一种面向数据驱动电池状态分析的域生成方法及系统

本发明涉及电池管理与人工智能，尤其涉及一种面向数据驱动电池状态分析的域生成方法及系统。

背景技术：

1、随着锂离子电池在电动汽车、储能电站、轨道交通、航空器、船舶、便携式设备以及退役电池梯次利用等场景中的广泛应用，电池管理系统需要根据运行数据对电池状态进行准确分析。所述电池状态分析通常包括荷电状态（state of charge，soc）估计、健康状态（state of health，soh）估计、温度状态（state of temperature，sot）估计、内部老化模式诊断、剩余使用寿命（remaining useful life，rul）预测、故障诊断、异常检测以及安全风险评估等任务。数据驱动方法能够从电压、电流、温度、容量、阻抗、循环次数及运行工况等数据中学习电池特征与状态结果之间的非线性映射，已成为电池状态分析的重要技术路线。

2、然而，数据驱动模型的性能通常依赖于训练数据与实际应用数据具有相近的数据分布。当模型由实验室恒流工况、特定型号、固定温度或特定采集平台的数据训练，而被部署到动态驾驶工况、不同倍率、不同温度、新型号、不同制造批次或不同传感器条件下时，电池特征分布会发生明显变化，形成跨域分布偏移，导致模型分析误差增大，甚至失去可靠性。

3、为缓解上述跨域问题，现有技术已提出多种方案。现有技术1（公开号cn116643196a）公开了一种融合机理与数据驱动模型的电池健康状态估计方法，其用降阶电化学模型批量生成覆盖不同老化路径、不同充放电工况的仿真充放电数据构成源数据集，数据驱动模型在该源数据集上预训练，再获取少量真实电流、电压数据及soh标签后将部分源数据集与真实数据混合，在预训练模型上做迁移学习完成目标域soh估计，并采用贝叶斯优化进行超参数优化。现有技术2（李弈等，《基于变分深度嵌入-带有梯度惩罚的生成对抗网络的锂离子电池老化特性建模》，电工技术学报2024年）公开了一种vade-wgangp架构，用变分深度嵌入编码器将电池放电电压、电流、放电容量映射到隐空间，对该隐空间分布采样后将采样隐变量输入解码器生成电池外特性数据，用于在数据量不足时为数据驱动算法提供扩展数据资源。现有技术3（公开号cn120065039a）公开了一种基于物理约束扩散模型的电池健康状态估计方法，在扩散模型输出后加等效电路模型预测头，计算理论电压响应与生成数据的物理一致性损失并与扩散损失加权训练。现有技术4（公开号cn120256881a）公开了一种基于融合时序对抗生成网络的锂电池状态数据生成方法，在生成器损失中引入电压微分约束、电容-电流关系等物理约束。

4、上述方案仍存在本发明旨在解决的技术问题：现有技术1的"生成"依赖机理模型仿真覆盖工况，并未从源域数据与目标域少样本中学习两个数据域之间的跨域分布关系，其落地为对预训练模型的参数迁移，依赖特定下游模型结构，当目标域仅有少量早期运行数据、缺少覆盖完整健康状态、完整寿命或完整故障阶段的数据时，模型微调容易过拟合，且难以补足目标域训练数据在状态范围和工况范围上的缺失；现有技术2为单一数据集上的隐空间生成，无源域与目标域之分，未学习跨域分布关系，也无目标域少样本引导与物理约束；现有技术3、现有技术4虽对生成数据施加了物理约束，但均为单域、按条件生成，未建立源域与目标域之间的跨域分布关系，也未引入目标域少样本引导。概言之，直接利用生成模型扩充电池数据时，若没有建立源域与目标域之间的跨域分布关系，或者没有引入电池物理边界、状态演化规律及机理一致性约束，生成数据可能出现电压、温度或状态取值越界，退化趋势不合理，特征与标签不匹配，以及生成数量或生成范围不适当等问题，反而降低下游状态分析模型的可靠性。

