一种基于多模型组合的使用电池DRT预测SOH的方法与流程

本发明涉及电池电化学，尤其是一种基于多模型组合的使用电池drt预测soh的方法

背景技术：

1、电化学阻抗谱（electrochemical impedance spectroscopy，eis)是一种用于表征电池内部电化学过程的测试方法。电池的阻抗谱eis数据，由实部阻抗和虚部阻抗组成。电池健康度(state of health，soh)下降过程中，活性材料减少，导电性变差，这会引起电池内阻增大，可以通过eis曲线的参数变化反映出来，因此eis与电池soh密切相关。

2、驰豫时间分布(distribution of relaxation times， drt)是解析阻抗谱(eis)数据的一种有效方式。电化学阻抗谱(eis)测量中的阻抗谱图形反映了电池内部电荷转移和积淀的动态过程。这些过程中存在着复杂的时间相关性，可以从驰豫时间分布的角度建立模型进行描述。

3、具体来说，eis测量中电池的阻抗参数受测试频率的影响，和电荷动态过程中的不同驰豫时间分布有关。驰豫时间分布理论为分析和建模eis提供了很好的方法论基础，有助于深入理解电池内部的电化学过程。将其与eis测试技术结合，可以定量评估电池的荷电动力学机理。

4、eis与soh密切相关，而drt是对eis的解析，因此dtr也与soh密切相关。本发明就是一种基于drt来预测soh的方法。

5、在预测soh的传统方法中，一般使用常见的机器学习模型，比如神经网络模型、高斯过程回归模型等，这些方法普遍存在精度不高等缺点。随着深度学习的发展，一些常用的深度学习模型，可以用于soh的预测，能够大幅度提高预测精度。

6、在使用drt预测soh的模型中，dtr的维度往往较高，因此可以使用主成分分析（principle component analysis，pca）对阻抗谱进行降维，提炼出主要的信息，降低数据的噪声。

7、卷积神经网络（convolution neural network，cnn）可以提取drt的空间特征。

8、另外，双向长短期记忆网络(bidirectional long short-term memory，bilstm)可以学习drt的时间序列变化规律。

9、注意力（attention）机制可以学习到序列中各个时间步的相对重要性，从而强化模型对序列上下文的理解，可以动态地选择序列中重要的部分，获得更加有效的序列表达。

10、综上所述，pca可以去除drt数据的噪声，cnn和bilstm的组合可以自动学习drt和soh之间的复杂的时空映射关系，注意力机制强化模型对序列上下文的理解，因此可以使用以上四种模型的组合，使用电池drt数据预测电池soh。

11、本发明将多种深度学习模型引入到了soh预测领域，并对模型进行有效组合，取得了很好的效果。

技术实现思路

1、为了实现上述目标，本发明提供一种基于多模型组合的使用电池drt预测soh的方法，将pca、cnn、bilstm和attention模型进行组合，基于drt数据，共同预测soh。

2、本发明解决其技术问题所采用的技术方案是：

3、一种基于多模型组合的使用电池drt预测soh的方法，包括如下步骤：

4、步骤s1：测试并采集电池电化学阻抗谱数据：采用电化学工作站chi760e电化学分析测试仪测试电池电化学阻抗谱数据；

5、步骤s2.对eis进行drt解析，包括：

6、s21曲线拟合。使用典型的cole-cole或者电路模型拟合nyquist plot中的eis曲线，获取各参数；

7、s22计算重要参数；

8、s23计算标识时常；

9、s24计算驰豫时间分布曲线drt；

10、步骤s3.使用pca模型对drt输入数据进行主成分提取：将drt输入数据整理成样本矩阵x，每行是一个测试样本，每列是一个drt值，对该矩阵进行pca计算，得到降维之后的drt主成分数据；

11、步骤s4.使用cnn模型提取drt空间特征: 动学习输入数据的空间相关性，提取高层抽象特征，将降维之后的drt主成分数据，作为cnn模型的输入数据，通过卷积层进行特征提取，卷积层中的卷积核对输入数据进行滑动，计算卷积操作，得到特征图，不同卷积核能提取不同的特征；

