基于掩码表征的锂电池健康状态变工况迁移预测方法技术

本发明专利技术公开了一种基于掩码表征的锂电池健康状态变工况迁移预测方法，将待预测电池当前充放电循环数据输入至锂电池健康状态预测模型得到健康状态预测结果；锂电池健康状态预测模型是将源域的无标签充放电数据进行掩码重构，将提取到的特征进行降维后和手动提取的蕴含丰富信息的特征进行近似，从两方面引导网络学习到最具代表性的特征。然后丢弃后面的解码器，增加全连接层进行健康状态的预测任务，并且利用目标域的少量数据进行微调，以此解决锂电池健康状态预测任务中源域数据无标签的迁移学习问题。本方法创新性地引入掩码重构和手动特征近似两方面对无标签的充放电数据进行特征提取，很好地解决了变工况的自监督锂电池健康状态预测问题。池健康状态预测问题。池健康状态预测问题。

【技术实现步骤摘要】
基于掩码表征的锂电池健康状态变工况迁移预测方法


[0001]本专利技术属于锂电池健康状态预测领域，尤其涉及基于变工况的自监督预测方法。

技术介绍

[0002]近年来，锂离子电池因其高能量密度、低自放电率、高电压、长寿命周期以及更高的可靠性被广泛使用，其带来的安全问题不容小觑。作为保障安全性的主要手段之一，锂电池的健康状态(State of health,SOH)管理受到越来越多的关注。SOH作为一种评估电池老化程度的指标，反映了电池实际容量与标称容量的衰减比率，一个全新电池的SOH值为100％。随着电池的不断使用，SOH会逐渐下降。通常情况下，当电池的容量下降到初始值的80％，即SOH为80％时，视为寿命终止(End of life,EOL)，应该更换电池。一般情况下，准确的SOH只能在实验室条件下直接测量，实际应用中只能通过其他的变量例如电压电流进行估算。而由于电池老化的非线性和不确定性，SOH的预测变得十分困难。
[0003]由于近些年机器学习理论的发展和算力的提升，数据驱动的方法在学术界和工业界都越来越被广泛关注，数据驱动的电池SOH预测方法被广泛地应用于锂电池SOH预测领域，建立基于数据的SOH预测模型而不依赖于任何复杂的领域知识，因而具有更强的泛化性。
[0004]尽管数据驱动方法已在SOH评估任务中得到了广泛关注，但是该类方法均假设训练和测试数据遵循相同的分布，然而在实际中，电池的工作状态是高度不同的，这会导致在一种工况下训练的SOH预测模型在另一种工况下无法正常使用。因此，在不同的工作状态下进行电池的SOH监测是一个具有挑战性的问题。
[0005]近年来，针对上述变工况场景下的SOH预测问题，迁移学习方法逐渐被人们采用。但是已有的迁移学习方法大都利用域自适应的思想，将源域和目标域的数据经过特征提取后在特征层面进行对齐，但是由于SOH预测是回归问题，这种针对分类问题提出的对齐方式未必能够起到很好的效果，特征对齐后也很难理论证实其可以为后续的下游任务提供帮助。基于此，如何能够利用大量的源域数据提取到具有表征信息并且对下游任务有帮助的特征，再进而利用少量目标域的数据在下游任务上进行微调，以实现在目标域上精确的SOH预测，是我们迫切需要考虑的问题，具有重要的理论研究价值和现实意义。

