基于混合深度神经网络的储能电池端到端容量估计方法技术

本发明专利技术具体涉及基于混合深度神经网络的储能电池端到端容量估计方法，包括：获取储能电池的电池充电电压数据；将储能电池的电池充电电压数据输入训练后的电池容量估计模型中，输出对应的电池容量估计值；电池容量估计模型包括：卷积神经网络层，用于提取输入数据的电池老化特征并生成对应的初始特征图；注意力机制层，用于依次提取初始特征图的通道注意力权重和空间注意力权重并生成对应的加权特征图；循环神经网络层，用于将注意力机制层生成的加权特征图作为输入进行训练，并输出对应的电池容量估计值。本发明专利技术能够自动提取电池老化特征，以实现端到端的储能电池容量估计，并缓解深度神经网络容易陷入局部最优和梯度消失(弥散)的问题。散)的问题。散)的问题。

【技术实现步骤摘要】
基于混合深度神经网络的储能电池端到端容量估计方法


[0001]本专利技术涉及电化学储能科学管理
，具体涉及基于混合深度神经网络的储能电池端到端容量估计方法。

技术介绍

[0002]随着全球能源危机愈演愈烈，清洁能源的发展变得越来越重要。锂离子储能电池因其具有高能量比和宽温度工作区间特性，目前已在电化学储能领域广泛应用。然而，由于外部环境和内部因素的影响，锂电池在使用过程中不可避免地会逐渐老化，表现为容量下降及性能衰退。因此，电池容量的精确估计，有助于对电池的健康状态评估和剩余使用寿命预测，对于开展电化学储能领域的电池状态监测、故障诊断和安全预警等工作至关重要。
[0003]现有技术中对于储能电池容量估计常使用基于数据驱动(物理模型)的估计方法，基于数据驱动的估计方法是通过特定的健康因子针对某一类储能电池建模。例如，公开号为CN105891715A的中国专利就公开了《一种锂离子电池健康状态估算方法》，包括：建立电池等效物理模型；通过电池脉冲放电获取电池SOC
‑
OCV曲线，并求取电池SOC与开路电压关系式；采集电池电压、电流和温度参数；以递推最小二乘法为基础在线辨识模型参数，获取电池欧姆内阻；利用电池欧姆内阻估算值计算电池健康状态。该现有方案就是基于数据驱动的估计方法实现了储能电池的容量估计。
[0004]现有基于物理模型的估计方法能够带来较高的精度，但其存在参数复杂和计算成本高的问题，并且储能电池的实际运行条件复杂，难以获得完整的充放电数据，电池容量估计需要跨越多个充放电周期，这些问题导致基于物理模型的估计方法的应用十分困难。因此，现有技术开始采用基于深度学习模型的估计方法。然而，现有基于深度学习模型的估计方法大多需要人工提取电池老化特征数据，进而基于数据预处理后的数据完成电池容量估计，即现有技术无法实现端到端的估计，导致储能电池容量估计的实际应用场景受限。同时，由于储能电池的实际运行条件复杂，使得现有深度学习模型基于储能电池的相关数据进行电池容量估计时，容易陷入局部最优和梯度消失(弥散)的问题，进而导致储能电池容量估计的准确性偏低。因此，如何设计一种能够提高储能电池容量估计的实用性和准确性的方法是亟需解决的技术问题。

