一种锂离子电池健康状态估计方法及系统
本发明属于锂离子电池状态监测与健康管理,尤其涉及一种锂离子电池健康状态估计方法及系统。
背景技术:
1、随着新能源汽车、大规模储能系统以及便携式电子设备的广泛应用,锂离子电池凭借其能量密度高、循环寿命长等优势成为主要的储能器件。在长期充放电循环过程中,锂离子电池内部会发生电化学老化,表现为容量衰减和内阻增加,健康状态逐渐下降,直接影响设备的续航能力与运行安全。因此,准确估计电池健康状态对保障安全运行、延长使用寿命及制定维护策略至关重要。
2、锂离子电池健康状态估计方法主要包括基于模型的方法、基于数据驱动的方法以及融合方法。基于模型的方法依赖精确的电化学或等效电路模型,在复杂工况下模型参数难以准确获取,估计精度受限。数据驱动方法利用历史运行数据建立健康状态与电池特征之间的映射,无需详细机理建模,逐渐成为主流研究方向。其中,多变量时间序列预测模型通过同时建模时间维度和变量维度之间的依赖关系,能够提取更丰富的退化特征,已广泛应用于健康状态估计任务。
3、然而,锂离子电池的容量衰减具有明显的渐进性和连续性,相邻充放电循环之间存在较强的局部关联,退化过程包含丰富的局部波动信息。现有基于patch依赖注意力的时间序列模型在处理长循环序列时,需要计算不同时间片段之间的全局注意力矩阵,其计算复杂度随片段数量呈平方关系增长,导致训练和推理的计算开销急剧升高,难以在车载电池管理系统等计算资源受限的场景中在线部署。同时,该自注意力机制侧重于建立全局长程依赖,对相邻时间片段之间的局部退化特征提取能力不足,容易忽略电池在连续循环中的细微容量变化,限制了健康状态估计精度的进一步提升。因此,如何在保持多变量关联建模能力的同时,降低时间特征建模的计算复杂度,并增强对局部退化趋势的提取能力,成为本领域亟待解决的技术问题。
技术实现思路
1、为解决上述技术问题,本发明提出了一种锂离子电池健康状态估计方法及系统,以解决上述现有技术存在的问题。
2、第一方面,为实现上述目的,本发明提供了一种锂离子电池健康状态估计方法,包括以下步骤:
3、获取锂离子电池循环运行数据,经预处理得到标准化特征序列与非标准化特征序列;
4、将标准化特征序列与非标准化特征序列分别划分为时间片段,并对各片段进行线性映射以生成高维特征表示;
5、对高维特征表示施加局部时间卷积操作,提取相邻片段间的局部退化特征,获得对应的时序特征;
6、融合来自标准化特征序列与非标准化特征序列的时序特征,并基于变量注意力机制计算不同健康特征变量间的相关度,生成联合特征表达;
7、利用联合特征表达通过全连接层进行预测,并经反标准化得到健康状态估计值。
8、可选的,获取锂离子电池循环运行数据,经预处理得到标准化特征序列与非标准化特征序列的过程包括:
9、采集电池充放电循环中的端电压、电流、温度及容量数据;剔除异常数据并对缺失数据进行填充;根据各循环的容量与初始容量的比值计算健康状态值;对所述端电压、电流、温度、容量及健康状态值进行标准化处理,生成标准化特征序列,并记录标准化所采用的均值与标准差参数;保留未经标准化处理的所述端电压、电流、温度、容量及健康状态值,作为非标准化特征序列。
10、可选的,将标准化特征序列与非标准化特征序列分别划分为时间片段,并对各片段进行线性映射以生成高维特征表示的过程包括:
11、通过滑动窗口,将所述标准化特征序列和非标准化特征序列分别连续划分为等长的时间片段;通过可学习的线性映射矩阵对每个时间片段进行特征映射,得到高维嵌入特征;在所述高维嵌入特征上叠加与片段位置对应的位置编码,得到携带时间顺序信息的高维特征表示。
12、可选的,对高维特征表示施加局部时间卷积操作,提取相邻片段间的局部退化特征的过程包括:
13、将所述高维特征表示输入由一维卷积层、非线性激活函数、残差连接和层归一化构成的卷积网络中;通过具有固定尺寸卷积核的一维卷积层,对相邻时间片段进行局部特征提取;将卷积层的输入经残差连接与卷积输出相加,并通过层归一化得到表征局部退化变化的时序特征。
14、可选的,基于变量注意力机制计算不同健康特征变量间的相关度,生成联合特征表达的过程包括:
15、将融合所得的时序特征作为变量注意力机制的输入,利用不同的可学习参数矩阵将所述输入分别映射为查询向量、键向量和值向量;计算查询向量与键向量的内积,并利用特征维度进行缩放后归一化,得到变量间注意力权重;依据所述注意力权重对值向量进行加权求和,形成跨变量信息交互的联合特征表达。
16、可选的,利用联合特征表达通过全连接层进行预测,并经反标准化得到健康状态估计值的过程包括:
17、将联合特征表达展开为一维向量后输入全连接层,输出标准化空间下的估计值;利用所述均值与标准差参数,对所述标准化空间下的估计值执行反标准化操作,获得实际的电池健康状态估计值;所述全连接层的参数以预测值与真实健康状态的均方误差为损失函数进行训练优化。
18、第二方面,本发明还提供了一种锂离子电池健康状态估计系统,用于实施一种锂离子电池健康状态估计方法,所述系统包括:
19、数据获取与预处理模块,用于获取锂离子电池循环运行数据,经预处理得到标准化特征序列与非标准化特征序列;
20、特征嵌入模块,用于将标准化特征序列与非标准化特征序列分别划分为时间片段,并对各片段进行线性映射以生成高维特征表示;
21、局部时序特征提取模块,用于对高维特征表示施加局部时间卷积操作,提取相邻片段间的局部退化特征,获得对应的时序特征;
22、特征融合与变量关联模块,用于融合来自标准化特征序列与非标准化特征序列的时序特征,并基于变量注意力机制计算不同健康特征变量间的相关度,生成联合特征表达;
23、健康状态预测模块,用于利用联合特征表达通过全连接层进行预测,并经反标准化得到健康状态估计值。
24、第三方面,本发明还提供了一种计算机终端设备,包括:
25、一个或多个处理器;
26、存储器,与所述处理器耦接,用于存储一个或多个程序;
27、当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现上述第一方面中锂离子电池健康状态估计方法的步骤。
28、第四方面,本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现上述第一方面中锂离子电池健康状态估计方法的步骤。
29、第五方面,本发明还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述第一方面中锂离子电池健康状态估计方法的步骤。
30、与现有技术相比,本发明具有如下优点和技术效果:
31、本发明提供的一种锂离子电池健康状态估计方法及系统,采用时间卷积网络模块优化原有patch维度注意力计算,通过卷积操作实现时间局部特征提取,避免复杂的注意力矩阵计算,有效降低计算开销,提高模型运行效率。同时,本发明保留特征聚合模块以及跨维变量关联注意力机制,仅对patch维度特征建模方式进行优化,使模型仍能充分挖掘电池退化过程中的变量关联关系和时间演化规律,并利用局部感受野增强对容量衰减过程中局部退化模式的提取能力,提高模型对健康状态变化趋势的表征能力。本发明无需增加额外传感器,仅利用电池运行过程中已有的监测数据即可完成健康状态估计,由于采用轻量化卷积结构,模型具有更低的计算资源需求和更好的实时性,可有效应用于新能源汽车动力电池、储能系统以及电池管理系统中的在线健康状态监测。
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