面向多元锂离子电池数据的全生命周期演化趋势预测方法技术

本发明专利技术公开了一种面向多元锂离子电池数据的全生命周期演化趋势预测方法，根据时序数据的无量纲演化特性对产业链采集的锂离子电池数据利用FRA特征再抽象算法，制作时间戳强约束、关联特性增强的待检测低阶特征集合，利用自注意力机制表达序列型数据高价值区间，利用权值矩阵优化LSTM神经网络的底层门控逻辑设计LBTSA深度模型，利用预训练的链接权重和学习参数实现网络建模，通过LBTSA深度模型挖掘特征集合与预设指标间的映射关系，解决产业链针对多元全周期时序预测提出的性能需求问题。题。题。

【技术实现步骤摘要】
面向多元锂离子电池数据的全生命周期演化趋势预测方法


[0001]本专利技术涉及锂离子电池领域，特别是涉及一种面向多元锂离子电池数据的全生命周期演化趋势预测方法。

技术介绍

[0002]锂离子电池作为最成熟的储能技术，是电动车辆和储能系统(ESS)最核心的组成部分，因而面向蓄能产品的故障预测和健康管理(Prognostics and health management,PHM)对于运行维护至关重要。从电池全生命周期管理的角度来讲，锂离子电池的电化学机理在使用或搁置过程会逐渐退化，使系统性能的供电能力和安全特性等管理指标也表现为衰减趋势，为降低电池运行成本、实现及时维护和故障防控，基于电池管理系统(BMSs)对健康状态(SOH)进行在线监控是很有必要的。从电池管理的角度来讲，故障预测的核心是针对电池系统运行欠佳或失效的异常进行刨析，健康管理的核心是面向容量和阻抗等指标的健康状态(State of health,SOH)估计。
[0003]目前，基于模型驱动的健康状态预测占多数。该类方法是根据有穷小规模数据的背景分布或领域经验设定数学假设，通过假设建模最优拟合度的映射函数，并基于函数运算值实现预测。基于模型驱动的健康状态预测方法更易于调整模型参数、适应性更强，针对相似机理或同等工况的模型具备普适性。然而，现有驱动模式的时序预测方法存在难以挖掘现在和未来间细粒度映射关系、难以提升智能预测服务准确性、鲁棒性和可解释性的技术问题。

