一种基于条件扩散与阻抗趋势约束的储能锂电池SOH数据增强方法及系统与流程

摘要: 本发明涉及储能电池健康状态估计与数据增强,尤其涉及一种基于条件扩散与阻抗趋势约束的储能锂电池soh数据增强方法及系统。背景技术:1、大规模储能系统的安全运行、寿...
一种基于条件扩散与阻抗趋势约束的储能锂电池SOH数据增强方法及系统与流程

本发明涉及储能电池健康状态估计与数据增强,尤其涉及一种基于条件扩散与阻抗趋势约束的储能锂电池soh数据增强方法及系统。

背景技术:

1、大规模储能系统的安全运行、寿命管理和经济调度依赖于电池健康状态(stateof health,soh)的准确估计。数据驱动的soh估计模型通常需要覆盖不同环境温度、充放电倍率、老化阶段以及电芯个体差异的训练样本,但完整循环老化试验持续时间长、设备占用成本高,低温充电和深度老化阶段还受到安全边界限制,导致真实样本在温度、倍率和soh维度上分布不均衡。

2、现有数据增强方式多采用样本复制、随机扰动、时间伸缩或相邻工况插值。上述方法虽能增加样本数量,但难以学习充电电压轨迹中初始快速上升、中段平台、末端上升以及随老化和温度变化而产生的非线性差异,简单扰动还可能破坏电压边界、局部平滑性和时间顺序,使增强样本不满足电池充电过程的基本物理规律。

3、生成对抗网络、变分自编码器和扩散模型虽可用于时序样本生成,但现有技术仍存在以下不足:其一,多数模型针对固定长度序列建立,直接截断会丢失末端信息,统一补零又会使填充段参与损失计算;其二,温度、soh、倍率和有效时长通常未被统一编码,模型难以按目标工况进行可控生成;其三,生成过程通常只约束电压重构误差,缺少对相邻差分、样本多样性以及soh下降时阻抗增长方向的联合约束;其四,生成质量往往仅依靠曲线外观或单一误差指标判断,缺少从生成、物理趋势筛选到soh估计训练的闭环数据增强流程。此外,部分存量储能场站虽能持续采集电压、电流、温度等bms运行数据,却往往缺失出厂阶段或完整寿命试验获得的先验标定数据,致使依赖标定数据的估计方法难以跨场站迁移、难以直接部署于存量设备;而不同电芯体系、soc位置、温度和测试方法下的外部阻抗数据又无法直接作为统一绝对内阻标签使用,若将其与电压序列直接拼接会引入尺度偏差,若完全不使用阻抗信息,又无法约束生成样本的退化方向。

技术实现思路

1、针对现有储能锂电池soh估计数据增强方法难以按目标工况可控生成、难以处理变长充电序列、缺少物理趋势联合约束以及缺少从生成到筛选训练闭环的技术问题,同时针对存量储能场站缺失先验标定数据时依赖标定数据的估计方法难以直接部署的技术问题,本发明提供一种基于条件扩散与阻抗趋势约束的储能锂电池soh数据增强方法及系统。

2、为解决上述技术问题,本发明提供一种基于条件扩散与阻抗趋势约束的储能锂电池soh数据增强方法,包括以下步骤:

3、步骤s101,获取多个电池在多个环境温度、充电倍率和老化阶段下的充电时序数据,并构造容量型soh标签;

4、步骤s102,提取有效充电片段,映射至相对进度网格形成变长标准化序列,构造长度条件与有效长度掩膜;

5、步骤s103,根据环境温度、soh、充电倍率和有效长度构造全局条件向量;

6、步骤s104,构建条件一维u-net作为条件扩散电压生成器,对标准化电压执行加噪扩散处理并预测无噪电压;

7、步骤s105,以掩膜感知电压联合损失训练所述电压生成器,所述联合损失约束有效时间域内的电压重构、同条件样本偏差、相邻差分平滑、附加残差幅值与轨迹多样性;

8、步骤s106,构建阻抗趋势网络,将生成电压、实测电流、实测温度、条件向量与掩膜输入所述阻抗趋势网络,在冻结所述电压生成器参数的条件下训练所述阻抗趋势网络,输出有界阻抗趋势代理;

