融合分块门控编码与退化轨迹约束的锂电池健康状态评估方法

本技术涉及锂电池健康状态评估的领域，尤其是涉及融合分块门控编码与退化轨迹约束的锂电池健康状态评估方法。

背景技术：

1、锂离子电池在电动交通、储能电站、分布式能源系统以及航空航天装备中得到广泛应用。随着循环次数增加，电池内部会发生可循环锂损失、活性材料损失、界面膜增厚、极化增强和内阻上升等退化现象，表现为容量下降、充放电持续时间缩短以及电压响应特征改变。健康状态（state of health,soh）值通常用于表征电池当前可用容量相对于额定容量或初始容量的保持程度，是电池安全管理和寿命预测的重要指标。现有健康状态评估方法主要包括基于机理模型的方法、基于经验退化模型的方法和基于数据驱动的方法。

2、现有技术中，基于机理模型的方法能够从电化学反应、扩散传质和界面副反应角度解释电池老化过程，如伪二维电化学模型。相关研究通过拆解电池获取结构参数，并利用遗传算法辨识模型未知参数，建立容量计算法则以实现在线估算。然而，该类方法通常依赖精确的材料参数与结构参数，且涉及复杂偏微分方程求解，模型构建成本较高，不同类型电池需要采用不同模型，难以直接部署于资源受限的电池管理系统中。基于经验退化模型的方法结构简单，可用于描述容量随循环次数下降的总体趋势。相关研究通过容量增量分析提取健康特征，并结合高斯过程回归与指数经验模型实现预测及参数修正。但该类模型通常依赖预设函数形式，表达能力有限，难以准确捕捉容量再生、局部拐点、短期波动以及不同电池个体之间的退化差异。

3、为了克服上述传统模型的局限性，基于数据驱动的深度学习方法被广泛引入，其能够从历史运行数据中学习非线性映射关系。相关研究提取了充电电压、电流和温度中的多个健康指标，利用卷积神经网络和长短期记忆网络的融合模型进行估计，或结合容量增量与差分电压分析方法构建注意力模型以提升精度与鲁棒性。然而，循环神经网络及其变体在序列处理过程中存在串行计算效率较低的问题，且在长序列退化建模中容易出现信息遗忘；卷积神经网络虽能有效提取局部特征，但对长程依赖关系的刻画能力不足；基于注意力机制的模型虽然具备全局依赖建模能力，但计算复杂度随序列长度快速增加，且其对局部退化模式和多尺度波动不够敏感。此外，部分研究尝试在数据驱动模型中引入退化规律约束以改善预测结果的物理合理性，例如将物理寿命模型嵌入神经网络或利用物理信息神经网络求解偏微分方程。但若直接采用固定退化模型作为强约束，容易抑制数据驱动网络对局部非线性退化行为的学习；若仅依赖网络自身预测，又可能在小样本训练、跨电池迁移或后期外推时产生不符合退化规律的预测轨迹。

4、综上，目前的评估方法普遍存在以下共同缺陷：现有模型结构多基于通用深度学习框架，难以针对电池退化序列的非平稳性和多尺度特征进行专门设计；同时，物理约束与序列建模结构之间结合不够紧密，多停留在损失函数层面的简单叠加，缺乏对退化规律与特征演化过程的深度耦合机制；此外，现有模型普遍缺少对局部邻域特征、全局记忆以及多尺度局部动态的协同建模能力，导致对容量回升和局部波动等复杂退化行为的刻画能力不足；并且，在数据量较少、循环片段较短或存在异常波动情况下，模型预测稳定性和跨电池泛化能力仍有明显不足。

5、因此，为了解决上述缺陷，本发明提出融合分块门控编码与退化轨迹约束的锂电池健康状态评估方法。

技术实现思路

1、为了在计算复杂度可控的前提下同时兼顾全局退化趋势建模与局部动态特征提取，并在模型训练过程中引入退化规律约束以提升预测一致性，本技术提供融合分块门控编码与退化轨迹约束的锂电池健康状态评估方法。

2、融合分块门控编码与退化轨迹约束的锂电池健康状态评估方法，包括离线处理训练流程与在线评估流程；

3、所述离线处理训练流程包括：

4、读取锂电池历史循环运行数据，按循环序号和采样时间排序，识别充电段、放电段和静置段，并对异常值、缺失点及时间不对齐数据预处理，得到预处理后充放电数据；

5、从预处理后充放电数据提取与容量衰退相关的候选健康表征，按相关性、单调性和跨电池稳定性筛选得到健康表征序列；

6、按长度为n的预设窗口对健康表征序列标准化，并将连续循环对应的健康表征向量组构为训练输入窗口；

7、基于历史样本循环索引拟合退化基准曲线，经训练区间归一化得到退化校准值；其中，所述退化校准值仅作训练阶段软约束信号，不直接输出健康状态预测结果；

8、将训练输入窗口输入分块门控退化编码网络，经块内局部二次相似度计算提取局部退化波动特征、块间线性记忆聚合提取全局退化趋势特征，并经多尺度局部门控分支生成门控张量，将混合分块注意力与门控张量经残差式门控融合，输出锂电池健康状态预测值；

