基于微控制器设备和嵌入式稠密神经网络的电池循环性预测方法

技术领域

本发明涉及一种电池循环性预测方法，具体涉及一种融基于微控制器设备和嵌入式稠密神经网络的电池循环性预测方法。

背景技术

现在的公司使用复杂电池管理系统（BMS）监控电池的性能，并通过对电池循环使用情况进行数据建模，去评估电池性能。电池循环寿命预测对于电池的设计、质量评估和部署都至关重要。同时，现有技术的重点是利用电池管理系统（BMS）去实时的监控电池的健康状态（SOH），而不是去预测电池的健康状态（SOH）。一些设计需要根据电池循环寿命去高效的组合电池组的结构，然后如何去创建电池的寿命时间，合理安排电池的更换周期。所以，正确有效的预测电池循环性和性能有助于用户的业务决策和资源节约策略。

发明内容

本发明目的是提供了一种基于微控制器设备和嵌入式稠密神经网络的电池循环性预测方法，基于微控制器（MCU）设备和嵌入式稠密神经网络的去预测电池的循环性。

本发明为实现上述目的，通过以下技术方案实现：

一种基于微控制器设备和嵌入式稠密神经网络的电池循环性预测方法，其特征在于，包括以下步骤：

S1. 数据收集：收集电池充放电寿命曲线数据，并将每一类数据都能转化为一个特征；

S2.数据转换：需要将上述的数据转换为可供模型训练的特征数据；

S3. 数据分析：基于上述特征数据，利用PCA去计算每个特征对电池周期寿命之间的线性关系，通过PCA得到的数据矩阵将会作为模型训练的数据输入；

S4. 模型训练：使用稠密神经网络模型进行训练，模型使用的损失指标是平均绝对误和均方误差；

S5.模型部署：缩小步骤S4得到的模型，并部署到微型控制器设备上面，同时，利用通讯机制与电池的BMS模块进行通讯获得电池的数据，并根据模型的推理去得到电池循环性的预测结果，根据预测结果对电池进行下一步的的电池管理。

所述基于微控制器设备和嵌入式稠密神经网络的电池循环性预测方法优选方案，电池充放电寿命曲线数据包括放电容量曲线、电流、电压曲线、温度曲线、内阻和线性插值放电。

所述基于微控制器设备和嵌入式稠密神经网络的电池循环性预测方法优选方案，利用Python里面的numpy.polyfit函数去计算出Qs和Qin，Qs代表曲线的斜率，Qin代表曲线的截距；线性插值放电数据=，dQ代表放电容量，dV代表放电电压；计算温度方差Tv，，代表j循环在温度曲线的数值，代表所有点j的平均值，N代表循环次数；内阻IR=（I x Rj）/ N, Rj为第j个电池的电阻，N为循环次数。

本发明的优点在于：

利用稠密神经网络和微型机器学习（TinyML）技术去预测电池循环性，根据微型机器学习（TinyML）将预测模型部署到微型控制器（MCU）设备上，然后根据设备端读取实时的电池使用状况，去预测电池的循环性，然后根据预测结果将电池进行下一步的处理。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。

图1为本发明实施例的稠密神经网络模型。

图2为本发明的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

一种基于微控制器设备和嵌入式稠密神经网络的电池循环性预测方法，包括以下步骤：

S1. 数据收集：收集电池充放电寿命曲线数据，每个循环设置为1000个时间节点，电池充放电寿命曲线数据包括放电容量曲线、电流、电压曲线、温度曲线、内阻和线性插值放电，并将每一类数据都能转化为一个特征；

S2.数据转换：需要将上述的数据转换为可供模型训练的特征数据；

S3. 数据分析：基于上述特征数据，利用PCA去计算每个特征对电池周期寿命之间的线性关系，通过PCA得到的数据矩阵将会作为模型训练的数据输入；

利用Python里面的numpy.polyfit函数去计算出Qs和Qin，Qs代表曲线的斜率，Qin代表曲线的截距；线性插值放电数据=，dQ代表放电容量，dV代表放电电压；计算温度方差Tv，，代表j循环在温度曲线的数值，代表所有点j的平均值，N代表循环次数；内阻IR=（I xRj）/ N, Rj为第j个电池的电阻，N为循环次数；

S4. 模型训练：使用稠密神经网络模型进行训练，全连接模型提供了更高的结果解释性，因为特征重要性可以调整，参数可以轻松调整，并且特征提取过程适合电池循环性，与卷积神经网络或深度神经网络相比，该模型还具有体积小的优势，该模型使用RELU激活函数，因为在数据标准化和标准化后，一些输入值为负值，并且Qi向下倾斜，模型使用的损失指标是平均绝对误和均方误差；

S5.模型部署：缩小步骤S4得到的模型，并部署到微型控制器设备上面，同时，利用通讯机制与电池的BMS模块进行通讯获得电池的数据，并根据模型的推理去得到电池循环性的预测结果，根据预测结果对电池进行下一步的的电池管理。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。