一种基于时频双流特征表征的锂电池健康状态估计方法

本发明属于电池，特别涉及一种基于时频双流特征表征的锂电池健康状态(soh，state of health)估计方法。

背景技术：

1、目前，针对电池的安全解决方案，一般分为三种：本征安全，被动安全，主动安全。其中，主动安全就是通过智能算法做到提前预警，寿命评估等。电池管理系统(bms)的作用之一即实现对电池的监控与管理，因电池老化过程中受到温度、电压等因素的影响，会产生一系列复杂的化学变化，而这个过程中存在一些隐藏的安全隐患，soh(state of health)与电池的安全性紧密相关，利用bms对电池soh进行快速且准确的估计是十分重要而具有意义的。

2、目前对电池健康容量的估计方法，分为了基于经验的方法和基于性能的方法，包括了开路电压法、安时积分法、卡尔曼滤波、神经网络法，不同的方法具有不同的优势与局限。其中，开路电压法，算法简单，硬件成本低，但是受到运行环境的影响，而在放电末期误差大，精度也不够准确；安时积分法算法简单、硬件成本低，但是抗干扰能力弱，精度也一般；卡尔曼滤波精度较高，可以实现在线动态估计，计算量小，但是对其使用的等效电路模型要求较高，很难与真实情况完全匹配；神经网络法拟合能力强，精度较高，但会产生较高的计算开销。

3、通过检索，有如下较为接近的soh预测技术文献：

4、文献1：a hybrid neural network model with improved input for state ofcharge estimation of lithium-ion battery at low temperatures

5、文献2：deep evidential regression

6、文献1提出一种基于cnn-bwgru网络的混合算法，该方法通过“多矩输入”结构和双向网络优化了电池信息对结果的影响。卷积神经网络(cnn)用于学习输入中的特征参数，双向加权门控循环单元(bwgru)可以通过改变权重来提高网络在低温下的拟合性能。该网络具有较强的泛化能力、估计精度和鲁棒性。

7、文献2提出了一个新的非贝叶斯神经网络估计连续目标及对应证据的新方法，并量化认知和任意不确定性。

8、以文献1为代表，目前原始时域信号对电池soh估计的方法近年来以及被学者们广泛的探索，并且达到了相对理想的性能，已经验证了在时域信号上预测电池soh的合理性和有效性。

9、文献2指出了目前神经网络越来越多地部署在安全关键领域，在这些领域中，经过校准、稳健且有效的不确定性测量是至关重要的。而在电池领域，置信区间估计的实际应用价值很大，如电池安全预警、异常数据检测等。

10、结合对文献1、文献2的思考，总结目前数据驱动算法存在以下问题：首先，大都使用电池数据的方法仅仅从时域信号方面考虑，未对其频域信息进行有效利用，但电池数据中的电压、电流具有周期性特征，即在频域领域有待挖掘的信息，故目前的方法考虑的信息还不全面；其次，在电池soh估计中，如果直接对其进行预测，实际上(在概率视角下)，是对其均值进行直接回归，并没有考虑问题本身存在的不确定性，无法得到对于模型预测值的置信度，或soh的置信区间。而仅仅将单一的预测值作为锂离子电池健康状态的预测结果是不够准确，也不够科学的。

技术实现思路

1、为了克服上述现有技术的缺点，本发明的目的在于提供一种基于时频双流特征表征的锂电池健康状态估计方法，从时域、频域对电池数据的局部信息以及全局信息均进行挖掘，然后利用时、频域特征融合模块，对局部信息和全局信息进行融合，最终更够更精准的预测soh的结构，并且将数据以及模型的不确定性引入soh的估计中，增加了锂电池的健康状态预测结果的可信度。本发明提出的技术方案能够更全面的提取特征，并且提高预测soh结果的精确性。

2、为了实现上述目的，本发明采用的技术方案是：

3、一种基于时频双流特征表征的锂电池健康状态估计方法，包括如下步骤：

4、步骤1，获取电池数据集，对其中的电池数据进行预处理，即去除异常值并进行标准化；

5、步骤2，对预处理后的电池数据，提取与电池健康容量相关的数据；

6、步骤3，构建sff block模块，所述sff block模块包括时域组件、频域组件和融合组件，将提取的数据分别输入时域组件、频域组件以及残差连接；在时域组件，利用cnn-bgru网络初步提取局部信息；在频域组件，利用快速离散傅立叶变换得到幅值和相角分量，再进行卷积，提取全局频率信息；在融合组件，将时域组件和频域组件的输出进行时域、频域特征融合，得到融合特征；所述残差连接布置于所述融合特征的输出位置；

7、步骤4，将多个所述sff block模块堆叠构建sffnet，在sffnet后增加证据深度学习模块，构建sffnet uncertainty；分别训练sffnet和sffnet uncertainty，sffnet的输出为健康状态的预测区间，sffnet uncertainty的输出为健康状态的置信区间。

8、在一个实施例中，所述步骤1，电池数据包括时间、电流、电压、阻抗、温度以及容量；所述步骤2，提取的与电池健康容量相关的数据包括电池充放电时电池电流、电压、温度以及容量。

