一种结合小波变换和卷积神经网络的锂电池SOH预测方法

一种结合小波变换和卷积神经网络的锂电池soh预测方法
技术领域
1.本发明涉及新能源预测性维护领域，尤其涉及一种结合小波变换和卷积神经网络的锂电池soh预测方法。


背景技术：

2.锂离子电池作为一种清洁电源，因其能量密度高、自放电率低、体积小、使用寿命长、污染程度低而越来越受欢迎，特别是广泛应用于电动汽车、通信基站等多个领域。然而，锂离子电池在每次循环时自身的容量会不断衰退。过度充放电会导致锂离子电池性能的下降，因此对其自身容量的估计和预测对系统的状态监测具有重要意义。
3.为更科学的对电池容量进行预测，引入健康状态(state-of-health,soh)作为评判指标。soh通常定义为电池当前的可用容量与其初始容量之比，以百分比形式反映电池当前性能状态。
4.近年来，深度学习的发展使得越来越多基于神经网络的预测方法出现。卷积神经网络(cnn)是一种包含卷积运算的经典网络，具有强大的特征提取能力。多种结合cnn的模型广泛应用与锂电池soh的预测中。
5.但在大多数场景中，传感器收集到的与电池相关的物理信息包含了复杂的频率分量，许多重要的信息隐藏在这些频率分量中。cnn对于频率特征的学习能力较差，而且在降采样过程中容易忽略奈奎斯特采样定理，这可能导致不同频率区间的分量混叠。除此之外，cnn自身缺乏一定的可解释性，无法了解到网络学到了什么，所以人们无法在电池的实际预测中进一步解释和优化网络。
6.因此需要一种提高预测锂电池soh准确率的方法，既可以兼顾cnn的优点，又可以弥补其在频域学习能力不足的缺点。


