一种锂离子电池智能健康状态预测方法

本发明涉及电池数据处理，尤其是一种锂离子电池智能健康状态预测方法。

背景技术：

1、随着车联网和云计算的快速发展，基于大数据的深度学习在锂离子电池健康状况的在线预测中发挥着越来越重要的作用，其中提高准确性、鲁棒性和实时适用性是当前的研究挑战。

2、数据驱动方法可以实现基于历史数据样本的健康状态评估。然而，存在两个主要缺陷，有待进一步改进。1)由于电池老化机理的复杂性和老化原因的多样性，反映电池内部电化学特性的可测信号随电池老化呈现复杂的非线性变化趋势，为了跟踪这种复杂的变化，需要提取和分析多个特征。2)不同的特征对最终结果有不同的影响：现有电池健康状况(soh)预测网络模型多为单分支模型，即采用同一模型处理不同特征，限制了电池各方面数据的提取性能，并且，假设输入特征对预测结果做出相等贡献是不合理的。

3、为了解决以上存在的问题，需要寻求一种理想的技术解决方案。

技术实现思路

1、有鉴于此，本发明实施例提供一种锂离子电池智能健康状态预测方法，能够高效准确进行锂离子电池智能健康状态预测。

2、一方面，本发明的实施例提供了一种锂离子电池智能健康状态预测方法，包括：

3、获得电池健康状况数据集，并基于电池的循环寿命测试，确定电池充电曲线；

4、基于电池充电曲线，提取直接测量特征和二阶测量特征；其中，直接测量特征包括电池充电过程的端电压和端电流；二阶测量特征包括基于预设区间确定的多尺度的电化学特性特征；

5、通过滑动窗口分别处理直接测量特征和二阶测量特征，获得滑动窗口处理后的直接测量特征和二阶测量特征；

6、利用长短期协同注意力网络对滑动窗口处理后的直接测量特征和二阶测量特征进行分析，得到目标编码与目标加权和；

7、其中，长短期协同注意力网络基于电池健康状况数据集训练生成的；长短期协同注意力网络包括深度长短期记忆单元和注意力单元；深度长短期记忆单元用于对滑动窗口处理后的直接测量特征进行编码处理，注意力单元用于对滑动窗口处理后的二阶测量特征进行加权求和；

8、对目标编码和目标加权和进行连接处理，得到目标数据；

9、通过多层感知机对目标数据进行线性变换，得到全局预测数据。

10、可选地，获得电池健康状况数据集，包括：

11、从电池循环寿命试验的实验平台获取电池的历史运行数据；

12、其中，历史运行数据包括电压、电流和温度；实验平台包括充放电测试仪、可编程恒温恒湿箱和记录数据的计算机；

13、基于历史运行数据，确定电池健康状况数据集。

14、可选地，基于电池的循环寿命测试，确定电池充电曲线，包括：

15、基于电池的预处理循环、老化循环和容量校准循环，确定电池充电曲线。

16、可选地，方法还包括：

17、对确定的电池充电曲线进行归一化处理，获得处理后的电池充电曲线。

18、可选地，方法还包括：

19、基于电池充电曲线，将电池充电过程的端电压和端电流作为直接测量特征；其中，电池充电曲线包括电压曲线；

20、根据电压变化，基于预设区间阈值将电压曲线分为若干区间，将电压曲线的初始值、电压分别达到各区间之间临界值的多个充电时间以及各区间中电压相对充电时间的多个积分作为二阶测量特征。

21、可选地，方法还包括：

22、根据电池健康状况数据集，通过安时积分的方式获得最大可用容量集；

23、基于最大可用容量集，结合额定容量获得soh监督学习数据集；

24、根据soh监督学习数据集确定训练集和测试集，通过训练集对长短期协同注意力网络进行训练，并基于训练结果，对长短期协同注意力网络进行调整，获得训练完成的长短期协同注意力网络。

25、可选地，方法还包括：

26、基于预设评价标准对训练完成的长短期协同注意力网络的预测精度进行性能度量，并根据性能度量的结果对长短期协同注意力网络的网络参数进行优化调整；

27、其中，预设评价标准包括均方根误差、平均绝对百分比误差和最大误差。

28、可选地，深度长短期记忆单元包括多层感知机和长短期记忆网络，对滑动窗口处理后的直接测量特征进行编码处理，包括：

29、通过多层感知机和长短期记忆网络，将滑动窗口处理后的直接测量特征编码成向量，得到目标编码；

30、其中，多层感知机用于将滑动窗口处理后的直接测量特征投影到预设维度；长短期记忆网络用于对投影后特征的隐藏状态信息进行更新，基于更新后的隐藏状态信息组成目标编码。

31、可选地，对滑动窗口处理后的二阶测量特征进行加权求和，包括：

32、通过注意力单元，利用注意力机制对滑动窗口处理后的二阶测量特征进行权重分配，基于权重分配的结果进行加权求和，得到目标加权和。

33、可选地，利用注意力机制对滑动窗口处理后的二阶测量特征进行权重分配，包括：

34、通过对比模型和softmax函数对滑动窗口处理后的二阶测量特征进行权重分配；

35、其中，对比模型的表达式为：

36、et＝vt(west)

37、式中，et表示对比模型；v和we表示待学习的网络参数，上标t表示矩阵转置；下标t表示时间，st表示t时刻注意力单元输入的二阶测量特征。

38、另一方面，本发明的实施例提供了一种锂离子电池智能健康状态预测装置，包括处理器以及存储器；

39、存储器用于存储程序；

40、处理器执行程序实现如前面的方法。

41、另一方面，本发明的实施例提供了一种计算机可读存储介质，存储介质存储有程序，程序被处理器执行实现如前面的方法。

42、本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。

43、本发明实施例首先获取获得电池健康状况数据集，并基于电池的循环寿命测试，确定电池充电曲线；基于电池充电曲线，提取直接测量特征和二阶测量特征；其中，直接测量特征包括电池充电过程的端电压和端电流；二阶测量特征包括基于预设区间确定的多尺度的电化学特性特征；通过滑动窗口分别处理直接测量特征和二阶测量特征，获得滑动窗口处理后的直接测量特征和二阶测量特征；利用长短期协同注意力网络对滑动窗口处理后的直接测量特征和二阶测量特征进行分析，得到目标编码与目标加权和；其中，长短期协同注意力网络基于电池健康状况数据集训练生成的；长短期协同注意力网络包括深度长短期记忆单元和注意力单元；深度长短期记忆单元用于对滑动窗口处理后的直接测量特征进行编码处理，注意力单元用于对滑动窗口处理后的二阶测量特征进行加权求和；对目标编码和目标加权和进行连接处理，得到目标数据；通过多层感知机对目标数据进行线性变换，得到全局预测数据。本发明实施例预先进行循环寿命测试并通过包括深度长短期记忆单元和注意力单元的长短期协同注意力网络作为电池状态估算模型，通过获取每个锂离子电池充电曲线，取得两组关键健康状况特征，作为分支网络模型输入，从而得到估计电池的健康状况，克服了传统方法所面临的准确性、鲁棒性和实时适用性不强的问题。