System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及动力电池管理,具体指一种基于自适应联合模型的锂离子电池soh估计方法。
技术介绍
1、锂离子电池是一种高效、轻便以及可充电的电池技术,目前已广泛应用于大规模能源存储系统和电动汽车等,逐渐成为了各领域能源需求的首选方案。然而锂离子电池在错误操作、过度充放电或过热等不良状态下很容易发生老化,引发安全问题,导致火灾、爆炸甚至威胁生命。因此,迫切需要一种准确的锂离子电池健康状态(soh)估计方法,准确稳定地监测电池的工作状态和健康状态。
2、早期的锂离子电池soh估计主要依赖于电池的开关电压和温度进行监测,但这种方法只能提供基本的保护,无法提供详尽的信息。随着研究的深入,物理模型方法开始得到广泛应用,主要包括等效电路模型和电化学模型,然而物理模型通常是为特定系统或应用领域开发的,因此不能通用于其他不同类型的系统。
3、近年来,在机器学习和深度学习领域,数据驱动估计方法变得主流。通过收集大量的电池操作数据和soh标签,可以训练模型来学习电池soh的估计,例如卷积神经网络(cnn)和循环神经网络(rnn)及其变体(lstm、gru等)。但是cnn在时间序列中可能忽略了时间上的局部性,其参数共享机制并不适用于时间序列数据,而rnn及其变体存在梯度消失问题,且在处理大型序列时速度较慢。最初在自然语言处理(nlp)任务中引入的自注意力机制能够动态地为不同时间步选择不同的权重,使模型能够集中关注于更重要的位置。但是自注意力机制主要对输入向量进行空间维度的全局信息的模糊嵌入,关联粗粒度信息而忽略了细粒度信息的传播
技术实现思路
1、本专利技术的目的就是克服现有技术的不足,提出了一种基于自适应联合模型的锂离子电池soh估计方法,该方法通过金字塔式全局-局部特征提取器生成更具细粒度的先验知识,结合多尺度多头自注意力机制实现高质量的全局局部信息感知,并通过通道交叉自注意力机制对电压维度之间的信息也进行建模,从而实现更为精确的soh估计。
2、为了解决上述技术问题,本专利技术的技术方案为:
3、一种基于自适应联合模型的锂离子电池soh估计方法,包括如下步骤:
4、步骤(1):构建初始锂电池数据集,对构成数据集的循环老化数据进行预处理,并划分训练集和测试集。
5、(a)从初始数据集中获取容量、电压和电流等原始数据,对其做皮尔逊相关性分析,选取相关性最大的特征作为网络的输入,即pcc值最大的特征,所述皮尔逊相关系数计算方式如下:
6、
7、其中,yi和yj表示不同特征和容量,这里可分为两个组合,即电压与容量以及电流与容量。k表示循环数,表示特征yi在第k个循环上的平均值,表示特征yj在第k个循环上的平均值。
8、(b)通过上述步骤得到与pcc值最大的电压特征,对该特征做归一化处理。
9、(c)将处理后的数据集划分训练集和测试集。
10、步骤(2):搭建空间-通道自适应联合模型的嵌入模块,对输入完成输入特征和位置信息的嵌入,其中s指输入序列长度,c指特征的维数,两者相加得到最终输出fifeed。
11、(a)输入特征的嵌入由一个卷积核大小为3,padding步长为1的一维卷积滤波器完成,计算公式如下:
12、
13、其中,bi表示偏置项,表示卷积核的权重,hi表示卷积核索引,δ(·)表示sigmoid激活函数。
14、(b)位置嵌入用于将序列中的每个位置或时间步的信息引入神经网络中,有助于模型更好地理解序列数据的结构和顺序,采用以下公式对输入序列嵌入位置信息:
15、
16、其中,是指在序列中的位置,dmodel表示模型维数。
17、步骤(3):搭建空间-通道自适应联合模型的序列金字塔引导(spg)模块,该模块主要包括金字塔式全局-局部特征提取器、多尺度多头注意力层,残差和归一化层以及前馈神经网络,最终输出
