卷积神经网络（Convolutional Neural Networks, CNN）是人工神经网络代表算法之一，由其独特

的卷积操作而得名，属于深度学习中经典的深度前馈神经网络（Feedforward Neural Networks）。卷积

神经网络具有表征学习的能力，能够维持原有数据的层次结构对输入的信息进行对应转换与判断，对
特征信息具有平移不变性[14]，故其也叫平移不变人工神经网络。卷积核算子以滑窗移动的方式对矩
阵数据进行提取特征，非常适用于图像信息的处理。
卷积层是卷积神经网络的核心部分，其中的卷积操作代表卷积层的灵魂。通过覆盖与卷积核相同
尺寸的图像区域，对应元素进行计算和最终的整合，从而得到该区域的图像主要的特征信息。
CNN 是一种带有卷积结构的深度神经网络，能够从原始数据中提取出更高层次和更抽象的数据特
征，广泛应用于图像分类、人脸识别等领域[12]。其中，一维 CNN 主要应用于时间序列数据[13]。图
1 为一维 CNN 的结构，第 i 个卷积核 1 diR 作用在输入数据 dtx R  上，将产生一个特征向
量 t,ic ，公式表示为

卷积神经网络属于深度神经网络的一种，能够从原始数据中提取出更高层次和更抽象的数据特征 ，
广泛应用于图像分类、人脸识别等领域。卷积神经网络的核心结构为卷积核所在的卷积层，假设卷积
神经网络的输入和输出分别为 x 和 a ，则输入和输出之间的关系可以通过非线性映射和学习参数构成
的函数表示为：

其中𝐷是图像深度，F 是卷积核的大小（宽度或高度），𝑤𝑑,𝑚,𝑛表示第𝑑通道第𝑚行第𝑛列参数值，
𝑤𝑏为偏置项。
CNN 通过卷积核滑窗移动的方式，对样本局部区域的特征信息逐层进行提取，使用卷积核的优势
主要体现为连续数据的局部信息往往是存在相关性的，卷积核提取局部信息的特性能够捕捉以上相关
性，确保了连续数据提取特征的完整性；同时卷积核能够实现权值共享，减少深度人工神经网络的参
数数量，降低了模型的计算量和占用内存量。

因此，卷积神经网络的本质是将输入经过多层特征提取（数据变换或降维）后映射至输出的过程 。
使用卷积核的优势主要体现为连续数据的局部信息往往是存在相关性的，卷积核提取局部信息的特性
能够捕捉以上相关性，确保了连续数据提取特征的完整性；

传统 RNN 模型随着计算的叠加，早期时间输入的状态信息权重会被逐渐削弱，甚至遗忘。对于比
较复杂的问题而言，往往需要早期的信息作为支撑，而传统 RNN 结构无法有效的提供这些信息，因此
传统 RNN 无法有效应对长时间尺度问题。
了解决神经网络中的梯度消失弊端，门控循环单元模型也由此被提出。 GRU 网络是 RNN 网络的
一种，在传统 RNN 的基础上引入重置门与更新门，t－1 时刻的隐藏层状态，不直接参与 t 时刻隐藏层
状态的计算，而是通过重置门与更新门决定参与下一个时间步计算的信息数量其结构如图 3.2(b)所示。
通过修改神经网络中隐藏状态的计算方式，解决当时间步数较大或者时间步数较小时，RNN 的梯度容
易消失或者爆炸的问题，从而使 GRU 更好地捕捉时间序列中时间步距离较大的依赖关系。

