在缺少锂电池训练数据情况下， 神 经网络监测锂电池健康状况效果不佳的问题， 研 究基于特征迁移学习的锂电池健康状况监测方 法。 以神经网络模型为对象， 设计CNN ‑BILSTM串 联混合模型， 实现空间特征以及双向时间依赖关 系的提取； 以锂电池数据的特征空间为对象， 研 究特征迁移学习算法， 通过迁移其他数据集的特 征知识用于模 型训练， 实现在缺少训练数据情况 下， 训练信息的弥补。 权利要求书3页 说明书9页 附图1页 CN 113536676 B 2022.09.27 CN 113536676 B 1.基于特 征迁移学习的锂电池健康状况监测方法， 其特 征在于： 该 方法包括以下步骤： S1： 基于特 征迁移学习混合模型的构建； S2： 基于特 征迁移学习混合模型的应用； 所述S1包括以下步骤： S11： 电池数据特 征提取； 针对一维锂电池序列特点， 以1d ‑CNN为特征提取器， 用于提取源域与目标域电池数据 的有效特征； 对于第n层CNN模型， n∈1,2,...N， 令 与 表示一维卷积 层的输入数据与输出特征， U1代表锂电池输入数据； 其中Z与V分别代表数据的样本数与通 道数； 第n层卷积核 的个数为 第n层卷积神经网络的输出为： 其中， σ 代表激活函数； 代表卷积核的大小； 代表第n层卷积第cj卷 积核的 偏置 ， 代表卷 积核元素的 位 置坐标 ； 代表提取特征的位置 坐标； 表示γ代表卷积步长大小； 经过n层卷 积过后， 输入最大池化层， 具体公式如下 所示： 其中， 代表池化输出， 它也可代表n+1层卷积的输入； d代表池化步长； 代表池化输出坐标； 代表池化核大小； 当提取源域数据特征时， 当提取目标域数据特征时， 其中， 与 分 别是源域与目标域的输入样本， 并且源域与目标域的输入样本类型， 样本长度， 即通道数V 与数据长度Z需保持一 致； 最终得到源域数据特 征 目标域数据特 征 S12： 特征MMD值计算； 令源域电池数据特征 的特征点数为ns， 目标域电池数据特征 的特征点数为nt； 最 大均值差异MMD是迁移学习中的重要参数， 可有效衡量两个域特征之间的分布差异； 当MMD ＝0时， 代表两个域特征的分布相同； 反之， MMD值越 大， 代表分布差异 也就越大； 源域与目标 域之间MMD的定义 为两域数据点在再生核希尔伯特空间RKHS的RKHS距离； 其定义公式为 其中， xS与xT分别代表源域与目标域特征的数据点， φ( ·)代表将数据映射到 RKHS非线 性函数； Hk代表RKHS； φ( ·)无法确定， 根据核技巧k(xS,xT)＝<φ(xS),φ(xT)>， 公式(3)等 价于：权　利　要　求　书 1/3 页 2 CN 113536676 B 2其中， k被定义 为m个核{ku}的凸组合， 公式为： 在公式(5)中， βu为超参数； 得到源域与目标域的M MD值为： 其中， 核{ku}被定义为高斯核； S13： 源域目标域损失函数计算； 从CNN输出的源域与目标域特征值在计算MMD的同时， 并输送进BILSTM网络中， 用以得 到源域与目标域电池数据的预测值； 对于第l层BI ‑LSTM神经网络， l∈1,2,...L， 令 代表t时刻的输入， | ·|代表维度运算符； 代表第l层BILSTM模块在t ‑1 时刻的输出， 其中， E是神经元数； 显而易见， ul+1,t＝hl,t； 一个BILSTM模块包含一个前向层以 及一个反向层； t时刻第l层 BILSTM的前向层输出 为： 其中， 定义了非线性 函数， 代表LSTM算法； t时刻第l层 BILSTM的反向层输出 表示为： t时刻第l层 BILSTM的输出为： 其中， η(·)表示非线性 函数， 用于合并前反向层的输出； 最后， L层 BILSTM神经网络的输出 为： yL+1＝wL+1hL,t            (10) 其中， 代表全连接层的权 重； 对于运用L层BILSTM神经网络得到源域预测值， 即 得到预测值 当预测目 标域数据时， 得到预测值 令源域数据的真实值为yS， 目标域数据的真实值为 yT； 得到源域与目标域数据的损失函数分别为 与 权　利　要　求　书 2/3 页 3 CN 113536676 B 3