基于时间卷积注意力机制的锂电池剩余寿命概率预测方法技术

本发明专利技术公开了基于时间卷积注意力机制的锂电池剩余寿命概率预测方法，属于电池技术领域。该方法包括步骤1：收集电池老化数据，包括充放电过程中的各项观测指标，建立锂电池老化数据库；步骤2：根据获得的原始数据，提取与锂电池寿命即充放电循环次数相关的观测指标作为健康因子构成特征向量，进行数据预处理并按比例划分训练集和测试集；步骤3：构建以时间卷积原理为核心的注意力层；步骤4：以注意力层为核心并结合多层感知机、层归一化构成基本模块，利用位置编码层、线性连接层和多个基本模块堆叠的层级结构共同构成完整的电池容量衰减深度学习框架；步骤5：利用所述训练集训练电池容量衰减深度学习框架，在训练集上获得准确率大于指定阈值之后在所述测试集上输出锂电池多个时间步后对应的预测容量所满足高斯分布的均值和标准差结果，实现概率预测，并结合锂电池失效阈值得到其剩余寿命的预测结果。锂电池失效阈值得到其剩余寿命的预测结果。锂电池失效阈值得到其剩余寿命的预测结果。

【技术实现步骤摘要】
基于时间卷积注意力机制的锂电池剩余寿命概率预测方法


[0001]本专利技术属于锂离子电池
，具体涉及一种基于时间卷积注意力机制的锂电池剩余寿命概率预测方法。

技术介绍

[0002]锂离子电池具有比能量高、工作电压高、温度范围宽、自放电率低等优点，已经广泛应用于新能源汽车、智能手机以及航空系统领域。但随着锂电池充放电循环次数的增加，受到电池内部机理反应和外部使用环境的综合影响，电池寿命会呈现复杂的衰减趋势，这对供电设备的可靠性和安全性提出了极大的挑战，如果不能准确预测电池寿命还可能造成财产损失甚至是安全事故。因此，对锂电池剩余使用寿命(RUL)的有效预测显得至关重要。
[0003]目前，锂离子电池剩余寿命预测主要分为两个方向：基于退化模型和基于数据驱动。基于模型的预测方法根据电池内部的化学反应机理以及等效电路等模型，使用代数方程或微分方程的方式描述电池的退化过程，从而进行剩余寿命预测。但这种方式受电池种类制约可移植性差，且建模过程中多次化简难以准确描述实际退化情况。基于数据驱动的预测方法从电池状态监测系统的采集数据出发，挖掘观测数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于时间卷积注意力机制的锂电池剩余寿命概率预测方法，其特征在于，包括以下步骤：步骤1：收集电池老化数据，包括充放电过程中的各项观测指标，建立锂电池老化数据库；步骤2：根据获得的原始数据，提取与锂电池寿命即充放电循环次数相关的观测指标作为健康因子构成特征向量，进行数据预处理并按比例划分训练集和测试集；步骤3：构建以时间卷积原理为核心的注意力层；步骤4：以注意力层为核心并结合多层感知机、层归一化构成基本模块，利用位置编码层、线性连接层和多个基本模块堆叠的层级结构共同构成完整的电池容量衰减深度学习框架；步骤5：利用所述训练集训练电池容量衰减深度学习框架，在训练集上获得准确率大于指定阈值之后在所述测试集上输出锂电池多个时间步后对应的预测容量所满足高斯分布的均值和标准差结果，实现概率预测，并结合锂电池失效阈值得到其剩余寿命的预测结果。2.根据权利要求1所述的基于时间卷积注意力机制的锂电池剩余寿命概率预测方法，其特征在于，所述步骤1的具体方法为：步骤1.1：根据目标电池型号确定电池基本参数，包括额定容量、充放电截止电压以及电池失效对应的容量衰减阈值；步骤1.2：按照电池充放电循环实验协议，采集电池充放电状态下的电压、电流、温度、时间、电量等参数作为电池老化数据集，对应的充放电循环次数则作为电池寿命量化指标。3.根据权利要求1或2所述的基于时间卷积注意力机制的锂电池剩余寿命概率预测方法，其特征在于，所述步骤2的具体方法为：步骤2.1：基于锂电池老化原始数据库，通过测量参数在电池全寿命周期中容量衰减的相关性分析方法提取相关性大于指定阈值的参数作为健康因子，将健康因子作为电池容量衰减深度学习框架输入特征ξ的构成之一，ξ＝{ξ
(i)
，i＝1，2，...，n1}，其中n1为提取健康因子的个数；步骤2.2：对数据进行预处理工作，去除其中的异常值与缺失值：为保证预测结果的精确性，对连续多个充放电循环的特征向量进行滑动窗计算，对缺失值或者超出正常变化范围的异常值进行去除，并使用窗口内相邻数据的均值替换，得到可用数据集D＝[ξ1，ξ2，
…
，ξ
N
]，其中N为完整的数据序列长度，向量下角标表示数据对应的循环充放电次数；步骤2.3：按照一定比例将数据集D分为训练集D
train
与测试集D
test
两部分，使用D
train
训练电池容量衰减深度学习框架，使用测试集D
test
验证所述电池容量衰减深度学习框架的预测性能；对数据集进行输入数据与输出数据的划分，输入X＝[ξ1，ξ2，
…
，ξ
in
]，其中in表示电池容量衰减深度学习框架输入的数据长度，输出y＝[y1，y2，
…
，y
out
]，其中y表示电池容量衰减深度学习框架预测目标，out表示期望电池容量衰减深度学习框架输出的数据长度。4.根据权利要求1
‑
3之一所述的基于时间卷积注意力机制的锂电池剩余寿命概率预测方法，其特征在于，所述步骤3的具体方法为：步骤3.1：基于时间卷积原理，采用因果卷积的方式构造特征向量的查询向量Q、键向量K和值向量V，以包含局部信息，计算公式为：Q＝Causal_Conv(X，k)
K＝Causal_Conv(X，k)V＝Conv(X，1)其中Causal_Conv表示因果卷积函数，k表示卷积核大小；步骤3.2：得到各循环次数下特征向量之间的关联关系，具体计算公式为：Weight＝softmax(mask(matmul(Q，K)))首先对查询向量与键向量做内积运算，公式中表示为matmul(
·
)函数，得到in
×
in大小的矩阵，其中in表示电池容量衰减深度学...

【专利技术属性】
技术研发人员：王磊，秦鸿宇，任基泽，张建，肖茂栋，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：