技术实现思路

[0006]本专利技术的目的在于针对变工况场景下SOH预测困难的问题，提供一种基于掩码表征的锂电池健康状态变工况迁移预测方法。该方法将待预测电池当前充放电循环数据输入至锂电池健康状态预测模型得到健康状态预测结果；其中锂电池健康状态预测模型是首先将源域的无标签充放电数据进行掩码重构，并且将提取到的特征进行降维后和手动提取的蕴含丰富信息的特征进行近似，从两方面引导网络学习到最具代表性的特征。然后，丢弃后面的解码器部分，增加全连接层进行健康状态的预测任务，并且利用目标域的少量数据进行微调，以此解决锂电池健康状态预测任务中源域数据无标签的迁移学习问题。本方法创
新性地引入掩码重构和手动特征近似两方面对无标签的充放电数据进行特征提取，很好地解决了变工况的自监督锂电池健康状态预测问题。
[0007]本专利技术的目的通过以下技术方案实现：
[0008]基于掩码表征的锂电池健康状态变工况迁移预测方法，具体为：
[0009]将待预测电池当前充放电循环数据输入至训练好的锂电池健康状态预测模型，锂电池健康状态预测模型输出得到待预测电池当前的锂电池健康状态预测结果；
[0010]其中，所述锂电池健康状态预测模型由自监督掩码表征的特征提取器和全连接层组成，通过以收集的第一训练数据集的每一样本作为输入，以最小化模型输出的锂电池健康状态预测值与标签的误差为目标训练获得；
[0011]所述自监督掩码表征的特征提取器是以特征提取器作为编码器，构建结构为编码器
‑
解码器的掩码特征近似网络，再以收集的第二训练数据集的每一样本作为掩码特征近似网络输入，以最小化解码器输出的重构数据与真实数据的误差、编码器输出的特征与对应的手动特征的误差为目标进行训练得到的；
[0012]所述第一训练数据集的每一样本包含充放电循环数据和锂电池健康状态标签，其中充放电循环数据的工况与待预测电池的充放电循环数据的工况相同；
[0013]所述第二训练数据集的每一样本包含掩码的充放电循环数据和对应的手动特征，其中充放电循环数据的工况与待预测电池的充放电循环数据的工况不同，掩码比例λ∈[0，1]，0代表全部不掩码，1代表全部掩码，手动特征为恒流充电的时长、恒压充电的时长、恒压充电开始前电压曲线的斜率、面积、基于增量容量曲线提取的特征中的一种或多种。
[0014]进一步地，所述自监督掩码表征的特征提取器由并行的双向门控单元模块和卷积神经网络模块组成。
[0015]进一步地，所述解码器由并行的门控单元、反卷积层和全连接层组成。
[0016]进一步地，所述以最小化解码器输出的重构数据与真实数据的误差、编码器输出的特征与对应的手动特征的误差为目标具体表示为：
[0017][0018][0019][0020]其中，表示编码器输出的特征h
i
与对应的手动特征z
i
的误差，表示解码器输出的重构数据与真实数据x
i
的误差，α和β为两部分损失函数的权重，W
h
和b
h
代表线性层的权重和偏置，下标i表示第i个样本，n代表第二训练数据集总样本数。
[0021]进一步地，所述充放电循环数据包括电压、电流、温度数据中的一种或多种。
[0022]进一步地，所述基于增量容量曲线提取的特征为增量容量曲线上两个波峰和一个波谷的电压值和dQ/dV值。
[0023]进一步地，掩码的方式包括将部分片段置零或者添加高斯白噪声。
[0024]进一步地，所述以收集的第一训练数据集的每一样本作为输入，以最小化模型输出的锂电池健康状态预测值与标签的误差为目标训练的过程中，全连接层的学习率大于特征提取器。
[0025]与现有技术相比，本专利技术具有的有益效果至少包括：
[0026]提出了基于自监督掩码表征的锂电池健康状态变工况迁移预测方法，通过将源域的无标签充放电数据进行掩码重构，并且将提取到的特征进行降维后和手动提取的蕴含丰富信息的特征进行近似，从两方面引导网络学习到最具代表性的特征。然后，丢弃后面的解码器部分，增加全连接层进行健康状态的预测任务，并且利用目标域的少量数据进行微调，很好地解决了变工况的自监督锂电池健康状态预测问题。
附图说明
[0027]图1是本专利技术方法的流程图。
[0028]图2是掩码特征近似网络的结构图。
[0029]图3是使用所提专利技术从工况1迁移至工况3后预测No.47电池SOH的效果图。
具体实施方式
[0030]下面结合附图及具体实例，对本专利技术做进一步说明。
[0031]本专利技术的基于掩码表征的锂电池健康状态变工况迁移本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于掩码表征的锂电池健康状态变工况迁移预测方法，其特征在于，具体为：将待预测电池当前充放电循环数据输入至训练好的锂电池健康状态预测模型，锂电池健康状态预测模型输出得到待预测电池当前的锂电池健康状态预测结果；其中，所述锂电池健康状态预测模型由自监督掩码表征的特征提取器和全连接层组成，通过以收集的第一训练数据集的每一样本作为输入，以最小化模型输出的锂电池健康状态预测值与标签的误差为目标训练获得；所述自监督掩码表征的特征提取器是以特征提取器作为编码器，构建结构为编码器
‑
解码器的掩码特征近似网络，再以收集的第二训练数据集的每一样本作为掩码特征近似网络输入，以最小化解码器输出的重构数据与真实数据的误差、编码器输出的特征与对应的手动特征的误差为目标进行训练得到的；所述第一训练数据集的每一样本包含充放电循环数据和锂电池健康状态标签，其中充放电循环数据的工况与待预测电池的充放电循环数据的工况相同；所述第二训练数据集的每一样本包含掩码的充放电循环数据和对应的手动特征，其中充放电循环数据的工况与待预测电池的充放电循环数据的工况不同，掩码比例λ∈[0，1]，0代表全部不掩码，1代表全部掩码，手动特征为恒流充电的时长、恒压充电的时长、恒压充电开始前电压曲线的斜率、面积、基于增量容量曲线提取的特征中的一种或多种。2.根据权利要求1所述的方法，其特征在于，所述自监督掩码表征的特征提取器由并行的双向门控单元模...

【专利技术属性】
技术研发人员：赵春晖，王一航，
申请(专利权)人：浙江大学，
类型：发明
国别省市：