一种基于Informer神经网络的锂离子电池SOH预测方法技术

本发明专利技术公开了一种基于Informer神经网络的锂离子电池SOH预测方法，其特征在于，包括如下步骤：S1、获取锂电池循环老化数据制作数据集，并划分为训练集和测试集；S2、数据集预处理，获取数据集中的循环老化数据，并进行归一化处理；S3、构建初始Informer神经网络；S4、改进初始Informer神经网络；S5、将预处理后的训练集作为输入训练最终Informer神经网络；S6、经预处理后的测试集输入至完成训练的最终Informer神经网络中得到预测结果，并采用平均绝对误差和均方根误差作为评价指标。该方法通过对循环数据进行复相关系数分析，确定适当的window

【技术实现步骤摘要】
一种基于Informer神经网络的锂离子电池SOH预测方法


[0001]本专利技术涉及动力电池管理
，具体指一种基于Informer神经网络的锂离子电池SOH预测方法。

技术介绍

[0002]锂离子电池作为一种清洁能源，目前已广泛应用于电动汽车、电子设备和能源存储系统中。然而，锂电池随着时间的推移会自然老化，并且由于人为操作不当等问题，其性能可能会下降，甚至引发安全事故。目前，针对锂电池健康状态(SOH)的评估技术尚未完全成熟。一方面，SOH值不能由传感器准确测量，另一方面，不同工作条件下的锂电池降解过程会有所不同。因此，从长远的角度来看，锂电池健康状态(SOH)的评估对于确保电池安全运行至关重要。
[0003]近年来，针对锂电池健康状态(SOH)的估计方法不断涌现，可以分为直接测量方法、基于模型的方法和数据驱动方法。直接测量方法需要专业人员使用特定仪器进行操作，并且只能进行离线测量，无法在线应用。此外，直接测量方法会对电池造成一定程度的损伤，并且其精度有限。基于模型的方法则是根据锂电池的内部和外部特性进行建模和仿真。然而，该方法的泛化能力相对较弱，需要针对不同类型的电池建立不同的模型。此外，仅仅依靠单一的等效电路模型无法充分反映出电池内部的变化情况，因此在实际应用中效果不佳。
[0004]随着数据量爆炸式增长，数据驱动的方法受到了广泛关注。这种方法不需要对锂电池内部化学反应和外部特征进行详细分析，只需要锂电池使用过程中记录下来的各类参数，即可对SOH进行较为准确的估计。目前，诸如循环神经网络(RNN)、卷积神经网络(CNN)、Transformer等神经网络已被广泛应用于SOH估计。其中，Informer是基于Transformer提出的一个效率优化的长时间序列预测模型。然而，由于Informer的ProbSparse self
‑
attention机制对于锂电池大量序列化信息的特征提取效果不佳，因此该模型无法对锂电池的SOH进行准确估计。