9、步骤s107,根据目标温度、目标soh、目标充电倍率和目标有效长度执行反向去噪采样,对采样得到的生成电压执行反归一化与时间轴恢复;

10、步骤s108,对生成电压执行质量筛选,将满足质量阈值的生成电压与真实样本融合形成增强样本集,并利用所述增强样本集训练soh估计模型。

11、进一步地,所述步骤s101中,构造容量型soh标签,具体包括:以当前循环可用容量与基准容量的比值作为容量型soh标签的取值,其中所述可用容量为当前循环的容量值,所述基准容量为对应电池的初始可用容量或经统一标定的基准容量;soh对外表达采用百分数,在输入模型时转换为归一化变量。

12、进一步地,所述步骤s102中,映射至相对进度网格形成变长标准化序列,具体包括:将有效片段的原始时间坐标映射为0至1的相对进度坐标,确定有效网格点数,按照各有效网格点的等间隔相对进度位置,对原始有效片段的归一化时间坐标与电压序列执行线性插值、样条插值或保持时间顺序的其他插值方式,得到各有效网格点对应的电压值;将插值得到的有效片段填充至预设最大网格长度。

13、进一步地,所述步骤s102中,构造长度条件与有效长度掩膜,具体包括:将有效片段的原始有效长度与参考长度之比截断至0至1区间得到长度条件,依据所述长度条件与预设最大网格长度确定有效网格点数,并为各网格点生成有效长度掩膜取值,使有效网格点数之外的网格点掩膜取值为零;所述有效长度掩膜仅限定参与损失计算和注意力计算的有效时间域,不作为电压幅值边界;当有效网格点数小于2时,有效片段的相对进度网格无法定义,将该片段标记为不可用。

14、进一步地,所述步骤s103中,根据环境温度、soh、充电倍率和有效长度构造全局条件向量,具体包括:对环境温度进行线性映射,对充电倍率进行对数变换后映射,对soh与有效长度进行归一化映射至区间[0,1],并分别经扩散步、环境温度、soh、充电倍率和有效长度的编码网络进行编码,通过融合映射将扩散步的正弦位置编码与温度、soh、倍率和长度的条件编码进行融合,得到全局条件向量。

15、进一步地,所述步骤s103中,根据环境温度、soh、充电倍率和有效长度构造全局条件向量之后,所述方法还包括:将训练、验证和测试样本按照电池标识、循环编号及工况进行分组;其中,测试阶段采用电池互斥划分,以避免同一电池的相邻循环同时出现在训练集和测试集;对于低soh或稀缺工况样本,在训练批次中提高抽样权重,且不复制到验证集或测试集。

16、进一步地,所述步骤s104中,对标准化电压执行加噪扩散处理并预测无噪电压,具体包括:从预设扩散步范围内抽取扩散步,按照预设噪声调度下该扩散步对应的累积噪声系数,向真实标准化电压加入标准高斯噪声,得到加噪电压;并采用直接预测无噪样本的方式,将加噪电压、扩散步、全局条件向量与有效长度掩膜输入参数化的条件一维u-net,输出预测无噪电压。

17、进一步地,所述步骤s104中,构建条件一维u-net作为条件扩散电压生成器,具体包括:构建包含多级编码器、瓶颈层和多级解码器的条件一维u-net,编码器与解码器之间设置跳跃连接,各级设置条件调制残差块,瓶颈层设置时序注意力模块;条件向量通过缩放参数和偏移参数调制归一化特征,使网络在同一结构下响应不同温度、soh、充电倍率和有效长度条件;所述时序注意力在所述有效长度掩膜限定的区域内计算。

18、进一步地,所述步骤s105中,以掩膜感知电压联合损失训练所述电压生成器,具体包括:构造掩膜感知的电压联合损失,所述电压联合损失为电压重构、同条件样本偏差、相邻差分平滑、附加残差幅值与轨迹多样性五项损失的加权和,各项分别用于约束预测电压与真实电压在掩膜有效域内一致、抑制同条件样本中心的系统偏移、限制相邻时间点差分的异常振荡、限制附加残差过大、在相同条件不同随机噪声下维持不低于预设阈值的合理轨迹差异,各项对应的加权权重均为非负值。