9、基于真实健康状态标签与锂电池健康状态预测值计算数据拟合损失，基于退化校准值与锂电池健康状态预测值计算退化一致性损失，构建联合损失函数对网络离线训练，保存最优模型参数、特征标准化统计参数、退化基准曲线参数及归一化参数；

10、所述在线评估流程包括：

11、获取在线运行数据，复用保存的特征标准化统计参数处理并构造推理输入窗口，输入训练完成的网络输出当前锂电池健康状态估计值；在获取循环索引后计算健康状态估计值与退化校准值的一致性偏差，当一致性偏差满足异常判定条件时输出异常一致性提示。

12、将长序列退化过程划分为多个局部子序列，结合块内局部二次相似度计算与块间线性记忆聚合替代传统全局密集注意力结构，在降低计算复杂度的同时实现局部退化波动与全局退化趋势的联合建模；通过多尺度局部门控分支对混合分块注意力输出进行自适应调制，增强对容量衰退局部波动、短期异常和拐点变化的识别能力；通过输出级退化一致性损失对预测轨迹施加软约束，使预测结果在贴合真实样本的同时保持合理的总体退化趋势，兼顾趋势一致性与局部非线性表达能力。

13、优选的，所述真实健康状态标签按照当前循环电池可放出的最大容量与电池额定容量的比值确定，归一化标签表达式为：；百分比形式健康状态为：；其中，为第个循环的真实健康状态标签；为第个循环可放出的最大容量；为电池额定容量；为第循环的百分比形式锂电池健康状态。

14、优选的，所述候选健康表征至少包括：充电过程中端电压由第一预设电压值升至第二预设电压值所经历的时间、恒流放电阶段持续时间、指定荷电状态窗口内的充电时间、充电量、电压均值、电压最大值、电压最小值、窗口结束电压，以及由电压—容量曲线计算得到的增量容量峰值、峰值电压、峰面积、窗口内微分容量统计量。

15、优选的，所述健康表征序列采用训练集统计量完成标准化，计算公式为：

16、；

17、其中，为标准化后的第个循环第维的原始健康表征；为第个循环第维原始健康表征；和分别为第维的原始健康表征在训练集中的均值和标准差；为防止分母为零的微小常数。

18、优选的，所述退化基准曲线表达式为：；其中，为循环索引；、、和为待拟合参数；

19、计算所述退化校准值为：；其中，为第个样本的退化校准值；和分别为训练区间内退化基准曲线的最小值和最大值；为防止分母为零的微小常数；为退化基准曲线在第个循环处的取值，为第个样本对应的循环索引。

20、优选的，所述分块门控退化编码网络包括：特征嵌入层、共享线性投影层、混合分块注意力单元、多尺度局部门控分支、残差式门控融合单元、压缩式前馈映射单元、池化层以及健康状态回归输出层；

21、其中，所述分块门控退化编码网络的训练过程包括：

22、将所述训练输入窗口对应的输入张量输入至所述特征嵌入层，得到嵌入特征，表示为：；其中，为嵌入特征；为所述训练输入窗口对应的输入张量；为特征嵌入层的权重矩阵；为特征嵌入层的偏置项；

23、对所述嵌入特征进行归一化后，输入至所述共享线性投影层做线性变换，并拆分为三路子表示、和；其中，子表示为用于多尺度局部门控分支；子表示为用于值信息传递；子表示为用于相似度索引计算；

24、将子表示、子表示和子表示沿时间维度按照预设块长分别划分为多个序列块；若所述预设窗口长度无法被所述预设块长整除，则在各路子表示的序列末端填充零向量，并重排为分块张量，得到分块后的子表示；

25、其中，填充后的序列长度表示为：；其中，为经零向量填充后满足完整分块要求的序列长度；为序列块个数；为所述预设块长；

26、将分块后的子表示送入所述多尺度局部门控分支，将分块后的子表示和子表示送入所述混合分块注意力单元，进行并行处理；

27、由所述混合分块注意力单元以分块后的子表示为相似度索引、以分块后的子表示为值信息执行运算，具体为：

28、在块内局部二次相似度路径中，对分块后的子表示执行相似度投影得到查询向量和键向量，经旋转角度编码后计算查询向量与键向量的局部相似度分数，对所述局部相似度分数执行relu平方核变换得到局部权重，将所述局部权重作用于分块后的子表示得到局部输出；

