一种注意力机制耦合贝叶斯网络的锂电池制造技术

本发明专利技术公开了一种注意力机制耦合贝叶斯网络的锂电池

【技术实现步骤摘要】
一种注意力机制耦合贝叶斯网络的锂电池SOH估计方法


[0001]本专利技术涉及电池
，尤其涉及一种注意力机制耦合贝叶斯网络的锂电池
SOH
估计方法
。

技术介绍

[0002]锂电池是广泛应用于储能系统和电动汽车的供能元件
。
随着使用时间的推移，锂电池不可避免地发生退化，对系统的运行能效和安全性形成制约
。
电池健康状态
(State of health
，
SOH)
是一种量化电池退化程度的指标，一般由电池剩余最大可用容量与标称容量的比值表示，电池
SOH
的精确可靠估计在电池管理技术中尤为重要
。
[0003]数据驱动方法是当前健康状态估计领域的主流
。
该类方法从电池运行数据中提取与电池退化相关的特征，通过建立基于机器学习或深度学习的模型捕捉电池退化的非线性机制，在特定实验条件下已能够得到较好的估计结果
。
然而，这类方法特征一般由手动提取，且缺乏对结果可靠性的度量，使得模型泛化性相对较差，在实际应用中潜力不足
。
[0004]具体而言，手动特征提取需要人为选择和定义，依赖于较深的领域知识，且通常基于特定的电池运行工况，易受到个体主观的干扰和运行工况的限制
。
另外，面对电池退化机理的复杂性，手动提取特征难以全面捕捉到电池退化的影响因素，并且无法对提取的特征作深度的解耦，都造成了模型泛化性不足的结果
。
数据驱动模型确定的模型参数无法提供对估计结果的可靠性度量，面对实际应用中数据分布未知
、
与训练集偏差较大的情况，模型难以取得准确的估计结果，从而限制了后续系统决策的可靠性和稳定性
。
[0005]因此，本领域的技术人员致力于开发一种新的锂电池
SOH
估计方法，解决现有的手动特征提取技术中存在的上述缺陷
。