19、进一步地,所述步骤s105中,以掩膜感知电压联合损失训练所述电压生成器,所述电压联合损失中的重构损失与偏差损失按如下方式构造:所述重构损失在掩膜有效域内以稳健误差函数衡量预测电压与真实电压的一致性,所述稳健误差函数可采用smoothl1或huber函数;所述偏差损失先计算按温度、soh、倍率与长度条件划分的各条件组内在掩膜有效域内的平均预测误差,再对各条件组的平均误差取平方均值,用于抑制同条件样本中心的系统偏移。

20、进一步地,所述步骤s105中,以掩膜感知电压联合损失训练所述电压生成器,所述电压联合损失中的相邻差分平滑损失与附加残差幅值损失按如下方式构造:所述相邻差分平滑损失以相邻三个时间点电压的二阶差分衡量曲率振荡,仅在连续三个网格点均位于有效时间域内时参与计算,用于限制相邻时间点差分的异常振荡;所述附加残差幅值损失先将生成电压经低频趋势算子提取低频趋势,再约束生成电压相对该低频趋势的附加高频残差幅值,以抑制以注入噪声方式虚假抬高多样性,所述低频趋势算子可采用移动平均或低阶多项式拟合。

21、进一步地,所述步骤s105中,以掩膜感知电压联合损失训练所述电压生成器,所述电压联合损失中的轨迹多样性损失按如下方式构造:依据各条件组在相同条件、不同随机噪声下生成的样本集合,计算样本集合在掩膜有效域内的平均成对距离,在所述平均成对距离小于预设的最小多样性裕量时,以所述最小多样性裕量与平均成对距离之差的平方作为损失项,当平均成对距离达到所述最小多样性裕量时该损失项取零;其中样本间距离仅在掩膜取值为1的有效时间域内计算。

22、进一步地,所述步骤s106中,输出有界阻抗趋势代理,具体包括:将生成电压与对应真实循环的实测电流、实测温度、条件向量和有效长度掩膜输入一维阻抗趋势网络,将该网络的输出经sigmoid函数变换后,按照根据对象电池和测量口径设定的代理输出边界进行线性缩放,得到有界阻抗趋势代理;所述阻抗趋势代理不等同于eis高频电阻或脉冲直流内阻,外部eis数据在相同温度和soc位置下归一化后仅用于趋势方向和相对形状约束。

23、进一步地,所述步骤s106中,训练所述阻抗趋势网络,具体包括:构造阻抗趋势联合损失,所述阻抗趋势联合损失为形状、斜率、尾段、同电池历史关系、外部eis归一化形状、跨循环退化趋势、退化方向与防塌缩八项损失的加权和,各项对应的加权权重均为非负值;其中,真实电压经同一冻结生成器与同一阻抗趋势网络得到参照代理,所述参照代理不向电压生成器回传梯度;对阻抗趋势代理在掩膜有效域内执行最小-最大归一化,使归一化后的代理取值位于0至1区间。

24、进一步地,所述步骤s106中,训练所述阻抗趋势网络,所述阻抗趋势联合损失中的形状损失与斜率损失按如下方式构造:所述形状损失在掩膜有效域内以生成电压代理与参照代理归一化结果之差的平方均值衡量两者的形状一致程度;所述斜率损失对生成电压代理与参照代理的归一化结果沿相对进度方向计算一阶差分,以两者一阶差分之差的平方均值约束退化斜率一致。

25、进一步地,所述步骤s106中,训练所述阻抗趋势网络,所述阻抗趋势联合损失中的尾段损失按如下方式构造:在充电末端电压快速上升的尾段区间内,以生成电压代理与参照代理归一化结果之差的平方均值约束两者一致;尾段点数由预设的尾段比例与有效网格点数确定,并受预设的尾段点数下限约束,当有效网格点数不大于所述尾段点数下限时,尾段覆盖整段。