给定训练数据，AdaRNN 首先利用 TDC 将其划分为充分表征其分布信息的时间段。

然后应用 TDM 模块进行周期间的分布匹配，建立一个广义预测模型 m。最后用学到的 M

对新数据进行𝑟-step 预测。AdaRNN 背后的原理如下。在 TDC 中，模型

M 期望在最坏的分配情况下工作，即不同时段之间的分配差距较大，因此可以通过最

大化不同时段之间的差异来确定最优的时段分割。在 TDM 中，M 利用学习到的时间段的

常识，通过 rnn 与正则化项匹配它们的分布，以做出精确的未来预测。

松下 18650 电池电池采用锂镍钴铝氧化物(LiNiCoAlO2 或 NCA)化学成分，类似于特斯拉汽车中

使用的电池，接受了[37]测试。电池额定电阻为 43-mΩdc，如表一[37]、[38]所示。所有的测试都是在

热室中进行的，使用的是由双创发射电路制造的电池测试设备，如表 II 和图 3(a)所示。

为了为 RNN 生成训练和验证数据，电池暴露在环境温度从 0 到 25◦C 选择驱动器循环。采用了一

套实验程序，如图 3(b)所示。实验装置示意图如图 3(c)所示。热室首先设置为 25◦C，然后 3 小时暂停，

以允许电池的内部温度达到 25◦C。然后以 2.9 a (1C)的恒流充电率充满电池，然后以 4.2 V 的恒压充电，

当电流低于 50 mA 时终止。然后将热室温度设置为所需的环境温度，以记录后续的驱动循环，然后再

次暂停 3 小时，以使电池内部温度达到稳定状态。电池然后放电使用驱动循环功率配置，包括再生制

动(即充电)电源，如果环境温度大于或等于 10◦C，电池额定充电的最低温度。用于测量电流和计算容

量的电流传感器误差小于 25ma。对于典型数据集，累计误差小于 40 毫安时，这与电池容量的 2900 毫

安时相比是很小的。
 在实验过程中，电池被置于 10 个驱动循环中。每个数据集由不同驱动周期的随机组合组成，包括

HWFET、UDDS、LA92 和 US06。构建这些独特的数据集，由不同的驱动周期组成，具有不同的动力

学光谱，为 LSTM-RNN 提供了广泛的现实驾驶条件。这十个循环应用于电池在三个不同的环境温度

(0,10，或 25◦C)。LSTM-RNN 的训练是在这 10 个周期(通常是 8 到 9 个周期)的一个子集上进行的，今

后将被称为训练数据，而验证是在完全不同的周期子集上执行的(通常是一个或两个)，今后被称为测

试用例。一个额外的测试用例，称为充电测试用例，记录在 25◦C 检查网络的性能在充电剖面。此外，

在实验过程中记录了第二个额外的测试案例，将电池暴露在环境温度从 10to25◦C 增加，并用于验证

LSTM-RNN 适应变化温度的能力。所使用的驱动循环功率配置用于电动福特 F150 卡车[39]和[40]，功

率配置用于由 3680 个松下 NCR18650PF 电池组成的 35 千 kwh 电池组的单个电池。如图 4 所示，驱动

循环的功率分布有放电功率(负功率)高达 40 W /电池，充电功率(正功率)高达 35 W /电池。换算成峰值

电流约为 18 A 或 6 C，这是电动汽车应用中相当典型的峰值 C 速率。功率曲线被重复，直到电池的可

用容量耗尽。这被定义为 2.61 Ah 时，在 25◦C 的环境温度放电，2.5 Ah 在 10◦C 和 2.32 Ah 在 0◦C。

测量的电压，电流，安培小时，和电池表面温度显示在图 5 为 US06 驱动周期在环境温度 25◦C 和

0◦C。在 25◦C 曲线太明显。温度，在租金的表面测量是相对低的，≤3C，电池电压降不是圆柱形电池

与热电偶，在驱动器的前 70 分钟增加了几度，然后峰值到 34◦C 终端电压下降，电阻增加，因此，损

失增加。在 0◦C，电池电阻更高，导致显著的电压下降，如图 5 所示。较高的阻力加上无再生制动能

量由于低温状态，导致驱动器循环重复 50 分钟在 0◦C，而这是重复 85 分钟在 25◦C。电池也加热显著，

高达 13◦C，由于较高的损失在低温。

尽管本文展示的 LSTM-RNN 是根据松下 18650PF 电池获得的数据进行训练的，但同样的 LSTM-

RNN 可以在任何其他类型的电池上进行训练。网络架构不会从一个电池单元改变到另一个电池单元。

网络可能需要重新训练，以适应完全不同的电池，但它的架构和网络超参数的值，如学习率，不会改

变。这与传统的评估技术没有任何不同，必须为不同类型的电池重新参数化电池模型。

包含的测试由威斯康星大学麦迪逊分校的 Phillip Kollmeyer 博士

(phillip.kollmeyer@gmail.com)执行。如果这些数据被用于任何目的，应该适当地引用。

全新 2.9Ah 松下 18650PF 电池在 8 cu.ft 的热室中测试，使用 25 安培，18 伏数字加速器发

射电路通用电池测试通道。

/*************************************************/

在五种不同的温度下进行了一系列测试，如下所示(每次测试后电池充电，速率为 1C 至

4.2V，切断 50mA，电池温度为 12℃或更高):

1. 在 25℃温度下循环 10 次以打破它(此数据不包括在内)