9、在一个实施例中，所述去除异常值，方法为：

10、对于数据x1、x2、…、xn，计算其算数平均值以及每个数据的剩余误差，并算出标准偏差σ，若某个数据xi的剩余误差vi满足下式：

11、

12、则认为xi是含有粗大误差的异常值，将其去除；其中，n是电池数据集中的数据个数，1≤i≤n；

13、所述标准化是将数据进行最小-最大标准化，将所有的数值映射到[0.0，1.0]的范围内，转换公式如下：

14、

15、其中，x和x*分别表示数据在最小-最大标准化之前和之后的值，max和min表示所有电池数据的最大值和最小值。

16、在一个实施例中，所述步骤3，在时域组件，首先利用cnn沿时间维度滑动对时域特征进行处理，然后将处理后的数据输入双向gru学习到双向相关性，完成对局部信息的初步提取；在频域组件，首先对数据进行快速离散傅立叶变换得到原始数据对应的频域信号，每一个频域信号代表了其对应复指数谐波分量的复数权重，即将原始数据分解为若干个复指数谐波分量的加权求和，以反映原始数据多尺度的周期性；然后使用cnn对得到的频域信号的幅值和相角进行卷积操作，并在多层卷积后，对得到的数据进行快速逆傅立叶变换，得到时域信号；在融合组件，利用cbam对时域组件和频域组件的输出进行融合，所述cbam包括空间注意力机制和通道注意力机制，通过以下式子得到全局信息g和融合后的信息i：

17、g＝spatialattention(t-f)

18、i＝channelattention(g+t)

19、其中t为时域组件提取到的特征，f为频域组件提取到的特征，spatialattention、channelattention分别代表空间注意力机制和通道注意力机制。

20、在一个实施例中，所述时域组件，cnn中的卷积模版有多个；双向gru中，更新门的控制系数zt和重置门的控制系数rt表示如下

21、zt＝sigmoid(w(z)xt+u(z)ht-1)

22、rt＝sigmoid(w(r)xt+u(r)ht-1)

23、其中，xt是当前时刻的输入，ht-1为上一时刻的隐藏状态，w(z)、u(z)为更新门中线性映射的权重矩阵，w(r)、u(r)为重置门中线性映射的权重矩阵

24、更新门和重置门的作用表示为：

25、h′t＝tanh(wxt+rt⊙uht-1)

26、ht＝(1-zt)⊙ht-1+zt⊙h′t

27、其中，h′t是经过输入调整后的新的隐藏状态，ht是上一时刻隐藏状态和当前时刻新的隐藏状态的加权求和，⊙表示逐项乘积，即两个矩阵的对应元素相乘，zt表示控制系数，越接近1，代表记忆下来的数据越多；而越接近0则代表遗忘的越多，w、u为中候选隐藏状态的权重矩阵。

28、在一个实施例中，所述频域组件，对于一个长度为t的信号序列st，t＝0，...，t-1，快速离散傅立叶变换如下：

29、

30、通过上式将时域信号转化为频域信号，然后利用机器学习方法在频域信号上提取特征；对于一个复数a+j·b，其幅值a和相角θ由以下公式计算得到：

31、

32、

33、其中j指虚数单位；

34、对得到的幅值序列和相角序列分别进行卷积操作，在通过多层卷积后，将变换后的幅值序列和相角序列重新合并为一个虚数序列；

35、对得到的虚数序列进行快速逆傅立叶变换，将其变为时域信号，快速逆傅立叶变换如下：

36、

37、在一个实施例中，所述通道注意力机制由下式表示：

38、i＝sigmoid(wc(avgpooling(t-f))+wc(maxpooling(t-f)))

39、其中，wc是通道注意力机制中的线性映射权重矩阵，用来表示建模通道间的相关性；avgpooling和maxpooling分别指平均池化层和最大池化层，在通道注意力机制中，池化是在时间维度进行的；

40、所述空间注意力机制由下式表示：

41、g＝sigmoid(cnn([avgpooling(t-f)，maxpooling(t-f)]))

42、在空间注意力机制中，池化是在通道维度进行的。

43、在一个实施例中，在sffnet训练过程中，使用均方误差作为损失函数，描述预测健康状态与真实健康状态之间的差异大小；使用平均绝对误差和均方根误差描述预测健康状态的精度；在sffnet uncertainty训练过程中，使用证据深度学习，损失函数由似然项和证据项两部分组成，似然项越小代表着越拟合数据的分布，证据项越小代表着误差对应分布的不确定性更大；预测的健康状态使用四个分布参数描述，即一个分布区间；使用平均绝对误差和均方根误差描述预测健康状态的精度。

44、在一个实施例中，所述sffnet uncertainty，将经过sffnet后的输出值利用证据深度学习方法，对预测结果的不确定性进行显式建模，实现预测结果的不确定性表达。

45、与现有技术相比，本发明的有益效果是：

46、(1)本发明不再只是单独使用电池数据中的时域信息，而是提出了包含时域、频域处理及融合部分的sffnet模块。其中，提出的sffnet模块，包含了时域组件、频域组件和时域、频域融合部分三个组件，首先对电池数据的时域、频域方面信息进行提取，然后将提取到的信息输入到融合模块，融合模块可以将两个分支中学到的全局信息以及局部信息进行融合，处于训练时梯度保留以及防止数据在网络处理过程中信息丢失的角度，再了添加残差结构。最后，经过多个sffnet模块的处理，数据达到了对全局信息以及局部信息进行利用的目的。

47、(2)本发明不再仅仅用单一的预测输出值作为预测结果，而是利用证据深度学习方法，将先验放在模型输出上，对预测结果的不确定性进行显式建模，直接得到soh的预测分布。最终更够更精准的预测soh的结构，增加了预测结果的可信度。本发明提出的技术方案能够更全面的提取特征，并且提高预测soh结果的精确性。