一种结合小波变换和卷积神经网络的锂电池SOH预测方法技术

本发明专利技术提供一种结合小波变换和卷积神经网络的锂电池SOH预测方法，包括如下步骤：S1：使用相关传感器采集锂离子电池的物理信息，包含电压、电流、温度；S2：构建所需的数据集，并对数据集进行预处理；S3：构建模型HDF

【技术实现步骤摘要】
一种结合小波变换和卷积神经网络的锂电池SOH预测方法


[0001]本专利技术涉及新能源预测性维护领域，尤其涉及一种结合小波变换和卷积神经网络的锂电池SOH预测方法。

技术介绍

[0002]锂离子电池作为一种清洁电源，因其能量密度高、自放电率低、体积小、使用寿命长、污染程度低而越来越受欢迎，特别是广泛应用于电动汽车、通信基站等多个领域。然而，锂离子电池在每次循环时自身的容量会不断衰退。过度充放电会导致锂离子电池性能的下降，因此对其自身容量的估计和预测对系统的状态监测具有重要意义。
[0003]为更科学的对电池容量进行预测，引入健康状态(State
‑
Of
‑
Health,SOH)作为评判指标。SOH通常定义为电池当前的可用容量与其初始容量之比，以百分比形式反映电池当前性能状态。
[0004]近年来，深度学习的发展使得越来越多基于神经网络的预测方法出现。卷积神经网络(CNN)是一种包含卷积运算的经典网络，具有强大的特征提取能力。多种结合CNN的模型广泛应用与锂电池SOH的预测中。
[0005]但在大多数场景中，传感器收集到的与电池相关的物理信息包含了复杂的频率分量，许多重要的信息隐藏在这些频率分量中。CNN对于频率特征的学习能力较差，而且在降采样过程中容易忽略奈奎斯特采样定理，这可能导致不同频率区间的分量混叠。除此之外，CNN自身缺乏一定的可解释性，无法了解到网络学到了什么，所以人们无法在电池的实际预测中进一步解释和优化网络。
[0006]因此需要一种提高预测锂电池SOH准确率的方法，既可以兼顾CNN的优点，又可以弥补其在频域学习能力不足的缺点。