12、步骤s5.使用bilstm模型提取drt的时间序列变化规律:将cnn提取到的drt的空间特征数据，作为bilstm的输入数据，进一步提取drt的时间变化特征；

13、步骤s6.使用attention模型提取drt时空特征的重要部分：根据s3\s4\s5步骤中，pca-cnn-bilstm模型已经提取到了drt数据的时空特征，将pca-cnn-bilstm的输出结果，作为attention模型的输入，进一步计算特征之间的相对重要性，给相对重要的特征赋予较高的权重，即提取特征的重要部分；

14、步骤s7.预测电池容量即soh，在attention模型之后是一个全连接层，全连接层对attention输出进行进一步提取，获得时间序列的高层特征表达。全连接层之后是模型的输出层，输出层是一个线性回归层，预测值是电池容量即soh，激活函数为linear函数。

15、进一步的，所述步骤s1包括如下步骤：

16、s11连接测试仪与电池，使用封闭饱和电极作为参比电极，碳棒电极作为对电极，连接至电池正负极。

17、s12设置测试参数，选择频率扫描范围、扰动幅度、扫描点数等参数。频率范围设置10-2hz至105hz，扰动幅度为10mv，扫描点数一般选取5个至60个。

18、作为本发明优选，本发明选取60个作为样例。

19、s13开始测试前先开路充电或放电，使电池稳定在目标状态。

20、s14启动测试，仪器自动按设置频率顺序扫描，在每个频率点施加正弦交流小信号，记录响应电流。

21、s15测试结束后，仪器软件会绘制出阻抗曲线和bode图，显示阻抗、相角等参数。

22、s16通过曲线拟合分析，可以获取电池内阻、极化电阻、传导性等关键参数。

23、进一步的，所述步骤s22中重要参数包括：：处于峰值位置处的角频率，用于计算标识时常。：频率散射因子，表示过程的离散程度。n：电荷传递系数，根据获得。rct：反应阻抗，表示反应速率。

24、进一步的，所述步骤s24根据公式:

25、

26、计算在一系列(通常为的整数倍)时的drt值。

27、进一步的，所述步骤s3中pca即主成分分析，是一种线性降维方法。它通过标准正交变换，将高维数据集转换为低维数据集，同时最大限度地保留原始数据集的信息量。

28、进一步的，所述步骤s4中cnn结构包含两个卷积层和一个池化层，卷积层的激活函数均为relu函数，过滤器数量设置为32个，核的尺寸为1，池化层的池化尺寸也为1。

29、进一步的，所述步骤s4中池化层进行下采样，减小特征图大小，提取主要特征，提高特征的鲁棒性。最大池化取感受野内的最大值，平均池化取平均值。

30、进一步的，所述步骤s5中bilstm由前向lstm和后向lstm组成，包含前向隐状态和后向隐状态，捕捉过去和未来的上下文信息。在同一时刻，前向lstm处理正向序列，后向lstm处理反向序列，最后通过拼接或者添加两者的隐状态作为该时刻的输出状态。输入门、遗忘门和输出门控制信息的流动，有选择地保存长期信息。记忆单元保存历史状态，不被短期数据干扰。

31、进一步的，bilstm层的神经元个数为32，bilstm层学习输入数据的长期依赖关系，识别时间序列的动态变化模式。

32、进一步的，所述步骤s6中注意力机制的结构为bahdanau attention结构。

33、进一步的，所述步骤s7中全连接层的神经元个数为16，激活函数均为relu函数。

34、进一步的，所述步骤s7中模型的损失函数为均方误差(mean square error，mse);

35、优化器optimizer为rmsprop；

36、评估指标metrics为平均绝对误差（mean absolute error，mae），即目标值和预测值之差的绝对值之和。

37、本发明有益效果是

38、将drt作为输入值，首先使用pca模型对drt值进行降维，提炼出少数精炼的主成分，然后使用cnn模型提取阻抗谱的空间特征，使用bilstm模型提取drt时间序列变化规律，使用attention进一步选取drt数据的时空特征中的重要部分，共同预测soh。