一种锂电池剩余寿命迁移预测方法与流程

本发明涉及人工智能与电池管理系统交叉，且更为具体地，涉及一种锂电池剩余寿命迁移预测方法。

背景技术：

1、锂离子电池凭借高能量密度、长循环寿命及低自放电率等优势，已成为电动汽车与电化学储能系统的核心动力源。准确预测电池剩余寿命（remaining useful life, rul）对于保障系统运行可靠性、优化维护策略及规避热失控等安全风险具有至关重要的意义。现有rul预测方法可归为三大类：基于模型的方法、数据驱动方法及混合方法。基于模型的方法通过构建电化学模型或等效电路模型描述电池退化机理，虽具有较好的物理解释性，却受限于模型参数辨识困难及复杂工况下泛化能力不足；数据驱动方法借助机器学习算法从历史数据中学习容量衰减规律，避免了复杂机理建模，代表性技术包括支持向量回归、高斯过程回归、循环神经网络及长短时记忆网络等；混合方法则尝试融合物理先验与数据驱动策略以兼顾精度与鲁棒性。上述方法通常假设训练数据与测试数据服从独立同分布，然而电动汽车在实际运行中面临城市拥堵、高速巡航、山区坡道及高低温环境等多样化工况的频繁切换，电池组内各单体因制造批次差异、空间温度分布不均及充放电倍率不同而导致衰减路径显著分化。当目标工况的统计分布偏离源工况训练数据时，传统预测模型的精度将显著劣化，难以满足电池管理系统对单体级寿命预测的实时性与可靠性要求。

2、为缓解工况差异导致的预测性能退化，迁移学习被引入电池状态估计领域，其核心思想是将源工况下预训练模型所蕴含的退化知识迁移至目标工况。现有迁移策略主要包括三类：基于微调的方法通过在目标域少量标注数据上继续训练网络参数；基于度量的方法通过最小化源域与目标域特征分布间的最大均值差异等统计距离实现域对齐；基于对抗训练的方法通过域判别器迫使特征提取器学习域不变表征。然而，上述方法在实际部署中面临若干共性局限：其一，微调方法需要对模型主体参数进行梯度更新，计算开销较大，难以在车载电池管理系统的嵌入式环境中在线执行；其二，基于度量或对抗的方法通常需要同时访问源域与目标域数据或进行额外的对抗训练，对数据存储与算力资源要求较高；其三，现有方法多聚焦于整电池或电池组的寿命预测，较少考虑电池组内多个单体电池因工况分布差异导致的寿命离散化问题，难以有效识别组内衰减加速单体并触发针对性预警。鉴于此，如何在工况特征发生偏移的条件下，以轻量化的方式实现源工况预训练模型向目标工况的自适应迁移，并基于单体级预测结果为电池组均衡管理提供可执行的预警依据，已成为当前动力电池寿命预测技术领域亟待解决的关键问题。

技术实现思路

1、为了解决上述技术问题，本发明提供了一种锂电池剩余寿命迁移预测方法，可以一定程度上解决如何在工况特征发生偏移的条件下，实现源工况训练模型向目标工况的自适应迁移，准确预测跨工况场景下单体电池的剩余寿命。

2、根据本发明的一个方面，提供了一种锂电池剩余寿命迁移预测方法，其包括：

3、接收目标工况单体电池运行数据，对运行数据按时间窗口进行分段统计，计算各时间窗口内充放电倍率均值与温度应力均值，生成目标工况统计特征序列；

4、提取源工况预训练模型中批归一化层的均值参数与方差参数，计算所述目标工况统计特征序列与源工况统计特征序列的均值偏移量与方差缩放因子，依据所述均值偏移量与所述方差缩放因子对批归一化层参数进行线性修正，生成目标工况适配模型；

5、将所述目标工况统计特征序列输入所述目标工况适配模型，并结合各单体电池上一时间窗口的容量状态，对各单体电池容量衰减轨迹进行逐窗口递推计算，得到各单体电池在目标工况下的容量衰减曲线；

6、依据所述容量衰减曲线计算各单体电池到达寿命终止阈值的剩余循环次数，统计所述剩余循环次数在电池组内的离散系数，当所述离散系数超出均衡管控阈值时触发对衰减加速单体的预警响应，输出各单体剩余寿命预测值与预警标识。

7、进一步地，所述源工况预训练模型是基于源工况单体电池历史运行数据和容量衰减标签训练得到的寿命预测模型，包括输入嵌入层、时序特征提取层、批归一化层和容量衰减输出层；

8、所述批归一化层设置在所述输入嵌入层之后和/或所述时序特征提取层之间；

9、所述线性修正为根据离线标定的特征敏感度关系，将所述目标工况统计特征序列与源工况统计特征序列之间的均值偏移量和方差缩放因子，映射为所述批归一化层运行均值和运行方差的线性修正量；

