基于KAN强化多尺度卷积与双分支注意力的锂电池SOH及RUL联合估计方法
本发明属于电池健康管理与人工智能领域,尤其涉及一种基于kan强化多尺度卷积与双分支注意力的锂电池soh及rul联合估计方法。
背景技术:
1、随着电动汽车的快速发展,锂离子电池因其高能量密度和低自放电率而被广泛采用。然而,随着充放电循环次数的增加,电池性能不可避免地发生退化,导致潜在的安全隐患。电池健康状态(state of health,soh)和剩余使用寿命(remaining useful life,rul)是评估电池性能的两个最关键指标,准确预测这两个参数对于优化电池管理策略和保障运行安全至关重要。soh通常定义为当前容量与额定容量之比;rul定义为电池从当前循环到寿命终止时的剩余循环次数。
2、部分研究采用两步法框架进行soh和rul的联合预测,即先利用神经网络估计电池soh,再将预测的soh作为输入估计rul。然而,这种方法存在明显的局限性:一方面,不同使用场景下电池退化轨迹存在差异,仅凭soh推断rul可能导致预测不准确;另一方面,两步法会造成误差传播,初始soh预测的任何误差都会显著影响下游rul估计的精度。
3、还有部分研究采用传统深度学习方法,如卷积神经网络cnn和循环神经网络rnn及其变体lstm(long short term memory,长短期记忆)、gru(gated recurrent unit,门控循环单元网络)进行特征提取和时序建模。cnn擅长局部特征提取,但缺乏捕捉时序依赖关系的能力;传统lstm网络在长时序建模方面存在固有局限,记忆容量有限,影响长期退化预测的精度。此外,现有深度学习方法普遍存在黑盒性强、可解释性差的问题,难以揭示电池退化的物理机制。
4、还有部分研究引入了kolmogorov-arnold网络(kan)以增强模型的可解释性,kan基于kolmogorov-arnold表示定理,其激活函数位于网络的边上且可学习,能够挖掘数据中的显式函数关系。然而,现有研究往往将kan与transformer或cnn、gru、lstm等复杂深度网络简单混合,导致kan固有的可解释性丧失,且未能实现soh与rul的协同预测,也未充分利用电池热力学特征中蕴含的物理先验信息。
5、综上,为了解决上述问题,本发明提供了基于kan增强多尺度双分支任务特化注意力的锂电池健康状态与剩余寿命协同预测方法,通过将kan的可解释函数拟合能力与多尺度特征提取、双分支任务特化注意力机制有机融合,同时引入电池热力学物理先验,实现了高精度、强解释性的端到端多任务协同预测,克服了现有方法的不足。
技术实现思路
1、针对现有技术中存在的不足,本发明提供了一种基于kan强化多尺度卷积与双分支注意力的锂电池soh及rul联合估计方法,通过结合物理残差约束的kan热力学特征提取、包含自适应尺度权重的多尺度kan卷积特征提取、增强型lstm时序建模以及kan增强双分支任务特化注意力机制,克服现有方法在特征提取选择性、长时依赖建模和物理可解释性方面的不足,为电动汽车电池管理系统提供良好的理论基础方法。
2、本发明通过以下技术手段实现上述技术目的。
3、一种基于kan强化多尺度卷积与双分支注意力的锂电池soh及rul联合估计方法,包括如下过程:
4、步骤1:采集锂电池在充放电循环过程中的原始电压序列、电池表面温度序列、电流序列、环境温度序列,并进行预处理;
5、步骤2:利用kan热力学特征提取模块从温度序列中提取热力学特征向量,建立电池热生成量与退化状态的物理先验关系;
6、步骤3:构建多尺度kan特征提取模块,将kan的可学习激活函数嵌入多尺度卷积神经网络中,从电压序列中提取多粒度电压特征矩阵;
7、步骤4:将热力学特征与多粒度电压特征矩阵融合,输入到引入了指数门控机制和混合记忆存储策略的增强型lstm中,进行长期时序依赖建模;
8、步骤5:将增强型lstm最终输出的时序特征序列输入kan增强双分支任务特化注意力模块,该模块包含两个独立分支,第一分支为通道-时间双维度kan加权注意力分支,用于健康状态预测,第二分支为关键时间步kan聚焦注意力分支,用于剩余寿命预测;
9、步骤6:通过双任务输出层同时输出锂电池的健康状态预测值和剩余寿命预测值。
10、进一步地,所述步骤2包括:
11、步骤2.1:建立锂电池的集总热动力学模型;
12、步骤2.2:构建kan热力学特征提取模块,即kan;
13、步骤2.3:利用步骤1预处理后的电池表面温度、电流、环境温度以及温度差分特征组成热力学输入向量,输入kan以估计热生成量并提取热力学特征向量;
14、步骤2.4:根据集总热动力学模型构造物理残差:
15、
16、以约束 kan训练,使所提取的热力学特征向量同时满足采集数据和能量平衡关系;训练后可对边函数进行符号化近似,以获得热生成量与温度变化、电流及环境温度之间的解析表达,用于解释电池退化过程中热生成量的变化;
17、式中,表示热动力学物理残差损失,表示第个时间步的热动力学物理残差,和分别为还原至实际物理量后的第个和第个时间步的电池表面温度,为还原至实际物理量后的第个时间步的环境温度,表示kan估计的第个时间步热生成量;表示相邻两个采样时刻之间的时间间隔;表示步骤1预处理后统一的序列长度;为电池表面积;为电池密度;为比热容;为电池体积;为对流换热系数。
18、进一步地,所述步骤3包括:
