基于SD-Crossformer的锂电池健康状态预测方法技术

本发明专利技术公开了基于SD‑Crossformer的锂电池健康状态预测方法，针对输入数据中存在的噪声问题，提出堆叠降噪自编码器用于重建输入数据。该模块接受损坏或者噪声较多的数据作为输入，训练自编码器来恢复原始数据，从而迫使模型学习到数据中的关键特征；其次，为了捕捉电池容量退化模型的周期性模式，设计了频率加权注意力机制，对分段嵌入的维度数据行频域转换，并结合频域信息加权计算维度间的注意力，从而识别不同维度之间的频率相关性，有效的提升锂电池健康状态SOH的预测准确性。本发明专利技术采用网格搜索法训练模型获得最佳参数，保证了模型的搜索效率和结果的可靠性。

【技术实现步骤摘要】

本专利技术属于锂电池状态预测，涉及基于sd-crossformer的锂电池健康状态预测方法。

技术介绍

1、目前，对于锂电池健康状态(state of health，soh)预测的传统方法主要包括直接观测法，基于模型驱动的方法以及基于数据驱动的方法。传统直接观测的方法主要通过测量与电池容量衰退的相关参数来近似估计soh值，但因其需要长时间的静置消除电池电压，所以仅在初始或结束阶段下才能有效进行soh的预测；基于模型驱动的方法主要根据实际使用情况建立等效物理或化学模型模拟soh的损耗状态，卡尔曼滤波算法可以较为准确地估计电池soh，但这种算法的弊端包括模型参数多，建立模型和参数辨识复杂以及适应性差等；基于数据驱动的方法不需要关注电池的内部机理，而是利用机器学习算法离线训练得到电池外部数据(电压、电流、温度等)与soh之间的映射关系，通过大量的历史数据进行训练，提高模型的泛化能力。但是该模型性能严重依赖于数据规模和质量，且对数据噪声较为敏感，导致预测准确性降低。

2、随着transformer在各个领域大放异彩，自注意力机制也被广泛应用于时间序列预本文档来自技高网...

【技术保护点】

1.基于SD-Crossformer的锂电池健康状态预测方法，其特征在于，具体按照以下步骤实施：

2.根据权利要求1所述的基于SD-Crossformer的锂电池健康状态预测方法，其特征在于，步骤1中，所述锂电池容量衰减数据集为NASA锂电池老化数据集，使用堆叠降噪自编码器SDAE对数据集中的数据去噪；

3.根据权利要求2所述的基于SD-Crossformer的锂电池健康状态预测方法，其特征在于，步骤1所述去噪具体方法如下：

4.根据权利要求1所述的基于SD-Crossformer的锂电池健康状态预测方法，其特征在于，步骤1所述数据集按照6：4的比例划...

【技术特征摘要】

1.基于sd-crossformer的锂电池健康状态预测方法，其特征在于，具体按照以下步骤实施：

2.根据权利要求1所述的基于sd-crossformer的锂电池健康状态预测方法，其特征在于，步骤1中，所述锂电池容量衰减数据集为nasa锂电池老化数据集，使用堆叠降噪自编码器sdae对数据集中的数据去噪；

3.根据权利要求2所述的基于sd-crossformer的锂电池健康状态预测方法，其特征在于，步骤1所述去噪具体方法如下：

4.根据权利要求1所述的基于sd-crossformer的锂电池健康状态预测方法，其特征在于，步骤1所述数据集按照6：4的比例划分训练集和测试集。

5.根据权利要求2所述的基于sd-crossformer的锂电池健康状态预测方法，其特征在于，步骤2所述的sd-crossformer模型是基于transformer的用于时序序列预测的模型，能有效处理数据中的噪声和异常值，首先，输入数据通过自编码器sdae进行降噪、处理异常值，自编码器sdae的输出作为sd-crossformer模型的输入，其次，在sd-crossform...

【专利技术属性】
技术研发人员：薛涛，李祥，安贵，
申请(专利权)人：西安工程大学，
类型：发明
国别省市：