一种基于数模联动的锂离子电池剩余使用寿命预测方法

技术特征：
1.一种基于数模联动的锂离子电池剩余使用寿命预测方法，其特征在于：所述方法具体过程为：步骤一、搭建基于时间注意力机制的双向门控循环单元网络模型；具体过程为：基于时间注意力机制的双向门控循环单元网络模型依次包含对时间的注意力机制网络、双向门控循环单元网络和全连接层三个部分；步骤二、训练基于时间注意力机制的双向门控循环单元网络模型；具体过程为：将电池的历史数据的80％作为训练数据集训练模型，余下20％的数据作为验证数据集检验模型的预测效果；将训练数据集输入到步骤一搭建的基于时间注意力机制的双向门控循环单元网络模型中，构建输入的过去的电池容量数据和未来容量数据之间的映射关系；选取在验证数据集上预测效果最好的基于时间注意力机制的双向门控循环单元网络模型并保存下来，以用于在线的电池容量预测；步骤三、构建基于粒子滤波的电池退化模型；步骤四、在线预测剩余使用寿命。2.根据权利要求1所述的一种基于数模联动的锂离子电池剩余使用寿命预测方法，其特征在于：所述步骤一中搭建基于时间注意力机制的双向门控循环单元网络模型；基于时间注意力机制的双向门控循环单元网络模型依次包含对时间的注意力机制网络、双向门控循环单元网络和全连接层三个部分；具体过程为：输入到注意力机制网络的时间窗口数据可以表示成：q＝[q1,q2,
…
,q
j
,
…
,q
l
]其中l为时间窗口的长度；q
j
为第j个时刻的电池容量；构建时间窗口中第j个时刻的电池容量q
j
与其重要性s
j
之间的映射关系，可以表示成如式(1)所示：其中，s
j
为第j个时刻重要性程度，e为自然对数，t为矩阵的转置操作，σ为sigmoid激活函数，w
j
和b
j
代表相应时刻的权重和偏置；注意力机制网络的权重可以写成w
s
＝[w1,
…
,w
j
,
…
,w
l
]，b
s
＝[b1,
…
,b
j
,
…
,b
l
]；将重要性程度通过softmax函数进行归一化，其表达式如(2)所示：其中，α
j
代表相应时刻的重要性程度；在此基础上，可以获得注意力机制网络的输出表达式如式(3)所示：其中，为第j个时刻注意力机制网络层的输出；
将输入到双向门控循环单元网络中；双向门控循环单元网络的具体过程为：门控循环单元计算公式如式(4)—式(7)所示：门控循环单元计算公式如式(4)—式(7)所示：门控循环单元计算公式如式(4)—式(7)所示：门控循环单元计算公式如式(4)—式(7)所示：其中，表示单元在t时刻的输入向量，h
t
和h
t-1
分别表示单元在t时刻和t-1时刻网络单元的输出，z
t
、r
t
、c
t
分别表示更新门、重置门和记忆单元的输出，w
z
、w
r
、w
c
分别表示更新门、重置门和记忆单元同输入信息的连接矩阵，u
z
和b
z
分别表示更新门的权重和偏置向量，u
r
和b
r
分别表示重置门的权重和偏置向量，u
c
和b
c
分别表示记忆单元的权重和偏置向量，σ表示sigmoid激活函数，tanh表示双曲正切函数，表示点积运算；采用双向的gru网络，前向gru的输入为获得隐含层的正向输出序列如式(8)所示：其中，表示正向gru单元的映射关系；相应地，后向gru的输入为获得隐含层的反向输出序列如式(9)所示：其中，表示后向gru单元的映射关系；由此得到当前时刻的隐藏层输出如式(10)所示：将双向门控循环单元网络层的输出输入全连接层；全连接层的具体过程为：公式(11)完成由隐藏层向未来电池容量的映射关系：其中为基于时间注意力机制的双向门控循环单元网络模型预测的第l 1时刻的电池容量值，η(.)表示整个全连接层映射函数，ξ(.)表示全连接层的激活函数，w1和b1分别表示第1个全连接层的权重矩阵和偏置向量，w
