一种基于时间序列大模型算法的动力电池剩余续航预测方法

本发明属于电池寿命预测，具体涉及一种基于时间序列大模型算法的动力电池剩余续航预测方法。

背景技术：

1、近年来，汽车产业开始逐步走向电动化、网联化与智能化，车辆运行数据采集与利用成为重要的科技发展方向。通过大数据分析挖掘与人工智能技术，人们建立起了越来越多的辅助人类沟通写作的通用模型如chatgpt大模型，智能车辆的动力电池健康管理与rul评估系统也在逐步发展中。精确的动力电池剩余续航预测有助于提高用户的使用信心同时从侧面提升动力电池剩余寿命预测水平。

2、现有的学术研究往往主要针对实验室采集得到的数据，同时仅仅研究了恒定条件下的充放电特征，较少有利用车辆真实数据进行动力电池健康评估的方法。另外，由于不同驾驶员驾驶工况各不相同，起动力电池的衰退情况也就各不相同。

3、现有的动力电池的寿命预测算法往往依赖实验室充放电研究经验，通过特定工况的充电过程或者放电过程的运行数据进行处理来提取出有用的特征，通过控制变量实验对照等方法来确定各个关键因素对动力电池的寿命的影响，这种在实验室测得的特征可能难以在复杂的工况环境中发挥作用。

技术实现思路

1、有鉴于此，本发明的目的在于提供一种基于时间序列大模型(time-llama)算法的智能汽车动力电池剩余续航预测方法，该方法以车辆全生命周期数据建立模型，通过静置、行驶和充电过程数据特征的联合，可以更加全面地刻画车辆的动力电池在各种使用工况下寿命的衰退情况。

2、为达到上述目的，本发明提供如下技术方案：

3、一种基于时间序列大模型算法的动力电池剩余续航预测方法，包括以下步骤：

4、s1：采集车辆静态数据特征；

5、s2：采集车辆运行动态数据：将上一次充电开始到下一次充电开始视为完整的一个循环；

6、s3：计算两次循环间差分；

7、s4：用上一次充电开始到下一次充电开始这样一个完整循环的特征x(i)组成的序列作为训练模型的输入；

8、s5：用上一次充电开始到下一次充电开始这样一个完整循环的行驶公里数作为训练模型的目标值；

9、s6：基于xgboost回归模型进行重要特征清洗；

10、s7：训练时间序列大语言模型time-llama；

11、s8：利用训练完成的time-llama对动力电池剩余续航时间进行预测。

12、进一步，步骤s1中采集的车辆静态数据特征具体包括：汽车质量、最大输出功率、车辆理论续航、最大允许充电功率、动力电池容量、pack能量密度。

13、进一步，步骤s2所述采集车辆运行动态数据，具体包括以下步骤：

14、s21：提取静置片段特征，所述静置包括关机下电情况下的静置，以及车速为0的情况下的待机；

15、s22：提取行驶片段特征；

16、s23：提取充电片段特征；

17、s24：车辆欧姆内阻特征：计算车辆在连续恒流放电过程中计算得到的欧姆内阻ri，采用戴维宁等效电路模型构建动力电池欧姆内阻、极化内阻与电压电流之间的关系，取恒流稳定放电过程中的电压电流数据，记为：

