一种基于神经网络的电池阻抗谱降噪方法与流程

摘要: 本发明涉及神经网络,尤其涉及一种基于神经网络的电池阻抗谱降噪方法。背景技术:1、现有技术中,电化学阻抗谱虽然是分析电池内部状态的强大工具,但在实际部署,尤其是在...
一种基于神经网络的电池阻抗谱降噪方法与流程

本发明涉及神经网络,尤其涉及一种基于神经网络的电池阻抗谱降噪方法。

背景技术:

1、现有技术中,电化学阻抗谱虽然是分析电池内部状态的强大工具,但在实际部署,尤其是在电动汽车、储能电站等动态工况环境下的应用,面临着信号保真度挑战。电池系统运行时,逆变器的高频开关、负载的剧烈跳变以及环境电磁场的耦合,会向微弱的阻抗测量回路中注入大量非平稳、宽频带的强噪声。传统的信号处理方法,通常采用固定参数的滤波器或基于理想模型的算法进行降噪。这些方法的固有局限在于其刚性设计,无法适应复杂多变的真实噪声环境。例如,一个为滤除特定频率干扰而设计的硬件滤波器,在面对其他频段的突发噪声时便无能为力;同时,若滤波器设计过于保守,则会连同噪声一起,将表征电池早期老化的部分高频阻抗信息一并滤除,造成关键特征的永久性丢失。同样,基于平均或平滑算法,在处理非线性噪声时,往往会导致阻抗谱中的关键特征点,如半圆的顶点或扩散尾部的拐点,发生模糊或偏移,直接导致后续等效电路模型拟合的失败与健康状态评估的偏差。因此,需要进行改进。

技术实现思路

1、本发明的目的是解决现有技术中存在的缺点,而提出的一种基于神经网络的电池阻抗谱降噪方法。

2、为了实现上述目的,本发明采用了如下技术方案,一种基于神经网络的电池阻抗谱降噪方法,包括以下步骤:

3、获取待处理电池阻抗谱数据;

4、将所述待处理电池阻抗谱数据输入至噪声强度评估门控网络,得到阻抗谱信噪比评估结果;

5、根据所述阻抗谱信噪比评估结果在学生自编码器模型中确定目标降噪出口层级;

6、将所述待处理电池阻抗谱数据输入至所述学生自编码器模型,利用所述目标降噪出口层级输出阻抗谱降噪结果;

7、获取带有纯净标签数据的历史阻抗谱训练集,利用所述历史阻抗谱训练集对初始教师网络模型进行训练,得到教师自编码器模型;

8、利用所述历史阻抗谱训练集以及所述教师自编码器模型对初始学生网络模型进行知识蒸馏训练,得到所述学生自编码器模型。

9、较佳地,获取待处理电池阻抗谱数据的步骤具体为:

10、触发电池管理系统中配置的阻抗采集指令,根据所述阻抗采集指令控制激励发生电路向处于运行状态下的目标电池注入宽频带电压激励信号;

11、同步采集所述目标电池在响应所述宽频带电压激励信号时产生的宽频带电流响应信号;

12、利用快速傅里叶变换算法对所述宽频带电压激励信号和所述宽频带电流响应信号分别进行变换映射,得到频域电压复数序列和频域电流复数序列;

13、针对所述频域电压复数序列中的每个频点元素和所述频域电流复数序列中对应的频点元素进行复数除法运算,计算得到离散阻抗复数序列;

14、利用预设宽度的滑动窗口计算所述离散阻抗复数序列的局部区域均值,利用所述局部区域均值替换所述离散阻抗复数序列中的原始离散值,得到平滑后阻抗复数序列;

15、将所述平滑后阻抗复数序列分离成独立的阻抗实部特征序列和阻抗虚部特征序列;

16、将所述阻抗实部特征序列与所述阻抗虚部特征序列沿着第一特征维度进行拼接操作,生成多维阻抗特征向量;

17、利用归一化函数将所述多维阻抗特征向量中的各项数值映射至预设数值区间内,将映射数值区间后的多维阻抗特征向量作为所述待处理电池阻抗谱数据。

18、较佳地,将所述待处理电池阻抗谱数据输入至噪声强度评估门控网络,得到阻抗谱信噪比评估结果的步骤具体为:

19、提取预先构建的轻量级卷积神经网络作为所述噪声强度评估门控网络;

20、将所述待处理电池阻抗谱数据输入至所述噪声强度评估门控网络中的第一维卷积特征层进行浅层空间特征提取,得到门控特征映射矩阵;

21、利用非线性激活处理函数对所述门控特征映射矩阵进行处理,得到激活后门控特征映射矩阵;

22、将所述激活后门控特征映射矩阵输入至所述噪声强度评估门控网络中的全局平均池化处理层进行特征压缩,得到全局环境特征向量;

23、根据所述全局环境特征向量计算信息熵离散度特征标量作为所述阻抗谱信噪比连续指标,公式为:,其中表示所述阻抗谱信噪比连续指标,表示所述全局环境特征向量的维度总数,表示对所述全局环境特征向量中第个位置的特征数值进行归一化处理后的概率分布数值,表示防止对数为零的极小正常数,表示以十为底数的对数函数;