技术实现思路

[0005]本专利技术的目的就是克服现有技术的不足，提出了一种基于Informer神经网络的锂离子电池SOH预测方法，该方法通过对循环数据进行复相关系数分析，确定适当的window
‑
size，改进Informer神经网络。大量实验结果表明，本方法不仅可以很好地提取与当前时刻SOH相关性最强的各循环特征，而且可以较为精确地估计SOH。
[0006]为了解决上述技术问题，本专利技术的技术方案为：
[0007]一种基于Informer神经网络的锂离子电池SOH预测方法，包括如下步骤：
[0008]S1、获取锂电池循环老化数据制作数据集，并划分为训练集和测试集；
[0009]S2、数据集预处理，获取数据集中的循环老化数据，并进行归一化处理；
[0010]S3、构建初始Informer神经网络，所述初始Informer神经网络包括Embedding模
块、Encoder模块、Decoder模块和全连接层；
[0011]S4、改进初始Informer神经网络
[0012]对预处理后的循环老化数据进行复相关系数分析，得到与当前循环的SOH关系最强的循环数，进而确定window
‑
size并代入初始Informer神经网络得到最终Informer神经网络；
[0013]S5、将预处理后的训练集作为输入训练最终Informer神经网络；
[0014]S6、经预处理后的测试集输入至完成训练的最终Informer神经网络中得到预测结果，并采用平均绝对误差和均方根误差作为评价指标。
[0015]作为优选，所述循环老化数据包括原始的电压、电流、温度以及充放电容量。
[0016]作为优选，所述步骤S1中，所述训练集和测试集的划分比例为3：1.
[0017]作为优选，所述Embedding模块包括标量投影、位置嵌入和全局时间戳嵌入；所述Encoder模块包括多头局部注意力机制、残差和层归一化操作；所述Decoder模块包括多头局部注意力机制、残差和层归一化操作、多头自注意力层。
[0018]作为优选，复相关系数分析流程如下：首先，使用复决定系数R平方值评估模型的拟合程度，R方＞0.35表示模型可靠，R方＞0.5表示模型拟合良好，R方＞0.7表示模型非常出色。然后，通过计算F统计量确定显著性水平P是否<＝0.01，确保假设可信。最后，计算回归系数B
*
和标准化系数Beta，Beta值的大小反映了自变量x对因变量y的重要程度，其绝对值越大表示此自变量对因变量的影响越大。从而确定对当前循环SOH(即因变量y)影响最大的循环(即自变量中回归系数最大的x)。通过以上分析，可以确定与当前循环的SOH关系最强的循环数，从而得到关系最强的循环与当前循环的相邻距离，将距离大小作为窗口大小window
‑
size，进一步确定所改进初始Informer神经网络注意力机制的窗口大小。
[0019]作为优选，所述步骤S5中训练方法为：其中，Epoch＝50，学习率lr＝0.0001，批大小batch_size＝32，编码器层数e_layers＝2，解码器层数d_layers＝1，注意力头数n_heads＝8，损失函数loss＝L1Loss，encoder输入序列长度seq_len＝96，decoder起始特征长度label_len＝48，序列预测长度pred_len＝12，时间编码freq＝h，模型维数d_model＝512。
[0020]作为优选，所述步骤S6中，通过完成训练后的最终Informer神经网络进行预测的方法为：
[0021]S6
‑
1、将预处理后的测试集作为输入，随机选取长度为S＝96的序列作为encoder输入，其中x_enc
S*d
、x_mark_enc
S*h
分别作为encoder的初始循环数据输入和时间戳输入，d为序列维度，h为指定的时间编码类型。然后，选取上面序列中长度为L＝48的部分序列，将其与预测长度P＝12的以0为初始化的序列拼接作为decoder输入，其中x_dec
(L+P)*d
、x_mark_dec
(L+P)*h
分别作为decoder的初始循环数据输入和时间戳输入。分别通过Embedding模块得到encoder输入矢量χ
feed_encS*d_model
和decoder输入矢量χ
feed_dec(L+P)*d_model
；
[0022]S6
‑
2、输入完成嵌入的矢量χ
feed_encS*d_model
，通过Encoder模块得到编码后的结果enc_out
L*d_model
；
[0023]S6
‑
3、输入完成编码的矩阵enc_ou本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Informer神经网络的锂离子电池SOH预测方法，其特征在于，包括如下步骤：S1、获取锂电池循环老化数据制作数据集，并划分为训练集和测试集；S2、数据集预处理，获取数据集中的循环老化数据，并进行归一化处理；S3、构建初始Informer神经网络，所述初始Informer神经网络包括Embedding模块、Encoder模块、Decoder模块和全连接层；S4、改进初始Informer神经网络；对预处理后的循环老化数据进行复相关系数分析，得到与当前循环的SOH关系最强的循环数，进而确定window
‑