技术实现思路

[0004]针对现有技术中的上述不足，本专利技术提供的一种面向多元锂离子电池数据的全生命周期演化趋势预测方法解决了现有预测方法难以挖掘现在和未来间细粒度映射关系、难以提升智能预测服务准确性、鲁棒性和可解释性的技术问题。
[0005]为了达到上述专利技术目的，本专利技术采用的技术方案为：一种面向多元锂离子电池数据的全生命周期演化趋势预测方法，所述方法包括以下步骤：
[0006]S1：针对产业链采集的锂离子电池数据集，基于相邻样本数为6的KNN优化算法和调整平滑参数的Vondrak滤波算法实现缺失值填补和序列平滑降噪的预处理操作，并根据训练、评估、测试比率为6:2:2进行集合划分；
[0007]S2：根据经预处理操作的锂离子电池数据集TD，利用特征再抽象算法，基于最小绝对偏差和非局部季节滤波改进RobustSTL算法，并基于时序数据的加法概念模型对辨识性特征进行低耦合的属性分解获得低阶特征分量；
[0008]S3：基于低阶特征分量，设置噪音剔除评价指标和关联强度评估算法分别判定低阶特征分量的白噪声高频占比以及Seasonality分量、Trend分量与数据曲线的关联强度，实现锂离子电池的属性降维和关联增强的特征提取；
[0009]S4：基于属性降维和关联增强的特征提取，利用矩阵点积运算构建时间戳强约束
的时序预测训练集合；
[0010]S5：基于时序预测训练集合，利用基于自注意加权算法的LSTM底层逻辑设计LBTSA深度模型，通过深度模型的链接权重和学习参数实现网络建模，根据集合划分设置机理属性和强约束时间戳作为深度模型的控制输入，获取当前时刻的SOH状态和未来时间区间的SOH状态估计值，实现锂离子电池的全生命周期演化趋势的预测。
[0011]上述方案的有益效果是：本专利技术基于数据驱动的大数据智能分析框架提出了针对多元长周期锂离子电池序列的SOH状态预测算法，是以FRA再抽象序列算法为核心的特征提取和以LBTSA深度模型为主体的数据建模。解决了现有预测方法难以挖掘现在和未来间细粒度映射关系、难以提升智能预测服务准确性、鲁棒性和可解释性的技术问题。
[0012]进一步地，S1中利用KNN优化算法，根据欧氏距离确定距离缺失样本点接近的6个样本，并通过计算6个样本观测点的加权平均值估计缺失数据。
[0013]上述进一步方案的有益效果是：序列缺失数值将激化数据稀疏性敏感问题，价值挖掘会因空值现象而陷入混乱，导致不可靠信息的输出，导致时序预测表现的不确定性因素更加突出，蕴含的确定性因素更难把握，采用上述技术方案，有效解决序列缺失问题。
[0014]进一步地，S1中Vondrak滤波算法Q公式为
[0015][0016]其中，F为逼真拟合度，λ为正常值，S为粗糙光滑度，n为数据规模，i为数据规模取值，p
i
为观测点的数值权重，y
i
为观测数值，为观测值的平均值，Δ为差分符号，Δ3为三阶差分；
[0017]设定无量纲正数ε为
[0018][0019]将无量纲正数ε定义为平滑因子，在观测数据的绝对逼真和绝对拟合之间起到平滑作用。
[0020]上述进一步方案的有益效果是：针对产业链数据集存在噪音干扰及离群点密集的预处理问题，本专利技术通过调参优化了Vondrak滤波机制。其中，Vondrak滤波是面向航天高精度序列数据的处理算法，可以剔除高频噪音并最大程度保留价值区间，通过定义平滑因子，在观测数据的绝对逼真和绝对拟合之间起到平滑作用。
[0021]进一步地，S2中改进的RobustSTL算法通过设置内循环与外循环实现鲁棒局部加权回归的权重调节、趋势拟合及周期分量的系统运算，使经改进的RobustSTL算法分解的特征分量对异常波动和趋势突变具有强的鲁棒性；
[0022]所述改进的RobustSTL算法包括基于白噪音平滑的Residual更新阶段，基于序列差分的Trend分解阶段和基于领域覆盖的Seasonality分解阶段。
[0023]上述进一步方案的有益效果是：通过对RobustSTL算法进行改进，提升算法的鲁棒性，利于方案的实施。
[0024]进一步地，基于白噪音平滑的Residual更新阶段包括以下公式：
[0025]根据序列加法概念模型将Residual分量描述为
[0026]Residual
i
＝a
i
+n
i
[0027]其中，Residual
i
为由白噪声n
i
、尖峰a
i
或低谷构成的残差集合；
[0028]利用双边滤波算法剔除不稳定因素以保证Residual分量和Trend分量的稳健性，所述双边滤波算法公式如下：
[0029][0030]其中，TD'
i
为去噪样本，J为长度为2H+1的滤波窗口，为时刻i的观测点邻接区间为j的滤波权重；
[0031][0032]其中，σ为无量纲的归一化相关参数，e为指数函数，和为算法预设的平滑度控制参数，TD
j
为邻接区间为j的观测值，TD
i
为时刻i的观测值；
[0033]则更新后的一阶Residual分量为
[0034][0035]其中，Residual'
i
为更新后的一阶Residual分量，为趋势Trend
i
中白噪音的错误或干扰因素。
