【技术实现步骤摘要】
一种锂电池SOH估算和RUL预测的端到端神经网络建立方法
本专利技术属于电池
，涉及一种锂电池SOH估算和RUL预测的端到端神经网络建立方法。
技术介绍
直接测量容量或内部电阻是较为困难地，这也是健康状态(SOH)估计和剩余使用寿命(RUL)预测所要解决的的长期问题。为了间接地解决这个问题，在过去的十年中已经开发了许多基于模型和数据驱动的方法。基于模型的方法，例如增量容量分析、差分电压分析、等效电路模型、电化学模型和经验模型，利用理化机制分析电池的健康行为。但是，由于电池复杂的内部原理和不确定的工况，因此难以建立准确的模型来展示电池的动态特性。数据驱动的方法，尤其是神经网络(NNs)，由于它们具有自适应性、灵活性且没有涉及到任何物理化学机制，因此近年来受到越来越多的关注。研究人员使用电压曲线特性通过数据处理的分组方法馈送到多项式神经网络，用于SOH估计。后来的工作从一个电池的老化过程中提取了多个端子电压特征，然后将这些特征馈送到基于知识的先验神经网络以估算SOH。为了获得嵌入在电池退化数据中的更多信息，一些研究...
【技术保护点】
1.一种锂电池SOH估算和RUL预测的端到端神经网络建立方法，其特征在于：该方法包括以下步骤：/nS1：设计CNN-ASTLSTM神经网络；/nS2：CNN-ASTLSTM神经网络的超参数优化；/nS3：CNN-ASTLSTM神经网络的应用。/n
【技术特征摘要】
1.一种锂电池SOH估算和RUL预测的端到端神经网络建立方法，其特征在于：该方法包括以下步骤：
S1：设计CNN-ASTLSTM神经网络；
S2：CNN-ASTLSTM神经网络的超参数优化；
S3：CNN-ASTLSTM神经网络的应用。
2.根据权利要求1所述的一种锂电池SOH估算和RUL预测的端到端神经网络建立方法，其特征在于：所述S1具体为：
令和分别为第n个一维卷积层的输入和特征图，n∈{1,2,...N}；上标W和C分别表示数据宽度和通道；U1是输入样本，其中数据宽度和通道分别代表样本长度和样本类型；第个滤波器的输出，即第n个卷积层的特征图，通过以下方式获得：
其中σ，和s分别代表位置坐标、激活函数、局部邻域和步幅大小；的范围为经过最大池化后，第n+1层卷积的输入表示为：
其中Q和d分别是下采样输出、位置坐标、池化核和步幅大小；
在每个卷积层中，通过在局部接收场内将空间和通道信息融合在一起，学习滤波器来表达有益的组合；通过堆叠一系列交织在一起的非线性和下采样的卷积层，一维CNN能够捕获影响电池退化的多个变量之间的分层模式；然后，使用AST-LSTM神经网络来学习这些模式中嵌入的长期短期依存关系；
对于第1个AST-LSTM层，l∈1,2,...L，令在时间t的输入，M是神经元的数量，并且是该块在时间t-1的输出；|·|表示维度运算符；ul+1,t＝hl,t；其中遗忘门输出和候选门输出给出为：
fl,t＝σ(kl,fu·ul,t+kl,fh·hl,t-1+bl,f)(3)
zl,t＝g(kl,zu·ul,t+kl,zh·hl,t-1+bl,z)(4)
其中和分别是遗忘门和候选门中的输入权重，递归权重和偏置权重；逻辑sigmoidσ(·)和双曲正切tanh(·)是遗忘门和候选门的激活函数；融合状态输入和状态输出表示为：
il,t＝(1-fl,t)⊙σ(cl,t-1⊙pl,i)(5)
cl,t＝cl,t-1⊙fl,t+il,t⊙zl,t(6)
其中，和分别代表时间t-1的细胞状态和窥视孔对旧细胞状态的权重；符号⊙表示逐点乘法；输出门输出和块输出给出为：
ol,t＝σ(kl,ou·ul,t+kl,oh·hl,t-1+pl,o⊙cl,t+bl,o)(7)
hl,t＝ol,t⊙g(cl,t)(8)
其中和分别是输出门中的输入权重，递归权重和偏置权重；在新的细胞状态下，窥孔的权重表示为最后，CNN-ASTLSTM神经网络的输出写为：
yL+1,t＝kL+1hL,t(9)
其中是全连接的权重。
3.根据权利要求1所述的一种锂电池SOH估算和RUL预测的端到端神经网络建立方法，其特征在于：所述S2具体为：
利用CNN-ASTLSTM神经网络进行SOH估计或RUL预测的最终目标是使用这种网络查找非线性函数该函数使得估计或预测的误差最小；电池样本U来自自然分布的将该目标重新构造为使用学习算法将有限的电池数据集映射到使预期损失最小的函数中；实际的学习算法表示为通过优化训练准则产生高维空间Θ中的一组参数θ，即超参数；这将超参数优化问题描述为：
其中是损失的期望值，即...
【专利技术属性】
技术研发人员：张子健，李鹏华，胡晓松，柴毅，熊庆宇，胡向东，陈立平，侯杰，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆;50
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。