[發明專利]一種基于數據增強的混合模型鋰電池健康狀態監測方法

在審

• 申請號: 202211612664.4
• 申請日: 2022-12-15
• 公開（公告）號: CN116106773A
• 公開（公告）日: 2023-05-12
• 發明（設計）人: 李鵬華;李皃;單康恒;余江;高代林
• 申請（專利權）人: 重慶郵電大學
• 主分類號: G01R31/392
• 分類號: G01R31/392;G01R31/367;G06N3/0464;G06N3/045;G06N3/0475;G06N3/094;G06N3/09;G06N3/049;G06F18/241;G06F18/214
• 代理公司: 北京同恒源知識產權代理有限公司 11275
• 代理人: 方鐘苑

1.一種基于數據增強的混合模型鋰電池健康狀態監測方法，其特征在于：該方法以基于多頭注意力機制和時序卷積神經網絡的混合神經網絡模型為基礎模型，同時融合時序生成對抗方法，嵌入有監督學習方法，并結合回歸模型實現鋰電池健康狀態的預測，該方法實施步驟如下：

S1、采集訓練數據集，隨機生成噪聲數據集；

S2、以時序生成對抗網絡為數據增強模型基礎，采用訓練數據集和噪聲數據集構建數據增強模型，生成增強數據集；

S3、通過混合神經網絡模型分別提取電池數據的時間有效特征和空間有效特征；

S4、整合時間有效特征和空間有效特征，并將整合的特征向量輸入回歸模型中預測鋰電池健康狀態。

2.根據權利要求1所述的鋰電池健康狀態監測方法，其特征在于：在步驟S1中，訓練數據集表示為噪聲數據集表示為其中T表示序列長度，n∈{1,...,N}表示單個樣本索引，N表示樣本數。

3.根據權利要求1所述的鋰電池健康狀態監測方法，其特征在于：在步驟S2中，所述數據增強模型包括生成器G和鑒別器D，生成器G用于生成與真實數據逼近的有效數據，鑒別器D用于對真實數據和有效數據進行真假分類。

4.根據權利要求3所述的鋰電池健康狀態監測方法，其特征在于：數據增強模型構建過程為：使用訓練數據集和噪聲數據集訓練生成器G，通過對抗評估的方式得到最小化最大值的生成器G；同時通過JS散度優化鑒別器D，最大化鑒別器D的分類準確率；

數據增強模型的構建過程中，鑒別器D最大化對訓練數據和有效數據的分類準確率，生成器G最小化最大值，當鑒別器D的最大化與生成器G的最小化達到納什均衡時，數據增強模型構建完成。

5.根據權利要求1所述的鋰電池健康狀態監測方法，其特征在于：在步驟S3中，采用帶多頭注意力機制的編碼器提取鋰電池數據的時間有效特征；

該編碼器的輸入A^(l)為：

A^(l)＝PE^(l)+X^(l)

式中，X^(l)表示Transformer的輸入樣本，PE^(l)表示輸入樣本的位置編碼，其中位置編碼如下式：

式中，pos表示當前元素在整個向量中的位置，i表示向量中每個元素的索引，d表示向量的維度；

編碼器的輸出B^(l)為：

式中，h表示多頭注意力機制中的個數，C為拼接函數，W^q、W^k和W^v均表示權重矩陣，W_i^Q、W_i^K和W_i^V均表示多頭映射參數矩陣，W^O表示融合矩陣。

6.根據權利要求1所述的鋰電池健康狀態監測方法，其特征在于：在步驟S3中，采用1d-TCN提取鋰電池數據的空間有效特征；

對于第n層卷積層，其輸入X_n和輸出Y_n分別表示為：

式中，L和W分別表示輸入數據的長度和寬度；輸入與輸出之間對應關系如下式所示：

式中，σ表示激活函數，表示卷積核的偏置，d表示卷積核的步長，s_v、c_v表示卷積核的提取特征的位置坐標，k_v表示卷積核序數；將Yⁿ輸入最大池化層得到池化向量：

式中，Pⁿ表示池化向量，x_l、y_w表示池化輸出的位置坐標，d表示池化步長。

7.根據權利要求6所述的鋰電池健康狀態監測方法，其特征在于：所述輸入數據的長度為采樣的長度，所述輸入數據的寬度為鋰電池數據樣本類型。

8.根據權利要求1所述的鋰電池健康狀態監測方法，其特征在于：在步驟S4中，采用基于權重分配機制的回歸模型預測鋰電池的健康狀態；

對于整合得到的特征向量權重分配機制為：

式中，d_model×n′表示混合模型輸出的特征大小，W₁′、W₂′表示參數矩陣，表示哈達瑪積點乘，h′表示權重校正系數。