u
和b
u
分别表示第u个全连接层的权重矩阵和偏置向量。3.根据权利要求2所述的一种基于数模联动的锂离子电池剩余使用寿命预测方法，其特征在于：所述步骤二中训练基于时间注意力机制的双向门控循环单元网络模型；具体过程为：
将电池的历史数据的80％作为训练数据集训练模型，余下20％的数据作为验证数据集检验模型的预测效果；将训练数据集输入到步骤一搭建的基于时间注意力机制的双向门控循环单元网络模型中，构建输入的过去的电池容量数据和未来容量数据之间的映射关系；选取在验证数据集上预测效果最好的基于时间注意力机制的双向门控循环单元网络模型并保存下来，以用于在线的电池容量预测；具体过程为：基于时间注意力机制的双向门控循环单元网络模型的网络参数将由公式(12)所示的均方误差损失函数进行参数更新：其中，t
′
为训练数据样本的数目，a为样本的编号，w和b分别为权重矩阵和偏置向量的集合w＝{w
s
,w
z
,w
r
,w
c
,u
z
,u
r
,u
c
,w1,
…
,w
u
}，b＝{b
s
,b
z
,b
r
,b
c
,b1,
…
,b
u
}；q
a
为第a个样本的实际电池容量，为第a个样本的预测电池容量，为二范数的平方运算；其中，网络模型训练的损失函数为均方误差损失函数，优化算法为adam优化算法，学习速率为0.001，网络模型训练过程在1块gpu的硬件环境下进行。4.根据权利要求3所述的一种基于数模联动的锂离子电池剩余使用寿命预测方法，其特征在于：所述步骤三中构建基于粒子滤波的电池退化模型；具体过程为：基于粒子滤波的电池退化模型可以采用状态空间的形式表示成公式(13)所示的形式：其中，x
k
为第k个工作循环下的状态变量，x
k
＝[a
k
,b
k
,c
k
,d
k
]
t
，a
k
为第k个工作循环下的状态变量的第一分量，b
k
为第k个工作循环下的状态变量的第二分量，c
k
为为第k个工作循环下的状态变量的第三分量，d
k
为第k个工作循环下的状态变量的第四分量；f(x
k
)为第k个工作循环下的状态变量，f(x
k
)＝x
k
；u
k
＝[u
a
,u
b
,u
c
,u
d
]
t
为状态转移方程噪声项，u
a
为第k个工作循环下状态变量的第一分量的噪声项，u
b
为第k个工作循环下状态变量的第二分量的噪声项，u
c
为第k个工作循环下状态变量的第三分量的噪声项，u
d
为第k个工作循环下状态变量的第四分量的噪声项，v
k
为测量噪声项，q
k
为第k个工作循环的电池容量，g(x
k
)为测量方程；其中，为测量噪声的方差，n表示正态分布，～表示服从某种分布；相应地，测量方程可以写成公式(14)中的形式根据初始的状态变量x0，通过预先设定的均值为u0，方差为的正态分布p(x0)可以产生粒子的集合n
p
为粒子数目，且每个粒子的初始化权重值为
对于第k次电池工作过程，先验概率密度函数p(x
k
|q
1:k-1
)可以表示为公式(15)所示的形式：p(x
k
|q
1:k-1
)＝∫p(x
k
|x
k-1
)p(x
k-1
|q
1:k-1
)dx
k-1
ꢀꢀꢀ
(15)其中，q
1:k-1
＝[q1,q2,
…
,q
k-1
]表示从初始状态到第k-1个工作循环的电池容量数据，p(x
k
|q
1:k-1
)为x
k
在q
1:k-1
