物理残差与低秩适配的锂电池健康状态预测方法及系统

摘要: 本发明涉及电池管理和人工智能计算模型,具体涉及物理残差与低秩适配的锂电池健康状态预测方法及系统。背景技术:1、电池健康状态(stateofhealth,soh)...
物理残差与低秩适配的锂电池健康状态预测方法及系统

本发明涉及电池管理和人工智能计算模型,具体涉及物理残差与低秩适配的锂电池健康状态预测方法及系统。

背景技术:

1、电池健康状态(state of health,soh)通常用于表征电池当前可用容量相对初始或额定容量的保持程度,是电池维护、替换和运行策略制定的重要依据。电压、电流、容量和充电持续时间均随老化过程发生变化,但不同电池的制造差异、工作温度、充放电协议和历史负荷会形成不同的退化轨迹。

2、现有技术存在如下问题:

3、1.仅使用电压、容量及其变化曲线时,没有显式利用快速恒流充电阶段和恒流—恒压充电阶段持续时间所包含的充电过程信息;直接拼接异构物理特征还可能增大随机初始化带来的训练波动。

4、2.对目标电池的完整长短期记忆网络(long short-term memory,lstm)或完整状态空间模块进行在线更新时,可训练权重、梯度和优化器状态较多,不利于多电池共用同一边缘设备。

5、3.若在同一批目标数据上既微调又评价,所得结果会混入同块监督信息,不能代表对时间上后续未见循环的真实预测能力。

6、4.对每一数据块统一执行相同轮数更新虽然精度较高,但会产生可跳过的计算;另一方面,仅以当前校准误差判断未来收益的相关性较弱,不能把简单阈值包装成可靠的负迁移检测。

7、5.只强调时序模型的理论并行能力不能直接证明具体实现快于长短期记忆网络;边缘部署价值需要落实到个性化参数量、更新范围、数据因果性和可选择的计算预算上。

技术实现思路

1、发明目的:本发明的目的在于,在目标电池历史数据有限、不同电池退化分布存在差异且边缘计算资源受限的条件下,联合利用充电曲线与充电阶段时间信息,提高健康状态预测的稳定性;仅更新少量低秩个性化参数;保证适配信息严格来自待预测数据之前;并允许在精度优先与计算预算优先之间选择更新策略。

2、本发明具体提供了物理残差与低秩适配的锂电池健康状态预测方法及系统。所述方法包括以下步骤:

3、步骤s1,获取目标电池的两个以上已完成充电循环的时间数据、电压数据、容量数据和充电状态数据,根据所述充电状态数据识别快速恒流充电阶段及恒流—恒压充电阶段,构建按充电循环对齐的曲线输入序列和阶段持续时间特征序列;

4、步骤s2,建立时间物理差融合结构,用于:利用卷积神经网络提取曲线输入序列中各充电循环的曲线特征表示,对阶段持续时间特征序列进行非线性映射和维度投影以获得时间物理残差表示,利用零值初始化的可学习门控参数对时间物理残差表示进行加权,并将加权后的时间物理残差表示与曲线特征表示相加,获得融合序列特征;

5、步骤s3,将所述融合序列特征输入选择性状态空间时序模块,由所述选择性状态空间时序模块根据融合序列特征生成输入相关的状态空间参数,依据所述状态空间参数沿充电循环维度进行状态递推,并根据递推状态生成各序列位置的电池健康状态估计值;其中,卷积神经网络、时间物理差融合结构和选择性状态空间时序模块共同构成基础预测模型;

6、步骤s4,将按时间顺序排列的模型样本划分为当前校准数据块和在时间上紧邻所述当前校准数据块之后的待预测数据块,仅根据当前校准数据块中已观测位置的电池健康状态估计值和对应的电池健康状态实测值构建适配损失并计算校准误差,根据预设部署模式和校准误差生成更新判定;

7、步骤s5,当所述更新判定表示执行更新时,冻结基础预测模型的基础参数,利用适配损失更新设置于选择性状态空间时序模块的输入投影和输出投影上的低秩增量矩阵;当所述更新判定表示跳过更新时,保持低秩增量矩阵在处理当前校准数据块之前的参数状态;

8、步骤s6,利用包含更新后或保持原参数状态的低秩增量矩阵的基础预测模型处理待预测数据块,在不读取待预测数据块的电池健康状态实测值的条件下,输出待预测数据块中各模型样本对应的电池健康状态估计值。

