融合多变量贝叶斯锚定注意力轮椅锂电池RUL预测方法

本发明涉及锂电池寿命预测，具体为一种融合多变量贝叶斯锚定注意力轮椅锂电池rul预测方法。

背景技术：

1、电动轮椅是行动障碍人士重要的移动辅助设备，其动力来源——锂电池的性能直接影响用户的安全与出行体验。锂电池在使用过程中会经历不可逆的退化过程，主要表现为端电压下降、内阻增大和可用容量衰减。当电池放电截止电压提前达到阈值时，即认为电池达到寿命终点（end of life, eol）。准确预测锂电池的剩余使用寿命（remaininguseful life, rul），对于保障电动轮椅运行安全、优化维护计划具有重要意义。

2、现有锂离子电池rul预测方法主要分为基于模型的方法和数据驱动的方法。基于模型的方法包括电化学模型和等效电路模型，虽然具有较好的物理可解释性，但存在模型复杂度高、参数难以准确辨识、在动态工况下适应性差等问题。数据驱动方法包括传统机器学习方法和深度学习方法，其中长短期记忆网络（lstm）、门控循环单元（gru）等循环神经网络因其出色的时序建模能力被广泛采用。

3、然而，现有数据驱动方法存在以下不足：第一，输入特征单一，大多数方法仅使用容量或电压数据作为输入，忽略了温度、充放电电流、负载变化等对电池退化具有显著影响的外部因素；第二，依赖不可在线测量的容量数据，容量数据需要通过库仑积分法离线估算或通过充放电设备记录，存在累积误差且无法满足实时在线预测需求；第三，缺乏不确定性量化，现有方法通常只输出点预测值，无法提供预测的置信区间，这对于安全关键应用场景（如电动轮椅）是不够的；第四，泛化能力有限，在不同电池、不同工况下的预测性能不稳定。

4、现有已公开的相关专利包括：申请号为cn202511134281.4的中国专利提出了一种bp神经网络与分数阶梯度下降的锂电池rul预测方法，该方法依赖恒温恒流条件下的容量退化数据，难以适用于动态工况下的在线预测；申请号为cn202511483176.1的中国专利提出了一种双通道注意力融合的锂电池rul预测方法，通过对电压、电流、温度进行特征扩展实现多变量融合，但其注意力机制为标准自注意力，计算复杂度较高，不利于嵌入式部署；公开号为cn119064813a的中国专利提出将贝叶斯回归与动态状态估计融合用于电池寿命预测，但其侧重于荷电状态预测而非剩余使用寿命的端到端预测，且输入特征重要性排序依赖随机森林，未实现多外部变量的深度耦合建模。上述方法在输入特征多样性、不确定性量化能力及模型轻量化方面均存在不足，难以直接应用于智能电动轮椅的实时在线预测场景。

5、所以，当前实际应用的锂电池预测模型普遍精度不高，受到的限制条件多，难以实现宽循环范围内的准确预估，且rul预测的提前量普遍不足，通常需要循环过半、达到锂电池容量衰减拐点后方可实现较为准确的预测。

技术实现思路

1、针对现有技术的不足，本发明提供了一种融合多变量贝叶斯锚定注意力轮椅锂电池rul预测方法，其目的在于解决背景技术中的问题。

2、为实现上述目的，本发明提供如下技术方案：一种融合多变量贝叶斯锚定注意力轮椅锂电池rul预测方法，包括如下步骤：

3、获取智能电动轮椅锂电池运行过程中的多维时序数据，构建监督学习样本集；所述多维时序数据包括电压数据、电流数据、温度数据以及功率数据；

4、构建预测模型，预测模型由依次连接的特征映射层、概率稀疏自注意力模块、基于贝叶斯锚定dropout的双向门控循环单元网络和全连接输出层级联组成；

5、将所述监督学习样本集输入特征映射层，通过线性变换构建融合特征序列；

6、将所述融合特征序列输入概率稀疏自注意力模块，对输入特征进行关键特征提取，获得退化特征表示；

7、将退化特征表示输入基于贝叶斯锚定dropout的双向门控循环单元网络，获得时序退化特征；

8、将时序退化特征输入全连接输出层，输出锂电池端电压的归一化预测均值和偶然不确定性预测方差，并采用负对数似然损失函数和证据下界优化目标进行预测模型的训练，得到训练好的预测模型；

9、采用训练好的预测模型进行智能电动轮椅锂电池端电压的预测；

10、基于智能电动轮椅锂电池端电压的预测结果，采用递推预测方式确定端电压达到预设失效电压阈值时的循环次数，并结合当前循环次数计算锂电池剩余使用寿命；根据端电压预测值与锂电池额定电压确定电池健康状态指标，当电池健康状态指标满足预设预警条件时输出预警信号。