5、因此，亟需一种面向电池跨域场景的数据增强方案，在仅具有源域数据和少量目标域参考数据的情况下，通过学习源域与目标域之间的跨域分布关系生成目标相关域训练数据来扩展训练数据分布，并保证生成数据满足电池物理规律，从而提高不同数据驱动电池状态分析任务在目标域中的准确性、鲁棒性和可迁移性。

技术实现思路

1、针对现有技术存在的问题，本发明的第一个目的在于提供一种面向数据驱动电池状态分析的域生成方法。针对现有迁移学习主要从模型参数或特征层面对已有模型进行调整、依赖特定下游模型结构，以及目标域少样本难以覆盖完整工况范围和状态范围的问题，本发明从训练数据层面利用源域电池数据和目标域少样本数据学习不同数据域之间的跨域分布关系，通过域生成模型生成目标相关域数据，并依据电池物理约束对生成数据进行约束或筛选，进一步形成用于数据驱动电池状态分析模型训练的跨域训练数据。所述跨域训练数据既可以为满足预设物理条件的域生成数据，也可以为由域生成数据与源域数据或目标域少样本数据共同构成的跨域增强训练数据集，并可用于不同结构的电池状态分析模型训练，以完成目标域电池状态估计、健康诊断、寿命预测和故障诊断。

2、本发明的第二个目的在于提供一种面向数据驱动电池状态分析的域生成系统，通过数据获取、数据表征、域生成、物理约束和增强数据构建模块的协同，实现上述域生成方法。

3、为实现上述技术目的，本发明提供了一种面向数据驱动电池状态分析的域生成方法，包括：

4、步骤s1、获取源域电池数据集和目标域电池少样本数据集，对所述源域电池数据集和所述目标域电池少样本数据集进行数据预处理和统一数据表征，得到源域表征数据和目标域表征数据；

5、步骤s2、将所述源域表征数据和所述目标域表征数据输入域生成模型，由所述域生成模型学习源域与目标域之间的跨域分布关系，并基于所述跨域分布关系在生成空间内实施分布扩展，得到目标相关域生成数据；

6、步骤s3、依据电池物理约束对所述目标相关域生成数据进行约束或筛选，得到满足预设物理条件的域生成数据；

7、步骤s4、基于所述域生成数据形成用于数据驱动电池状态分析模型训练的跨域训练数据；其中，所述跨域训练数据为所述域生成数据，或者为由所述域生成数据与所述源域表征数据和所述目标域表征数据中的至少一种共同构成的跨域增强训练数据集。

8、进一步地，在执行具体电池状态分析任务时，利用所述跨域训练数据训练电池状态分析模型，获取目标域待分析电池的运行数据，并将所述运行数据输入训练后的电池状态分析模型，得到电池状态分析结果。

9、本发明所称“域”，指由电池对象、运行环境、工况、数据采集方式和状态范围等因素共同确定的数据分布；“源域”指具有相对充分训练数据的数据域；“目标域”指待部署或待分析的数据域；“少样本”指与源域数据量或目标域完整状态范围所需数据量相比数量有限的目标域参考样本，并不限定为固定样本数量或固定比例；“状态参考值”既包括通过试验、标定或机理模型获得的真实参考值，也包括经可信模型确定的伪标签；“域生成”指基于源域数据以及目标域的少量参考数据或先验信息，学习不同数据域之间的分布关系，并在原始数据空间、特征空间、隐变量空间或概率分布空间中生成用于扩展训练数据分布的新增数据；“目标相关域”指由目标域少样本或目标域先验信息引导、与目标域分布相关的生成数据域，其可以为目标域数据、源域与目标域之间的过渡域数据、混合域数据或覆盖目标域潜在状态范围的扩展数据。

10、作为一项优选的方案，所述目标域电池少样本数据集通过以下方式中的至少一种获得：从目标域电池寿命早期阶段按照预设比例采样；从预设荷电状态区间、健康状态区间或温度区间采样；按照时间间隔、循环间隔或事件触发条件采样；以及根据样本信息量或分布代表性进行主动采样；其中，未被选取的目标域样本不参与域生成模型训练、跨域增强训练数据集构建及域生成参数优化，并在进行目标域模型性能评价时作为未见数据保持隔离。

