一种基于区块链和Informer神经网络的电池组SOH预测系统及方法技术方案

本发明专利技术提供了一种基于区块链和Informer神经网络的电池组SOH预测系统及方法，预测系统包括车载区块链平台、地区私人链和联盟区块链，联盟区块链对电动车辆及其电池组的公共索引数据提取特征与标签，对公共索引数据特征的数据集进行预处理，同标签一起构成数据集X

【技术实现步骤摘要】
一种基于区块链和Informer神经网络的电池组SOH预测系统及方法


[0001]本专利技术属于区块链技术和新能源电动车辆电池组健康状态预测领域，具体涉及一种基于区块链和Informer神经网络的电池组SOH预测系统及方法。

技术介绍

[0002]锂离子电池组通常由上千个电芯串并联组成，均由电池管理系统BMS实时监测管理，测量电池组电流、电压、温度等外特性数据，完成状态估算、热管理、自动均衡、故障诊断等功能，保障电池安全运行。锂离子电池组的充放电是一个复杂的电能、化学能、热能转换过程，具有高度的非线性和不确定性，其性能参数易受环境状况、电池老化、用户使用行为等诸多因素影响，这使得电池组的安全高效运行难以控制，目前尚未形成一套完善的电池管理理论和技术体系。当前电池SOH预测研究主要集中于电芯层面，在实际运用上电池组SOH预测问题亟待解决。电池SOH的准确长序列预测对保障电动车辆安全性有重要意义，也可以为电池组的维护和更换工作提供保障。