24、将所述阻抗谱信噪比连续指标作为环境复杂度特征条件进行维度扩展后,与所述全局环境特征向量进行拼接融合,得到融合环境特征向量;

25、将所述融合环境特征向量输入至所述噪声强度评估门控网络中的全连接分类输出层进行高维非线性映射,输出包含预设噪声等级标识的离散分类概率分布特征集合;

26、筛选提取出所述离散分类概率分布特征集合中的最大分类概率数值;

27、提取所述最大分类概率数值唯一对应的特定噪声等级标识,将所述特定噪声等级标识作为所述阻抗谱信噪比评估结果。

28、较佳地,根据所述阻抗谱信噪比评估结果在学生自编码器模型中确定目标降噪出口层级的步骤具体为:

29、解析预先构建完毕的所述学生自编码器模型内部包含的多级网络解码结构,确定所述学生自编码器模型内部部署配置的第一级动态降噪出口、第二级动态降噪出口以及第三级动态降噪出口;

30、提取所述阻抗谱信噪比评估结果对应的噪声强度等级;

31、将所述噪声强度等级与预先存储在本地数据库中的第一预设特征噪声阈值以及第二预设特征噪声阈值进行大小关系对比;

32、在所述噪声强度等级小于等于所述第一预设特征噪声阈值的情况下,将所述第一级动态降噪出口确定为所述目标降噪出口层级;

33、在所述噪声强度等级大于所述第一预设特征噪声阈值并且小于等于所述第二预设特征噪声阈值的情况下,将所述第二级动态降噪出口确定为所述目标降噪出口层级;

34、在所述噪声强度等级大于所述第二预设特征噪声阈值的情况下,将所述第三级动态降噪出口确定为所述目标降噪出口层级。

35、较佳地,将所述待处理电池阻抗谱数据输入至所述学生自编码器模型,利用所述目标降噪出口层级输出阻抗谱降噪结果的步骤具体为:

36、调用所述学生自编码器模型前端部署的一维深度可分离卷积提取编码器对所述待处理电池阻抗谱数据进行特征降维运算;

37、通过所述特征降维运算将所述待处理电池阻抗谱数据的特征维度进行压缩转换,得到低维度的压缩阻抗隐藏特征表示;

38、将所述压缩阻抗隐藏特征表示输入至所述学生自编码器模型后端包含逐层递进结构的多级层级解码器网络进行上采样特征重建;

39、在判定所述目标降噪出口层级为所述第一级动态降噪出口的情况下,仅单独激活所述多级层级解码器网络中的第一层浅层尺度解码器对所述压缩阻抗隐藏特征表示进行单次特征重建计算,将所述第一层浅层尺度解码器输出的特征值作为所述阻抗谱降噪结果通过所述第一级动态降噪出口向外输出;

40、在判定所述目标降噪出口层级为所述第二级动态降噪出口的情况下,级联激活所述多级层级解码器网络中的所述第一层浅层尺度解码器和第二层中层尺度解码器依次对所述压缩阻抗隐藏特征表示进行递进特征重建计算,将所述第二层中层尺度解码器输出的特征值作为所述阻抗谱降噪结果通过所述第二级动态降噪出口向外输出;

41、在判定所述目标降噪出口层级为所述第三级动态降噪出口的情况下,全面激活所述多级层级解码器网络中的所有可用深度解码器对所述压缩阻抗隐藏特征表示进行完整逐层特征重建,将处于最终深度的最终层深度解码器输出的特征值作为所述阻抗谱降噪结果通过所述第三级动态降噪出口完成输出。

42、较佳地,获取带有纯净标签数据的历史阻抗谱训练集,利用所述历史阻抗谱训练集对初始教师网络模型进行训练,得到教师自编码器模型的步骤具体为:

43、在受控屏蔽实验室操作环境下利用阻抗分析仪器对多台测试电动车辆进行阻抗信号测量,获取低环境背景噪声下的基准纯净目标阻抗谱特征标签集合;

44、通过云端数据收集服务器收集相同型号的多台测试电动车辆在行驶工况环境下自动记录的实际背景运行噪声图谱;

45、利用所述实际背景运行噪声图谱提取工况噪声特征,并将所述工况噪声特征按预设信噪比梯度随机注入至所述基准纯净目标阻抗谱特征标签集合中,仿真生成预设样本数量的含噪测试历史阻抗谱样本集合;

46、将所述含噪测试历史阻抗谱样本集合中的每一个独立含噪样本与所述基准纯净目标阻抗谱特征标签集合中对应的真实参考纯净阻抗谱标签数据进行成对组合绑定,构建形成所述带有纯净标签数据的历史阻抗谱训练集;

47、构建具有多个自注意力特征提取运算单元的所述初始教师网络模型;

48、从所述带有纯净标签数据的历史阻抗谱训练集中抽取当前训练批次的含噪样本输入数据;

