[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

本發明涉及一種基于數據增強的混合模型鋰電池健康狀態監測方法，屬于電池檢測技術領域。該方法以多頭注意力機制和時序卷積混合模型為基礎模型，并將生成對抗方法融入進混合神經網絡模型中，設計針對時序數據生成的對抗模型，在傳統的無監督生成對抗模塊的基礎上，添加嵌入和生成模塊的有監督學習，混合神經網絡的串并聯打破傳統神經網絡方法中生成對抗學習的無監督性和單一模型對數據特征提取的局限性，彌補由于訓練集不足而帶來的信息缺失，實現基于有限數據集的高精度鋰電池健康狀況監測。本發明能夠在少量的異常工況電池數據的情況下，通過數據增強的方式提供足夠的數據，實現高精度的電池健康狀態預測。

技術領域

本發明屬于鋰離子電池檢測技術領域，涉及一種基于數據增強的混合模型鋰電池健康狀態監測方法。

背景技術

隨著新能源汽車市場的需求量逐步增大，電動汽車的關鍵技術急需突破。作為電動汽車的動力來源，動力鋰離子電池的發展決定著電動汽車的未來，為了確保電池的安全性和可靠性，電池管理系統(Battery?Management?System，BMS)作為電動汽車的重要組成部分，承擔著數據采集、均衡管理以及狀態估計等功能。其中電池健康狀態(State?ofHealth，SOH)作為BMS最重要的指標之一，準確診斷電池的SOH是至關重要的。

在SOH診斷技術中，多采用基于模型的方法，如等效電路模型、電化學模型、數學模型等，除此之外，神經網絡模型也廣泛應用于鋰離子電池健康狀態監測。神經網絡模型通過學習數據間的非線性關系，從而實現從輸入到輸出的直接映射。一些傳統的神經網絡，如人工神經網絡(ANN)、概率神經網絡(PNN)、卷積神經網絡(CNN)、基于先驗知識的神經網絡、門控神經網絡(GRU)、長短期神經網絡(LSTM)等已經被廣泛應用于電池的SOH監測，同時，在眾多混合模型中，神經網絡是與其他模型結合使用最廣泛的單一模型。基于卷積神經網絡(GRU-CNN)的混合網絡，利用GRU-RNN子模塊對CNN進行擴充，CNN的卷積塊利用共享權值結構來減少權值的數量，并嘗試從實測的充電電壓、電流和溫度數據中尋找共享信息；另一方面，GRU-RNN塊使用它們的內部狀態從順序數據中學習特性和時間依賴關系。實際上，該組合結構可以同時利用CNN和GRU-RNN網絡的優勢，捕捉充電數據的共享時空特征。類似地，ELM和LSTM組成的集成算法可以捕獲SOH之間的底層對應關系。另外有許多研究證明了結合CNN與LSTM的優點來進行鋰電池健康狀態預測同樣可行。

然而，目前測量得到的數據大部分是來自正常工況的電池數據，而小部分異常工況，如極端情況下的電池數據(如電池膨脹、失控、燃燒、爆炸等)卻十分稀少。重復進行電池相關實驗來收集這些數據需要昂貴的設備和大量的時間，此外，公開數據集中的數據缺乏多樣性也限制了這一領域的研究。因此，如何處理在異常工況下的少量鋰電池數據，提高模型預測精度是進行鋰電池健康狀態監測的迫切問題。

發明內容

有鑒于此，本發明的目的在于提供一種基于數據增強的混合模型鋰電池健康狀態監測方法，以多頭注意力機制和時序卷積混合模型為基礎模型，融合生成對抗方法，結合無監督學習和有監督學習方法，彌補由于訓練集不足帶來的信息缺失，實現基于有限數據集的高精度鋰電池健康狀況監測。

為達到上述目的，本發明提供如下技術方案：

一種基于數據增強的混合模型鋰電池健康狀態監測方法，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。