基于多特征融合LSTM网络的锂电池RUL估计方法技术

本发明专利技术公开了一种基于多特征融合LSTM网络的锂电池RUL估计方法，包括：1.获取实验室环境下的电池充放电数据集以及自然环境下的数据集；2.建立多特征融合模块，实现高维数据降维、特征融合以及多特征重加权；3.建立基于局部和全局特征联合的LSTM网络，提取时序之间的局部特征以及数据整体趋势的全局特征；并将局部去全局特征融合计算得到下一时刻预测值；4.构建均方损失函数，优化模型参数。本发明专利技术充分考虑了电池的容量特征以及电流、电压、温度等辅助特征对电池容量预测的影响，提高了电池RUL预测精度；从而能对工业生产以及电池储能相关行业有更好的辅助作用，保证电池数据的可靠性，提高生产效率。提高生产效率。提高生产效率。

【技术实现步骤摘要】
基于多特征融合LSTM网络的锂电池RUL估计方法


[0001]本专利技术涉及储能电池剩余寿命预测
，特别涉及一种基于注意力机制算法的多特征融合LSTM网络的锂电池RUL估计方法。

技术介绍

[0002]社会迅速发展的今天，能源的需求不断增长，同时对于能源存储的要求也越来越高。锂电池因自身储能方面的优势被广泛应用各领域的储能设备中。但锂电池在充放电循环中受高温、老化、使用不按规格等因素影响，电池逐渐老化，从而引发储能设备故障，带来了巨大的人力财力损失。因此如何准确的判断锂电池的剩余寿命，发挥储能电池的最佳性能，成为了当前国内外研究的热点。由于锂电池的充放电循环周期较长，影响电池寿命的因素较多，因此传统的方法存在考虑特征因素不足、精度不高等问题。

