一种基于EIS增强数据预测电池RUL方法与流程

本发明涉及电池和电化学，尤其是一种基于eis增强数据预测电池rul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。

2、电池rul(remaining useful life)即电池的剩余寿命，是评估电池健康状态的一个重要指标。电池rul反映了电池从现在时刻起，在正常使用情况下还可以继续使用的预期时间或循环次数。

3、测试电池阻抗谱数据需要使用专业的仪器设备，测试条件严苛，成本较高，导致了测试数据的数量较少。在已有的测试数据基础上，使用数据增强方法来增加电池阻抗谱数据的数量，是一个值得探索的路径，这可以为模型提供更多数据，增强模型的泛化能力和鲁棒性，避免模型出现过拟合现象。

4、对于回归预测模型，常见的数据增强方法包括：（1）添加噪声(noise injection)：向输入数据中添加随机噪声，如高斯噪声，可以增加模型的鲁棒性。需要注意噪声的分布和量级。（2）随机缩放(random scaling) ：以一定概率随机放大输入数据，增强模型对数量变化的适应性。（3）随机裁剪(random cropping)：对数据进行随机裁剪，聚焦不同局部区域，增加样本多样性。（4）特征插值(feature interpolation)：通过在特征空间内插值生成新样本，填充输入数据分布中的空隙。（5）时序平移(time warping)：对时间序列进行平移、缩放等变换，模拟时间轴上的扰动情况。（6）混合样本(mixup)：随机选取两组样本，按一定比例混合特征或标签，生成新的训练样本。

5、值得注意的是，在数据增强时，注意合理选择和组合数据增强方法，避免破环输入数据分布的基本规律。验证模型效果时，验证集不能使用增强之后的数据。以上提到的方法都存在一些人为因素干扰或者增强数据精度不高等问题。

6、电池阻抗谱的真实测试数据和增强数据都是覆盖几十个频率范围，维度较高，存在冗余信息，会导致模型精度降低，因此可以使用主成分分析（principle componentanalysis，pca）对阻抗谱数据进行降维，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）可以提取阻抗谱的空间特征。

8、双向长短期记忆网络(bidirectional long short-term memory，bilstm)可以从正向序列和方向序列同时学习阻抗谱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，数据增强方法可以增加阻抗谱的数据量，提升模型的泛化能力和鲁棒性；pca可以去除eis数据的噪声；cnn和bilstm的组合可以自动学习eis和rul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eis数据和增强数据预测rul。

技术实现思路

1、为了实现上述目的，本发明提供一种基于eis增强数据预测电池rul方法，将pca、cnn、bilstm和attention模型进行组合，基于eis原始数据和增强数据，共同预测电池rul。

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eis增强数据预测电池rul方法，包括如下实现步骤：

4、步骤s1：测试并采集电池eis和rul数据；

5、步骤s2.使用cnn-lstm模型对eis数据进行增强：将eis数据作为输入数据，通过cnn-lstm模型提取数据的特征，然后对eis本身进行预测。数据增强模型实际上就是对输入数据的一个重构，当误差很小时，相当于给真实数据增加了一些随机扰动，生成的新的训练数据，从而可以提升模型的泛化能力和鲁棒性；

6、步骤s3.使用pca模型对eis输入数据进行主成分提取：将电池的eis数据作为输入数据，计算eis数据的协方差矩阵，求解协方差矩阵的特征值和特征向量，按特征值大小排序，选择主要的前10个特征向量，这些特征向量就是主成分，将原始eis数据投影到这10个主成分上得到新的10维特征表示，即降维到10维；

7、步骤s4.使用cnn模型提取电池eis的空间特征： 将pca提取到的电池eis数据的主要成分数据，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；

8、步骤s5.使用bilstm模型提取eis的时间序列变化规律：将cnn提取到的eis的空间特征数据，作为bilstm的输入数据，进一步提取eis的时间变化特征；所述bilstm由前向lstm和后向lstm组成，包含前向隐状态和后向隐状态，可以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；所述bilstm通过双向结构、门控单元、序列学习等方式，层次提取和自动学习时间序列的数据特征；

