【技术实现步骤摘要】
本专利技术属于电池的预测与健康管理领域，尤其是一种基于transformer和随机过程的电池寿命预测方法。
技术介绍
1、锂离子电池作为一种高效、轻便且可充电的能量存储装置，广泛应用于电动汽车、便携式电子设备及可再生能源存储系统中。随着电池需求的不断增加，准确预测其剩余寿命（remaining useful life, rul）对确保设备运行安全和优化维护决策具有重要意义。准确的rul预测能够有效减少意外故障的发生，优化维护策略，提前判断电池的退化趋势，为设备维护、寿命延长和安全管理提供科学依据。
2、电池退化过程中的重要信息往往存在于长时间序列中，传统rul预测方法，难以有效捕捉退化过程的长期依赖性。此外，rul预测中的不确定性源于退化过程的复杂性和数据噪声，传统方法难以提供可靠的不确定性评估，而不确定性对于设备维护决策至关重要。现有模型在超参数选择和训练稳定性方面也存在不足，如何通过优化方法提升模型性能及其在不同数据和使用条件下的泛化能力仍是关键挑战。
3、数据驱动方法利用电池在不同使用条件下的历史数据进行rul预测，具有较好的适应性和普适性。常见的数据驱动方法包括回归模型和深度学习模型，这些方法能够从大量数据中挖掘出潜在的退化规律和特征。近年来，随机过程方法（如马尔可夫过程、维纳过程等）也被应用于电池退化建模，能够为rul预测提供更精确的统计分析，并量化不确定性。
4、在数据驱动方法中，深度学习特别是基于神经网络的模型逐渐成为rul预测的研究热点。transformer和长短期记忆网络（
5、贝叶斯优化是一种全局优化算法，通过构建代理模型（如高斯过程）对目标函数进行近似，基于先验分布和观测数据迭代优化，特别适用于复杂、计算代价高的函数优化问题，如超参数调优。
6、首达时间（first hitting time, fht）指系统退化状态首次达到失效阈值的时间，结合随机过程（如维纳过程）的漂移和扩散特性，可通过数学推导获得锂离子电池剩余寿命的概率密度函数（probability density function, pdf），从而量化预测的不确定性。
7、最大似然估计（maximum likelihood estimation, mle）通过最大化观测数据的似然函数，计算随机过程模型中的漂移系数和扩散参数，以确保模型参数能精确刻画电池退化过程。
技术实现思路
1、本专利技术的目的是为了解决上述技术问题，而提出一种基于transformer和随机过程的电池寿命预测方法，使用电池循环的恒流充电曲线数据进行电池rul预测。
2、一种基于transformer和随机过程的电池寿命预测方法，步骤如下：
3、s1.数据预处理与加载：
4、读取包含锂离子电池恒流充电曲线数据集，采用电池测试系统对电池进行循环，对读取的数据集中电池恒流充电曲线数据进行电压窗口采样；
5、对输入的电池恒流充电曲线数据进行归一化；
6、s2.构建xlstm-transformer-wp模型：所述的模型由transformer的encoder和decoder组成；将xlstm网络嵌入到transformer的encoder中；输入数据处理过程如下：
7、输入的锂离子电池电压窗口采样数据首先通过输入嵌入层input embedding进行线性映射，转换为高维的嵌入空间embed_dim；
8、输入嵌入后的数据进入transformer的encoder模块，encoder模块通过多头自注意力机制multi-head attention对数据中的长距离依赖关系进行建模；
9、encoder模块由多个堆叠的encoder块num_blocks组成，每个encoder块都包括多头自注意力机制和xlstm层；
10、在encoder模块中，首先通过层归一化layernorm进行规范化；然后，数据通过多个全连接层fully connected layers进行非线性变换；
11、经encoder输出的数据进入decoder， decoder首先通过多个多头注意力机制层对encoder输出的特征进行处理，聚焦于关键的时序特征，并生成最终的输出序列；
12、步骤s3.模型训练与优化：将步骤s1所述的归一化的电池恒流充电曲线数据批量加载以进行训练测试。
13、步骤s4.电池rul预测与不确定性量化：xlstm-transformer神经网络被用作维纳过程漂移函数，用以建模电池退化的动态行为，公式如下：
14、定义为电池在时刻t时的退化指标值，则其满足wp的数学表达式如下：
15、；
16、其中，是wp的退化初始值，是wp的漂移函数也就是xlstm-transformer模型，用于拟合电池件的退化趋势；为漂移系数，用于描述不同电池间的退化差异性，服从于分布，和分别代表均值和方差；是标准布朗运动，用于描述退化过程的随机波动；为扩散系数，用于描述随机波动的程度，可由matlab中fminsearch函数对轮廓似然函数进行最优化求解，求得参数的估计值；通过极大似然估计方法，计算模型的漂移系数和扩散系数。
17、基于首达时间概念fht，推导出锂离子电池剩余寿命的概率密度函数近似表达式，设定w为电池的失效阈值，使用fht概念确定剩余寿命概率分布表达式；fht具体指退化指标首次达到失效阈值所使用的时间，其数学表达式如下：
18、；
19、其中，inf表示电池的剩余使用寿命是从当前时刻到电池失效时的最小时间间隔；
20、进一步给出rul预测的不确定性量化结果。
21、在训练完成后，使用测试集对模型进行评估，计算rmse和mape。
22、步骤s2所述的xlstm为串行连接的mlstm-slstm-mlstm；
23、所述的mlstm包括：矩阵形式的记忆单元、输入门、遗忘门、输出门和状态更新模块；
24、所述的slstm包括：指数门机制、归一化层、输入门、遗忘门和输出门。
25、所述的decoder堆叠2层多头注意力机制及3层归一化层，经过3层dropout后，使用2个全连接层将经过处理后的序列输出转换为预测的rul值。
26、采本文档来自技高网...
【技术保护点】
1.一种基于Transformer和随机过程的电池寿命预测方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的一种基于Transformer和随机过程的电池寿命预测方法，其特征在于：
3.根据权利要求1或2所述的一种基于Transformer和随机过程的电池寿命预测方法，其特征在于：
4.根据权利要求3所述的一种基于Transformer和随机过程的电池寿命预测方法，其特征在于：
5.根据权利要求4所述的一种基于Transformer和随机过程的电池寿命预测方法，其特征在于：采用贝叶斯优化算法对步骤S2所述的模型的超参数进行优化；
6.根据权利要求4或5所述的一种基于Transformer和随机过程的电池寿命预测方法，其特征在于：
7.根据权利要求6所述的一种基于Transformer和随机过程的电池寿命预测方法，其特征在于：在训练完成后，使用测试集对模型进行评估，计算RMSE和MAPE。
【技术特征摘要】
1.一种基于transformer和随机过程的电池寿命预测方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的一种基于transformer和随机过程的电池寿命预测方法，其特征在于：
3.根据权利要求1或2所述的一种基于transformer和随机过程的电池寿命预测方法，其特征在于：
4.根据权利要求3所述的一种基于transformer和随机过程的电池寿命预测方法，其特征在于：
5...
【专利技术属性】
技术研发人员：何佳龙，马震骉，刘严，赵娉婷，马骋，郭继超，黄文涛，毛松，于天硕，
申请(专利权)人：吉林大学，
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。