条件下的概率密度函数，p(x
k
|x
k-1
)为x
k
在x
k-1
条件下的概率密度函数；在获得了第k次电池容量q
k
后，根据贝叶斯滤波，可以获得状态变量在后验条件下的概率密度函数，如公式(16)所示：其中，p(x
k
|q
1:k
)为x
k
在q
1:k
条件下的概率密度函数，p(q
k
|x
k
)为q
k
在x
k
条件下的概率密度函数，p(x
k
|q
1:k-1
)为x
k
在q
1:k-1
条件下的概率密度函数，p(q
k
|q
1:k-1
)为q
k
在q
1:k-1
条件下的概率密度函数，p(x
k
|q
1:k-1
)为x
k
在q
1:k-1
条件下的概率密度函数；将后验概率密度函数的计算转化为粒子的求和，如公式(17)所示：其中δ(.)表示迪利克雷函数，为经过归一化后的第k次工作过程中第i个粒子所表征的权重；表示第i个粒子的状态变量；为了求解可以先根据粒子的权重更新，如公式(18)所示的形式：其中，为q
k
在条件下的概率密度函数，为在条件下的概率密度函数，为在条件下的概率密度函数，为第i个粒子从初始状态到第k-1个工作循环下的所有状态变量，为第i个粒子在k-1个工作循环下的权重，为第i个粒子在k个工作循环下的权重；经过粒子的权重归一化，可以获得归一化的粒子权重表达式如公式(19)所示：采用随机重采样的方式进行粒子滤波得到
可以获得在后验概率密度下的状态变量和测量变量如公式(20)-(21)所示：(21)所示：其中，为后验条件下的状态变量，为后验条件下的电池容量，为后验状态变量经过测量方程的运算结果。5.根据权利要求4所述的一种基于数模联动的锂离子电池剩余使用寿命预测方法，其特征在于：所述步骤四中在线预测剩余使用寿命；具体过程为：假设第v次(v>l)迭代预测获得的电池容量预测值首次低于电池的失效阈值，则整个在线的预测过程可以联立成表达式(26)所示的形式：其中，g
tam-bigru
表示时间注意力机制的双向门控循环单元的映射关系，g
pf
表示粒子滤波算法的映射关系，q
k
表示第k个工作循环的电池容量；循环数v则是电池在第k次工作过程中的剩余使用寿命的预测值。6.根据权利要求5所述的一种基于数模联动的锂离子电池剩余使用寿命预测方法，其特征在于：所述基于时间注意力机制的双向门控循环单元网络模型依次包含对时间的注意力机制网络、3层双向门控循环单元网络和2层全连接层三个部分；其中3层双向门控循环单元网络的神经元数目均为128；其中第1层全连接层神经元数目为64；第2层全连接层神经元数目为128。

技术总结
一种基于数模联动的锂离子电池剩余使用寿命预测方法，本发明涉及锂离子电池剩余使用寿命预测方法。本发明的目的是为了解决基于模型和数据驱动的剩余使用寿命预测方法结合困难、传统数据驱动方法难以衡量剩余使用寿命的不确定性以及难以反映时间窗口数据中不同时刻的重要性程度的问题。过程为：步骤一、搭建基于时间注意力机制的双向门控循环单元网络模型；过程为：模型依次包含对时间的注意力机制网络、双向门控循环单元网络和全连接层三个部分；步骤二、训练基于时间注意力机制的双向门控循环单元网络模型；步骤三、构建基于粒子滤波的电池退化模型；步骤四、在线预测剩余使用寿命。本发明适用于电池使用寿命预测领域。本发明适用于电池使用寿命预测领域。本发明适用于电池使用寿命预测领域。


技术研发人员：张九思 李翔 罗浩 田纪伦 李明磊 蒋宇辰 尹珅
受保护的技术使用者：哈尔滨工业大学
技术研发日：2022.06.24
技术公布日：2022/9/13