技术实现思路

[0007]为了解决上述问题，本申请提出了种结合小波变换和卷积神经网络的锂电池SOH预测方法，该方法提出一个能够分层动态频率学习的小波驱动的模型，即HDF
‑
WANN。该方法考虑到小波变换在时频分析中的优越性能，可以有效的解决CNN频率学习能力不足的问题，同时小波变换良好的理论基础增强了CNN的可解释性。为后续的算法研究与工程应用提供了新的思路。
[0008]一种结合小波变换和卷积神经网络的锂电池SOH预测方法，包括如下步骤：
[0009]S1：使用相关传感器采集锂离子电池的物理信息，包含电压、电流、温度；
[0010]S2：构建所需的数据集，并对数据集进行预处理；
[0011]S3：构建模型HDF
‑
WANN；
[0012]S4：模型HDF
‑
WANN的训练与锂电池SOH的预测。
[0013]具体的步骤为：
[0014]S1、使用相关传感器采集锂离子电池的物理信息，包含电压、电流、温度具体为：电
池管理系统在不同的环境条件下，通过各种传感器以一个周期读取电池的物理信息。它被用来预测当前周期的SOH。通常采集电压(U)、电流(I)和温度(T)，所以采集到的一个电池的物理信息样本可以表示为l表示一个周期的长度。表示时间步长为i时对应的物理信息。
[0015]S2、构建所需的数据集，并对数据集进行预处理，具体为：用每一个周期的物理信息样本与该周期所对应的电池SOH构成一个锂电池SOH预测数据集。以仅用一个电池为例，该数据集可以表示为其中N代表了这一个电池所循环的周期数，是第j个周期对应的物理信息样本，其长度为l。ω
j
为对应的容量标签。在实际情况中所使用的数据集会包含n个电池。此时原本的N变为n个电池循环的周期数之和。而每个电池一个周期的长度是不同的，所以使用最大的周期长度作为l的值，其余地方的信息以0填补。为了使训练更稳定，对D中的Z
j
进行标准化处理，在每一个维度上分别进行标准化。
[0016]S3、构建模型HDF
‑
WANN，具体为：
[0017]模型包括4个离散小波变换层，4个卷积模块，4个动态频率聚焦注意力模块和一个全连接层。输入数据通过离散小波变换层后得到频率相关的特征图，在通过特别设计的动态频率聚焦注意力模块，关注更有价值的频率信息，最后输入到卷积模块，利用卷积模块优秀的特征提取能力使模型具有良好的频率分析能力。三种模块依次堆叠四次，并在最后放置全连接层最终搭建好完整的模型HDF
‑
WANN。
[0018]优先地，所述离散小波变换层具体为：通过高通和低通滤波器对输入的不同频率分量进行分解，得到低频近似和高频细节。假设输入的特征图，C表示通道数，L表示特征信号的长度。输入的特征图有C个特征信号，每个信号都有一个长度为h的时间步长。
[0019]优先地，其分解算法可表示为：
[0020][0021]其中，t为时间序列数，t＝1,2，......，L，f(t)为原始信号，j为分解的层数。H、G是时域上的小波分解滤波器，分别具有低通和高通特性。H和G也分别与小波变换中的尺度函数和小波函数有关。A
j
是j层信号f(t)的低频部分(近似部分)的小波系数；D
j
是j层信号f(t)的高频部分(细节部分)的小波系数。上述公式可以看作是输入特征信号与滤波器之间的卷积。2t表示步长为2，并对信号进行下采样。
[0022]经过一次离散小波变换后，特征图长度减半，通道数为原来的二倍。
[0023]优先地，所述动态频率聚焦注意力模块具体为：该模块使模型对小波分解后的不同频率分量作出不同的处理。对于一个输入到该模块的频率特征图，将其在通道上分为g组。
[0024]对每组分别进行如下处理：
[0025]对于任意一组子频率特征图M
j
，j＝1，2，...，g，使用全局平均池化操作。将每个子频率特征压缩为一个一维向量κ
j
，，该向量代表各个通道的权重。这一过程可以表示为：
[0026][0027]在得到全局信息后，通过M
j
与κ
j
的点积，得到初始注意力掩码。
[0028]将该注意力掩码在通道维度中进行压缩并进行归一化得到向量γ
j
。这一过程可以表示为：
[0029][0030]其中，Norm表示正则化，
⊙
表示点积。
[0031]该向量经过Sigmoid后得到最终注意力掩码。该掩码代表了相应频率在不同时间步长下的重要性，其反映了哪些频率信息是更有价值的，使得模型的训练变得更高效。
[0032]优先地，所述卷积模块由两个卷积层组成，每个卷积层都采用ReLU激活函数和批量归一化。这些卷积模块从不同的频率信号中学习到隐含的特征，在输出特征提取后的特征图。
[0033]所述全连接层将频率信息等数据空间映射为最终的电池SOH值。
[0034]S4、模型HDF
‑
WANN的训练与锂电池SOH的预测，具体为：将锂离子电池SOH预测模型定义为定义为是在模型训练中不断更新的参数，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种结合小波变换和卷积神经网络的锂电池SOH预测方法，其特征在于，包括如下步骤：S1：使用相关传感器采集锂离子电池的物理信息，包含电压、电流、温度；S2：构建所需的数据集，并对数据集进行预处理；S3：构建模型HDF
‑
WANN；S4：模型HDF
‑
WANN的训练与锂电池SOH的预测。2.根据权利要求1所述的一种结合小波变换和卷积神经网络的锂电池SOH预测方法，其特征在于，S1具体的步骤为：电池管理系统在不同的环境条件下，通过各种传感器以一个周期读取电池的物理信息，被用来预测当前周期的SOH；采集电压U、电流I和温度T，所以采集到的一个电池的物理信息样本表示为l表示一个周期的长度，表示时间步长为i时对应的物理信息。3.根据权利要求2所述的一种结合小波变换和卷积神经网络的锂电池SOH预测方法，其特征在于，S2具体的步骤为：用每一个周期的物理信息样本与该周期所对应的电池SOH构成一个锂电池SOH预测数据集，数据集表示为其中N代表了这一个电池所循环的周期数，是第j个周期对应的物理信息样本，其长度为l，ω
j
为对应的容量标签；当数据集会包含n个电池，原本的N变为n个电池循环的周期数之和；使用最大的周期长度作为l的值，其余地方的信息以0填补；对D中的Z
j
进行标准化处理，在每一个维度上分别进行标准化。4.根据权利要求3所述的一种结合小波变换和卷积神经网络的锂电池SOH预测方法，其特征在于，S3具体的步骤为：模型包括4个离散小波变换层，4个卷积模块，4个动态频率聚焦注意力模块和一个全连接层；输入数据通过离散小波变换层后得到频率相关的特征图，在通过动态频率聚焦注意力模块，关注有价值的频率信息，最后输入到卷积模块，利用卷积模块优秀的特征提取能力使模型具有频率分析能力；三种模块依次堆叠四次，并在最后放置全连接层最终搭建好完整的模型HDF
‑
WANN。5.根据权利要求4所述的一种结合小波变换和卷积神经网络的锂电池SOH预测方法，其特征在于，所述离散小波变换层具体为：通过高通和低通滤波器对输入的不同频率分量进行分解，得到低频近似和高频细节；假设输入的特征图，C表示通道数，L表示特征信号的长度；输入的特征图有C个特征信号，每个信号都有一个长度为h的时间步长；分解算法表示为：其中，t为时间序列数，t＝1,2，......，L，f(t)为原始信号，j为分解的层数；...

【专利技术属性】
技术研发人员：王一朴，王欢，刘志亮，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：