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向多元锂离子电池数据的全生命周期演化趋势预测方法，其特征在于，所述方法包括以下步骤：S1：针对产业链采集的锂离子电池数据集，基于相邻样本数为6的KNN优化算法和调整平滑参数的Vondrak滤波算法实现缺失值填补和序列平滑降噪的预处理操作，并根据训练、评估、测试比率为6:2:2进行集合划分；S2：根据经预处理操作的锂离子电池数据集TD，利用特征再抽象算法，基于最小绝对偏差和非局部季节滤波改进RobustSTL算法，并基于时序数据的加法概念模型对辨识性特征进行低耦合的属性分解获得低阶特征分量；S3：基于低阶特征分量，设置噪音剔除评价指标和关联强度评估算法分别判定低阶特征分量的白噪声高频占比以及Seasonality分量、Trend分量与数据曲线的关联强度，实现锂离子电池的属性降维和关联增强的特征提取；S4：基于属性降维和关联增强的特征提取，利用矩阵点积运算构建时间戳强约束的时序预测训练集合；S5：基于时序预测训练集合，利用基于自注意加权算法的LSTM底层逻辑设计LBTSA深度模型，通过深度模型的链接权重和学习参数实现网络建模，根据集合划分设置机理属性和强约束时间戳作为深度模型的控制输入，获取当前时刻的SOH状态和未来时间区间的SOH状态估计值，实现锂离子电池的全生命周期演化趋势的预测。2.根据权利要求1所述的面向多元锂离子电池数据的全生命周期演化趋势预测方法，其特征在于，所述S1中利用KNN优化算法，根据欧氏距离确定距离缺失样本点接近的6个样本，并通过计算6个样本观测点的加权平均值估计缺失数据。3.根据权利要求2所述的面向多元锂离子电池数据的全生命周期演化趋势预测方法，其特征在于，所述S1中Vondrak滤波算法Q公式为其中，F为逼真拟合度，λ为正常值，S为粗糙光滑度，n为数据规模，i为数据规模取值，p
i
为观测点的数值权重，y
i
为观测数值，为观测值的平均值，Δ为差分符号，Δ3为三阶差分；设定无量纲正数ε为将无量纲正数ε定义为平滑因子，在观测数据的绝对逼真和绝对拟合之间起到平滑作用。4.根据权利要求3所述的面向多元锂离子电池数据的全生命周期演化趋势预测方法，其特征在于，所述S2中改进的RobustSTL算法通过设置内循环与外循环实现鲁棒局部加权回归的权重调节、趋势拟合及周期分量的系统运算，使经改进的RobustSTL算法分解的特征分量对异常波动和趋势突变具有强的鲁棒性；所述改进的RobustSTL算法包括基于白噪音平滑的Residual更新阶段，基于序列差分的Trend分解阶段和基于领域覆盖的Seasonality分解阶段。5.根据权利要求4所述的面向多元锂离子电池数据的全生命周期演化趋势预测方法，
其特征在于，所述基于白噪音平滑的Residual更新阶段包括以下公式：根据序列加法概念模型将Residual分量描述为Residual
i
＝a
i
+n
i
其中，Residual
i
为由白噪声n
i
、尖峰a
i
或低谷构成的残差集合；利用双边滤波算法剔除不稳定因素以保证Residual分量和Trend分量的稳健性，所述双边滤波算法公式如下：其中，TD
i
'为去噪样本，J为长度为2H+1的滤波窗口，为时刻i的观测点邻接区间为j的滤波权重；其中，σ为无量纲的归一化相关参数，e为指数函数，和为算法预设的平滑度控制参数，TD
j
为邻接区间为j的观测值，TD
i
为时刻i的观测值；则更新后的一阶Residual分量为其中，Residual
′
i
为更新后的一阶Residual分量，为趋势Trend
i
中白噪音的错误或干扰因素。6.根据权利要求5所述的面向多元锂离子电池数据的全生命周期演化趋势预测方法，其特征在于，所述基于序列差分的Trend分解阶段包括以下公式：通过设定基于Seasonality分量和Residual分量的季节性差分值趋于极小值的假设条件减轻季节性特征在序列成分中的影响因子，季节性差分g
i
公式为其中，T为循环周期，代表差分操作，Seasonality
i
为Seasonality分量；基于季节性差分g
i
构建加权目标函数恢复一阶加权目标函数公式为其中为季节性二阶差分值，λ1和λ2为目标函数的权衡参数，N为观测序列的样本点数量；通过加权目标函数，得到Trend分量公式为其中，为Trend分量的优化输出，上标～为优化输出的标识，为首次迭代输出的趋势分量，x为FRA算法的迭代次数；
更新后的二阶Residual分量Residual
″
i
为其中，Trend
i
为Trend分量；基于LAD损失回归函数分解Trend分量后，去趋势集合TD”i
表示为7.根据权利要求6所述的面向多元锂离子电池数据的全生命周期演化趋势预测方法，其特征在于，所述基于领域覆盖的Seasonality分解阶段中采用非局部季节性过滤算法公式为公式为Ω＝{(i',j)|(i'＝t
‑
k
×
T,j...

【专利技术属性】
技术研发人员：周建涛，王昊，王燕，倪磊，任思宇，
申请(专利权)人：内蒙古大学，
类型：发明
国别省市：