26、进一步地,所述步骤s106中,训练所述阻抗趋势网络,所述阻抗趋势联合损失中的同电池历史关系损失按如下方式构造:针对历史循环数不少于两个的电池,分别以电池已完成历史循环上的soh与尾段代理归一化均值为变量,拟合尾段代理对soh的线性回归斜率,以生成电压代理与参照代理对应的线性回归斜率之差的平方均值衡量两者在历史退化速率上的一致性;该损失以真实参照代理给出的历史退化斜率作为锚点,约束生成代理在同一电池历史循环上复现相同的退化速率;当某个电池的soh取值方差为零时,该电池不参与计算。

27、进一步地,所述步骤s106中,训练所述阻抗趋势网络,所述阻抗趋势联合损失中的外部eis归一化形状损失按如下方式构造:针对具备外部eis标签的条件组子集,在相同温度与soc位置归一化后,以生成电压代理与外部eis趋势的归一化内积衡量两者的方向与相对形状一致程度;该损失采用归一化内积形式,仅约束趋势方向与相对形状而不约束绝对幅值。

28、进一步地,所述步骤s106中,训练所述阻抗趋势网络,所述阻抗趋势联合损失中的跨循环退化趋势损失按如下方式构造:针对同一电池内按soh排序构成的循环对,约束soh较低的循环其尾段代理归一化均值不低于soh较高的循环,当soh较低的循环的尾段代理归一化均值低于soh较高的循环时,以两者之差的负值作为损失项,否则损失项取零。

29、进一步地,所述步骤s106中,训练所述阻抗趋势网络,所述阻抗趋势联合损失中的退化方向损失按如下方式构造:以归一化soh条件为自变量,对尾段代理归一化均值求取随soh变化的条件响应方向,以有限差分近似该方向,用于约束soh增大时阻抗趋势代理减小的条件响应方向。

30、进一步地,所述步骤s106中,训练所述阻抗趋势网络,所述阻抗趋势联合损失中的防塌缩损失按如下方式构造:针对各条件组在相同条件、不同随机噪声下生成的样本集合,计算组内尾段代理归一化结果的标准差,当所述标准差小于预设的最小离散度时,以所述最小离散度与标准差之差的平方作为损失项,用于防止同一条件下生成的阻抗趋势代理塌缩为同一值。

31、进一步地,所述步骤s106中,在冻结所述电压生成器参数的条件下训练所述阻抗趋势网络,具体包括:第一阶段仅训练电压生成器参数;第二阶段加载第一阶段训练得到的电压生成器参数并冻结,仅更新阻抗趋势网络参数,并对参数梯度执行范数裁剪;可选地,在第二阶段训练稳定后解除部分电压生成器层的冻结状态,以较小学习率进行端到端联合微调,此时阻抗趋势损失沿阻抗趋势网络反向传播至电压生成器。

32、进一步地,所述步骤s107中,根据目标温度、目标soh、目标充电倍率和目标有效长度执行反向去噪采样,具体包括:设定目标环境温度、目标soh、目标充电倍率、目标有效长度以及随机种子,从高斯噪声开始执行ddim或确定性/半确定性反向去噪过程,得到标准化生成电压;将生成电压反归一化至电压物理范围,并根据目标有效长度恢复至相对时间轴;对于训练工况覆盖范围外的条件,将生成结果标记为分布外候选样本,不直接写入增强训练集。

33、进一步地,所述步骤s108中,对生成电压执行质量筛选,具体包括:对候选样本执行电压边界、相邻差分平滑、尾段形态、同条件随机样本多样性、条件响应以及阻抗趋势方向六项检查,将六项检查的归一化得分按各自非负权重加权求和,形成样本质量分数;或者采用各检查项先达单项门槛、加权总分再达阈值的两级判定方式;当样本质量分数达到预设质量阈值时,将候选样本写入合格生成样本集,否则更换随机种子或调整条件后重新采样。

34、进一步地,所述步骤s108中,将满足质量阈值的生成电压与真实样本融合形成增强样本集,具体包括:将真实样本集与质量分数达到预设质量阈值的生成候选样本合并构成增强数据集;合格生成样本按照预设比例和样本权重与真实样本融合,并将所述增强数据集用于soh估计模型的训练或微调,在保持测试电池、评价指标和模型结构一致的条件下,与仅使用真实样本的基线模型进行对照。

