基于可逆归一化与Jamba混合架构的锂电池寿命预测方法
本发明属锂电池寿命预测,具体涉及基于可逆归一化与jamba混合架构的锂电池寿命预测方法。
背景技术:
1、随着新能源汽车、电化学储能电站大规模推广应用,锂离子电池作为核心储能载体,其运行可靠性直接关系设备安全与整体运维成本。锂电池在反复充放电循环过程中,受电极材料老化、sei膜持续生长、环境温变、充放电工况波动等多重因素影响,容量会持续衰减,同时时序容量曲线伴随局部容量再生波动与随机测量噪声,整体呈现平稳线性衰减、后期加速跳水、周期性局部波动等多种差异化退化特征,对剩余使用寿命精准预测提出较高技术要求。
2、目前行业内主流时序预测技术存在诸多短板:传统rnn、lstm循环神经网络处理超长周期容量序列时极易出现梯度消失现象,难以挖掘远距离长时序依赖关系;标准transformer虽具备全局特征提取能力,但计算复杂度随时序长度呈二次增长,推理算力开销巨大,难以部署算力受限的车载、储能电池管理边缘终端。
3、近年来mamba选择性状态空间模型凭借线性计算复杂度被引入电池预测领域,但单一mamba结构缺少全局特征交互模块,无法自适应匹配多种差异化电池退化模式。同时现有min-max归一化、标准实例归一化均为单向变换,仅能标准化输入数据,不存在逆向还原机制,处理后容量丢失物理量纲,预测结果无法直接用于剩余循环寿命计算;现有mamba搭配注意力的改进方案大多面向自然语言文本建模场景,未针对锂电池容量再生噪声、多形态退化曲线做网络结构与预处理流程定制化优化,预测误差偏高、工程落地性较差。
4、因此,研发一种可分离时序噪声、校正数据分布、且适配多类电池退化模式的锂电池寿命预测方法,成为本领域亟待解决的技术问题。
技术实现思路
1、为解决上述问题,本发明提供基于可逆归一化与jamba混合架构的锂电池寿命预测方法,该方法首先完成电池容量时序数据采集与样本划分,再采用可逆实例归一化实现数据降噪与分布校正,随后依托jamba混合架构完成长时序特征挖掘、退化模式自适应与关键拐点捕捉,最后通过反归一化还原真实容量并计算剩余使用寿命,兼顾预测精度与误差评价预测效果,可直接应用于各类锂电池在线健康监测场景。
2、为解决上述技术问题,本发明所采用的技术方案是:
3、基于可逆归一化与jamba混合架构的锂电池寿命预测方法,包括如下步骤:
4、s1:锂电池时序数据采集与样本构建:采集锂电池放电过程中的循环次数、实时容量时序数据,构建原始退化时序序列;设置滑动窗口尺寸,基于滑动窗口机制对原始退化时序序列进行划分,生成模型训练样本与测试样本;
5、s2:基于可逆实例归一化的数据预处理:定义时序数据相关参数,对滑动窗口切分后的单窗口原始容量时序执行可逆实例归一化正向运算,分离退化趋势与局部再生噪声,得到送入网络的一维时序特征;并在模型推理阶段执行可逆实例归一化逆向运算,将jamba混合架构网络输出的归一化容量预测值还原为真实容量量纲;
6、s3:基于jamba混合架构网络的特征提取与锂电池容量预测,jamba混合架构网络包括输入投影层、mamba层、稀疏注意力层、输出投影层;
7、s4:锂电池剩余使用寿命计算:结合可逆归一化逆变换结果,得到锂电池真实容量预测曲线;设定失效阈值,通过遍历所述预测曲线计算锂电池剩余使用寿命,完成寿命预测。
8、s2中,定义时序数据相关参数包括:平移项、时序数据标准差、可学习缩放权重、偏置参数、防除零极小常数;
9、平移项选取规则如下:
10、当配置jamba混合架构网络的布尔型超参数,subtract_last=true,即启用末端平移模式时,平移项取单条时序序列最后一个时间步数值;
11、当配置subtract_last=false时,即启用均值平移模式时,平移项取单条时序序列所有时间的均值;
12、所述时序数据标准差计算公式为:
13、
14、式中:t为单条时序序列时间步总数,为时序序列第t个时间步的数据,为单条时序序列均值;
15、所述与为网络可学习参数,在训练过程中随jamba混合架构网络,依靠反向传播与优化器梯度下降迭代更新;
16、在模型训练开始前,将缩放权重初始化为全1张量,偏置初始化为全0张量,并设置防除零极小常数。
17、s2中,执行可逆实例归一化正向运算,完成时序数据标准化,分离退化趋势与局部再生噪声,得到送入网络的一维时序特征,具体如下:
18、首先,开启仿射功能时,根据已确定的平移项、时序数据标准差、可学习缩放权重、偏置参数、防除零极小常数,执行可逆实例归一化正向运算,公式如下:
19、;