11、在本发明所提供的技术方案中，采用寿命早期按比例采样能够利用少量目标域数据提供域特征引导；按状态区间、时间间隔、循环间隔、事件触发条件或样本信息量进行采样，可针对特定状态范围、时间演化阶段或高信息量样本进行选择。未被选取的目标域数据保持隔离，可防止其进入域生成模型训练、域生成参数优化或下游模型训练过程，从而避免在试验评价阶段产生数据泄漏。

12、作为一项优选的方案，所述源域与目标域在以下域因素中的至少一种上不同：电池应用环境、运行工况、充放电倍率、环境温度、电池材料体系、电池型号、额定容量、制造批次、老化路径、充放电协议、传感器类型、采样频率、测量噪声、数据采集平台和电池使用阶段。

13、作为一项优选的方案，所述目标域电池少样本数据集中的至少部分样本包括电池运行数据及其对应的状态参考值。

14、作为一项优选的方案，所述电池运行数据为电压、电流、温度、时间、容量、荷电状态、能量、功率、内阻、阻抗、循环次数、等效完整循环数、充放电倍率、环境参数和控制参数中的至少一种。

15、作为一项优选的方案，所述状态参考值为荷电状态参考值、健康状态参考值、温度参考值、容量参考值、内阻参考值、电极退化参数、寿命参考值和故障标签中的至少一种。

16、作为一项优选的方案，所述电极退化参数为可循环锂损失、正极活性材料损失和负极活性材料损失中的至少一种。

17、上述域因素列举了源域与目标域产生分布偏移的常见来源，运行数据与状态参考值的列举使本发明可适配soc、soh、sot、健康诊断、rul与故障诊断等不同任务；将电极退化参数具体化为可循环锂损失、正极活性材料损失和负极活性材料损失，使本发明能够支持电极级健康诊断。

18、作为一项优选的方案，所述域生成模型为自编码生成模型、变分生成模型、对抗生成模型、扩散生成模型、流式生成模型、自回归生成模型、基于概率分布采样的生成模型、基于物理模型的数据生成模型以及上述模型的组合中的至少一种。

19、作为一项优选的方案，所述生成空间为原始数据空间、特征空间、隐变量空间和概率分布空间中的至少一种。

20、上述优选方案中，只要能够基于源域数据和目标域少样本或目标域先验信息学习跨域分布关系并生成满足电池物理约束的目标相关域训练数据，上述各类生成模型均可用于实施本发明。

21、作为一项优选的方案，所述域生成模型将所述源域表征数据和所述目标域表征数据映射至共享生成空间，在所述共享生成空间中执行样本重构、条件采样、样本混合、插值、外推、随机扰动和分布变换中的至少一种操作，得到扩展表征数据；并将所述扩展表征数据映射至电池数据空间，得到生成电池特征以及与所述生成电池特征对应的生成状态标签或伪标签。

22、该方案不限定具体生成模型结构，自编码生成、变分生成、对抗生成、扩散生成、流式生成、自回归生成或概率分布采样等生成模型均可在相应生成空间内实施上述域生成过程。共享生成空间使源域与目标域数据能够在统一表示空间内进行比较、组合和分布扩展，从而获得与目标域分布相关的新增训练数据。

23、作为一项优选的方案，所述域生成模型为变分自编码器，所述变分自编码器包括编码器、隐变量生成模块和解码器。

24、作为一项优选的方案，所述编码器用于根据电池特征和对应状态标签获得隐变量分布的均值和方差，所述隐变量生成模块用于基于所述均值和方差获得增强隐变量，所述解码器用于根据所述增强隐变量生成电池特征和对应状态标签。

25、作为一项优选的方案，所述变分自编码器的训练损失至少包括特征重构损失、标签重构损失和隐变量分布正则损失。

26、变分自编码器通过隐变量分布建模电池特征与状态标签的联合分布，便于在隐空间实施受控插值或外推；对标签重构损失设置较高权重，可在保持动态波形特征的同时提高生成特征与状态标签之间的一致性。