9、步骤s1中,所述时间数据、电压数据、容量数据和充电状态数据由电池管理系统、充电设备或实验采集设备获得;所述曲线输入序列包括电压曲线、容量曲线、电压差曲线和容量差曲线;所述阶段持续时间特征序列包括快速恒流充电阶段持续时间和恒流—恒压充电阶段持续时间。

10、步骤s1中,对各充电循环的电压曲线和容量曲线在统一采样网格上进行插值并按照预设固定范围归一化,选取预设参考充电循环的归一化电压曲线和归一化容量曲线作为固定参考,第个充电循环的曲线输入按照下式确定:

11、  (1),

12、其中,表示充电循环索引,表示第个充电循环的归一化电压曲线,表示第个充电循环的归一化容量曲线,表示预设参考充电循环的归一化电压曲线,表示预设参考充电循环的归一化容量曲线;所述预设参考充电循环在模型训练前确定,并在模型训练和部署期间保持不变;

13、将快速恒流充电阶段记为第1充电阶段,将恒流—恒压充电阶段记为第2充电阶段;根据充电状态数据逐点确定各充电阶段的开始时刻和结束时刻,第个充电循环的第充电阶段的持续时间及归一化阶段时间特征按照下式确定:

14、  (2),

15、其中,∈{1,2}且表示充电阶段索引,表示第个充电循环中第充电阶段的归一化阶段时间特征,表示第个充电循环中第充电阶段的开始时刻,表示第个充电循环中第充电阶段的结束时刻,表示第充电阶段的预设时间下界,表示第充电阶段的预设时间上界,表示将计算结果限制在0至1之间的限幅函数;

16、将和作为第个充电循环的阶段持续时间特征,并与同一充电循环的曲线输入对齐;曲线输入经特征提取后获得第个充电循环的曲线特征表示。

17、步骤s2中,将各充电循环的电压曲线、容量曲线、电压差曲线和容量差曲线作为多通道输入,通过包括一维卷积层、非线性激活层和池化层的卷积神经网络,沿曲线采样点维度提取局部形状特征、平台区变化特征和相对于预设参考充电循环的偏移特征,获得固定维度的第个充电循环的曲线特征表示。

18、步骤s2中,第个充电循环的融合序列特征按照下式确定:

19、  (3),

20、其中,表示由第个充电循环的快速恒流充电阶段持续时间特征和恒流—恒压充电阶段持续时间特征组成的阶段持续时间特征向量,表示对执行非线性映射的时间特征映射函数,表示将非线性映射结果投影至曲线特征表示所在维度的投影矩阵,表示初始值为零的可学习门控参数,表示双曲正切函数。

21、步骤s3中,将所述融合序列特征在两个以上按时间排列的充电循环位置输入选择性状态空间时序模块;所述选择性状态空间时序模块对第个充电循环位置的输入特征执行输入投影,根据输入特征生成离散步长、输入映射参数和输出映射参数,并按照下式执行状态递推:

22、  (4),

23、其中,表示根据输入特征生成的离散步长,表示根据输入特征生成的输入映射参数,表示根据输入特征生成的输出映射参数,表示第个充电循环位置的递推状态,表示第个充电循环位置的前一充电循环位置的递推状态,表示第个充电循环位置的时序输出特征,表示选择性状态空间时序模块的共享状态转移参数,表示将当前位置输入特征直接映射至时序输出特征的共享直连参数,表示自然指数函数;所述时序输出特征经门控加权和输出投影后用于生成对应充电循环位置的电池健康状态估计值。

24、步骤s4中,所述预设部署模式包括精度优先模式和计算预算优先模式;

25、在所述精度优先模式下,针对每一当前校准数据块生成表示执行更新的更新判定;

26、在所述计算预算优先模式下,将校准误差与预先利用开发电池集合确定且在目标电池部署前锁定的固定误差阈值进行比较,当校准误差大于固定误差阈值时生成表示执行更新的更新判定,否则生成表示跳过当前校准数据块的低秩增量矩阵更新的更新判定;

27、其中,所述校准误差为当前校准数据块中至少两个已观测位置的电池健康状态估计值与对应电池健康状态实测值之间的绝对误差的平均值。

28、步骤s5包括:对于输入投影和输出投影中的任一冻结的基础投影矩阵,按照下式确定投影层的输出投影y:

