【技术实现步骤摘要】
本专利技术涉及电池和电化学，尤其是一种基于transformer组合模型的电池rul预测方法。
技术介绍
1、电池rul(remaining useful life)即电池的剩余寿命，是评估电池健康状态的一个重要指标。电池rul是电池的一个重要指标，主要体现在几个方面：评估电池健康状态、指导电池使用与维护、预警电池故障、评估电池降容衰减、优化电池管理策略和评估电池二次利用价值等。
2、由于电池电流、电阻和阻抗与电池rul有着密切的关系，因此根据电池电流、电阻和阻抗来评估电池rul是一个研究热点。
3、传统的机器学习方法，如神经网络法或支持向量机回归方法可以很好地实现电池rul的估计，但是在预测精度上还有待提升。
4、随着深度学习技术的发展，可以结合多种深度学习模型，以进一步提高模型预测电池rul的能力。
5、常见的深度学习模型及其作用有：卷积神经网络（convolution neural network，cnn）：cnn可以用于提取电流、电阻和阻抗数据的空间特征。
6、双向长短期记忆网络(bidirectional long short-term memory，bilstm)：bilstm可以从正向序列和方向序列同时学习电流、电阻和阻抗的时间序列变化规律。
7、transformer模型：transformer可以用多头注意力机制和前馈网络学习输入数据的特征表示。
8、注意力（attention）机制：attention机制可以学习到序列中各个时
9、综上所述，cnn和bilstm的组合可以学习电流、电阻和阻抗与rul之间的复杂的时空映射关系，transformer和attention机制共同强化模型对序列上下文的理解，因此可以使用以上四种模型的组合，使用电池电流、电阻和阻抗数据预测rul。
技术实现思路
1、为了实现上述目的，本专利技术提供一种基于transformer的组合模型的使用电池电流、电阻和阻抗预测rul的方法，将cnn、bilstm、transformer、attention模型进行组合，特别是将transformer模型与其他模型进行组合，发挥各个模型的优势，基于电池电流、电阻和阻抗数据，共同预测电池rul。
2、本专利技术解决其技术问题所采用的技术方案是：
3、一种基于transformer组合模型的电池rul预测方法，包括如下实现步骤：
4、步骤s1：测试并采集电池电流、电阻、阻抗和rul数据。
5、步骤s2.使用cnn模型提取电池电流电阻阻抗的空间特征：将电流电阻阻抗数据，作为cnn模型的输入数据，通过卷积层进行特征提取，卷积层中的卷积核对输入数据进行滑动，计算卷积操作，得到特征图，不同卷积核能提取不同的特征。
6、步骤s3.使用bilstm模型提取电流电阻阻抗的时间序列变化规律：
7、将cnn提取到的电流电阻阻抗的空间特征数据，作为bilstm的输入数据，进一步提取电流电阻阻抗的时间变化特征。 所述bilstm模型由前向lstm和后向lstm组成，包含前向隐状态和后向隐状态，可以捕捉过去和未来的上下文信息。在同一时刻，前向lstm处理正向序列，后向lstm处理反向序列，最后通过拼接或者添加两者的隐状态作为该时刻的输出状态。
8、步骤s4.使用transformer模型提取电流电阻阻抗特征：将cnn-bilstm模型提取到的电流电阻阻抗的空间特征数据，作为transformer模型的输入数据，进一步提取电流电阻阻抗的特征。
9、所述transformer模型根据输入数据序列输出表示向量序列，包含输入数据序列的上下文信息。
10、所述transformer模型主要通过位置编码、多头注意力机制、前馈全连接网络、残差连接和正则化等方式学习输入序列的特征表示。位置编码引入位置信息，多头注意力学习全局依赖，前馈全连接网络增强特征，残差连接和正则化加速和稳定特征学习。
11、步骤s5.使用attention模型提取电流电阻阻抗特征的重要部分：根据s2、s3和s4步骤中，cnn-bilstm-transformer模型已经提取到了电流电阻阻抗数据的时空特征，将cnn-bilstm-transformer模型的输出结果，作为attention模型的输入，进一步计算特征之间的相对重要性，给相对重要的特征赋予较高的权重，即提取了特征的重要部分。
12、步骤s6.预测电池剩余循环次数即rul：在attention模型之后是一个全连接层，全连接层对attention输出进行进一步提取，获得时间序列的高层特征表达。全连接层之后是模型的输出层，输出层是一个线性回归层，预测值是电池剩余循环次数即rul，激活函数为linear函数。
13、进一步的，所述步骤s1包括如下步骤：
14、s11准备设备与材料：准备数据采集设备，如电流传感器、交流阻抗测试仪、信号记录仪等。准备数据存储介质和电池样本；