27、作为一项优选的方案，所述变分自编码器的训练过程为：基于目标域采样概率 确定源域样本权重  和目标域样本权重 ，并根据源域样本权重和目标域样本权重对源域数据和目标域少样本数据执行加权随机采样，其中，源域样本权重和目标域样本权重的计算过程为：

28、；

29、其中， 和  分别为源域样本数量和目标域少样本数量，均以样本个数计、量纲为一， 为无量纲的采样概率， 和  为以单个样本计的无量纲采样权重。

30、由于源域样本数量通常远多于目标域少样本数量，按上述权重构建加权随机采样器，可使域生成模型在每个训练批次中同时学习源域的基础电池规律和目标域少样本的域特征，避免数量较少的目标域样本被淹没；域生成模型训练阶段尚不存在域生成数据，故对域生成数据设置权重的做法属于生成完成后的增强训练数据集构建阶段。

31、作为一项优选的方案，基于所述源域表征数据、所述目标域表征数据和所述域生成数据中的至少两者构建增强训练数据集时，对源域真实数据、目标域少样本真实数据和域生成数据设置采样权重、批次比例或损失权重。该设置处于生成完成后的增强训练数据集构建阶段，可避免生成数据数量过大导致真实数据被淹没，保证增强训练数据集中真实数据与生成数据的比例适当。

32、作为一项优选的方案，所述增强隐变量的获得过程包括：

33、步骤s2-1、根据无量纲随机变量 、无量纲外推尺度参数  和无量纲外推偏移参数  确定无量纲混合系数，其计算过程为：

34、 ；

35、步骤s2-2、将隐变量均值序列随机重排得到重排均值 ，计算增强均值，其过程为：

36、 ；

37、其中，  为所述隐变量分布的均值，、 和  均取隐变量空间的无量纲数值；

38、步骤s2-3、根据增强均值计算增强隐变量 ，其过程为：

39、；

40、其中，  服从预设随机分布且为无量纲， 为无量纲扰动尺度参数， 为隐变量标准差且与隐变量同为无量纲， 为无量纲。

41、当  位于0至1之间时，所述操作主要形成隐空间插值；当  超出0至1的范围时，所述操作形成受控外推，用于覆盖源域和目标域少样本未充分覆盖的过渡区域或目标相关区域，从而生成由目标域少样本或目标域先验信息引导、与目标域分布相关的目标相关域数据。

42、作为一项优选的方案，采用自动超参数优化方法确定域生成参数，所述域生成参数包括源域与目标域样本参与比例、生成模型损失权重、分布扩展参数、随机扰动尺度、条件信息权重和生成样本数量中的至少一种。

43、作为一项优选的方案，所述自动超参数优化方法以目标域验证误差、生成数据分布差异和物理约束违反程度中的至少一种作为优化目标，并采用贝叶斯优化、树结构parzen估计、进化优化、网格搜索或随机搜索确定所述域生成参数。对于采用变分自编码器的实施方式，所述分布扩展参数可进一步包括外推尺度参数和外推偏移参数。

44、本发明以目标域验证误差、生成数据分布差异和物理约束违反程度作为优化目标，可在跨域间隙较大或源域数据不足的情况下自适应调整域生成策略，使生成范围和生成数量适合当前跨域场景。

45、作为一项优选的方案，所述电池状态分析结果为荷电状态、健康状态、温度状态、老化模式、剩余使用寿命、故障状态、异常状态和安全风险中的至少一种。

46、作为一项优选的方案，所述故障状态包括内短路、外短路、连接异常、传感器偏置、传感器漂移、热管理异常、过充、过放和一致性异常中的至少一种；所述安全风险包括热失控风险。

47、作为一项优选的方案，所述电池状态分析模型与所述域生成模型相互解耦，其中，电池状态分析模型为多层感知机、卷积神经网络、循环神经网络、长短期记忆网络、门控循环网络、transformer网络、图神经网络、概率神经网络和集成学习模型中的至少一种。域生成模型与电池状态分析模型相互解耦，意味着域生成模型仅负责在数据层面扩展训练分布，下游模型结构可独立选择，从而避免对特定下游模型的依赖，提高通用性。