35、本发明还提供一种基于条件扩散与阻抗趋势约束的储能锂电池soh数据增强系统,包括:

36、多源数据获取模块,用于获取多个电池在多个环境温度、充电倍率和老化阶段下的充电时序数据,并构造容量型soh标签;

37、有效片段提取模块,用于提取有效充电片段,映射至相对进度网格形成变长标准化序列,构造长度条件与有效长度掩膜;

38、条件编码模块,用于根据环境温度、soh、充电倍率和有效长度构造全局条件向量;

39、条件扩散电压生成模块,用于构建条件一维u-net作为条件扩散电压生成器,对标准化电压执行加噪扩散处理并预测无噪电压;

40、电压生成器训练模块,用于以掩膜感知电压联合损失训练所述电压生成器,所述联合损失约束有效时间域内的电压重构、同条件样本偏差、相邻差分平滑、附加残差幅值与轨迹多样性;

41、阻抗趋势约束模块,用于构建阻抗趋势网络,将生成电压、实测电流、实测温度、条件向量与掩膜输入所述阻抗趋势网络,在冻结所述电压生成器参数的条件下训练所述阻抗趋势网络,输出有界阻抗趋势代理;

42、目标条件采样模块,用于根据目标温度、目标soh、目标充电倍率和目标有效长度执行反向去噪采样,对采样得到的生成电压执行反归一化与时间轴恢复;

43、样本质量筛选模块,用于对生成电压执行质量筛选,将满足质量阈值的生成电压与真实样本融合形成增强样本集,并利用所述增强样本集训练soh估计模型。

44、本发明还提供一种计算机可读存储介质,其上存储有计算机程序或指令,所述计算机程序或指令被处理器执行时实现上述基于条件扩散与阻抗趋势约束的储能锂电池soh数据增强方法。

45、本发明还提供一种电子设备,包括处理器和存储器,所述存储器中存储有计算机程序或指令,所述计算机程序或指令被所述处理器执行时实现上述基于条件扩散与阻抗趋势约束的储能锂电池soh数据增强方法。

46、本发明还提供一种计算机程序产品,包括计算机程序或指令,所述计算机程序或指令被处理器执行时实现上述基于条件扩散与阻抗趋势约束的储能锂电池soh数据增强方法。

47、与现有技术相比,本发明具有以下有益效果:

48、第一,将环境温度、soh、充电倍率和有效长度统一构造为扩散模型的条件向量,可在同一模型中按目标工况生成充电电压时序,减少分别训练多个单工况模型造成的参数冗余,且生成电压与真实电压在幅值与形态上保持一致,可直接按绝对电压口径用于增强训练;

49、第二,通过相对进度映射、长度条件和有效长度掩膜协同处理变长充电序列,避免简单截断丢失末端信息以及补零片段污染损失计算;

50、第三,采用无噪样本直接预测和掩膜感知联合损失,同时约束重构、平滑、偏差、残差幅值和多样性,使随机噪声在物理约束允许的范围内转化为样本间差异,兼顾物理规律与样本多样性;

51、第四,采用电压生成与阻抗趋势约束的两阶段训练方式,在不把外部eis误作绝对内阻标签的前提下,引入soh下降时阻抗上升的方向信息,使生成样本在电压波形之外另受一条独立的退化趋势约束,无需依赖外部阻抗的绝对值标定;

52、第五,通过电压边界、相邻差分平滑、尾段形态、条件响应、样本多样性和阻抗趋势方向的多级筛选,形成生成样本质量筛选闭环,只将达到质量阈值的候选样本写入增强数据集,避免对误差方向相反的样本实施增强;

53、第六,面向缺少完整标定数据的存量储能场站,仅需场站bms可采集的电压、电流、温度等运行数据即可构建缺失工况的虚拟参考样本,无需ocv-soc曲线、初始容量或完整寿命试验记录等先验标定数据,为老旧场站健康评估、跨场站soh模型迁移、低温与深度老化样本补充、缺失电压片段修复、梯次利用电池筛选及储能数字孪生场景构建提供虚拟标定数据层。