15、s12电流数据采集：在电池的充放电回路中插入采集电阻，使用电流传感器实时测量并记录电流值；
16、s13电阻数据采集：在不同充放电状态下，测量电池两端电压和通过的电流，按电阻公式r = u/i计算电阻；
17、s14阻抗数据采集：使用阻抗测试仪测试电池在不同频率下的阻抗值，得到阻抗频率谱；
18、s15rul数据采集：统计电池的历史循环次数数据。
19、进一步的，所述步骤s2中，所述cnn结构包含两个卷积层和一个池化层，卷积层的激活函数均为relu函数，过滤器数量设置为32个，核的尺寸为1，池化层的池化尺寸也为1。
20、进一步的，所述步骤s2中，池化层进行下采样，减小特征图大小，提取主要特征，提高特征的鲁棒性。最大池化取感受野内的最大值，平均池化取平均值。
21、进一步的，所述步骤s4中transformer模型采用1层transformer结构，参数d_model为32，num_heads为8，dff为1。d_model表示特征嵌入的维度；num_heads表示多头注意力机制的头的个数；dff表示残差连接的步长。
22、进一步的，所述步骤s5中注意力机制的结构为bahdanau attention结构。
23、进一步的，所述步骤s6中全连接层的神经元个数为16，激活函数均为relu函数。
24、进一步的，所述步骤s6attention模型的损失函数为均方误差；优化器optimizer为rmsprop；评估指标metrics为平均绝对误差，即目标值和预测值之差的绝对值之和。
25、本专利技术有益效果如下：
26、1. cnn可以提取电流电阻和阻本文档来自技高网...
【技术保护点】
1.一种基于Transformer组合模型的电池RUL预测方法，其特征在于，包括如下实现步骤：
2.根据权利要求1所述的一种基于Transformer组合模型的电池RUL预测方法，其特征在于，所述步骤S1包括如下步骤：
3.根据权利要求1所述的一种基于Transformer组合模型的电池RUL预测方法，其特征在于，所述步骤S2中，所述CNN结构包含两个卷积层和一个池化层，卷积层的激活函数均为relu函数，过滤器数量设置为32个，核的尺寸为1，池化层的池化尺寸也为1。
4.根据权利要求3所述的一种基于Transformer组合模型的电池RUL预测方法，其特征在于，所述步骤S2中，池化层进行下采样，减小特征图大小，提取主要特征，提高特征的鲁棒性；最大池化取感受野内的最大值，平均池化取平均值。
5.根据权利要求1所述的一种基于Transformer组合模型的电池RUL预测方法，其特征在于，所述步骤S4中Transformer模型采用1层Transformer结构，参数d_model为32，num_heads为8，dff为1；d_model
6.根据权利要求1所述的一种基于Transformer组合模型的电池RUL预测方法，其特征在于，所述步骤S5中注意力机制的结构为Bahdanau Attention结构。
7.根据权利要求1所述的一种基于Transformer组合模型的电池RUL预测方法，其特征在于，所述步骤S6中全连接层的神经元个数为16，激活函数均为relu函数。
8.根据权利要求1所述的一种基于Transformer组合模型的电池RUL预测方法，其特征在于，所述步骤S6中Attention模型的损失函数为均方误差；优化器optimizer为rmsprop；评估指标metrics为平均绝对误差，即目标值和预测值之差的绝对值之和。
...【技术特征摘要】
1.一种基于transformer组合模型的电池rul预测方法，其特征在于，包括如下实现步骤：
2.根据权利要求1所述的一种基于transformer组合模型的电池rul预测方法，其特征在于，所述步骤s1包括如下步骤：
3.根据权利要求1所述的一种基于transformer组合模型的电池rul预测方法，其特征在于，所述步骤s2中，所述cnn结构包含两个卷积层和一个池化层，卷积层的激活函数均为relu函数，过滤器数量设置为32个，核的尺寸为1，池化层的池化尺寸也为1。
4.根据权利要求3所述的一种基于transformer组合模型的电池rul预测方法，其特征在于，所述步骤s2中，池化层进行下采样，减小特征图大小，提取主要特征，提高特征的鲁棒性；最大池化取感受野内的最大值，平均池化取平均值。
5.根据权利要求1所述的一种基于transformer组合模型的电池rul预测方法，其特征在于，所述步骤s4中trans...
【专利技术属性】
技术研发人员：常伟，潘多昭，胡志超，
申请(专利权)人：南通乐创新能源有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。