48、作为一项优选的方案，所述电池物理约束包括以下至少一种：电压、电流、温度、荷电状态和健康状态的取值边界约束；容量衰减、内阻增长、老化程度或剩余寿命的单调性约束；电量守恒约束、能量守恒约束和热量守恒约束；由电池等效电路模型、电化学模型、热模型、老化模型或故障机理模型确定的机理一致性约束；不同电池特征与状态标签之间的相关性约束；以及基于开路电压曲线、增量容量曲线、微分电压曲线或阻抗谱的重构一致性约束。

49、作为一项优选的方案，所述重构一致性约束的施加过程包括：根据生成的电极退化参数确定对应电极模型参数，并将所述电极模型参数代入半电池开路电压模型、等效电路模型或电化学模型，重构开路电压曲线、增量容量曲线或微分电压曲线，并根据重构误差评价生成样本的物理一致性。

50、本发明所提供的电池约束中，边界约束可防止生成数据出现电压、温度或状态取值越界；单调性约束可保证容量、内阻、老化程度随老化进程合理演化而不出现无物理原因的反向变化；守恒约束保证电量、能量与热量关系自洽；机理一致性约束使生成数据符合电池等效电路、电化学、热、老化或故障机理；相关性约束保证特征与标签匹配；重构一致性约束通过将电极退化参数转换为电极模型参数后代入机理模型重构诊断曲线并依据重构误差评价，使生成数据在数值合理的同时保持电化学退化机理的一致性。

51、本发明还提供一种面向数据驱动电池状态分析的域生成系统，包括：

52、数据获取模块，用于获取源域电池数据集和目标域电池少样本数据集；

53、数据表征模块，用于对所述源域电池数据集和所述目标域电池少样本数据集进行数据预处理和统一数据表征，得到源域表征数据和目标域表征数据；

54、域生成模块，用于学习源域与目标域之间的跨域分布关系，并基于所述跨域分布关系在生成空间内实施分布扩展，生成目标相关域生成数据；

55、物理约束模块，用于依据电池物理约束对所述目标相关域生成数据进行约束或筛选，得到满足预设物理条件的域生成数据；

56、跨域训练数据构建模块，用于基于所述域生成数据形成用于数据驱动电池状态分析模型训练的跨域训练数据；其中，所述跨域训练数据为所述域生成数据，或者为由所述域生成数据与所述源域表征数据和所述目标域表征数据中的至少一种共同构成的跨域增强训练数据集。

57、在一种可选实施方式中，所述系统还包括状态分析模块，所述状态分析模块用于利用所述跨域训练数据训练电池状态分析模型，并利用训练后的电池状态分析模型对目标域待分析电池进行状态分析。

58、在另一种可选实施方式中，所述系统还包括超参数优化模块，用于根据目标域验证误差、生成数据分布差异和物理约束违反程度中的至少一种自动调整域生成参数。

59、相对于现有技术，本发明所提供技术方案的有益技术效果如下：

60、1）本发明从训练数据层面处理跨域分布偏移，通过利用源域电池数据和少量目标域参考数据学习源域与目标域之间的跨域分布关系，生成目标相关域数据并构建跨域增强训练数据集，从而补充目标域样本在工况范围和状态范围上的缺失，不依赖于对特定下游模型进行参数迁移，具有较强的模型通用性。

61、2）本发明可通过边界约束、单调性约束、守恒约束、机理一致性约束和诊断曲线重构一致性约束中的至少一种限制域生成过程或筛选生成数据，降低生成数据出现变量越界、退化趋势不合理以及特征与状态标签不匹配的风险。所构建的跨域增强训练数据集可用于soc、soh、sot估计、电极级健康诊断、rul预测、故障诊断和异常检测等多种电池状态分析任务。

62、3）本发明的域生成模型与下游电池状态分析模型相互解耦，可采用变分生成、对抗生成、扩散生成、流式生成、自回归生成、概率生成或物理模型与数据模型组合等不同域生成方式，并能够适配多层感知机、卷积神经网络、循环神经网络、transformer等不同下游模型。在电极级健康诊断实施例中，域生成增强后lampe、lamne和lli的目标域诊断误差显著下降，同时保持电化学退化机理的一致性。