18、

19、其中u为电压，i为电流。

20、进一步，步骤s2所述车辆运行动态数据包括：

21、电量：静置前estatic_i，行驶耗电量erun_i，充电量echarge_i；

22、环境温度：静置时的环境温度tempi，放电环境温度tempi；充电环境温度tempi；

23、环境温差：静置后与静置前环境温差δtempe_i，放电与环境温度做比较δtempe_i，充电温度与环境温度温差δtempe_i；

24、时长：静置时长tstatic_i，行驶时长trun_i，充电时长tcha_i；

25、初始电压：静置前电压vstatic_start_i，行驶前电压vrun_start_i，充电前电压vcharge_start_i；

26、结束电压：静置后电压vstatic_end_i，行驶后电压vrun_end_i，充电后电压vcharge_end_i；

27、初始与结束电压压差：静置前后电压差vstatic_delt_i，放电电压差vd_delt_i，充电电压差vc_delt_i；

28、初始与结束温差：静置温度变化δtempi，放电温度变化δtempi，充电温度变化δtempi；

29、起始soc：起始soc，行驶起始soc，充电起始soc；

30、结束soc：结束soc，行驶结束soc，充电结束soc；

31、soc：消耗soc，充入soc；

32、里程值：静置时的里程值drun_i，行驶距离δdi，静置充电时的里程值dcharge_i；

33、电流倍率：放电电流倍率cd_i，充电电流倍率cc_i；

34、容量：静置时容量qi，放电容量δqi，充电电容量δqi；

35、恒流放电片段欧姆内阻ri。

36、进一步，步骤s3具体包括以下步骤：

37、s31：计算本次与上一次同等条件下的电量差分量；

38、s32：计算本次与实验室初始标定的差分量x；

39、s33：计算两次静置间的变化、两次行驶间的变化、两次充电间的变化，

40、s34：计算循环间特征。

41、进一步，步骤s33中具体包括：

42、两次循环间差分电量包括：行驶耗电量充电量

43、两次循环间差分容量包括：行驶容量dqrun_gap_i，充电dqcharge_gap_i；

44、环境温度：放电环境温度run_tempi、充电环境温度charge_tempi；

45、环境温差：放电与环境温度做比较δrun_tempe_i、充电温度与环境温度温差δcharge_tempe_i；

46、起始soc：行驶起始socrun_start、充电起始soccharge_start；

47、结束soc：行驶结束socrun_end、充电结束soccharge_end。

48、进一步，步骤s34所述循环间特征计算步骤如下：

49、提取容量增量特征作为模型特征输入：

50、

51、vk表示电池终在特定条件下的端电压，dv表示电压区间，tvk+du表示电压达到(vk+du)的时间，tvk-du表示电压达到(vk-du)的时间。

52、进一步，步骤s4所述特征x(i)计算如下：

53、

54、进一步，步骤s6具体包括以下步骤：

55、s61：选择xgboost回归模型的参数，包括学习器的数量、树深度、学习率；

56、s62：使用xgboost算法，顺序训练多个决策树模型来逐步提升整体模型的性能；

57、s63：xgboost的损失函数和正则化项组成目标函数，通过损失函数衡量模型的预测值与真实值之间的差异，正则化项控制模型的复杂度；

58、s64：采用平均绝对误差作为损失函数，用来度量预测剩余续航里程与真实续航里程之间的误差；

59、s65：控制模型复杂度：xgboost的正则化项包括树的叶子节点个数、叶子节点得分的l1和l2正则化项；

60、s66：使用cart(classification and regression trees)树模型，每棵树由一个或多个节点组成，通过特征值的比较来进行分裂；叶子节点的值：每个叶子节点包含一个实数值，表示该叶子节点的输出预测值；

61、s67：学习率shrinkage：通过降低每棵树的影响，从而减小过拟合的风险；

62、s68：对xgboost模型的参数进行调优，可调参数包括树的深度、学习率、子采样比例；

63、s69：搭建xgboost模型计算输入特征的重要性分数，评估特征对最终预测结果的影响程度，得到重要特征时间序列用该序列作为接下来时间序列大模型训练的输入。

64、进一步，步骤s7具体包括以下步骤：

65、s71：预训练基础大模型：采用无监督或者自监督的学习方法，通过预训练模型学到丰富的特征表示和数据中潜在的结构；

66、s72：利用transformer架构的自注意力机制，使模型直接关注输入模型的静置、行驶、充电序列中任意两个特征的位置；

67、s73：利用大模型的自监督学习方法，减少数据标注；

68、s74：将特征向量输入到时间序列大语言模型time-llama中，输入时间序列对该输入时间序列进行归一化、将特征重新编码为文本型表示数据，其中以一次完整的静置、行驶、充电组成的特征作为token时间序列；

69、s75：获得基础大模型，采用均方根误差mse进行大量评估，优化特征输入与模型参数结构等地方，其中mse计算公式为：

70、

71、s76：部署模型到云端服务器算法环境后需要监控并收集模型不当的输出，并继续调优。

72、本发明的有益效果在于：本发明具有很好的鲁棒性，能够通过自动学习和适应数据中的噪声和异常情况，从而提供更稳定的预测。其具有并行计算的能力，可以充分利用多核处理器的计算能力，提高训练速度和预测效率。

73、本发明的其他优点、目标和特征将在随后的说明书中进行阐述，并且在某种程度上对本领域技术人员而言是显而易见的，或者本领域技术人员可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。