49、将所述当前训练批次的含噪样本输入数据输入至所述初始教师网络模型执行网络前向传播逻辑推理流程,输出批次对应的教师前向降噪预测重构特征序列;

50、获取所述带有纯净标签数据的历史阻抗谱训练集中与所述当前训练批次的含噪样本输入数据对应的真实参考纯净阻抗谱标签数据;

51、计算所述教师前向降噪预测重构特征序列与所述真实参考纯净阻抗谱标签数据之间的均方误差特征损失数值;

52、利用优化器根据所述均方误差特征损失数值对所述初始教师网络模型的内部节点权重参数进行梯度反向传播数值更新;

53、重复循环迭代抽取所述当前训练批次的含噪样本输入数据与更新所述内部节点权重参数的完整优化流程,直到所述均方误差特征损失数值达到收敛边界状态,提取完成所有特征参数固化的成型网络模型作为所述教师自编码器模型。

54、较佳地,利用所述历史阻抗谱训练集以及所述教师自编码器模型对初始学生网络模型进行知识蒸馏训练,得到所述学生自编码器模型的步骤具体为:

55、部署构建由深度解耦可分离卷积特征层以及多级动态降噪出口组合构成的所述初始学生网络模型;

56、将所述带有纯净标签数据的历史阻抗谱训练集中的基础训练样本流数据分别并行输入至处于权重参数冻结状态下的所述教师自编码器模型以及处于权重参数自由可变状态下的所述初始学生网络模型;

57、提取所述教师自编码器模型的网络架构执行特征提取推理后输出的教师隐藏层映射特征张量;

58、同步提取所述初始学生网络模型的多级动态降噪出口在分阶段特征解码过程期间向外溢出输出的多个学生阶段性隐藏层映射特征张量集合;

59、计算所述初始学生网络模型输出的最终网络降噪生成序列与所述带有纯净标签数据的历史阻抗谱训练集中的真实参考纯净阻抗谱标签数据之间的网络基础自身重构误差损失指标;

60、分别提取所述最终网络降噪生成序列中的降噪后阻抗实部和降噪后阻抗虚部,以及提取所述真实参考纯净阻抗谱标签数据中的标签阻抗实部和标签阻抗虚部;

61、根据所述降噪后阻抗实部和所述降噪后阻抗虚部计算生成阻抗相位角,根据所述标签阻抗实部和所述标签阻抗虚部计算标签阻抗相位角,计算所述生成阻抗相位角与所述标签阻抗相位角之间的差异,作为电化学相位一致性损失指标;

62、基于预设的克拉莫-克若尼关系式对所述降噪后阻抗实部进行计算,得到对应的理论因果阻抗虚部序列,计算所述理论因果阻抗虚部序列与所述降噪后阻抗虚部之间的偏差,作为电化学物理因果约束损失指标;

63、计算所述教师隐藏层映射特征张量与所述多个学生阶段性隐藏层映射特征张量集合之间的知识蒸馏结构特征级匹配差异损失指标;

64、赋予所述网络基础自身重构误差损失指标第一控制权重系数,赋予所述知识蒸馏结构特征级匹配差异损失指标第二控制权重系数,赋予所述电化学相位一致性损失指标第三控制权重系数,并赋予所述电化学物理因果约束损失指标第四控制权重系数;

65、将加权处理后的所述网络基础自身重构误差损失指标、加权处理后的所述知识蒸馏结构特征级匹配差异损失指标、加权处理后的所述电化学相位一致性损失指标以及加权处理后的所述电化学物理因果约束损失指标进行相加,得到联合训练反馈损失函数;

66、利用反向传播算法基于所述联合训练反馈损失函数迭代更新优化所述初始学生网络模型中的所有深度解耦可分离卷积权重,在检测到所述联合训练反馈损失函数的值最小化后得到所述学生自编码器模型。

67、与现有技术相比,本发明的优点和积极效果在于:

68、本发明通过预先智能感知待处理电池阻抗谱数据携带的噪声强度,为后续降噪处理提供精确的先验信息,进而动态匹配最优的计算资源深度。针对噪声污染较轻的信号,采用轻量级、浅层的特征重建路径,快速输出结果,有效节约算力;而对于被强噪声淹没的信号,则调用更深层、更复杂的网络结构进行精细化重构,确保降噪的彻底性与准确性。这种自适应的资源调度机制,实现了降噪效果与运算效率之间的平衡。通过先由一个结构复杂、能力强大的网络从海量数据中深度学习并掌握从噪声数据到纯净数据的映射规律,再将其提炼的核心知识与判断能力传授给一个结构更精简、运行更高效的执行网络。在训练过程中,不仅要求最终输出的降噪结果与真实纯净数据在数值上高度一致,更通过引入电化学专业知识进行物理层面的强约束,确保输出阻抗的相位角符合电化学反应机理,同时保证阻抗的实部与虚部之间满足克拉莫-克若尼关系式所定义的物理因果关系。如此一来,得到的降噪结果不仅在数学上是干净的,在物理意义上也是真实有效的,提升了后续电池状态评估的可靠性。