一种基于电池状态感知的多层动态可信权重协同调节方法与流程
本发明涉及新能源电池、神经网络,具体涉及一种基于电池状态感知的多层动态可信权重协同调节方法。
背景技术:
1、随着新能源汽车和储能系统的发展,电池荷电状态(soc)作为电池管理系统的重要参数,其准确估计对电池安全运行和能量管理具有重要意义。目前,soc估计方法主要包括安时积分法和数据驱动方法。安时积分法存在初始误差累积、容量衰减影响等问题;lstm等深度学习方法能够学习电池非线性变化规律,但依赖训练数据,缺少物理约束,在复杂工况下容易产生预测偏差。
2、现有物理-数据融合soc估计方法通常采用固定权重或简单加权方式融合安时积分结果和神经网络预测结果,无法根据电池实时状态动态调整不同模型的可信程度。同时,现有attention机制主要依据数据特征自动学习权重,缺少物理状态反馈调节,难以充分发挥物理信息与数据特征的协同作用。此外,现有联合损失函数通常采用多个损失项固定加权求和方式,各约束之间缺少动态协同机制,无法根据运行状态调整物理约束、数据约束以及融合约束的重要程度。因此,现有soc估计方法在复杂工况下仍存在准确性、稳定性以及可解释性不足的问题。
3、针对上述问题,本发明提出了一种基于电池状态感知的多层动态可信权重协同调节方法。
技术实现思路
1、本发明的目的在于,针对现有技术存在的局限性,提出一种基于电池状态感知的多层动态可信权重协同调节方法。
2、本发明采用如下技术方案:
3、本发明提供一种基于电池状态感知的多层动态可信权重协同调节方法,其特征在于,方法包括以下步骤:
4、s1.获取电池数据包括电池的电流、电压以及温度;
5、s2.利用安时积分法获取电池的soc记作socah,为模型提供物理层面上的soc值评估;
6、s3.对s1和s2获取的数据进行窗口化处理,以获取与预测结果长度一致的socah窗口化数据和输入特征x;
7、s4.对输入特征x归一化处理;
8、s5.归一化后的输入特征x经过物理attention模块处理,以获取数据中电流、电压和温度的特征权重;
9、s6.对s4归一化后的输入特征x进行基于物理可信因子的加权处理得到x',所述物理可信因子为通过动态可信因子网络得到的用于表征物理信息可信度的因子;
10、s7.将x'输入至包括多个lstm层的lstm模块中,每个lstm层包括细胞状态、遗忘门、输入门和输出门;
11、s8.lstm模块的输出被输入至数据层面的attention模块,用于捕获数据模型中间态的权重wt;所述attention模块包括linear层和softmax层;
12、s9.利用所述权重wt对s7中lstm模块的输出进行基于数据模型的可信因子加权处理得到数据中间态增强的上下文特征向量h';
13、s10.上下文特征向量h'输入至数据模型的预测输出层,该预测输出层由多个linear层组成,并最终输出soclstmattention值;
14、s11.将s3处理后的socah和s10获取的soclstmattention值通过物理动态可信因子和数据动态可信因子获取最终的soc评估值;
15、s12.将s3窗口化后的socah、s6获取的x'、s9获取的h'、s10获取的soclstmattention值和s11获取的值输入至动态可信因子α网络中,获取α;
16、s13.依据s11-s12的数据获取联合损失函数loss作为离线训练阶段s7的lstm层中权重矩阵和偏置项的损失函数;
17、s14.将s1获取的电池电流、电压和温度数据、s2获取的socah值、s5获取的特征权重、s8获取的权重wt、s10获取的soclstmattention和s12获取的α输入至解释分析模块,解析分析模块输出soc评估解释报告。
18、进一步的,步骤s5包括获取物理attention模块最终输出的特征权重wf:
19、
20、wℱ为物理attention模块内linear层的权重矩阵,bℱ为对应linear层的偏置项,σ为以经过linear层处理的数据作为输入的sigmoid激活函数。
21、进一步的,步骤s6加权处理得到x'的公式为:
22、其中,为物理可信因子,通过动态可信因子网络得到。
23、进一步的,步骤s7满足以下条件:
24、遗忘门:
25、
26、其中,k为当前评估的采样时刻,每个采样时刻有一个滑动窗口大小,为当前采样时刻对应的滑动窗口内部时间步,wf和bf分别表示遗忘门的权重矩阵和偏置项,为k时刻t-1时间步的隐藏层状态,为k时刻第t时间步输入;σ为sigmoid激活函数;
27、输入门:
28、
29、
30、wi和bi分别表示输入门的权重矩阵和偏置项;wc和bc分别表示候选细胞状态的权重矩阵和偏置项;
31、细部状态更新:
32、