size并代入初始Informer神经网络得到最终Informer神经网络；S5、将预处理后的训练集作为输入训练最终Informer神经网络；S6、经预处理后的测试集输入至完成训练的最终Informer神经网络中得到预测结果，并采用平均绝对误差和均方根误差作为评价指标。2.根据权利要求1所述的基于Informer神经网络的锂离子电池SOH预测方法，其特征在于，所述循环老化数据包括原始的电压、电流、温度以及充放电容量。3.根据权利要求1所述的基于Informer神经网络的锂离子电池SOH预测方法，其特征在于，所述步骤S1中，所述训练集和测试集的划分比例为3：1。4.根据权利要求1所述的基于Informer神经网络的锂离子电池SOH预测方法，其特征在于，所述Embedding模块包括标量投影、位置嵌入和全局时间戳嵌入；所述Encoder模块包括多头局部注意力机制、残差和层归一化操作；所述Decoder模块包括多头局部注意力机制、残差和层归一化操作、多头自注意力层。5.根据权利要求1所述的基于Informer神经网络的锂离子电池SOH预测方法，其特征在于，所述复相关系数分析方法为：首先，使用复决定系数R平方值评估模型的拟合程度，R方＞0.35表示模型可靠，R方＞0.5表示模型拟合良好，R方＞0.7表示模型非常出色；然后，通过计算F统计量确定显著性水平P是否<＝0.01，确保假设可信；最后，计算回归系数B
*
和标准化系数Beta，Beta值的大小反映了自变量x对因变量y的重要程度，其绝对值越大表示此自变量对因变量的影响越大；从而确定对当前循环SOH影响最大的循环，进而确定与当前循环的SOH关系最强的循环数，从而得到关系最强的循环与当前循环的相邻距离，将距离大小作为窗口大小window
‑
size，进一步确定所改进初始Informer神经网络注意力机制的窗口大小。6.根据权利要求1所述的基于Informer神经网络的锂离子电池SOH预测方法，其特征在于，所述步骤S5中训练方法为：其中，Epoch＝50，学习率lr＝0.0001，批大小batch_size＝32，编码器层数e_layers＝2，解码器层数d_layers＝1，注意力头数n_heads＝8，损失函数loss＝L1Loss，encoder输入序列长度seq_len＝96，decoder起始特征长度label_len＝48，序列预测长度pred_len＝12，时间编码freq＝h，模型维数d_model＝512。7.根据权利要求4所述的基于Informer神经网络的锂离子电池SOH预测方法，其特征在于，所述步骤S6中，通过完成训练后的最终Informer神经网络进行预测的方法为：S6
‑
1、将预处理后的测试集作为输入，通过Embedding模块得到encoder输入矢量和decoder输入矢量；S6
‑
2、输入encoder输入矢量，通过Encoder模块得到编码后的编码矩阵；
S6
‑
3、输入Encoder模块输出的编码矩阵和decoder输入矢量，通过Decoder模块得到解码后的解码结果；S6
‑
4、最后，输入Decoder模块输出的解码矩阵，经过一个全连接层，用于对其进行线性变换、特征降维，完成多对一的映射。8.根据权利要求7所述的基于Informer神经网络的锂离子电池SOH预测方法，其特征在于，所述步骤S6
‑
1的具体方法为：S6
‑1‑
1、输入测试集中encoder的初始循环数据输入x_enc
S*d
和decoder的初始循环数据输入x_dec
(L+P)*d
，这里记作第t个输入序列x
tN*d
，通过一维卷积滤波器，卷积核大小＝3,步长＝1，完成特征嵌入，将x
t
投影到d_model维的特征向量u
t
中，输出为标量投影u
tN*d_model
，表达式如下：其中，表示第t个输入序列，i是向量中的第i个维度，Conv1d表示一维卷积滤波器；S6
‑1‑
2、输入为x_enc
S*d
和x_dec
(L+P)*d
，这里记作x
tN*d
，将输入序列与sin和cos函数中的位置对应，给一个在正弦或者余弦上对应的位置信息，输出为第i个维度的位置嵌入PE
N*d_model
，表达式如下：PE
(pos,2i)
＝sin(pos/10000
2i/d_model
)PE
(pos,2i+1)
＝cos(pos/10000
2i/d_model
)其中，pos是在序列x
t
中的位置，i是向量中的第i个维度，d_model是指模型的维数，10000用于控制sin和cos函数的频率，指数2i/d_model控制频率在维度上的增速；S6
‑1‑
3、输入为x_mark_enc
S*h
和x_mark_dec
(L+P)*h
，这里记作全局时间戳SE将输入的时间戳通过一个全连接层映射到512维，输出为第t个序列的时间戳嵌入SE
N*d_model
，表达式如下：其中，表示第t个序列的时间信息输入，i是向量中的第i个维度，p表示不同类型的全局时间戳，包括分别以月、周、日、时、分为最小间隔的类型，即指定的freq，Linear表示全连接层；S6
‑1‑
4、输入的嵌入由三个...

【专利技术属性】
技术研发人员：高明裕，沈涵丹，杨宇翔，何志伟，李平，董哲康，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：