11、进一步的，获取智能电动轮椅锂电池运行过程中的多维时序数据的具体过程为：采集智能电动轮椅锂电池运行过程中的多维时序数据，包括：在智能电动轮椅的锂电池表面贴附ntc热敏电阻采集温度数据；在智能电动轮椅的锂电池充放电主回路中串联霍尔电流传感器，采集充放电电流数据；在智能电动轮椅的锂电池正负极端子处并联电压传感器，采集锂电池端电压数据；在智能电动轮椅电机驱动端分别采集驱动电压有效值和驱动电流有效值，将驱动电压有效值与驱动电流有效值的乘积作为功率数据。

12、进一步的，构建监督学习样本集的具体过程为：

13、采用准则对采集的多维时序数据进行异常值剔除；对异常值剔除后的多维时序数据进行min-max归一化基于归一化后的多维时序数据，构建特征向量；基于特征向量，采用滑动窗口法构造输入输出样本对，表示为：

14、；

15、式中，表示第个样本的输入序列，由从第时刻到第时刻，连续时刻的特征向量拼接而成；表示第个样本的预测目标，即第时刻的归一化后的电压数据，将该预测目标作为样本标签；表示滑动窗口的窗口大小；表示第时刻的特征向量；表示第时刻的特征向量；表示第时刻的特征向量；表示第时刻归一化后的电压数据；

16、基于输入输出样本对，构建监督学习训练样本集。

17、进一步的，将所述监督学习样本集输入特征映射层，通过线性变换构建融合特征序列的具体过程为：对于监督学习样本集中当前输入序列中的每一时刻，将该时刻的特征向量通过全连接映射层进行线性变换，变换至融合特征空间，得到融合特征向量；将同一窗口内所有时刻的融合特征向量按时序排列，形成融合特征序列。

18、进一步的，将所述融合特征序列输入概率稀疏自注意力模块，对输入特征进行关键特征提取，获得退化特征表示的具体过程为：

19、对所述融合特征序列进行线性变换生成查询矩阵、键矩阵和值矩阵；

20、计算每一个查询向量的稀疏性度量函数值，将所述稀疏性度量函数值作为查询重要性评分；所述稀疏性度量函数通过比较查询向量与所有键向量的最大注意力得分与平均注意力得分之间的差异来评估该查询向量的稀疏程度；

21、选取重要性评分排名前列的若干个查询向量构成重要查询集合，仅对所述重要查询集合内的查询向量计算概率稀疏注意力输出，将所述概率稀疏注意力输出作为退化特征表示；概率稀疏注意力输出为一个特征矩阵，其每一行对应一个时刻的退化特征行向量。

22、进一步的，基于贝叶斯锚定dropout的双向门控循环单元网络包括双向门控循环单元，双向门控循环单元由前向gru和后向gru组成，前向gru和后向gru内均包含若干gru单元，在前向gru和后向gru的每个gru单元中引入贝叶斯锚定dropout层，以近似贝叶斯推断过程；所述贝叶斯锚定dropout层在前向传播过程中先对当前时刻的输入特征进行锚定投影，再施加dropout随机失活。

23、进一步的，将退化特征表示输入基于贝叶斯锚定dropout的双向门控循环单元网络，获得时序退化特征的具体过程为：

24、对于当前时刻的输入特征即退化特征表示中第个退化特征行向量，首先进行锚定投影，得到锚定投影后的特征：

25、；

26、式中，表示当前时刻的输入特征；表示可学习的锚定权重矩阵；表示逐元素乘积；表示当前时刻的查询先验向量，由从监督学习样本集中划分出的训练集内所有样本当前时刻的退化特征行向量取均值构建；

27、随后，对锚定投影后的特征施加标准dropout掩码，得到经过贝叶斯锚定dropout层处理后的输出特征：

28、；

29、式中，表示服从伯努利分布的随机掩码向量；表示经过贝叶斯锚定dropout层处理后的输出特征；

30、将经过贝叶斯锚定dropout层处理后的输出特征分别输入双向门控循环单元网络的前向gru和后向gru中，计算当前时刻的前向隐藏状态和后向隐藏状态；

31、将当前时刻的前向隐藏状态和后向隐藏状态进行拼接，得到当前时刻的最终特征表示即时序退化特征。

32、进一步的，将时序退化特征输入全连接输出层，输出锂电池端电压的归一化预测均值和偶然不确定性预测方差，并采用负对数似然损失函数和elbo优化目标进行预测模型的训练，得到训练好的预测模型的具体过程为：

33、将当前时刻的时序退化特征输入全连接输出层，输出锂电池端电压的归一化预测均值和偶然不确定性预测方差；

34、根据锂电池端电压的归一化预测均值和偶然不确定性预测方差，结合监督学习训练样本集中构造的样本标签，即各样本对应的真实归一化电压值，采用负对数似然损失函数对预测模型进行联合训练；