29、  (5),

30、其中x表示投影层的输入投影,表示将投影层输入映射至秩为r的低秩中间空间的第一低秩矩阵,表示将低秩中间空间映射至投影层输出维度的第二低秩矩阵,r表示低秩秩值,表示缩放系数;在执行更新时保持基础投影矩阵不变,并利用适配损失更新第一低秩矩阵和第二低秩矩阵。

31、步骤s6中,所述待预测数据块在时间上紧邻当前校准数据块;所述适配损失、校准误差和低秩增量矩阵更新均不使用待预测数据块的电池健康状态实测值;在完成或跳过当前校准数据块的低秩增量矩阵更新后,利用基础预测模型输出待预测数据块中各模型样本的电池健康状态估计值。

32、本发明还提供了用于实现所述方法的物理残差与低秩适配的锂电池健康状态预测系统,包括如下模块:

33、数据构建模块,用于获取目标电池两个以上已完成充电循环的时间数据、电压数据、容量数据和充电状态数据,识别快速恒流充电阶段和恒流—恒压充电阶段,并构建按充电循环对齐的曲线输入序列和阶段持续时间特征序列;

34、卷积特征提取模块,用于利用卷积神经网络提取曲线输入序列中各充电循环的曲线特征表示;

35、时间物理残差融合模块,用于对阶段持续时间特征序列进行非线性映射和维度投影,利用零值初始化的可学习门控参数进行加权,并与曲线特征表示相加以获得融合序列特征;

36、时序估计模块,包括选择性状态空间时序模块,用于根据融合序列特征生成输入相关的状态空间参数,依据状态空间参数沿充电循环维度进行状态递推,并根据递推状态生成各序列位置的电池健康状态估计值;其中,所述卷积特征提取模块、时间物理残差融合模块和时序估计模块共同构成基础预测模型;

37、部署控制模块,用于将按时间顺序排列的模型样本划分为当前校准数据块和在时间上紧邻当前校准数据块之后的待预测数据块,仅根据当前校准数据块中已观测位置的电池健康状态估计值和对应的电池健康状态实测值构建适配损失并计算校准误差,以及根据预设部署模式和校准误差生成更新判定;

38、低秩适配模块,用于在更新判定表示执行更新时,冻结基础预测模型的基础参数,利用适配损失更新设置于选择性状态空间时序模块的输入投影和输出投影上的低秩增量矩阵,并在更新判定表示跳过更新时保持所述低秩增量矩阵在处理当前校准数据块之前的参数状态;

39、健康状态输出模块,用于利用包含更新后或保持原参数状态的低秩增量矩阵的基础预测模型处理待预测数据块,并在不读取待预测数据块的电池健康状态实测值的条件下,输出待预测数据块中各模型样本对应的电池健康状态估计值。

40、本发明方法可以应用到如下领域:

41、1.储能电池簇或电池柜的边缘控制器,在不同电池簇之间共享基础模型,并为每个目标电池保存少量个性化参数。

42、2.太阳能储能、家庭储能和工商业储能设备,根据周期性充电数据更新电池健康状态估计。

43、3.智能电动工具、便携设备或车载电池管理系统,在计算资源和存储资源受限的控制器上执行模型个性化。

44、4.实验室电池测试平台,用严格的前块校准、后块预测协议验证模型对未见循环的适应能力。

45、有益效果:

46、1.通过卷积神经网络提取电压、容量及其差值曲线的局部形状和平台区变化特征,并引入快速恒流充电阶段与恒流—恒压充电阶段持续时间,使曲线退化信息与充电过程时间信息在同一充电循环位置对齐。

47、2.利用初始值为零的可学习门控参数以残差方式注入阶段持续时间特征,使模型初始化时保持原曲线支路行为,降低新增时间物理量在训练初期对基础表示的扰动,并有利于减小不同预训练随机种子之间的结果波动。

48、3.选择性状态空间时序模块根据当前位置输入生成状态空间参数并沿充电循环维度递推,可对多个充电循环之间的时序依赖进行建模。

49、4.目标电池适配时冻结基础预测模型,仅更新输入投影和输出投影上的低秩增量矩阵,从而减少每个目标电池需要训练和独立保存的个性化参数量。

50、5.当前校准数据块只使用已经获得的健康状态实测值,待预测数据块在时间上紧邻其后且预测前不读取该块实测值,从数据边界上保证后续未见数据预测的因果性。

51、6.精度优先模式对每个当前校准数据块执行更新,计算预算优先模式依据在开发电池集合上确定并在部署前锁定的阈值决定是否更新,使同一系统能够在预测精度与适配计算预算之间进行选择。