18、(a)金字塔式全局-局部特征提取器完成k和v的嵌入,其中,k和v为步骤(3)(b)中多尺度多头注意力层的输入键矩阵和值矩阵,这里通过三个设置了不同膨胀率的膨胀卷积来完成k和v的选取,得到和计算公式如下所示:
19、
20、
21、
22、其中,dilation表示膨胀率的值。
23、(b)多尺度多头注意力层将已完成信息嵌入的fifeed分别与上述三组k和v做自注意力操作,并拼接经过一维卷积形成该模块输出计算公式如下:
24、
25、
26、其中,表示线性变换,multihead表示多头操作,softmax为激活函数,concat为拼接函数,dk为词向量的维度,conv1d表示一维卷积。
27、(c)最后通过残差和归一化层以及前馈神经网络,得到spg模块的输出计算公式如下:
28、
29、其中,norm表示层归一化,ffn表示前馈神经网络。
30、步骤(4):搭建空间-通道自适应联合模型的序列金字塔传播(sps)模块,该模块包括交叉自注意力机制和通道交叉自注意力机制,最终输出
31、(a)交叉自注意力机制用于输入在空间维度的交互,在本步骤中用于计算循环之间的相似度,目的是给重要的循环更高的权重。计算公式如下:
32、
33、其中,f[q,k,v]表示线性变换,dk为词向量的维度。
34、(b)通道交叉自注意力机制目的是给不同的通道分配权重,允许不同通道之间的特征进行交互,在有通道压缩的情况下挖掘细粒度信息,在本步骤中用于给不同的电压时间戳分配权重。计算方式如下:
35、首先通过以下公式计算通道权重:
36、
37、其中,⊙表示哈达玛hadamard积,φ(·)表示卷积层和sigmoid激活函数的组合。
38、为了丰富语义信息,再将通道权重与卷积得到的特征层进行乘积运算,最后经过残差和归一化层以及前馈神经网络,计算公式如下:
39、
40、其中,表示乘积操作。
41、步骤(5):最后设置一个只有一个节点的全连接层,将fisps经过该全连接层,用于预测连续数值的输出,得到估计结果fiout∈rs*1。
42、步骤(6):通过训练集训练空间-通道自适应联合模型,再通过测试集进行测试,得到锂离子电池soh估计结果。
43、本专利技术的有益效果:
44、采用上述技术方案,通过应用金字塔式全局-局部特征提取器,实现全方位信息抽取,融合不同尺度和层次的信息,模型能够更丰富地表示输入数据。利用多尺度多头自注意力机制将所提取到的三层信息加以融合,捕获输入数据中的多尺度结构和细粒化信息。并通过引入交叉自注意力机制和通道交叉自注意力机制,实现了数据在空本文档来自技高网...
【技术保护点】
1.一种基于自适应联合模型的锂离子电池SOH估计方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的基于自适应联合模型的锂离子电池SOH估计方法,其特征在于,步骤1具体过程如下:
3.根据权利要求2所述的基于自适应联合模型的锂离子电池SOH估计方法,其特征在于,步骤2所述输入特征和位置信息的嵌入具体过程如下:
4.根据权利要求3所述的基于自适应联合模型的锂离子电池SOH估计方法,其特征在于,步骤3具体过程如下:
5.根据权利要求4所述的基于自适应联合模型的锂离子电池SOH估计方法,其特征在于,步骤4具体过程如下:
【技术特征摘要】
1.一种基于自适应联合模型的锂离子电池soh估计方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的基于自适应联合模型的锂离子电池soh估计方法,其特征在于,步骤1具体过程如下:
3.根据权利要求2所述的基于自适应联合模型的锂离子电池soh估计方法,其特征...
【专利技术属性】
技术研发人员:高明裕,沈涵丹,鲍政怡,何志伟,董哲康,林辉品,
申请(专利权)人:杭州电子科技大学,
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。