一种基于SA-LSTM神经网络的锂电池剩余寿命预测方法及设备技术

本发明专利技术提出一种基于SA

【技术实现步骤摘要】
一种基于SA
‑
LSTM神经网络的锂电池剩余寿命预测方法及设备


[0001]本专利技术涉及电池管理
，尤其涉及一种基于SA
‑
LSTM神经网络的锂电池剩余寿命预测方法、装置、设备和介质。

技术介绍

[0002]锂离子电池作为化石燃料的替代来源，被广泛应用于电动汽车、航空航天、消费电子等领域。然而，锂电池的性能会随着时间的推移而下降，可能导致电池故障或严重事故。剩余使用寿命的准确估计可以显著促进电池性能监测、故障预警。然而，电池退化是一个未知的综合非线性动态过程，受内部电化学反应和外部操作条件之间复杂相互作用的影响。非线性动态过程导致电池运行过程中产生复杂的容量衰退现象，如电池寿命中期至末期的加速退化和电池静止阶段发生的局部再生现象。因此，必须建立准确的锂电池寿命预测模型。

技术实现思路

[0003]本专利技术提供一种基于SA
‑
LSTM神经网络的锂电池剩余寿命预测方法、装置、设备和介质，旨在对锂离子电池未来的健康因子值和剩余寿命进行长期预测。
>[0004]为此，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于SA
‑
LSTM神经网络的锂电池剩余寿命预测方法，其特征在于，包括：基于蒙特卡洛算法优化局部切空间排列算法LTSA，构建优化LTSA特征提取模型，用于从锂电池系统离线数据中获取锂电池的健康因子数据集；构建基于掩码多头自注意模型MHA与长短期记忆神经网络LSTM结合的改进自注意长短期记忆神经网络模型SA
‑
LSTM，使用所述健康因子数据集作为模型训练集对模型进行训练；通过所述优化LTSA特征提取模型获取待预测锂电池的健康因子，输入训练完成的所述改进自注意长短期记忆神经网络模型SA
‑
LSTM中，输出对待预测锂电池的寿命预测。2.根据权利要求1所述的基于SA
‑
LSTM神经网络的锂电池剩余寿命预测方法，其特征在于，所述基于蒙特卡洛算法优化局部切空间排列算法LTSA，构建优化LTSA特征提取模型，包括：获取所述锂电池系统离线数据中的充电电流数据，从所述充电电流数据中搜索第一预设数量的邻点集合；确定所述邻点集合的相关矩阵的最大单位特征向量，并基于所述最大单位特征向量更新所述邻点集合的对齐矩阵；对所述对齐矩阵进行谱分解，按升序对特征值进行排序，基于特征值构造特征矩阵，特征矩阵中的特征向量对应于特征值，通过LTSA提取锂电池的健康因子数据集；通过蒙特卡洛算法优化所述邻点集合的第一预设数量，基于优化后的第一预设数量，再次通过LTSA提取锂电池的优化健康因子数据集。3.根据权利要求1所述的基于SA
‑
LSTM神经网络的锂电池剩余寿命预测方法，其特征在于，所述构建基于掩码多头自注意模型MHA与长短期记忆神经网络LSTM结合的改进自注意长短期记忆神经网络模型SA
‑
LSTM，包括：将掩码多头自注意MHA模块与标准长短期记忆神经网络LSTM级联，形成新的块，即为SA
‑
LSTM；在SA
‑
LSTM区块内，MHA模块和LSTM层周围采用残差连接；多个SA
‑
LSTM块被堆叠以形成编码器，在编码器之前添加嵌入层，在编码器之后应用密集线性连接进行回归预测，形成解码器。4.根据权利要求3所述的基于SA
‑
LSTM神经网络的锂电池剩余寿命预测方法，其特征在于，所述使用所述健康因子数据集作为模型训练集对模型进行训练，包括：基于从第一个充电循环到预测开始的前一个充电循环的历史健康因子时间序列与对应电池剩余寿命进行模型预训练；前一个充电循环的历史健康因子时间序列分割为多个固定时间步长的子序列，将多个子序列作为模型训练集；通过不断迭代，确定模型的全局最优权重、偏差和最小损失函数，得到训练完成的改进自注意长短期记忆神经网络模型。5.根据权利要求4所述的基于SA
‑
LSTM神经网络的锂电池剩余寿命预测方法，其特征在于，所述通过所述优化LTSA特征提取模型获取待预测锂电池的健康因子，输入训练完成的所述改进自注意长短期记忆神经网络模型SA
‑
LSTM中，输出对待预测锂电池的寿命预测，包括：通过训练得...

【专利技术属性】
技术研发人员：李来龙，赵珈卉，曹治，田龙虎，刘明义，张叙，刘浩，朱勇，王建星，刘承皓，孙悦，
申请(专利权)人：华能澜沧江水电股份有限公司，
类型：发明
国别省市：