一种基于迁移学习与优化双向长短期记忆网络的锂离子电池健康状态预测方法

本发明涉及电池健康管理与人工智能交叉，尤其涉及一种基于迁移学习与优化双向长短期记忆网络的锂离子电池健康状态预测方法。

背景技术：

1、锂离子电池作为新能源汽车、储能电站及分布式能源系统的核心储能元件，其健康状态soh的准确预测对于保障系统安全运行、优化维护策略及延长使用寿命具有重要意义。现有soh预测方法主要基于数据驱动模型，如长短期记忆网络lstm、支持向量机等，通过提取电池充放电过程中的容量、电压、电流等特征参数建立退化映射关系。然而，传统方法在特征选取方面缺乏系统筛选机制，冗余特征易导致模型训练复杂度增加；同时，单向时序模型仅利用历史信息进行预测，难以充分捕捉电池退化的双向时序依赖关系；此外，模型超参数多依赖人工经验设定，调参效率低且易陷入局部最优，预测精度和稳定性难以保证。

2、针对上述问题，本发明提出一种基于迁移学习与优化双向长短期记忆网络的锂离子电池健康状态预测方法。该方法首先采用pearson相关系数和spearman相关系数对健康特征进行双重相关性筛选，剔除冗余信息；进而建立bilstm双向时序预测模型，同时挖掘前向和后向退化特征；在此基础上，引入改进麻雀搜索算法issa对bilstm超参数进行自动寻优，并通过柯西变异机制扩大搜索范围；最后利用迁移学习实现跨电池知识迁移，在冻结特征提取层的基础上仅微调输出层，使模型在少量目标样本条件下快速适应新电池退化规律，有效提升小样本工况下的预测精度和泛化能力。

技术实现思路

1、本发明的目的是针对现有锂离子电池soh预测方法存在预测精度不足、超参数依赖人工设定以及小样本工况下泛化能力较差等问题，提出一种基于迁移学习与优化双向长短期记忆网络的锂离子电池健康状态预测方法。通过健康特征提取、相关性分析、改进麻雀搜索算法优化、bilstm神经网络预测以及迁移学习知识迁移等环节，实现锂离子电池健康状态的高精度预测。

2、为实现上述目的，本发明提供了一种基于迁移学习与优化双向长短期记忆网络的锂离子电池健康状态预测方法，包括以下步骤：

3、s1、获取锂离子电池全寿命周期运行数据，对异常数据和缺失数据进行清洗，并对各维特征进行归一化处理，得到预处理后的数据集；

4、s2、从电池充放电过程中提取健康特征参数，采用pearson相关系数评价各健康特征与soh之间的线性相关程度，采用spearman相关系数评价各健康特征与soh之间的非线性相关程度，根据综合分析结果筛选出与soh具有较高相关性的健康特征作为预测模型输入特征；

5、s3、建立双向长短期记忆神经网络bilstm预测模型，bilstm模型包括输入层、双向lstm隐藏层及输出层，在同一输入序列上同时运行前向lstm层和后向lstm层，分别捕获序列的正向演变信息和反向上下文特征，将两个方向的隐藏状态进行拼接融合，得到双向输出特征，作为当前时刻的最终特征表达；

6、s4、采用改进麻雀搜索算法issa对bilstm网络超参数进行优化，通过发现者、跟随者及警戒者协同搜索机制进行全局寻优，并引入柯西变异机制扩大种群搜索范围，提高算法跳出局部最优解的能力；

7、s5、建立适应度评价函数，以均方根误差rmse作为主要优化目标，以平均绝对百分比误差mape作为辅助评价指标，评价不同超参数组合对应模型的预测性能，通过迭代优化获得使rmse最小的最优超参数组合；

8、s6、利用源域电池全寿命周期数据训练issa-bilstm模型，使模型学习不同电池退化过程中的共性特征，将训练完成的网络权重迁移至目标电池模型，冻结特征提取层参数并仅对输出层参数进行微调训练，使模型快速适应目标电池退化特征，构建tl-issa-bilstm预测模型；

9、s7、将实时采集的目标电池运行数据输入训练完成的tl-issa-bilstm模型，模型输出当前时刻soh预测值，实现电池健康状态的动态监测与在线预测。

10、优选的，s1中，运行数据包括循环次数、充电电压、充电电流、放电电压、放电电流、环境温度及电池容量；归一化处理采用min-max标准化方法，将各输入特征映射至统一数值区间。

