【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eis增强数据预测电池soh方法。
技术介绍
1、电化学阻抗谱（electrochemical impedance spectroscopy，eis)是一种用于表征电池内部电化学过程的测试方法。电池的阻抗谱eis数据，由实部阻抗和虚部阻抗组成。
2、电池健康度(state of health，soh)下降过程中，活性材料减少，导电性变差，这会引起电池内阻增大，可以通过eis曲线的参数变化反映出来，所以可以通过eis测试得到的阻抗谱来预测电池soh。
3、测试电池阻抗谱数据需要使用专业的仪器设备，成本较高，测试数据的数量往往不多，甚至偏少，因此可以使用数据增强方法来增加电池阻抗谱数据的数量，为模型提供更多数据，增强模型的泛化能力和鲁棒性，避免模型过拟合。
4、对于回归预测模型，常见且有效的数据增强方法包括:（1）添加噪声：向输入数据添加高斯噪声、椒盐噪声等，增加模型鲁棒性。（2）随机缩放：以一定概率随机缩放输入数据的尺度，增强模型对缩放的适应性。（3）随机裁剪：随机裁剪数据的子区域，使模型关注不同部分。（4）特征插值：在特征空间内进行插值，得到更多样本点。（5）混合样本：将两个样本以一定比例混合，生成新的样本。（6）生成对抗样本：使用对抗网络生成难以预测的样本，提升鲁棒性。（7）相关特征增广：根据输入特征的相关性，增广可衍生的新特征。（8）样本权重：根据样本难易程度赋予不同权重，聚焦难样本。
5、值得注意的是，在数据增强时，注意合理选择和组合
6、电池阻抗谱的真实测试数据和增强数据都是覆盖几十个频率范围，维度较高，存在冗余信息，会导致模型精度降低，因此可以使用主成分分析（principle componentanalysis，pca）对阻抗谱数据进行降维，提炼出主要的信息，降低数据的噪声。
7、卷积神经网络（convolution neural network，cnn）可以提取阻抗谱的空间特征。
8、双向长短期记忆网络(bidirectional long short-term memory，bilstm)可以从正向序列和方向序列同时学习阻抗谱的时间序列变化规律。
9、注意力（attention）机制可以学习到序列中各个时间步的相对重要性，从而强化模型对序列上下文的理解，可以动态地选择序列中重要的部分，获得更加有效的序列表达。
10、综上所述，通过数据增强可以增加阻抗谱的数据量，提升模型的泛化能力和鲁棒性；pca可以去除eis数据的噪声；cnn和bilstm的组合可以自动学习eis和soh之间的复杂的时空映射关系；注意力机制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eis数据和增强数据预测soh。
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eis增强数据预测电池soh方法，对eis数据进行增强，将pca、cnn、bilstm和attention模型进行组合，基于eis原始数据和增强数据，共同预测电池soh。
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eis增强数据预测电池soh方法，包括如下实现步骤：
4、步骤s1.测试并采集电池eis和soh数据；
5、步骤s2.使用cnn-lstm模型对eis数据进行增强：将eis数据作为输入数据，通过cnn-lstm模型提取数据的特征，然后对eis本身进行预测。数据增强是对输入数据进行重构，当误差很小时，相对于给真实数据增加了一些随机扰动，生成的新的训练数据，从而可以提升模型的泛化能力和鲁棒性；
6、步骤s3.使用pca模型对eis输入数据进行主成分提取：将电池的eis数据作为输入数据，计算eis数据的协方差矩阵，求解协方差矩阵的特征值和特征向量，按特征值大小排序，选择主要的前10个特征向量，这些特征向量就是主成分，将原始eis数据投影到这10个主成分上得到新的10维特征表示，即降维到10维；
7、步骤s4.使用cnn模型提取电池eis的空间特征： 将pca提取到的电池eis数据的主要成分数据，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；
8、步骤s5.使用bilstm模型提取eis的时间序列变化规律：将cnn提取到的eis的空间特征数据，作为bilstm的输入数据，进一步提取eis的时间变化特征；
9、所述bilstm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；
10、步骤s6.使用attention模型提取eis时空特征的重要部分：根据s4和s5步骤中，cnn-bilstm模型已经提取到了eis数据的时空特征，将cnn-bilstm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；