技术实现思路

[0003]有鉴于此，本专利技术提供了一种基于区块链和Informer神经网络的电池组SOH预测系统及方法。
[0004]本专利技术是通过以下技术手段实现上述技术目的的。
[0005]一种基于区块链和Informer神经网络的电池组SOH预测方法，具体为：
[0006]联盟区块链对电动车辆及其电池组的公共索引数据提取特征与标签；
[0007]对公共索引数据特征的数据集进行预处理，同标签一起构成数据集X
n
，并丢弃弱相关特征，得到数据集X
′
n
；
[0008]利用其他电动车辆的数据集X
′
n
训练基于Informer的神经网络模型；
[0009]根据电动车辆自身的历史数据对训练后的基于Informer的神经网络模型进行重新校准，对重新校准的基于Informer的神经网络模型，设置预测序列长度，预测电池组的SOH。
[0010]进一步的技术方案，所述特征包括车辆驾驶行为特征、电池组状态特征和电动车辆所在地区的环境特征。
[0011]进一步的技术方案，所述标签为：
[0012][0013]其中：y
SOH
表示公共索引数据的标签，C
′
T
表示对修正容量C
T
自回归处理的结果，且C
T
＝K
T
C
max
，K
T
为温度影响因子，C
max
为电池组当前最大可用容量，C
R
为电池组额定容量，y
N
为第N个充/放电片段的SOH值。
[0014]更进一步的技术方案，对公共索引数据特征的数据集进行预处理，包括：
[0015]对于电池组状态特征中的SOC进行异常检测，当ΔSOC
k+1
‑
ΔSOC
k
＜μ时，保留当前SOC值，否则丢弃，其中，ΔSOC
k
是采样时间点k对应的电池SOC，μ为SOC变化率阈值；
[0016]对于数据集中除SOC之外的特征：将缺失值达到80％以上的特征所在列丢弃，对缺失值在80％以下的进行填充；再对每一列特征进行异常值检测，删除异常值所在的行；然后将剩余特征划分为连续型特征X
c
和离散型特征X
d
，并分别进行归一化为X
′
c
、独热编码为X
′
d
；
[0017]所述数据集X
n
＝concat(X
′
c
，X
′
d
，y
SOH
)，concat为拼接函数，y
SOH
表示公共索引数据的标签。
[0018]更进一步的技术方案，所述弱相关特征是指数据集X
n
中相关性系数小于0.6的特征。
[0019]进一步的技术方案，所述基于Informer的神经网络模型包括依次进行通信的嵌入层、多头概率稀疏自注意力层、自注意力蒸馏层、生成式解码器网络和全连接层。
[0020]进一步的技术方案，对训练后的基于Informer的神经网络模型进行重新校准的过程为：向联盟区块链发送代币T
ID
，若代币T
ID
＝True，能找到属于自车的所有公共索引，校准成功。
[0021]一种基于区块链和Informer神经网络的电池组SOH预测系统，包括：
[0022]车载区块链平台，存储每个注册电动车辆的私人信息和公共信息，所述私人信息被加密并生成安全索引，所述公共信息直接生成公共索引；
[0023]地区私人链，接收车载区块链平台发送的安全索引和公共索引，并存储安全索引；
[0024]联盟区块链，存储地区私人链发送的公共索引，并对所述公共索引进行特征与标签的提取，利用其他电动车辆的公共索引训练基于Informer的神经网络模型、利用电动车辆自身的数据对训练后的基于Informer的神经网络模型进行重新校准。
[0025]上述技术方案中，所述公共信息包括车辆所在地区、车辆驾驶行为及电池组数据。
[0026]本专利技术的有益效果为：
[0027](1)本专利技术的预测系统采用的区块链技术，具有较高的数据完整性和安全性，在注重隐私的同时，能够使得来自不同驾驶条件和区域的电动车辆电池数据可以在车辆之间共享；利用其他电动车辆的公共索引训练基于Informer的神经网络模型、利用电动车辆自身的数据对训练后的基于Informer的神经网络模型进行重新校准，以获得更精确的SOH预测模型；
[0028](2)本专利技术的预测方法采用的基于Informer的神经网络模型，相比如CNN、LSTM、Transformer神经网络，具有更高的精度、效率和更长的序列长度，能够较为准确的监测动力电池组在接下来一周甚至更长一段时间内的健康状态，将有助于做好电池全寿命周期的管理，为电池维护和更换提供参考。
附图说明
[0029]图1为本专利技术所述基于区块链和Informer神经网络的电池组SOH预测流程图；
[0030]图2为本专利技术所述基于Informer的神经网络结构示意图。
具体实施方式
[0031]下面结合附图以及具体实施例对本专利技术作进一步的说明，但本专利技术的保护范围并不限于此。
[0032]如图1所示，本专利技术基于区块链和Informer神经网络的电池组SOH预测系统，包括：
[0033]车载区块链平台，每一辆电动车辆在车载区块链平台注册后得到一个代币T
ID
，当电动车辆行驶至地区n后，生成一个相应的车辆记录，车载区块链平台存储每个注册电动车辆的原始完整信息，包含私人信息(电动车辆ID、行驶路线和智能设备登录信息)和公共信息(包括车辆所在地区、车辆驾驶行为、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于区块链和Informer神经网络的电池组SOH预测方法，其特征在于：联盟区块链对电动车辆及其电池组的公共索引数据提取特征与标签；对公共索引数据特征的数据集进行预处理，同标签一起构成数据集X
n
，并丢弃弱相关特征，得到数据集X
′
n
；利用其他电动车辆的数据集X
′
n
训练基于Informer的神经网络模型；根据电动车辆自身的历史数据对训练后的基于Informer的神经网络模型进行重新校准，对重新校准的基于Informer的神经网络模型，设置预测序列长度，预测电池组的SOH。2.根据权利要求1所述的电池组SOH预测方法，其特征在于，所述特征包括车辆驾驶行为特征、电池组状态特征和电动车辆所在地区的环境特征。3.根据权利要求1所述的电池组SOH预测方法，其特征在于，所述标签为：其中：y
SOH
表示公共索引数据的标签，C
′
T
表示对修正容量C
T
自回归处理的结果，且C
T
＝K
T
C
max
，K
T
为温度影响因子，C
max
为电池组当前最大可用容量，C
R
为电池组额定容量，y
N
为第N个充/放电片段的SOH值。4.根据权利要求2所述的电池组SOH预测方法，其特征在于，对公共索引数据特征的数据集进行预处理，包括：对于电池组状态特征中的SOC进行异常检测，当ΔSOC
k+1
‑
ΔSOC
k
<μ时，保留当前SOC值，否则丢弃，其中，ΔSOC
k
是采样时间点k对应的电池SOC，μ为SOC变化率阈值；对于数据集中除SOC之外的特征：将缺失值达到80％以上的特征所在列丢弃，对缺失值在80％以下的进行填充；再对每一列特征进行...

【专利技术属性】
技术研发人员：何志刚，倪祥淦，盘朝奉，张香港，金英洁，郭晓丹，
申请(专利权)人：江苏大学，
类型：发明
国别省市：