9、步骤s6.使用attention模型提取eis时空特征的重要部分：根据s4和s5步骤中，cnn-bilstm模型已经提取到了eis数据的时空特征，将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，即提取了特征的重要部分；

10、步骤s7.预测电池剩余循环次数即rul：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，全连接层的神经元个数为16，激活函数均为relu函数，全连接层之后是模型的输出层，输出层是一个线性回归层，预测值是电池剩余循环次数即rul，激活函数为linear函数。

11、进一步的，所述步骤s1包括：s11.eis数据采集：使用电化学工作站配置频率扫描测试，在不同频率点测试电池的阻抗值和相位，记录频率响应数据，主要是测试阻抗的实部数据和虚部数据；

12、s12.rul数据采集：进行充放电循环测试，并记录充放电循环次数；

13、s13.匹配采集数据：同一组电池同时进行eis和循环充放电测试，匹配对应电池的eis数据和rul水平。

14、进一步的，所述步骤s11中，eis配置频率范围为10-2hz至105hz，优选为60个频率值作为样例。

15、进一步的，所述步骤s2中，通过cnn模型提取eis的空间特征，lstm提取eis的时序规律，cnn-lstm模型的中间输出向量就是eis的时空特征，是对于eis的一种特征向量表达。

16、进一步的，所述步骤s2中，基于eis的时空特征，对其进行还原，即对eis本身进行预测。由于正则化等因素的约束，预测值不会与输入值完全相同，会存在一定的扰动。在模型误差很小时，相当于给输入数据添加了一些随机扰动，这与一般的数据增强方法起到了异曲同工的作用，达到了数据增强的目的。

17、进一步的，所述步骤s2中，所述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128个，核的尺寸为1，池化层的池化尺寸也为1。所述lstm的神经元个数为64，全连接层的神经元个数为32，预测目标层的神经元个数为120。

18、进一步的，所述步骤s3中，所述eis数据包括真实测试的eis数据和数据增强之后的eis数据，分别通过pca模型计算主成分

19、进一步的，所述步骤s4中，所述cnn结构包含两个卷积层和一个池化层，所述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。所述池化层进行下采样操作，直接减小了特征图大小，同时提取了主要特征，也提高了特征的鲁棒性；最大池化取感受野内的最大值，平均池化取平均值。

20、进一步的，所述步骤s6中，所述attention结构为bahdanau attention结构。

21、进一步的，所述步骤s7中，attention模型的损失函数为均方误差，优化器为rmsprop，评估指标为平均绝对误差，即目标值和预测值之差的绝对值之和。

22、本发明有益效果如下：

23、本发明使用cnn-lstm模型对真实eis测试数据进行增强，增加了训练数据量，提升了模型的泛化能力和鲁棒性，避免了模型过拟合；pca模型对eis值进行降维，提炼出少数精炼的主成分，提升了模型精度，也减少了后续模型的计算量；使用cnn模型提取阻抗谱的空间特征；使用bilstm模型提取eis时间序列变化规律，使用attention选取eis数据的时空特征中的重要部分。本发明预测的电池rul为电池剩余循环次数，本发明通过以上四种模型的组合，使用电池eis数据和增强数据准确预测电池rul。

24、本发明在做eis的数据增强时，创造性的提出了基于cnn-lstm模型，使用eis数据作为输入数据，同时也以eis数据作为预测数据，构建eis的预测模型，将模型的预测值，作为数据增强的数值的方法。

25、本发明基于模型预测的eis的数据增强方法的优点在于：无需人工参与数据增强的过程，避免了人工因素可能导致的偏差；使用深度学习模型进行eis的自回归预测，准确性高；cnn-lstm模型的复杂度不高，容易训练和预测；增强数据中，只对eis数据进行预测，不对预测目标进行预测，减少了误差发生的概率。