11、步骤s7.预测电池容量即soh：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，预测值是电池容量即soh，激活函数为linear函数。
12、进一步的，所述步骤s1包括如下步骤：
13、步骤s11.eis数据采集：使用电化学工作站配置频率扫描测试，在不同频率点测试电池的阻抗值和相位，记录频率响应数据，主要是测试阻抗的实部数据和虚部数据；
14、步骤s12.soh数据采集：进行充放电循环测试，记录不同循环次数下的容量；
15、步骤s13.匹配采集数据：同一组电池同时进行eis和充放电循环测试，匹配对应电池的eis数据和soh水平。
16、进一步的，所述步骤s11中，eis配置频率范围为10-2hz至105hz，优选60个频率值作为样例。
17、进一步的，所述步骤s2中，所述cnn模型提取eis的空间特征，lstm提取eis的时序规律，cnn-lstm模型的中间输出向量就是eis的时空特征，是对于eis的一种特征向量表达。
18、进一步的，所述步骤s2中，基于eis的时空特征，可以对其进行还原，即对eis本身进行预测。由于正则化等因素的约束，预测值不会与输入值完全相同，会存在一定的扰动。在模型误差很小时，相当于给输入数据添加了一些随机扰动，这与一般的数据增强方法起到了异曲同工的本文档来自技高网...
【技术保护点】
1.一种基于EIS增强数据预测电池SOH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EIS增强数据预测电池SOH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2所述的一种基于EIS增强数据预测电池SOH方法，其特征在于，所述步骤S11中，EIS配置频率范围为10-2HZ至105HZ，优选60个频率值作为样例。
4.根据权利要求1所述的一种基于EIS增强数据预测电池SOH方法，其特征在于，所述步骤S2中，所述CNN模型提取EIS的空间特征，LSTM提取EIS的时序规律，CNN-LSTM模型的中间输出向量就是EIS的时空特征。
5.根据权利要求1所述的一种基于EIS增强数据预测电池SOH方法，其特征在于，所述步骤S2中，基于EIS的时空特征，可以对其进行还原，即对EIS本身进行预测。
6.根据权利要求4所述的一种基于EIS增强数据预测电池SOH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128个，核的尺
7.进根据权利要求1所述的一种基于EIS增强数据预测电池SOH方法，其特征在于，所述步骤S3中，所述EIS数据包括真实测试的EIS数据和数据增强之后的EIS数据，分别通过PCA模型计算主成分。
8.根据权利要求1所述的一种基于EIS增强数据预测电池SOH方法，其特征在于，所述步骤S4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。
9.根据权利要求1所述的一种基于EIS增强数据预测电池SOH方法，其特征在于，所述步骤S7中，所述全连接层的神经元个数为16，激活函数均为relu函数。
10.根据权利要求1所述的一种基于EIS增强数据预测电池SOH方法，其特征在于，所述步骤S7中，所述Attention模型的损失函数为均方误差，优化器为rmsprop，评估指标为平均绝对误差，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eis增强数据预测电池soh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eis增强数据预测电池soh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2所述的一种基于eis增强数据预测电池soh方法，其特征在于，所述步骤s11中，eis配置频率范围为10-2hz至105hz，优选60个频率值作为样例。
4.根据权利要求1所述的一种基于eis增强数据预测电池soh方法，其特征在于，所述步骤s2中，所述cnn模型提取eis的空间特征，lstm提取eis的时序规律，cnn-lstm模型的中间输出向量就是eis的时空特征。
5.根据权利要求1所述的一种基于eis增强数据预测电池soh方法，其特征在于，所述步骤s2中，基于eis的时空特征，可以对其进行还原，即对eis本身进行预测。
6.根据权利要求4所述的一种基于eis增强数据预测电池soh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128个，...
【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。