11、优选的，s2中，pearson相关系数的计算公式为：

12、；

13、式中：为样本数量，为健康特征指标的第i个样本，为soh的序列，和皆为样本均值；pearson相关系数的取值范围为[-1,1]，当越接近1时，变量间呈强正线性相关；当越接近-1时，变量间呈强负线性相关。

14、优选的，s2中，spearman相关系数核心计算公式分为两种场景：

15、无相同秩次场景：当两个变量的原始数值均无重复，排序后可获得唯一秩次时，采用秩差法计算：

16、；

17、式中：为第个样本中两个变量的秩次差值的平方，即特征参数的第个样本的本秩次与soh的第个样本的本秩次之差；

18、有相同秩次场景：当变量存在重复数值时，秩次会出现并列情况，采用校正公式：

19、；

20、式中：、分别为健康特征与soh第个样本的秩次，重复数值取平均秩次；、′分别为健康特征与soh秩次的样本均值。

21、优选的，s3中，bilstm在t时刻的计算过程包括：

22、前向隐藏状态负责捕获序列的正向演变信息：

23、；

24、后向隐藏状态负责从未来时刻反向提取上下文特征：

25、；

26、双向输出特征将两个方向的隐藏向量进行拼接：

27、；

28、式中：为t时刻的输入特征，和分别为前一时刻和后一时刻的隐藏状态。

29、优选的，s4中，在标准麻雀搜索算法基础上引入柯西变异机制，利用柯西分布长尾特性扩大搜索范围：

30、；

31、式中：为变异后的个体位置，为当前最优个体位置，为服从标准柯西分布的随机数，⊙表示逐元素相乘。

32、优选的，s5中，均方根误差rmse和平均绝对百分比误差mape的计算公式分别为：

33、；

34、；

35、式中：表示测试样本的总数；表示电池状态的真实值；表示对应的电池状态预测值，即模型的输出值；rmse越小，表示模型预测结果越接近真实值；mape用于衡量预测值与真实值之间的相对误差水平。

36、优选的，s6中，源域电池选取b5、b6及b7电池的全寿命周期数据，目标电池选取b18电池；在目标域训练阶段，仅利用目标电池前25%的生命周期数据作为训练样本进行微调训练，剩余生命周期数据作为测试样本。

37、优选的，s6中，迁移学习机制包括：将源域issa-bilstm模型训练完成的网络权重迁移至目标域bilstm模型，冻结双向lstm隐藏层的特征提取参数，仅调整输出层的权重和偏置参数，使模型在少量目标域样本条件下快速适应目标电池的个体退化特征。

38、优选的，s7中，soh预测值用于电池寿命评估、故障预警及维护决策；通过持续更新输入数据，实现不同退化阶段电池健康状态的动态监测。

39、本发明相对于现有技术的优点和有益效果是：

40、1.本发明通过pearson相关系数和spearman相关系数综合评价健康特征与soh之间的关联关系，有效剔除冗余特征和弱相关特征，提高输入数据质量，降低模型训练复杂度，从而增强soh预测模型的稳定性和准确性。

41、2.本发明采用bilstm神经网络建立电池退化特征与soh之间的映射关系，相较于传统lstm模型仅利用单向时序信息的方式，bilstm能够同时学习时间序列的前向特征和后向特征，充分挖掘电池容量衰减过程中的长期依赖关系和动态变化规律，提高模型对复杂非线性退化过程的表征能力。

42、3.本发明采用改进麻雀搜索算法issa对bilstm网络超参数进行自动优化，通过发现者、跟随者以及警戒者协同搜索机制实现全局寻优，避免传统人工调参效率低、结果不稳定的问题，提高模型参数配置的合理性和收敛效率。

43、4.本发明在标准麻雀搜索算法基础上引入柯西变异机制，利用柯西分布长尾特性扩大种群搜索范围，提高算法跳出局部最优解的能力，增强全局搜索性能和寻优精度，使优化后的bilstm模型获得更优预测效果。

44、5.本发明引入迁移学习机制，通过将源域电池全寿命周期数据中学习到的退化特征知识迁移至目标电池模型，实现跨电池退化规律共享，有效解决目标电池训练样本不足的问题，提高模型在小样本场景下的预测能力。

45、6.本发明采用预训练与微调相结合的方式，仅利用目标电池少量初始运行数据即可完成模型适配，大幅降低模型对目标电池全寿命周期数据的依赖程度，提高算法在实际工程应用中的可实施性。

46、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。