技术实现思路

[0006]有鉴于现有技术的上述缺陷，本专利技术所要解决的技术问题是如何克服数据驱动方法中由手动特征提取需要人为选择和定义，依赖于较深的领域知识，且易受到个体主观的干扰和运行工况的限制，从而缺乏对结果可靠性的度量，使得模型泛化性相对较差，在实际应用中潜力不足的问题
。
[0007]为实现上述目的，本专利技术提供了一种注意力机制耦合贝叶斯网络的锂电池
SOH
估计方法，包括以下步骤：
[0008]步骤
1、
采集锂电池的原始运行数据，并按时间序列进行整理和清洗，最后作标准化处理，得到预处理后的运行数据集；
[0009]步骤
2、
创建多个基于多头注意力机制的基本编码块堆叠而成的特征提取网络，并创建嵌入层和位置编码矩阵，再输入所述运行数据集，通过所述嵌入层和所述位置编码矩阵将所述运行数据集进行转换，然后通过所述多个基本编码块对若干特征进行编码，最后通过平均池化提取最终的特征向量；
[0010]步骤
3、
创建多个贝叶斯线性层堆叠而成的贝叶斯神经网络模型，将所述步骤2中
提取的所述特征向量作为输入，在所述贝叶斯神经网络模型中利用贝叶斯推断对模型的参数分布进行学习，通过蒙特卡洛采样得到多个可能的模型实例，最终根据所述模型实例的输出结果计算损失值以便对所述贝叶斯神经网络模型的参数进行更新；
[0011]步骤
4、
根据所述贝叶斯神经网络模型输出的样本集合，取均值和标准差作为所述锂电池
SOH
的估计值和置信区间，实现包含可信度量的所述锂电池
SOH
的估计
。
[0012]进一步地，所述步骤1包括以下子步骤：
[0013]步骤
1.1、
将所述锂电池包含的若干电池单体作为采样点，在所述电池单体的一个完整的充放电循环中，以固定采样频率采集所述电池单体的所述若干特征的运行数据，采用安时积分法计算所述电池单体的
SOC
值，并将所述
SOC
值按采样次序组合成原始特征向量，以最终放电容量与额定容量值的比值作为真实的
SOH
标签，以循环次数为依据划分样本，从而构成所述原始运行数据
D
：
[0014][0015]其中，
x
和
y
表示所述原始特征向量和标签，
n
c
表示电池在全生命周期的总循环次数；
[0016]步骤
1.2、
计算每类特征在所述原始运行数据
D
上的最值，并对所述全部原始特征向量
x
作最大最小归一化处理：
[0017]x
＝
(x
‑
x
min
)/(x
max
‑
x
min
)
[0018]得到预处理后的所述运行数据集，并记为：
[0019][0020]其中，
m
和
n
分别表示序列长度和原始特征维度
。
[0021]进一步地，在所述步骤
1.1
中，以电流为例，第
t
个采样点的电流的
SOC
t
值为：
[0022][0023]其中，
SOC
ini
表示充电开始时所述电池单体的
SOC
值，
Δ
t
表示所述电池单体的采样间隔，
I
i
表示第
i
个采样点的测量电流值；
[0024]所述若干特征除了电流，还包括电压
、
温度
、
比率电流
、
环境温度
。
[0025]进一步地，所述步骤2中的所述特征提取网络包括一个所述嵌入层
、
一个位置编码器
、
一个平均池化层和所述多个基本编码块堆叠而成的编码层；所述每个基本编码块包含多头注意力机制层
、
前馈神经网络层以及残差连接归一化层；
[0026]所述嵌入层通过一个线性层将特征维度为
n
的输入序列数据映射到一个包含
d
个隐藏单元的隐藏层，以增加每个样本的特征维度，最终输出特征维度为
d
的所述特征向量，具体为：
[0027][0028]其中，
s
为所述运行数据集
X
中的样本序号；
[0029]所述位置编码器的计算过程如下：
[0030][0031]其中，对于所述每个采样点，
t
是所述每个采样点在序列中的实际位置，
d
是所述每个采样点的维度；
PE
t
∈R
d
是所述每个采本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种注意力机制耦合贝叶斯网络的锂电池
SOH
估计方法，其特征在于，所述方法包括以下步骤：步骤
1、
采集锂电池的原始运行数据，并按时间序列进行整理和清洗，最后作标准化处理，得到预处理后的运行数据集；步骤
2、
创建多个基于多头注意力机制的基本编码块堆叠而成的特征提取网络，并创建嵌入层和位置编码矩阵，再输入所述运行数据集，通过所述嵌入层和所述位置编码矩阵将所述运行数据集进行转换，然后通过所述多个基本编码块对若干特征进行编码，最后通过平均池化提取最终的特征向量；步骤
3、
创建多个贝叶斯线性层堆叠而成的贝叶斯神经网络模型，将所述步骤2中提取的所述特征向量作为输入，在所述贝叶斯神经网络模型中利用贝叶斯推断对模型的参数分布进行学习，通过蒙特卡洛采样得到多个可能的模型实例，最终根据所述模型实例的输出结果计算损失值以便对所述贝叶斯神经网络模型的参数进行更新；步骤
4、
根据所述贝叶斯神经网络模型输出的样本集合，取均值和标准差作为所述锂电池
SOH
的估计值和置信区间，实现包含可信度量的所述锂电池
SOH
的估计
。2.
如权利要求1所述的注意力机制耦合贝叶斯网络的锂电池
SOH
估计方法，其特征在于，所述步骤1包括以下子步骤：步骤
1.1、
将所述锂电池包含的若干电池单体作为采样点，在所述电池单体的一个完整的充放电循环中，以固定采样频率采集所述电池单体的所述若干特征的运行数据，采用安时积分法计算所述电池单体的
SOC
值，并将所述
SOC
值按采样次序组合成原始特征向量，以最终放电容量与额定容量值的比值作为真实的
SOH
标签，以循环次数为依据划分样本，从而构成所述原始运行数据
D
：其中，
x
和
y
表示所述原始特征向量和标签，
n
c
表示电池在全生命周期的总循环次数；步骤
1.2、
计算每类特征在所述原始运行数据
D
上的最值，并对所述全部原始特征向量
x
作最大最小归一化处理：
x
＝
(x
‑
x
min
)/(x
max
‑
x
min
)
得到预处理后的所述运行数据集，并记为：
X
＝
{x1,x2,
…
,x
nc
}∈R
m*n
其中，
m
和
n
分别表示序列长度和原始特征维度
。3.
如权利要求2所述的注意力机制耦合贝叶斯网络的锂电池
SOH
估计方法，其特征在于，在所述步骤
1.1
中，以电流为例，第
t
个采样点的电流的
SOC
t
值为：其中，
SOC
ini
表示充电开始时所述电池单体的
SOC
值，
Δ
t
表示所述电池单体的采样间隔，
I
i
表示第
i
个采样点的测量电流值；所述若干特征除了电流，还包括电压
、
温度
、
比率电流
、
环境温度
。4.
如权利要求2所述的注意力机制耦合贝叶斯网络的锂电池
SOH
估计方法，其特征在
其中，
W1、b1、W2、b2分别为两个全连接层的权重和偏差矩阵；将所述嵌入层
、
所述位置编码器
、
所述多头注意力机制层
、
所述残差连接归一化层以及所述前馈神经网络层按上述流程堆叠，最后再经过一个所述残差连接归一化层，组成一个所述基本编码块；所述平均池化层将所述编码层输出的特征编码信息在采样维度计算平均值，以便将整个时间序列的特征进行压缩和整合，减少冗余信息，得到一个长度为
128
的最终的所述特征向量；对于所述运行数据集经过所述特征提取网络得到一个特征向量集合：
5.
如权利要求1所述的注意力机制耦合贝叶斯网络的锂电池
SOH
估计方法，其特征在于，所述贝叶斯神经网络模型包括两个引入贝叶斯参数的线性全连接层；第一个所述线性全连接层由
128
维映射到
32
维；...

【专利技术属性】
技术研发人员：施江浩，琚长江，杨根科，褚健，俞晓天，黄彦蓓，
申请(专利权)人：上海交通大学宁波人工智能研究院，
类型：发明
国别省市：