技术实现思路

[0003]本专利技术是为了解决上述现有技术存在的不足之处，提出一种基于注意力机制算法的多特征融合LSTM网络的锂电池RUL估计方法，以期能充分考虑多个特征对电池剩余寿命的影响，提高电池剩余寿命预测精度并具有较大的适用范围，从而能提高储能电池相关应用的安全性、可靠性，并能提升工业生产效率，进而能对工业生产以及电池储能相关行业有更好的辅助作用。
[0004]本专利技术为达到上述专利技术目的，采用如下技术方案：
[0005]本专利技术一种基于多特征融合LSTM网络的锂电池RUL估计方法的特点在于，包括以下步骤：
[0006]步骤S1、获取室内环境下电池在K次放电过程中的电压、电流、温度以及放电结束时的电池容量并构成电池放电数据集；将所述电池充放电数据集中第k次放电过程第i时刻的电压序列记为记第k次放电过程第i时刻的电流记为第k次放电过程中第i时刻的温度序列记为第k次放电结束时的电池容量记为C
k
；其中，表示第k次放电过程中第i时刻的电压；表示第k次放电过程中第i时刻的电流；表示表示第k次放电过程中第i时刻的温度；
[0007]步骤S2、建立基于卷积神经网络的多特征融合网络，包括：高维特征降维模块、特征融合模块和重加权模块；
[0008]步骤S2.1、所述高维特征降维模块是基于一维卷积神经网络，并依次包括：第一卷积块、第二卷积块、第三卷积块、第四特征计算块；其中，所述第四特征计算块由一个平均池化层和全连接层构成；
[0009]将第k次放电过程中的电压序列电流序列温度序列输入所述高维特征降维模块中进行特征提取，得到第k次放电过程中
的特征向量其中，表示第k次放电过程中的电压特征向量，表示第k次放电过程中的电流特征向量，表示第k次放电过程中的温度特征向量；
[0010]步骤S2.2、所述特征融合模块将所述的特征向量V
′
k
与C
k
拼接后构成第k次放电过程中的输入特征向量，对第k次放电过程中的输入特征向量进行均值方差的归一化处理，得到归一化后的第k次放电过程中的融合特征向量其中，表示电压融合特征向量，表示电流融合特征向量，表示温度融合特征向量，表示容量融合特征向量；
[0011]步骤S2.3、所述重加权模块包括一个全连接层和一个softmax层；
[0012]将所述第k次放电过程中的融合特征向量V
k
通过tanh函数的处理后，得到临时向量将依次通过全连接层、softmax层的计算后得到第k次放电过程中的重加权向量依次通过全连接层、softmax层的计算后得到第k次放电过程中的重加权向量其中，到分别为到的重加权因子；
[0013]将重加权向量R
k
和特征向量V
k
进行按位相乘，从而得到第k次放电过程中的多特征融合向量其中，代表第k次放电过程中的电压多特征融合向量，代表第k次放电过程中的电流多特征融合向量，代表第k次放电过程中的温度多特征融合向量，代表容量多特征融合向量，进而得到K次放电过程中的多特征融合向量所构成的多特征融合矩阵D＝{(D1)
T
,(D2)
T
,...,(D
k
)
T
,...,(D
K
)
T
}，其中，符号T代表矩阵的转置；
[0014]步骤S3、构建基于局部和全局特征联合的LSTM网络，包括：长短期记忆网络LSTM、局部注意力模块、全局注意力模块和局部全局特征融合模块；
[0015]步骤S3.1、所述长短期记忆网络LSTM，包括：E个记忆细胞，用于对多特征融合矩阵D进行上下文相关知识的训练学习；
[0016]设置滑动窗口的长度为E，并对多特征融合矩阵D进行滑窗处理，得到M个不同滑动窗口下的多特征融合序列；
[0017]将第m个滑动窗口下的多特征融合序列输入所述长短期记忆网络LSTM中进行处理，从而由E个记忆细胞输出第m个滑动窗口中的隐藏层输出向量集合理，从而由E个记忆细胞输出第m个滑动窗口中的隐藏层输出向量集合其中，表示第m个滑动窗口中第j个记忆细胞输出的j时刻之前的隐藏层输出向量；
[0018]步骤S3.2、所述局部注意力模块，包括：局部注意力计算层和局部注意力融合层；
[0019]将所述第m个滑动窗口中第j个记忆细胞输出的隐藏层输出向量通过tanh函数的计算后得到临时参数并输入所述局部注意力计算层中，从而利用式(1)得到第m个滑动窗口中的第j个局部注意力权重
[0020][0021]式(1)中，ε表示常数；
[0022]所述的局部注意力融合层利用式(2)得到第m个滑动窗口中的局部特征向量
[0023][0024]步骤S3.3、所述全局注意力模块利用式(3)对所述多特征融合矩阵阵D进行计算，得到第m个滑动窗口中的全局特征向量
[0025][0026]式(3)中，α1,α2,....,α
K
为K个多特征融合向量的常系数，β为偏置；
[0027]步骤S3.4、所述局部全局特征融合模块将所述局部特征向量和全局特征向量进行拼接后得到第m个滑动窗口中的预测向量
[0028]将预测向量经过全连接层的计算后得到第m个滑动窗口中E+1时刻的预测向量其中，为第m个滑动窗口中E+1时刻预测的电压值，为第m个滑动窗口中E+1时刻预测的电流值，为第m个滑动窗口中E+1时刻预测的温度值，为第m个滑动窗口中E+1时刻预测的容量值；
[0029]步骤S4、根据所述预测向量P，利用式(4)建立均方损失函数L：
[0030][0031]式(4)中，表示第m个滑动窗口中第E+1时刻的真实值，且其中，表示第m个滑动窗口中第E+1时刻的电压多特征融合向量真实值，表示第m个滑动窗口中第E+1时刻的电流多特征融合向量真实值，表示第m个滑动窗口中E+1时刻的温度多特征融合向量真实值，表示第m个滑动窗口中第E+1时刻的容量多特征融合向量真实值；
[0032]步骤S5、利用Adam优化器对所述多特征融合网络和LSTM网络进行训练，并计算所述均方损失函数以更新网络参数，直到均方损失函数L收敛为止，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多特征融合LSTM网络的锂电池RUL估计方法，其特征在于，包括以下步骤：步骤S1、获取室内环境下电池在K次放电过程中的电压、电流、温度以及放电结束时的电池容量并构成电池放电数据集；将所述电池充放电数据集中第k次放电过程第i时刻的电压序列记为记第k次放电过程第i时刻的电流记为第k次放电过程中第i时刻的温度序列记为第k次放电结束时的电池容量记为C
k
；其中，表示第k次放电过程中第i时刻的电压；表示第k次放电过程中第i时刻的电流；表示表示第k次放电过程中第i时刻的温度；步骤S2、建立基于卷积神经网络的多特征融合网络，包括：高维特征降维模块、特征融合模块和重加权模块；步骤S2.1、所述高维特征降维模块是基于一维卷积神经网络，并依次包括：第一卷积块、第二卷积块、第三卷积块、第四特征计算块；其中，所述第四特征计算块由一个平均池化层和全连接层构成；将第k次放电过程中的电压序列电流序列温度序列输入所述高维特征降维模块中进行特征提取，得到第k次放电过程中的特征向量其中，表示第k次放电过程中的电压特征向量，表示第k次放电过程中的电流特征向量，表示第k次放电过程中的温度特征向量；步骤S2.2、所述特征融合模块将所述的特征向量V
′
k
与C
k
拼接后构成第k次放电过程中的输入特征向量，对第k次放电过程中的输入特征向量进行均值方差的归一化处理，得到归一化后的第k次放电过程中的融合特征向量其中，表示电压融合特征向量，表示电流融合特征向量，表示温度融合特征向量，表示容量融合特征向量；步骤S2.3、所述重加权模块包括一个全连接层和一个softmax层；将所述第k次放电过程中的融合特征向量V
k
通过tanh函数的处理后，得到临时向量将依次通过全连接层、softmax层的计算后得到第k次放电过程中的重加权向量依次通过全连接层、softmax层的计算后得到第k次放电过程中的重加权向量其中，到分别为到的重加权因子；将重加权向量R
k
和特征向量V
k
进行按位相乘，从而得到第k次放电过程中的多特征融合向量其中，代表第k次放电过程中的电压多特征融合向量，代表第k次放电过程中的电流多特征融合向量，代表第k次放电过程中的温度多特征融合向量，代表容量多特征融合向量，进而得到K次放电过程中的多特征融合向量所构成的多特征融合矩阵D＝{(D1)
T
,(D2)
T
,...,(D
k
)
T
,...,(D
K
)
T
}，其中，符号T代表矩阵的转置；步骤S3、构建基于局部和全局特征联合的LSTM网络，包括：长短期记忆网络LSTM、局部注意力模块、全局注意力模块...

【专利技术属性】
技术研发人员：王晓华，倪南冰，周安如，尹陆军，戴科，
申请(专利权)人：天津华致能源科技有限公司，
类型：发明
国别省市：