33、为第t-1时间步的细部状态;
34、输出门:
35、
36、
37、为k时刻t时间步的隐藏层状态,wo和bo分别表示输出门的权重矩阵和偏置项,ot为输出门的输出值;tanh为双曲正切函数激活函数。
38、进一步的,步骤s8的输出值满足:
39、
40、
41、其中,et为linear层t时刻的输出值,wa表示数据attention层中linear层的权重矩阵,ba表示偏置项,βt(k)为第k时刻t时间步数据attention模块得到的数据模型中间态权重,为滑动窗口大小。
42、进一步的,步骤s9满足;其中,h'为数据中间态增强的上下文特征向量,,其中为采样点样本总数。为数据动态可信因子,同样通过动态可信因子网络获取。
43、进一步的,soc评估值满足:
44、,是第k采样时刻的物理动态可信因子。
45、进一步的,步骤s12满足:
46、输入特征构造公式:
47、
48、α网络第一层:
49、
50、w1和b1分别表示第一层的权重矩阵和偏置项;
51、α网络第二层:
52、
53、w2和b2分别表示第二层的权重矩阵和偏置项;relu为修正线性单元:
54、物理动态可信因子:
55、
56、wphy和bphy分别表示物理动态可信因子的权重矩阵和偏置项;
57、数据动态可信因子:
58、
59、wdata和bdata分别表示数据动态可信因子的权重矩阵和偏置项;
60、损失调节动态可信因子:
61、
62、
63、其中,,,且,表示物理一致性 loss 权重,表示数据驱动 loss 权重,表示融合一致性 loss权重,wloss和bloss分别表示损失调节动态可信因子的权重矩阵和偏置项;s1表示物理一致性损失得分,s2表示数据驱动损失得分,s3表示融合一致性损失得分;softmax表示归一化指数函数;
64、最终网络输出:
65、。
66、进一步的,步骤s13满足:
67、
68、:物理一致性约束的固定先验权重;:数据驱动损失的固定先验权重;:动态可信因子网络学习约束的固定先验权重;:融合一致性损失的固定先验权重;:可信因子的连续、平滑变化的固定先验权重;
69、为最终融合soc损失,公式如下:
70、
71、其中,soctrue为真实soc值,mse为均分误差;
72、为物理残差协同损失,公式如下:
73、
74、socfinal(k)为第k采样时刻的soc评估值,socfinal(k-1)为第k-1采样时刻的soc评估值,socah(k)为第k采样时刻的安时积分法soc评估值,socah(k-1)为表示为第k-1采样时刻的安时积分法soc评估值;
75、基于数据驱动模型的协同损失,公式如下:
76、
77、为第k采样时刻基于数据驱动法的soc评估值,为第k-1采样时刻基于数据驱动法的soc评估值;n为参与动态可信因子网络计算的样本总数;
78、lα为动态可信因子损失,公式如下:
79、
80、
81、
82、
83、
84、其中,表示第k采样时刻的真实值,为第k采样时刻的数据动态可信因子目标,为第k采样时刻的物理分支可信因子目标。为第k采样时刻的数据动态可信因子,为第k采样时刻的物理分支可信因子,ε为防止分母为零的参数,为动态可信因子损失函数;
85、为融合一致性协同损失,具体公式如下:
86、
87、
88、其中,表示第k采样时刻根据动态可信因子重新计算得到的融合 soc;
89、
90、 lα−smooth为α平滑约束损失,公式如下:
91、
92、其中,为第k采样时刻的数据动态可信因子,为第k采样时刻的物理分支可信因子,为第k-1采样时刻的数据动态可信因子,为第k-1采样时刻的物理分支可信因子。
93、本发明所取得的有益效果是:
94、本发明通过构建动态可信因子网络,自适应生成动态可信因子,实现对训练优化过程的动态调节。同时,解决用户或技术人员对于评估过程的了解,让融合的模型具备可接受能力。该框架致力于增强物理-数据融合模型,并让模型具备解释能力。
95、本发明根据电池实时运行状态、物理特征信息、数据驱动特征以及模型预测结果,自适应生成数据动态可信因子、物理分支可信因子和损失调节动态可信因子实现对物理模型贡献、数据模型贡献以及训练优化过程的动态调节,通过可信因子对物理attention和数据attention进行协同调整,使模型能够根据不同工况动态选择更可靠的信息来源。
96、本发明通过结合动态协同损失函数实现物理约束、数据特征与融合结果之间的联合优化。
97、为使能更进一步了解本发明的特征及技术内容,请参阅以下有关本发明的详细说明与附图,然而所提供的附图仅用于提供参考与说明,并非用来对本发明加以限制。
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