2. C/20 充放电试验

3.五脉冲放电 HPPC 试验(0.5,1,2,4,6c)分别在 100,95,90,80,70…， 30, 25, 20, 15, 10, 5, 0%

社会。记录的数据文件只包括脉冲，不包括脉冲之间的后续放电，参考安培小时数据来确
定每个脉冲集的 SOC。脉冲之间的放电包含在另一个文件中，名称为“dis5_10p”，以备
需要此数据时使用。

4. EIS 测试从 1mHz 到 100,95,90,80,70…， 30, 25, 20, 15, 10, 5, 0%社会。
5. 执行的 9 个驱动周期的系列，顺序如下:周期 1，周期 2，周期 3，周期 4,US06, HWFET,

UDDS, LA92，神经网络(NN)。循环 1-4 由 US06、HWFET、UDDS、LA92 和神经网络驱动

循环的随机混合组成。神经网络驱动循环由 US06 和 LA92 驱动循环的部分组合而成，并

被设计为具有一些可能对训练神经网络有用的附加动态。驱动循环功率曲线是计算一辆电
动福特 F150 卡车的驱动循环功率曲线，该卡车采用 35kWh 电池组，按比例为单个

18650PF 电池。

6. 步骤 3 到步骤 5 依次重复环境温度为 25 度、10 度、0 度、-10 度和-20 度。对于环境

温度低于 10℃的测试，测试中不包括再生。驱动循环测试在电压第一次达到 2.5V 25°c 和

10°c 时终止，在 2.32Ah (80% DOD)、2.03Ah (70% DOD)和 1.74Ah (60% DOD)分别在

0°c、-10°c 和-20°c 放电后终止。

7. 9 个驱动循环被重复(“-20degC Trise”文件夹)，启动腔温度为-20degC，然后允许向上

漂移，这样电池温度在驱动循环中上升到 10 或 20degC。这些测试允许测试电池模型或

SOC 算法与不同的温度驱动循环测试。然而，随着更多测试的进行，电池会老化，所以
这些测试结果可能无法完美地与早期测试开发的模型进行比较。

8. 循环 1 到 3 重复(“-20degC Trise with pause”文件夹)，环境温度从-20degC 开始，然后

允许其向上漂移，从而使电池温度上升到高达 25degC。每个循环在中间插入 1、2 或 3

个小时的暂停。循环和充电保存在一个连续的文件中，以允许评估电池模型或 SOC 算法
在一个连续的数据集与不同的温度。

9. 在启动环境温度为 10degC 的情况下重复 9 个驱动循环(“10degC Trise”文件夹)，类似

于步骤 7 中描述的。
10. 循环 1 到 4 重复(“10degC Trise with pauses”)，初始环境温度为 10degC，类似于步骤

8 中描述的。这些循环包括再生能量，因为温度高于 10 摄氏度。

11. 电池在 25℃的温度下以 1C 的速率循环 10 次(“C20 OCV Test_end_of_tests”文件夹)。

随后在 1C 下进行了两次参考容量测试，结果表明，在进行了一系列测试(大约 110 次循

环)后，1C 电池容量已从 2.8Ah 下降到 2.3Ah。

/*************************************************/

数据列:

时间戳(时间戳格式为 MM/DD/YYYY HH:MM:SS AM)

电压(被测电池端电压，传感器引线直接焊接到电池端)

电流(以安培测量电流)

Ah(测量安培小时，在每次充电、测试或驱动循环之前重置 Ah 计数器)

Wh(测量的瓦时，在每次充电、测试或驱动循环后重置 Wh 计数器)

功率(以瓦为单位)

Battery_Temp_degC(电池外壳温度，电池中间，用热电偶测量的摄氏度，在较低温度下

修正了热电偶偏移)
时间(以秒为单位的时间，从每个数据文件开始处的零开始)

(测量室内温度，单位为摄氏度)

/*************************************************/

时间步长:

被认为更重要的测试，如驱动周期，以 0.1 秒的时间步长保存。其他测试部分，如充电和

暂停，被认为具有较慢的动态，不那么重要，因此以较低的数据速率保存。注意这些数据
速率的差异，如果有必要，对记录的数据进行上采样，以实现更高或一致的数据速率。

/*************************************************/

重复的数据:

由于电池测试器的日志记录存在问题，许多 US06、HWFET、UDDS、LA92 和 NN 驱动周

期被保存在一个单独的长文件中，其中包括测试之间发生的充电和暂停。这些文件的数据
速率不一致(收费和暂停的数据记录速率较低)。这些连续文件可能对某些应用程序有用，

因此被保留了下来。文件也被拆分，例如提供单独的 US06、HWFET 等文件。因此，一些

驱动器周期数据被包含两次——在长连续文件中以及在分割文件中。