10、所述线性修正保持所述时序特征提取层参数、容量衰减输出层参数以及批归一化层缩放参数和平移参数不变。

11、进一步地，所述特征敏感度关系通过如下方式离线标定：

12、将源工况校准数据划分为多个校准组，每个校准组包含若干连续时间窗口的统计特征向量；

13、将各校准组输入冻结参数后的源工况预训练模型，采集各批归一化层之前的激活张量，并统计各层各通道的激活均值和激活标准差；

14、以各校准组输入统计特征的均值偏移和标准差偏移为自变量，以对应激活均值和激活标准差的偏移为因变量，采用岭回归逐层求解均值敏感度矩阵和方差敏感度矩阵。

15、进一步地，所述均值敏感度矩阵和方差敏感度矩阵通过如下岭回归损失确定：

16、

17、其中，和分别表示第个校准组输入统计特征的均值向量和标准差向量；和分别表示源工况全局统计特征的均值向量和标准差向量；和分别表示第个校准组在第个批归一化层之前的激活均值和激活标准差；和分别表示源工况预训练模型保存的第个批归一化层运行均值和运行标准差；，，为s1中统计特征向量维度，为第个批归一化层的通道数；和为正则化系数；为防止除零的极小正数。

18、进一步地，当目标工况统计窗口数量不足时，对所述目标工况统计特征的均值和方差进行收缩估计：

19、当目标工况统计窗口数量时，暂不执行目标工况适配，沿用源工况预训练模型；

20、当 时，目标工况均值采用贝叶斯收缩估计，目标工况方差不计算并暂取源工况方差，批归一化层运行方差不进行迁移；

21、当时，计算目标工况样本均值和样本方差，并通过收缩系数对均值和方差进行收缩估计后执行批归一化层参数修正。

22、进一步地，所述目标工况适配模型输出单位等效循环容量衰减强度，容量保持率为当前可用容量与初始标称容量或出厂校准容量的比值；

23、所述递推计算包括容量单调性约束、衰减增量边界和可靠度调节，允许容量估计值在容量估计误差范围内回弹，但平滑容量衰减曲线保持总体非增趋势；

24、所述可靠度调节系数根据窗口有效采样比例、温度传感器可信度、电流采样可信度和适配模型置信度中的至少一者确定。

25、进一步地，所述容量衰减曲线根据如下递推公式确定：

26、

27、其中，表示第个单体电池在第个窗口结束时的预测容量保持率；表示上一窗口结束时的预测容量保持率； 表示第 个窗口对应的等效循环增量；表示目标工况适配模型在适配参数 下输出的单位等效循环容量衰减强度；，用于将模型原始输出转换为非负衰减强度；表示可靠度调节系数；表示容量保持率下限；表示允许的容量估计回弹范围。

28、根据本发明的另一方面，提供了一种锂电池剩余寿命迁移预测系统，其包括：

29、数据获取与预处理模块，用于接收目标工况下各单体电池的运行数据，并按照设定时间窗口对所述运行数据进行分段统计，针对每一单体电池在每一时间窗口内计算包含充放电倍率均值和温度应力均值的统计特征，生成用于表征目标工况分布的目标工况统计特征序列；

30、模型适配模块，用于提取源工况预训练模型中批归一化层的运行均值参数和运行方差参数，并根据所述目标工况统计特征序列与源工况统计特征序列之间的分布偏移，对所述批归一化层参数进行受约束的线性修正，生成目标工况适配模型；

31、寿命预测模块，用于将所述目标工况统计特征序列输入所述目标工况适配模型，并结合各单体电池上一时间窗口的容量状态，对各单体电池容量衰减轨迹进行逐窗口递推计算，得到各单体电池在目标工况下的容量衰减曲线；

32、寿命评估与预警模块，用于依据各单体电池容量衰减曲线确定各单体电池到达寿命终止阈值的剩余循环次数，并统计所述剩余循环次数在电池组内的离散系数，当所述离散系数超出均衡管控阈值时触发对衰减加速单体的预警响应，输出各单体剩余寿命预测值与预警标识。

33、与现有技术相比，本发明提供的锂电池剩余寿命迁移预测方法，其通过对目标工况单体电池运行数据进行时间窗口分段统计以提取无量纲统计特征序列，并基于源工况预训练模型中批归一化层统计量的均值偏移与方差缩放进行轻量化线性修正，实现无需重训练且无需目标域标注的工况自适应迁移；在此基础上对各单体容量衰减轨迹进行带物理约束的逐窗口递推预测，并计算组内剩余寿命离散系数以触发分级预警。这样，可有效解决现有技术在工况分布偏移下预测精度劣化、适配计算开销大以及缺乏单体级寿命离散化预警依据的问题，有助于降低车载在线迁移成本，提高复杂工况下剩余寿命预测的准确性与鲁棒性，为电池组均衡管理和安全预警提供可靠支撑。