35、以变分分布近似网络参数的后验分布，并构建证据下界elbo作为优化目标，在负对数似然损失函数基础上引入kl散度正则项，对网络参数进行联合优化，表示为：

36、；

37、式中，表示证据下界；表示预测模型中所有可训练参数的集合；表示由决定的负对数似然损失；表示由贝叶斯锚定dropout机制所诱导的网络参数近似后验分布；表示网络权重的先验分布；表示kullback-leibler散度；表示预测模型全部可学习权重参数的集合；

38、通过梯度下降算法最大化证据下界elbo，即最小化由所述负对数似然损失函数与所述kl散度项加权组合构成的总损失函数，完成预测模型训练，得到训练好的预测模型。

39、进一步的，采用训练好的预测模型进行智能电动轮椅锂电池端电压的预测的具体过程为：实时采集智能电动轮椅锂电池运行过程中的多维时序数据，预处理后建立实时特征向量；基于实时特征向量，采用滑动窗口法构造实时输入序列，将实时输入序列作为待预测样本；

40、保持训练好的预测模型中双向门控循环单元网络各层的贝叶斯锚定dropout层激活，将待预测样本输入训练好的预测模型中，输出最终锂电池端电压的归一化预测均值及总预测方差，总预测方差为偶然不确定性方差和认知不确定性方差之和，表示为：

41、；

42、式中，表示锂电池端电压的总预测方差，表示预测目标变量，即锂电池端电压；表示当前时刻第次采样得到的偶然不确定性方差；表示当前时刻第次采样得到的锂电池端电压的归一化预测均值；表示当前时刻锂电池端电压的最终预测均值；表示采样的总次数；第一项为偶然不确定性方差，第二项为认知不确定性方差。

43、进一步的，基于智能电动轮椅锂电池端电压的预测结果，采用递推预测方式确定端电压达到预设失效电压阈值时的循环次数，并结合当前循环次数计算锂电池剩余使用寿命；根据端电压预测值与锂电池额定电压确定电池健康状态指标，当电池健康状态指标满足预设预警条件时输出预警信号的具体过程为：

44、根据最终锂电池端电压的归一化预测均值及总预测方差计算锂电池端电压95%置信区间；将最终锂电池端电压的归一化预测均值反归一化为实际电压预测值；将锂电池端电压95%置信区间上下界同步反归一化，得到实际电压预测区间；

45、设定电池放电截止电压作为失效电压阈值，采用递推预测方式逐步生成锂电池未来各循环的电压预测序列，当实际电压预测值首次低于所述失效电压阈值时，将对应循环次数确定为预测失效循环次数；根据实际电压预测区间的上下界首次达到电池放电截止电压的位置，分别确定失效循环次数下界和上界；

46、基于所述预测失效循环次数与当前循环次数计算锂电池剩余使用寿命；根据实际电压预测值与电池额定电压的比值计算电池健康度状态指标，当所述电池健康度状态指标小于或等于预设阈值时触发电池更换预警信号；

47、输出电池健康度状态指标、锂电池剩余使用寿命及其置信区间、电池更换预警信号。

48、与现有的技术相比，本发明具备以下有益效果：

49、本发明通过构建一个完整的端到端预测框架，将可在线测量的多源物理信号、轻量化注意力机制和贝叶斯不确定性量化有机融合，形成一个兼顾预测精度、计算效率和决策可靠性的整体技术方案，为智能电动轮椅锂电池在真实动态使用场景下的剩余寿命在线预测提供了完整且可工程化部署的解决路径。

50、本发明采用电压、电流、温度和功率四个可直接在线测量的物理变量作为模型输入，避免了传统方法中对容量数据（需离线库仑积分或专用设备记录）的依赖，使预测过程可在实际充放电工况下连续进行；同时，通过特征映射层将上述多变量线性变换至融合特征空间，并由概率稀疏自注意力模块对融合特征进行关键退化信息筛选，使得模型能够在多外部因素耦合作用下有效捕捉电池退化趋势，从而在宽循环范围内实现早期预测，显著改善了现有方法在动态工况下适应性差和预测提前量不足的问题。

51、本发明在双向门控循环单元网络中引入贝叶斯锚定dropout机制，通过在dropout随机失活之前对当前输入施加由训练集统计先验约束的锚定投影，将每一次随机采样约束在退化先验附近，有效降低了蒙特卡洛采样过程中因掩码随机性引入的无意义方差，加速了贝叶斯推断的收敛过程；该机制使得模型在推理阶段能够输出端电压预测均值的对应预测方差，进而导出剩余使用寿命预测的置信区间，为电池更换决策提供了稳健的不确定性量化依据。同时，概率稀疏自注意力模块仅对重要性评分排名前列的查询向量进行注意力计算，在保证退化特征提取能力的前提下降低了模型计算复杂度，便于在智能电动轮椅嵌入式控制平台上实时部署运行。