技术实现要素：

7.为了解决上述问题，本技术提出了种结合小波变换和卷积神经网络的锂电池soh预测方法，该方法提出一个能够分层动态频率学习的小波驱动的模型，即hdf-wann。该方法考虑到小波变换在时频分析中的优越性能，可以有效的解决cnn频率学习能力不足的问题，同时小波变换良好的理论基础增强了cnn的可解释性。为后续的算法研究与工程应用提供了新的思路。
8.一种结合小波变换和卷积神经网络的锂电池soh预测方法，包括如下步骤：
9.s1：使用相关传感器采集锂离子电池的物理信息，包含电压、电流、温度；
10.s2：构建所需的数据集，并对数据集进行预处理；
11.s3：构建模型hdf-wann；
12.s4：模型hdf-wann的训练与锂电池soh的预测。
13.具体的步骤为：
14.s1、使用相关传感器采集锂离子电池的物理信息，包含电压、电流、温度具体为：电
池管理系统在不同的环境条件下，通过各种传感器以一个周期读取电池的物理信息。它被用来预测当前周期的soh。通常采集电压(u)、电流(i)和温度(t)，所以采集到的一个电池的物理信息样本可以表示为l表示一个周期的长度。表示时间步长为i时对应的物理信息。
15.s2、构建所需的数据集，并对数据集进行预处理，具体为：用每一个周期的物理信息样本与该周期所对应的电池soh构成一个锂电池soh预测数据集。以仅用一个电池为例，该数据集可以表示为其中n代表了这一个电池所循环的周期数，是第j个周期对应的物理信息样本，其长度为l。ωj为对应的容量标签。在实际情况中所使用的数据集会包含n个电池。此时原本的n变为n个电池循环的周期数之和。而每个电池一个周期的长度是不同的，所以使用最大的周期长度作为l的值，其余地方的信息以0填补。为了使训练更稳定，对d中的zj进行标准化处理，在每一个维度上分别进行标准化。
16.s3、构建模型hdf-wann，具体为：
17.模型包括4个离散小波变换层，4个卷积模块，4个动态频率聚焦注意力模块和一个全连接层。输入数据通过离散小波变换层后得到频率相关的特征图，在通过特别设计的动态频率聚焦注意力模块，关注更有价值的频率信息，最后输入到卷积模块，利用卷积模块优秀的特征提取能力使模型具有良好的频率分析能力。三种模块依次堆叠四次，并在最后放置全连接层最终搭建好完整的模型hdf-wann。
18.优先地，所述离散小波变换层具体为：通过高通和低通滤波器对输入的不同频率分量进行分解，得到低频近似和高频细节。假设输入的特征图，c表示通道数，l表示特征信号的长度。输入的特征图有c个特征信号，每个信号都有一个长度为h的时间步长。
19.优先地，其分解算法可表示为：
[0020][0021]
其中，t为时间序列数，t＝1,2，......，l，f(t)为原始信号，j为分解的层数。h、g是时域上的小波分解滤波器，分别具有低通和高通特性。h和g也分别与小波变换中的尺度函数和小波函数有关。aj是j层信号f(t)的低频部分(近似部分)的小波系数；dj是j层信号f(t)的高频部分(细节部分)的小波系数。上述公式可以看作是输入特征信号与滤波器之间的卷积。2t表示步长为2，并对信号进行下采样。
[0022]
经过一次离散小波变换后，特征图长度减半，通道数为原来的二倍。
[0023]
优先地，所述动态频率聚焦注意力模块具体为：该模块使模型对小波分解后的不同频率分量作出不同的处理。对于一个输入到该模块的频率特征图，将其在通道上分为g组。
[0024]
对每组分别进行如下处理：
[0025]
对于任意一组子频率特征图mj，j＝1，2，...，g，使用全局平均池化操作。将每个子频率特征压缩为一个一维向量κj，，该向量代表各个通道的权重。这一过程可以表示为：
[0026]
[0027]
在得到全局信息后，通过mj与κj的点积，得到初始注意力掩码。
[0028]
将该注意力掩码在通道维度中进行压缩并进行归一化得到向量γj。这一过程可以表示为：
[0029][0030]
其中，norm表示正则化，
⊙
表示点积。
[0031]
该向量经过sigmoid后得到最终注意力掩码。该掩码代表了相应频率在不同时间步长下的重要性，其反映了哪些频率信息是更有价值的，使得模型的训练变得更高效。
[0032]
优先地，所述卷积模块由两个卷积层组成，每个卷积层都采用relu激活函数和批量归一化。这些卷积模块从不同的频率信号中学习到隐含的特征，在输出特征提取后的特征图。
[0033]
所述全连接层将频率信息等数据空间映射为最终的电池soh值。
[0034]
s4、模型hdf-wann的训练与锂电池soh的预测，具体为：将锂离子电池soh预测模型定义为定义为是在模型训练中不断更新的参数，假设模型的输出为ω
p
。将输入数据送入该模型中，使用huberloss来计算hdf-wann模型预测的soh与真实soh之间的距离，该损失函数表示为：
[0035][0036]
其中δ为1，ω为实际的锂电池soh值。
