CN119438958A 一种锂电池健康状态预测方法及系统 （浙江高泰昊能科技有限公司）

地址310000浙江省杭州市莫干山路14本发明公开了一种锂电池健康状态预测方将所述锂电池运行数据输入至锂电池健康状态预测模型中进行健康状态预测，以得到预测结采集历史电池运行数据作为样本集训练基础模法和超参数调优，基础模型是由Transformer层过实施本发明的方法可实现提高SoH预测的准确2将所述锂电池运行数据输入至锂电池健康状态预测模型中进行健康状态预构建由Transformer层的编码器、多层KAN网络作为解码器3.根据权利要求2所述的一种锂电池健康状态预测方法，前馈神经网络，每个编码层之后添加残差连接和层归一化；所述解码器包括多个KAN解码5.根据权利要求4所述的一种锂电池健康状学表达式为其中，和为可学习的一维滤波器层通过传播一组加权的Sigma点直接预测状态均值和协方差，以对所述锂电池健康状态预测模型的训练过程采用均方误差作为损失函数，损失函数的表达式为：3状态预测模型的训练过程的性能评估指标采用根均方百分比误差，表达式为：预测单元，用于将所述锂电池运行数据输入至锂电池健康状态预4者依赖于数学模型来模拟电池的电化学行为和老化过程，但由于电池内部非线性机制复入了一种创新的SoH预测方法，该方法结合了趋势感知注意力机制和Transformer编码器。块来捕获数据中的趋势特征，再将这些特征传递给Transformer编码器进一步挖掘深层次5[0010]其进一步技术方案为：所述模型包括Transformer层的编码器作为该模型的编码Q表示SoH的预测值，K表示与Q相关的信息，包括电压、电流和温度、值以及包含与键对应的实际数据，通过计算每个查询和所有键，Transformer层为值分配权重，并通过加权求和获得相应的输出值；是每个头的维度，pj和vy为可学习的一维非线性函数，n为输入变[0013]其进一步技术方案为：所述无迹卡尔曼滤波器层通过传播一组加权的Sigma点直6[0018]本发明与现有技术相比的有益效果是：本发明通过采集中，采用前向传播、反向传播算法以及超参数调优，优化模型性能。模型的基础结构由7[0026]请参阅图1和图2，图1为本发明实施例提供的锂电池健康状态预测方法的应用场健康状态预测方法应用于服务器中。该服务器与终端进行数据交互，本实施例的方法将8小－最大归一化、Z_score标准化等将所有特征调整至相同的尺度范围内（如[0,1]区行代表一个观测点（或一个充电/放电周期而列则对应着所提取的各种特征及标签（如[0046]通过这样一个系统化的预处理流程，不仅能够有效地整9[0050]具体而言，Transformer层的引入是为了更有效地捕捉电池时序数据中的全局依信息能够顺畅流动并提升模型训练的稳定性，在每个子层后都增加了残差连接和层归一[0052]Transformer层的解码器部分由多个堆叠的解码层构成。每个解码层除了包含多[0053]多头注意力机制作为Transformer层的核心组件，在编码器和解码器中都发挥着从而使模型更适合捕捉电池健康度预测任务中的复杂[0056]具体地，所述KAN层的数学表达式为：f(X,,X2,…xn)=；序数据关系。这种方法使得KAN层在处理高维且非线性的电池充电数据时表现得更加高[0058]KAN层的核心在于通过训练自适应样条函数来逼近输入数据的非线性特征。其数并通过调整每个样条基函数的系数，来使得模型能够捕捉到数据在不同区域的微小变化。[0062]为了应对Transformer层输出的SoH结果可能出现剧烈波动的问题，引入了无迹所构成的模型主要负责从电池运行数据中提取特征并进行非线性映射，生成初步的SoH预函数，损失函数的表达式为其中，sox,为实际值，[0069]所述锂电池健康状态预测模型的训练过程的性能评估指标采用根均方百分比误[0073]本实施例的方法通过结合Transformer的编码器，以训练非线性激活函数为特征的KAN层作为解码器，以及无迹卡尔曼滤波器（UKF）模型，显著提高了对锂电池健康状态重要的应用价值。[0075]经过预处理的数据随后被输入到基于Transformer编码器架构构建的多头注意力[0077]最后，为了平滑预测结果并减少不必要的波动，我们采用了无迹卡尔曼滤波器平滑处理，我们可以有效抑制由于模型响应数据微小变化而导致的预测震荡，进一步提升了预测的一致性和可靠性。能力以及UKF提供的平滑处理功能。这种方法特别适用于处理具有强烈时间依赖性和复杂4所示，对应于以上锂电池健康状态预测方法，本发明还提供一种锂电池健康状态预测系锂电池健康状态预测模型是通过采集历史电池运行数据作为样本集训练基础模型所得的，[0087]上述锂电池健康状态预测系统300可以实现为一种计算机程序的形式，该计算机[0090]该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序计算机程序5032被处理器502执行时，可使得处理器502执行一种锂电池健康状态预测方[0095]在一实施例中，处理器502在实现所述锂电池健康状态预测模型是通过采集历史采集历史电池运行数据，结合对应时刻值进行预处理，以得到样本集；构建由[0099]所述无迹卡尔曼滤波器层通过传播一组加权的Sigma点直接预测状态均值和协方[0101]所述锂电池健康状态预测模型的训练过程的性能评估指标采用根均方百分比误[0102]应当理解，在本申请实施例中，处理器502可以是中央处理单元(CentralProcessingUnit，CPU)，该处理器502还可以是其他通用处理器、数字信号处理器微处理器或者该处理器也可以是任何常规的[0103]本领域普通技术人员可以理解的是实现上述实施例的方采集历史电池运行数据，结合对应时刻值进行预处理，以得到样本集；构建由[0109]所述无迹卡尔曼滤波器层通过传播一组加权的Sigma点直接预测状态均值和协方[0111]所述锂电池健康状态预测模型的训练过程的性能评估指标采用根均方百