20、式中:表示归一化后时序数据;表示原始容量时序数据;为平移项;为时序数据标准差;为缩放权重;为偏置;为防除零极小常数;
21、关闭仿射功能时,由于固定、,归一化简化公式如下:
22、;
23、式中:表示归一化后时序数据;表示原始容量时序数据;为平移项;为时序数据标准差;为缩放权重;为偏置;为防除零极小常数。
24、在模型推理阶段对jamba混合架构网络输出的归一化容量预测结果执行可逆实例归一化逆向运算,还原容量真实量纲;
25、开启仿射功能时,可逆实例归一化逆向运算,公式如下:
26、;
27、式中:表示归一化后时序数据;表示原始容量时序数据;为平移项;为时序数据标准差;为缩放权重;为偏置;为防除零极小常数;
28、关闭仿射功能时,采用简化反归一化公式,如下所示:
29、;
30、式中:表示归一化后时序数据;表示原始容量时序数据;为平移项;为时序数据标准差;为缩放权重;为偏置;为防除零极小常数。
31、s3中,将预处理后的一维时序特征输入jamba混合架构网络投影层,将一维时序特征映射为模型隐藏维度特征,运算公式如下:
32、;
33、式中:为预处理后的时序数据,为输入投影权重矩阵,为输入投影偏置项,为映射完成的隐藏特征序列。
34、s3中,堆叠mamba层包括mamba选择性状态空间模型,jamba混合架构网络利用mamba选择性状态空间模型挖掘长时序退化特征,状态更新公式如下:
35、;
36、式中:为时刻模型隐状态,为状态转移矩阵,、为输入相关选择矩阵,为线性映射系数,为单时间步输入特征,为mamba层输出特征;
37、并搭配混合专家门控路由机制,具体为:
38、采用多专家子网络、单次激活k个专家的门控路由机制,自适应匹配电池退化模式,公式如下:
39、;
40、式中:为专家选择概率向量,为第时刻输入特征向量,为门控权重矩阵,为概率排名前二的专家子网络编号,表示选取概率向量中数值最大的2个元素对应的下标,为门控路由模块融合选取专家输出后得到的特征向量,为概率向量中对应第个专家的概率分量;为第个专家子网络。
41、s3中,按照固定周期,在多个网络层中插入稀疏注意力层,网络采用分组查询注意力机制提取关键特征,运算公式如下:
42、;
43、式中:为查询矩阵,为键矩阵,为值矩阵,为单注意力头维度。
44、s3中,jamba混合架构网络通过输出投影层将高维隐藏特征映射为归一化容量预测值,公式如下:
45、;
46、式中:为网络最后一层最后一个时间步隐藏特征,为输出投影权重矩阵,为输出投影偏置项,为归一化容量预测值。
47、s3中,jamba混合架构网络训练过程采用均方误差损失函数,公式如下:
48、;
49、式中:为锂电池真实容量值,为模型预测容量值,为样本总数。
50、s4具体如下:
51、通过可逆实例归一化逆向变换输出锂电池真实容量预测曲线,该曲线为预测容量随放电循环次数变化的一维时序,记为,k代表放电循环序号,为第k次放电循环对应的预测真实容量;
52、设置锂电池容量失效阈值,计算公式如下:
53、;
54、式中:为锂电池额定容量,为预设系数;
55、沿循环次数增大方向遍历预测容量时序,获取预测容量首次小于等于失效阈值对应的循环次数,记为寿命终止循环次数;
56、记当前观测得到的最后真实放电循环序号为,则锂电池剩余使用寿命rul按下式计算:
57、;
58、式中:rul为锂电池剩余使用寿命,以放电循环次数为单位;为预测的寿命终止循环次数;为当前已采集的最后一次实际放电循环序号。
59、本发明的主要有益效果在于:
60、1).相较于传统min-max归一化、单向实例归一化仅能做数据标准化、无还原能力的缺陷,本发明采用配套正向、逆向可逆实例归一化对容量时序数据做预处理,能够有效分离锂电池循环再生噪声与长期真实容量退化趋势,消除不同电池单体、充放电工况带来的数据分布偏移;经对照实验验证,该预处理模块可将基础模型容量预测rmse降低,从数据源层面稳定提升寿命预测精度。
61、2).本发明构建jamba混合架构网络,mamba保证长时序建模能力与线性计算复杂度,混合专家网络自适应匹配多种电池退化模式,稀疏注意力精准捕捉容量突变、加速衰减等关键拐点,多层网络协同大幅提升预测精度。
62、3).本发明整体算法基于纯pytorch框架开发,无需绑定专用cuda加速内核,普通嵌入式设备、工控机均可运行,时序推理算力开销大幅降低,可直接部署于新能源汽车车载电池管理系统、电网储能电站配套终端,工程落地适配性更强。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com