[0037]
在得到损失值的梯度后，使用反向传播的方式使模型输出的soh值不断逼近真实值。
[0038]
本发明的有益效果主要表现在：1)将小波变换与cnn相结合，有效地弥补了cnn在锂电池soh预测领域的缺陷。2)该方法关注到了丰富的频率信息，使模型具备优秀的频域分析能力。3)注意力模块的使用可以自动聚焦有价值的频率信息并丢弃无关的噪声。
附图说明
[0039]
图1为实施例的数据集的采集与预处理；
[0040]
图2为实施例的hdf-wann的框架流程图；
[0041]
图3为实施例的动态频率聚焦注意力模块的框架流程图。
具体实施方式
[0042]
为了是本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明实施方案作进一步详细描述。
[0043]
数据集的采集与预处理以及数据集的基本结构如图1所示。
[0044]
步骤一：使用传感器采集锂离子电池每个周期的物理信息，包括其电压、电流和温度。提取的数据一般为matlab或excel形式。用python对其进行整合提取。
[0045]
步骤二：一共选择十个电池，由于每个电池一个周期(进行一次完整的充放电)的
长度是不同的，所以选取长度的最大值，部分达不到最大长度的地方补零。一般采取充电或放电其中一个就可以对电池soh进行准确地预测，因为其充电或放电所蕴含的物理信息大致相同。这里选择放电过程。然后，十个电池中选取三个作为测试集，剩余七个作为训练集。以训练集为例，将各个电池拼接在一起，形成训练集每个电池的循环次数大约为100，所以这里数据集的第一个维度大约为700。各个电池最大的周期长度为490，所以以490作为样本的长度。选择的三个参数电压、电流和温度都是随时间变化的曲线，相互之间不影响，其看作样本的通道数。最终形成的维度为(700，3，490)。
[0046]
每一次循环还会有一个对应的soh值，其作为训练集ω，显然其维度为(700，1)。将与ω拼接形成一个完整的训练集d。
[0047]
测试集的构建同理。
[0048]
对数据集每个通道进行标准化处理，使训练更高效且稳定。以训练集的电压为例，在一次循环中其长度为490，对这490个数进行标准化处理使其分布处于稳定。这一过程执行700次。
[0049]
电流、温度的标准化处理同理。
[0050]
标准化处理公式可表示为：
[0051][0052]
其中，x
mean
表示一组数据的均值，x
std
表示一组数据的标准差。
[0053]
步骤三：将构建好的数据集送入模型中，由于网络的训练是以批量进行的，这里的批量大小设置为32，一次送入的数据集大小为(32，3，490)。hdf-wann的框架流程图如图2所示。
[0054]
进入模型后，首先进行离散小波变换，采用db16小波基，使用高频分解滤波器h和低频分解滤波器g与进行卷积运算，得到分解后的高频小波系数与低频小波系数。过程可表示为：
[0055][0056]
将a和d在通道上拼接得到频率特征图m。由于下采样的步长为2，所以新得到的m通道数变为原来的2倍，长度减半。该过程可以表示为：
[0057][0058]
将m1输入到动态频率聚焦注意力模块中，动态频率聚焦注意力模块的具体构架如图3所示。
[0059]
将m1分成四组，每组进行一个注意力的过程。将其在长度上压缩为一个一维向量。该过程可表示为：
[0060][0061]
其中，gap表示全局平局池化。
[0062]
将与原本的子频率特征图点积得到初始注意掩码。将初始注意掩码在通道特征
维度压缩并归一化得到rj。该过程可以表示为：
[0063][0064]
其sigmoid后的向量为最终掩码，即注意力权重。最后将分成的四组重新拼接，得到聚焦后的频率特征图该过程可以表示为：
[0065][0066]
将送入卷积模块中，先经过一层卷积层，卷积核大小为3，在经过非线性激活函数relu后得到非线性映射特征矩阵，在经过批量归一化。该过程可以表示为：
[0067][0068]
上述过程再重复一次视为经过了一次卷积模块。
[0069]
至此，模型完成了一次对频率特征的学习。重复该过程四次加强模型的深度频率分析能力，该过程可以表示为：
[0070][0071]
完成上述过程得到具有丰富频率特征的特征图将其送入全连接层。全连接层的神经元数量为1470。
[0072]
所述全连接层将频率信息等数据空间映射为最终的电池soh值。
[0073]
步骤四：在训练hdf-wann时，训练过程迭代60次，学习率设置为0.0001，优化算法采用adam。
[0074]
使用huber-loss来计算该网络的预测结果和真实soh之间的距离，并使用反向传播算法来更新网络中的权重，该损失函数表示为：
[0075][0076]
ω为实际的锂电池soh值。
[0077]
在得到损失值的梯度后，使用反向传播的方式使模型输出的soh值不断逼近真实值。