29、在块间线性记忆聚合路径中，对分块后的子表示执行线性投影得到块间查询向量和键向量，将键向量与对应值向量做外积运算构造块记忆，对各块记忆聚合得到记忆张量，由块间查询向量读取所述记忆张量得到全局输出；将所述局部输出与所述全局输出相加完成局部-全局融合，恢复原序列长度并去除填充后经输出线性映射，输出混合分块注意力；

30、由所述多尺度局部门控分支以分块后的子表示为输入执行运算，输出门控张量；

31、将所述混合分块注意力与所述门控张量输入所述残差式门控融合单元，进行逐元素相乘融合得到融合特征；

32、将所述融合特征送入所述压缩式前馈映射单元，依次执行特征扩展、激活、线性压缩、随机失活和残差连接处理，输出处理后序列特征；

33、将所述处理后序列特征输入所述池化层做池化处理，再送入所述健康状态回归输出层，输出锂电池健康状态预测值。

34、优选的，所述混合分块注意力单元包括块内局部二次相似度计算和块间线性记忆聚合；分块后的子表示重排为维度的分块张量；其中，为批量大小；为序列块个数；为所述预设块长；为隐含特征维度；

35、在块内局部二次相似度路径中：对分块后的子表示执行查询投影和键投影得到块内查询向量和块内键向量；利用旋转角度位置编码rope按照相对位置偏移量对和施加旋转相位变换，得到相位变换后的块内查询向量和块内键向量；计算块内局部分数，为：；其中，为块内局部分数；为查询向量维度；对所述块内局部分数执行relu平方核变换得到局部权重；将所述局部权重与分块后的子表示执行矩阵乘法得到局部输出；

36、在块间线性记忆路径中：对分块后的子表示执行块间查询投影和键投影得到块间查询向量和块间键向量；按照将每个序列块的键向量与对应值向量做外积并沿时间维度求和，构造并聚合得到记忆张量；其中，为第个分块对应的记忆表示；为块间路径下第个时间步的键向量；为分块后值表示中第个时间步的值向量；由所述块间查询向量对所述记忆张量执行线性读出得到全局输出；

37、将所述局部输出与所述全局输出相加后经输出线性映射得到所述混合分块注意力。

38、优选的，所述多尺度局部门控分支以子表示作为输入，采用卷积核长度分别为1×3、1×5和1×7的深度可分离一维卷积，提取得到三个不同时间尺度的局部响应特征；将三路所述局部响应特征拼接后依次执行线性融合、se通道重标定处理，经过silu激活和sigmoid函数运算生成门控张量；

39、所述残差式门控融合单元将所述混合分块注意力与所述门控张量逐元素相乘融合，输出融合特征；其中，所述融合特征的表达式为：；其中，为所述融合特征；为所述混合分块注意力；为所述门控张量；

40、将所述融合特征送入所述压缩式前馈映射单元，依次执行特征扩展、激活、线性压缩、随机失活、残差连接处理，输出最终处理后的序列特征。

41、优选的，所述联合损失函数表达式为：

42、；

43、其中，为所述锂电池健康状态预测值与所述真实健康状态标签之间的数据拟合损失；为所述锂电池健康状态预测值与所述退化校准值之间的退化一致性损失；和分别为损失权重系数；

44、所述退化一致性损失权重随训练轮次动态调整：训练初期保持或提高约束权重以增强退化趋势约束，训练后期降低该约束权重，释放网络对局部非线性退化特征的学习能力。

45、综上所述，本技术包括以下至少一种有益技术效果：

46、1.利用分块序列建模机制，将长序列划分为多个局部块并结合块内局部计算与块间线性记忆聚合，降低了相较于全局密集注意力的长序列计算压力，提升了资源受限场景的部署可行性。

47、2.借助多尺度局部门控分支，通过不同卷积核长度的深度可分离一维卷积分支提取多尺度局部响应，增强了对容量衰退局部波动、短期异常和拐点变化的识别能力。

48、3.通过输出级退化一致性损失对预测轨迹施加软约束，使预测结果在贴合真实样本的同时保持合理的总体退化趋势，软约束保留了容量再生、局部非线性和个体差异的表达能力。

49、4.利用训练集统计量标准化、时间顺序划分和在线一致性偏差检测，降低数据泄露和异常退化片段对评估结果的影响，适用于小样本、采样不完整和跨电池场景。

50、5.借助模块化的网络结构设计，各组成模块可根据不同电池类型、数据采样频率及实际部署需求灵活调整特征维度、序列分块长度、多尺度门控结构及校准权重参数，适应多场景、多工况下的健康状态评估需求。