技术实现思路

[0005]针对上述现有技术的不足，本专利技术所要解决的技术问题是：如何设计一种基于混合深度神经网络的储能电池端到端容量估计方法，能够自动提取电池老化特征，以实现端到端的储能电池容量估计，并缓解深度神经网络容易陷入局部最优和梯度消失(弥散)的问题，从而能够提高储能电池容量估计的实用性和准确性。
[0006]为了解决上述技术问题，本专利技术采用了如下的技术方案：
[0007]基于混合深度神经网络的储能电池端到端容量估计方法，包括：
[0008]S1：获取储能电池的电池充电电压数据；
[0009]S2：将储能电池的电池充电电压数据输入训练后的电池容量估计模型中，输出对应的电池容量估计值；
[0010]电池容量估计模型包括：
[0011]卷积神经网络层，用于提取输入数据的电池老化特征并生成对应的初始特征图；
[0012]注意力机制层，用于依次提取初始特征图的通道注意力权重和空间注意力权重并生成对应的加权特征图；
[0013]循环神经网络层，用于将注意力机制层生成的加权特征图作为输入进行训练，并输出对应的电池容量估计值；
[0014]S3：将储能电池的电池容量估计值作为其电池容量估计结果。
[0015]优选的，步骤S2中，卷积神经网络层基于一维卷积神经网络构建。
[0016]优选的，一维卷积神经网络通过如下公式生成初始特征图：
[0017][0018]式中：表示输入数据在第k个卷积核对应的输出，一维卷积神经网络各个卷积核的输出构成初始特征图；w
(k)
表示第k个卷积核的权重矩阵；x
c
表示原始输入数据的序列；L表示卷积核尺寸大小；i表示卷积核感受野；t表示序列长度。
[0019]优选的，步骤S2中，注意力机制层包括分别用于提取通道注意力权重和空间注意力权重的通道注意力模块和空间注意力模块；
[0020]通过如下步骤生成加权特征图：
[0021]S201：通过通道注意力模块提取初始特征图的通道注意力权重；
[0022]S202：将初始特征图与通道注意力权重相乘，得到通道注意力特征图；
[0023]S203：通过空间注意力模块提取通道注意力特征图的空间注意力权重；
[0024]S204：将初始特征图与空间注意力权重相乘，得到加权特征图。
[0025]优选的，步骤S201中，通道注意力模块通过如下公式提取通道注意力权重：
[0026]M
c
(F)＝softmax(Mean(F
cout
))；
[0027][0028][0029]式中：M
c
(F)表示通道注意力权重；F表示卷积神经网络层输出的初始特征图；softmax表示激活函数对输出值进行归一化操作；Mean表示张量取均值操作；F
cout
表示输出通道上的特征；z
j
表示第j个节点的输出值；c表示输出节点的个数；z
c
表示第c个节点的输出值；C
out
表示输出通道的输出值；k表示卷积神经网络层的卷积核数量，即输出通道的数量。
[0030]优选的，步骤S202中，通过如下公式计算通道注意力特征图：
[0031][0032]式中：F
′
表示通道注意力特征图；M
c
(F)表示通道注意力权重；F表示初始特征图。
[0033]优选的，步骤S202中，空间注意力模块通过如下公式提取空间注意力权重：
[0034][0035]式中：M
s
(F
′
)表示空间注意力权重；f
n
×
n
表示核为n的卷积操作；F
′
表示通道注意力特征图；AvgPool(F
′
)表示对通道注意力特征图进行平均池化；maxPool(F
′
)表示对通道注意力特征图进行最大池化；σ表示sigmoid激活函数；[；]表示将两个通道的特征连接；和分别表示对通道注意力特征图进行平均池化和最大池化后的特征图。
[0036]优选的，步骤S204中，通过如下公式计算加权特征图：
[0037][0038]式中：F
″
表示加权特征图；M
s
(F
′
)表示空间注意力权重；F表示初始特征图。
[0039]优选的，步骤S2中，循环神经网络层包括双向长短记忆时神经网络，以及与双向长短记忆时神经网络的输出连接的全连接层；
[0040]双向长短记忆时神经网络包括遗忘门、输入门和输出门；
[0041]通过如下公本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于混合深度神经网络的储能电池端到端容量估计方法，其特征在于，包括：S1：获取储能电池的电池充电电压数据；S2：将储能电池的电池充电电压数据输入训练后的电池容量估计模型中，输出对应的电池容量估计值；电池容量估计模型包括：卷积神经网络层，用于提取输入数据的电池老化特征并生成对应的初始特征图；注意力机制层，用于依次提取初始特征图的通道注意力权重和空间注意力权重并生成对应的加权特征图；循环神经网络层，用于将注意力机制层生成的加权特征图作为输入进行训练，并输出对应的电池容量估计值；S3：将储能电池的电池容量估计值作为其电池容量估计结果。2.如权利要求1所述的基于混合深度神经网络的储能电池端到端容量估计方法，其特征在于：步骤S2中，卷积神经网络层基于一维卷积神经网络构建。3.如权利要求2所述的基于混合深度神经网络的储能电池端到端容量估计方法，其特征在于：一维卷积神经网络通过如下公式生成初始特征图：式中：表示输入数据在第k个卷积核对应的输出，一维卷积神经网络各个卷积核的输出构成初始特征图；w
(k)
表示第k个卷积核的权重矩阵；x
c
表示原始输入数据的序列；L表示卷积核尺寸大小；i表示卷积核感受野；t表示序列长度。4.如权利要求1所述的基于混合深度神经网络的储能电池端到端容量估计方法，其特征在于：步骤S2中，注意力机制层包括分别用于提取通道注意力权重和空间注意力权重的通道注意力模块和空间注意力模块；通过如下步骤生成加权特征图：S201：通过通道注意力模块提取初始特征图的通道注意力权重；S202：将初始特征图与通道注意力权重相乘，得到通道注意力特征图；S203：通过空间注意力模块提取通道注意力特征图的空间注意力权重；S204：将初始特征图与空间注意力权重相乘，得到加权特征图。5.如权利要求4所述的基于混合深度神经网络的储能电池端到端容量估计方法，其特征在于：步骤S201中，通道注意力模块通过如下公式提取通道注意力权重：M
c
(F)＝softmax(Mean(F
cout
))；))；式中：M
c
(F)表示通道注意力权重；F表示卷积神经网络层输出的初始特征图；softmax表示激活函数对输出值进行归一化操作；Mean表示张量取均值操作；F
cout
表示输出通道上的特征；z
j
表示第j个节点的输出值；c表示输出节点的个数；z
c
表示第c个节点的输出值；C
out
表
示输出通道的输出值；k表示卷积神经网络层的卷积核数量，即输出通道的数量。6.如权利要求4所述的基于混合深度神经网络的储能电池端到端容量估计方法，其特征在于：步骤S202中，通过如下公式计算通道注意力特征图：式中：F
′
表示通道注意力特征图；M
c
(F)表示通道注意力权重；F表示初始特征图。7.如权利要求4所述的基于混合深度神经网络的储能电池端到端容量估计方法，其特征在于：步骤S202中，空间注意力模块通过如下公式提取空间注意力权重：式中：M
s
(F
′
)表示空间注意力权重；f
n
×
n
表示核为n的卷积操作；F
′
表示通道注意力特征图；AvgPool(F
′
)表示对通道注意力特征图进行平均池化；max Pool(F
′
)表示对通道注意力特征图进行最大池化；σ表示sigmoid激活函数；[；]表示将两个通道的特征连接；和分别表示对通道注意力特征图进行平均池化和最大池化后的特征图。8.如权利要求4所述的基于混合深度神经网络的储能电池端到端容量估计方法，其特征在于：步骤S204中，通过如下公式计算加权特征图：式中：F
″
表示加权特征图；M
s
(F
′
)表示空间注意力权重；F表示初始特征图。9.如权利要求1所述的基于混合深度神经网络的储能电池端到端容量估计方法，其特征在于：步骤S2中，循环...

【专利技术属性】
技术研发人员：汤爱华，蒋依汗，张志刚，黄渝坤，伍心雨，
申请(专利权)人：重庆理工大学，
类型：发明
国别省市：