CN118897212B 基于时间分解与特征融合的锂离子电池健康状态评估方法及系统 （天津大学）

基于时间分解与特征融合的锂离子电池健本发明公开了一种基于时间分解与特征融列化，基于时间分解将序列分为趋势项和季节采用跳跃连接的方式融合时间维度信息和通道2数为c的输入序列xeeRXC的集合；对于任意时刻的输入序列，采用平均池化来消除周期性波动并突出长期趋x进S3、交换序列的时间和通道维度，采用跳跃连将融合后的数据进行逆归一化后连接到单一线性层构成的投影层中，进行将时间分解模块进行时间维度信息感知的结果，与时间分解模块的输入进行跳跃连2.根据权利要求1所述的一种基于时间分解与特征融合的锂离子电池健康状态评估方根据电池容量数据计算当前电池的健康状态，将电池的健康状态值作为数据集的标3.根据权利要求1所述的一种基于时间分解与特征融合的锂离子电池健康状态评估方4.根据权利要求1所述的一种基于时间分解与特征融合的锂离子电池健康状态评估方3分解的两个分量分别输入到锂离子电池健康状态评估网络的MLP_Block中进行时间特征提5.根据权利要求1所述的一种基于时间分解与特征融合的锂离子电池健康状态评估方CELU(z)=0.52(1+tanh(va不(r+0.0447153)))公式（4）6.根据权利要求1所述的一种基于时间分解与特征融合的锂离子电池健康状态评估方将电池老化数据集划分为多个数据序列，计算每个数据序列的平均值和标7.根据权利要求6所述的一种基于时间分解与特征融合的锂离子电池健康状态评估方将从输入数据中删去的非平稳属性和网络学习到的仿射变换参数,B:返回8.一种基于时间分解与特征融合的锂离子电池健康实施上述权利要求1_7中任意一项基于时间分解与特征融合的锂离子电池健康状态评估方所述数据处理模块，用于将电池老化数据集中的数据序列化，基于时间分所述电池健康状态评估网络，包括时间分解模块和通道特征融合器；所4获取锂离子电池的实时老化数据，对锂离子电5对锂离子电池进行有效的健康状态评估和管理，成为了电池供电系统中不可或缺的一环。锂离子电池的健康状态(StateofHealth,SOH)是衡量电池性能和老化程度的重要参数，boardstateofhealthmonitoringoflithium_ionbatteriesusingincrementalcapacityanalysiswithsupportvectorregression[J].JournalofPowerSources,电曲线中的参数而不是循环次数作为模型的输入，获得了更好的SOH预测效果(YangD,ZhangX,PanR,etal.Anovelgaussianprocessregressionmodelforstate_of_healthestimationoflithium_ionbatteryusingchargingcurve[J].Journalof6A,CuiX,etal.DeeplearningnetworksforcapacityestimationformonitoringSOHofLi_ionbatteriesforelectricvehicles[J].InternationalJournalof在模型中添加残差连接来提升SOH的预测精度，并且删除无用特征来降低计算复杂度(XuH,WuL,XiongS,etal.AnimprovedCNN_LSTMmodel_basedstate_of_healthestimationapproachforlithium_ionbatteries[J].Energy,2023,276:127585.)。Li(LiP,ZhangZ,XiongQ,etal.State_of_healthestimationandremainingusefullifepredictionforthelithium_ionbatterybasedonavariantlongshorttermmemoryneuralnetwork[J].JournalofPowerSources,2020,4本身在处理长周期数据时仍有一些改进空间，容易受噪声和突然波动等影响导致误差累特征来降低模型计算负担。(GuX,SeeKW,LiP,etal.Anovelstate_of_healthestimationforthelithium_ionbatteryusingaconvolutionalneuralnetwork换的多视图信息感知框架(MVIP_Trans)的SOH估计方法，通过一个基于并行的多尺度注意局部信息感知器来增强有价值的信息、抑制无用噪声。(BaiT,WangH.ConvolutionalTransformer_BasedMultiviewInformationPerceptionFrameworkforLithium_IonBatteryState_of_HealthEstimation[J].IEEETransactionsonInstrumentationandMeasurement,2023,72:1_12.)。Transformer模型虽然能够处理长时间序列的电池数7[0018]进一步优选的，所述预处理还包括在提取输入特征之前，对获取的数据基于3_[0021]对于任意时刻的输入序列采用[0024]进一步优选的，所述将趋势项和季节项作为两个分量输入电池健康状态评估网络，包括将分解的两个分量分别输入到锂离子电池健康状态评估网络的MLP_Block中进行8[0031]将电池老化数据集划分为多个数据序列，计算每个数据式地将从输入数据中删去的非平稳属性和网络学习到的仿射变换参数[0042]获取锂离子电池的实时老化数据，对锂离子电池健康状态评估网络进行迭代训9[0043]本申请公开的基于时间分解和特征融合的锂离子电池健康状态评估方法及系统过程的长时间依赖性问题并准确地识别老化过程中局部的容量回升细节，提高预测精度；[0046]图1为本发明基于时间分解和特征融合的锂离子电池健康状态评估方法的步骤框[0053]如图1所示，本发明一方面实施例提供的基于时间分解与特征融合的锂离子电池[0062]将数据集划分为多个输入序列，作为锂离子电池健康状态评估网络的输入一时刻的输入序列采用平均池化来消除周期性波动并突出长期趋势，同时通[0064]其中为分解得到的趋势项和Block构成的通道特征融合器在空间维度下学习电池多个不同的老化特征之间的关系，并[0073]本发明优选实施例中，通道特征融合器的MLP_Block结构融合时间维度信息和通道特征信息的编码器模块并不是单一的，而是由4个相同结构并行[0076]首先使用输入数据的实例平均值和标准偏差来对其进行归一化，将输入序列的每一个实例的平均值和标准差计算为的序列在不同的时刻处有更一致的均值与方差，通过减少非平稳信息输入数据中删去的非平稳属性和网络学习到的仿射变换参数返回到模取MSE作为损失函数，使用Adam优化器进行优化，Adam的参数和分别采用默认值0.9和行优化，所有的数据均进行了Z_Score标准化处理。电池健康状态评估网络共迭代50个[0092]获取锂离子电池的实时老化数据，对锂离子电池健康状态评估网络进行迭代训影响整体的电池老化趋势，而CNN_LSTM和CNN_Transformer在进行电池健康评估时由于不的局部细节更加丰富。传统的CNN_LSTM模型仅仅能够判断电池的大致老化趋势，而基于和决定系数R2作为评价指标来评估对于锂离子电池健康状态预测的准确程度，结果如表1他评估方法，本方法的MAE和RMSE平均值是CNN_LSTM、CNN_Transformer、MVIP_Trans的网络在CALCE数据集上进行测试，在不同编号电池下的MSE、MAE、RMSE和R2的平