19、设计包含个并行分支的多尺度kan特征提取模块,各分支分别采用卷积核尺寸的一维卷积层,并在卷积后接入对应的kan非线性变换,以捕捉电池退化过程中不同时间尺度的局部细节模式;将步骤1预处理得到的定长归一化电压序列记为,将电压序列输入个并行分支,第个分支的特征为:
20、
21、为避免各尺度特征仅作固定拼接,对各分支引入自适应尺度权重:
22、
23、
24、并按下式融合,得到多粒度电压特征矩阵:
25、
26、其中,表示并行尺度分支数量;,表示分支编号;表示卷积核尺寸为的一维卷积;表示第个分支在卷积后接入的kan非线性变换;表示第个尺度分支输出的特征图,表示全局平均池化;为可学习评分向量,表示转置,为可学习偏置标量,为第个尺度分支的评分;为第个尺度分支的评分,表示自然指数函数;为大于0的尺度权重温度系数;为第个尺度分支权重;、、分别表示第1、第2、第个分支输出的特征图;表示通道维拼接,表示逐点卷积;、、分别表示第1、第2、第个分支的卷积核尺寸。
27、进一步地,所述步骤4包括:
28、将步骤2提取的热力学特征向量进一步处理后得到热力学特征矩阵,再与步骤3输出的多粒度电压特征矩阵在通道维拼接,得到融合特征矩阵;将输入增强型lstm网络,对于第个时间步,指数遗忘门和指数输入门分别为:
29、
30、
31、输出门、候选记忆状态、当前单元状态为:
32、;;;
33、进一步计算长期记忆状态和混合系数:,;
34、通过混合系数对当前单元状态与长期记忆状态进行融合,得到融合后的单元状态:;并输出;
35、式中,为的第行特征,表示第个时间步的隐藏状态;、、、、为输入权重矩阵,、、、、为循环权重矩阵,、、、、为偏置项;为sigmoid函数,表示将实数映射至正数的平滑激活函数,为双曲正切函数,为逐元素乘法;表示长期记忆求和中第个历史时间步的单元状态;
36、最终输出时序特征序列,表示第个时间步的隐藏状态,和分别表示首个和末个时间步的隐藏状态。
37、进一步地,所述步骤5中,第一分支以步骤4输出的时序特征序列为输入,通道注意力权重和时间注意力权重分别为:
38、
39、
40、精细化soh注意力特征为:
41、
42、其中,表示沿时间维的全局平均池化,和分别表示沿通道维的平均池化和最大池化,为非线性激活函数,表示注意力分支中卷积核尺寸为的一维卷积,和为可学习矩阵;表示通道注意力权重;表示健康状态预测任务的时间注意力权重;表示通道—时间双维度kan加权注意力分支中的kan非线性变换;为逐元素乘法;表示通道维拼接;为sigmoid函数。
43、进一步地,所述步骤5中,第二分支与第一分支并行,直接以同一时序特征序列为输入,获得第个时间步的注意力分数;
44、令关键时间步集合为,,并设定rul分支归一化权重,则rul注意力特征为:
45、
46、其中,为保留的关键时间步数量,表示选取分数最高的个时间步;表示步骤1预处理后统一的序列长度;为指示函数;为第个时间步的二值掩码;为第个时间步的注意力分数;为第个时间步的二值掩码;为仅在关键时间步集合内归一化后的rul注意力权重,表示关键时间步kan聚焦注意力分支中的kan非线性变换;表示第个时间步的隐藏状态。
47、进一步地,所述步骤6中:
48、在训练阶段,将第一分支输出的soh注意力特征经全局平均池化后输入健康状态预测输出层,得到训练预测值;将第二分支输出的rul注意力特征输入剩余寿命预测输出层,得到训练预测值;训练对象是由kan热力学特征提取模块、多尺度kan特征提取模块、增强型lstm网络、kan增强双分支任务特化注意力模块、健康状态预测输出层和剩余寿命预测输出层组成的端到端整体联合估计网络;训练目标为最小化联合损失,表示整体联合估计网络中的全部可学习参数;训练预测值用于计算整体联合估计网络的联合损失,并通过反向传播同时更新整体联合估计网络各模块的网络参数;
49、在推理阶段,加载训练完成并固定参数的整体联合估计网络,对新采集的电压、温度、电流及环境温度序列执行步骤1至步骤6,直接输出最终的健康状态(soh)预测值和剩余寿命(rul)预测值。
50、进一步地,所述联合损失为:
51、
52、
53、
54、
55、其中,差分项,为按循环先后排序的训练样本数量,和分别表示第个训练样本的soh预测值和rul预测值,和分别表示第个训练样本的soh真实值和rul真实值;为soh预测均方误差损失,为rul预测均方误差损失;为热动力学物理残差损失,为退化趋势一致性损失;、、、分别为、、、对应的非负权重系数。
56、本发明具有如下有益效果:
57、第一,通过将集总热动力学方程构造为kan训练过程中的物理残差约束,使热动力学方程直接参与特征学习,并通过kan的可学习b样条函数提取热生成量与电池退化之间的显式非线性关系,增强模型的物理一致性和可解释性;
58、第二,在多尺度kan特征提取模块中引入自适应尺度权重,根据不同充放电阶段的退化特征自动分配各时间尺度分支的贡献,并与增强型lstm相结合,增强模型对局部细节模式和长时序依赖关系的建模能力;
59、第三,设计的kan增强双分支任务特化注意力机制以同一时序特征序列为并行输入,分别强化soh相关的通道—时间特征和rul相关的关键时间步特征,并通过退化趋势一致性约束进行联合训练,在避免两步法误差传播的同时提高协同预测稳定性。
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