一种基于预训练BiGRU-Attention与物理信息神经网络的锂离子电池健康状态估计方法及系统
本发明涉及电池健康管理,更具体的说是涉及一种基于预训练bigru-attention与物理信息神经网络的锂离子电池健康状态估计方法及系统。
背景技术:
1、目前,锂离子电池凭借高能量密度、低自放电率和长循环寿命的优势,已成为便携式电子设备、新能源汽车及航空航天领域的核心储能单元。电池健康状态(soh)作为评估电池剩余寿命和安全性能的关键指标,其精准估计对电池全生命周期管理具有重要意义。
2、但是,现有技术中基于物理信息神经网络(pinn)的soh估计方法因融入电池电化学机理,具备较强的可解释性,但pinn模型在初始训练阶段易陷入过拟合,且难以有效捕捉电池老化过程中的长短期时间依赖性特征。同时,单纯依赖深度学习的方法虽能拟合时序规律,却缺乏物理约束,导致在复杂充放电场景下的泛化能力较弱。
3、此外,现有研究多采用电池完整充放电数据进行模型训练,然而实际应用中放电过程具有强随机性,而充电过程的恒流-恒压(cc-cv)模式更具规律性。若未能针对性地对充电阶段数据进行精细化预处理,易引入无效噪声,同时模型未采用预训练策略,进一步降低soh估计的精度和收敛速度。因此,如何提供一种结合充电数据精细化处理、预训练时序特征提取与物理约束的soh估计方法,是本领域技术人员亟需解决的问题。
4、因此,如何提供一种能够解决上述问题的锂离子电池健康状态估计方法是本领域技术人员亟需解决的问题。
技术实现思路
1、有鉴于此,本发明提供了一种基于预训练bigru-attention与物理信息神经网络的锂离子电池健康状态估计方法及系统,提出充电数据精细化预处理、正则化预训练bigru-attention特征提取、pinn物理约束融合的分层协同方法,上层通过预训练模块挖掘充电时序关键特征,下层通过pinn物理约束保障估计一致性,参数通过训练迭代动态优化,最终通过实验验证了模型的高精度与高鲁棒性。
2、为了实现上述目的,本发明采用如下技术方案:
3、一种基于预训练bigru-attention与物理信息神经网络的锂离子电池健康状态估计方法,包括以下步骤:
4、s1:获取锂离子电池的充电时序数据并进行预处理,得到对应的输入数据集;
5、s2:构建基于预训练bigru-attention与物理信息神经网络的混合模型,并利用输入数据集对混合模型进行训练,得到训练完成的混合模型;
6、s3:将目标锂离子电池的充电时序数据输入至s2得到的混合模型进行处理,得到锂离子电池健康状态估计结果。
7、优选的,所述s1包括:
8、s11:获取锂离子电池的充电阶段时序数据,截取锂离子电池充满电前的充电末期区间时序数据,作为原始充电时序数据集;
9、s12:将所述原始充电时序数据集进行预处理,形成输入数据集。
10、优选的,所述s2包括:
11、s21:构建bigru网络,并利用所述输入数据集作为预训练样本训练所述bigru网络;
12、s22:以s21得到的bigru网络融合隐藏状态输入注意力层,得到关键时序特征;
13、s23:根据所述关键时序特征构建pinn模型,并利用锂离子电池老化损耗演化关系构建pinn物理损失项,训练pinn模型的权重参数,形成混合模型。
14、优选的,所述s2还包括:
15、s24:构建由锂离子电池健康状态估计损失与pinn物理损失组成的动态加权总损失函数,确定pinn模型权重系数的初始值、终值及衰减策略;
16、s25:采用自适应估计优化器,通过迭代训练最小化动态加权总损失函数,动态调整权重系数,得到训练完成的混合模型。
17、优选的,所述s21包括:
18、s211:根据所述输入数据集中充电阶段时序数据的特征维度定义bigru模型的输入空间和隐藏层空间,构建包含正向、反向隐藏层的正则化bigru模型,并确定bigru模型的初始参数;
19、s212:以所述输入数据集为预训练样本,通过迭代训练确定bigru模型的最优权重;
20、s213:以加载最优权重的bigru模型作为后续的bigru模型。
21、本发明还提供一种基于预训练bigru-attention与物理信息神经网络的锂离子电池健康状态估计系统,包括:
22、获取模块,用于获取锂离子电池的充电时序数据并进行预处理,得到对应的输入数据集;
23、模型构建模块,用于构建基于预训练bigru-attention与物理信息神经网络的混合模型,并利用输入数据集对混合模型进行训练,得到训练完成的混合模型;
24、估计模块,用于将目标锂离子电池的充电时序数据输入至混合模型进行处理,得到锂离子电池健康状态估计结果。
25、经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种基于预训练bigru-attention与物理信息神经网络的锂离子电池健康状态估计方法及系统,构建了“数据预处理-预训练特征提取-物理约束融合”的三层协同估计框架。首先,通过充电数据精细化预处理剔除无效噪声,构建高鲁棒性的模型输入数据集;其次,采用正则化预训练bigru-attention模块精准挖掘充电时序中与锂离子电池健康状态(soh)相关的关键特征;最后,将电池老化动力学方程嵌入pinn框架,通过动态加权总损失函数平衡数据拟合与物理约束,提升模型泛化能力。实验验证表明,本发明提供的方法有效提升了soh估计精度,在复杂工况下具备优异的鲁棒性。
1.一种基于预训练bigru-attention与物理信息神经网络的锂离子电池健康状态估计方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于预训练bigru-attention与物理信息神经网络的锂离子电池健康状态估计方法,其特征在于,所述s1包括:
3.根据权利要求1所述的一种基于预训练bigru-attention与物理信息神经网络的锂离子电池健康状态估计方法,其特征在于,所述s2包括:
4.根据权利要求3所述的一种基于预训练bigru-attention与物理信息神经网络的锂离子电池健康状态估计方法,其特征在于,所述s2还包括:
5.根据权利要求3所述的一种基于预训练bigru-attention与物理信息神经网络的锂离子电池健康状态估计方法,其特征在于,所述s21包括:
6.一种利用权利要求1-5任一项所述的基于预训练bigru-attention与物理信息神经网络的锂离子电池健康状态估计方法的系统,其特征在于,包括:
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com