[發(fā)明專利]基于時間卷積注意力機(jī)制的鋰電池剩余壽命概率預(yù)測方法

在審

• 申請?zhí)枺?/td>: 202310369478.0
• 申請日: 2023-04-07
• 公開（公告）號: CN116381517A
• 公開（公告）日: 2023-07-04
• 發(fā)明（設(shè)計）人: 王磊;秦鴻宇;任基澤;張建;肖茂棟
• 申請（專利權(quán)）人: 北京航空航天大學(xué)
• 主分類號: G01R31/378
• 分類號: G01R31/378;G01R31/367;G01R31/392
• 代理公司: 北京卓特專利代理事務(wù)所(普通合伙) 11572
• 代理人: 田冰

本發(fā)明公開了基于時間卷積注意力機(jī)制的鋰電池剩余壽命概率預(yù)測方法，屬于電池技術(shù)領(lǐng)域。該方法包括步驟1：收集電池老化數(shù)據(jù)，包括充放電過程中的各項(xiàng)觀測指標(biāo)，建立鋰電池老化數(shù)據(jù)庫；步驟2：根據(jù)獲得的原始數(shù)據(jù)，提取與鋰電池壽命即充放電循環(huán)次數(shù)相關(guān)的觀測指標(biāo)作為健康因子構(gòu)成特征向量，進(jìn)行數(shù)據(jù)預(yù)處理并按比例劃分訓(xùn)練集和測試集；步驟3：構(gòu)建以時間卷積原理為核心的注意力層；步驟4：以注意力層為核心并結(jié)合多層感知機(jī)、層歸一化構(gòu)成基本模塊，利用位置編碼層、線性連接層和多個基本模塊堆疊的層級結(jié)構(gòu)共同構(gòu)成完整的電池容量衰減深度學(xué)習(xí)框架；步驟5：利用所述訓(xùn)練集訓(xùn)練電池容量衰減深度學(xué)習(xí)框架，在訓(xùn)練集上獲得準(zhǔn)確率大于指定閾值之后在所述測試集上輸出鋰電池多個時間步后對應(yīng)的預(yù)測容量所滿足高斯分布的均值和標(biāo)準(zhǔn)差結(jié)果，實(shí)現(xiàn)概率預(yù)測，并結(jié)合鋰電池失效閾值得到其剩余壽命的預(yù)測結(jié)果。

技術(shù)領(lǐng)域

本發(fā)明屬于鋰離子電池技術(shù)領(lǐng)域，具體涉及一種基于時間卷積注意力機(jī)制的鋰電池剩余壽命概率預(yù)測方法。

背景技術(shù)

鋰離子電池具有比能量高、工作電壓高、溫度范圍寬、自放電率低等優(yōu)點(diǎn)，已經(jīng)廣泛應(yīng)用于新能源汽車、智能手機(jī)以及航空系統(tǒng)領(lǐng)域。但隨著鋰電池充放電循環(huán)次數(shù)的增加，受到電池內(nèi)部機(jī)理反應(yīng)和外部使用環(huán)境的綜合影響，電池壽命會呈現(xiàn)復(fù)雜的衰減趨勢，這對供電設(shè)備的可靠性和安全性提出了極大的挑戰(zhàn)，如果不能準(zhǔn)確預(yù)測電池壽命還可能造成財產(chǎn)損失甚至是安全事故。因此，對鋰電池剩余使用壽命(RUL)的有效預(yù)測顯得至關(guān)重要。

目前，鋰離子電池剩余壽命預(yù)測主要分為兩個方向：基于退化模型和基于數(shù)據(jù)驅(qū)動。基于模型的預(yù)測方法根據(jù)電池內(nèi)部的化學(xué)反應(yīng)機(jī)理以及等效電路等模型，使用代數(shù)方程或微分方程的方式描述電池的退化過程，從而進(jìn)行剩余壽命預(yù)測。但這種方式受電池種類制約可移植性差，且建模過程中多次化簡難以準(zhǔn)確描述實(shí)際退化情況。基于數(shù)據(jù)驅(qū)動的預(yù)測方法從電池狀態(tài)監(jiān)測系統(tǒng)的采集數(shù)據(jù)出發(fā)，挖掘觀測數(shù)據(jù)與電池退化過程的潛在關(guān)系，進(jìn)一步建立剩余壽命預(yù)測模型。隨著計算機(jī)和傳感器技術(shù)的發(fā)展，基于數(shù)據(jù)驅(qū)動的預(yù)測方法成本逐漸降低，準(zhǔn)確率逐漸提高，漸漸成為主流的壽命預(yù)測手段。

其中，基于數(shù)據(jù)驅(qū)動的剩余壽命預(yù)測方法主要有以支持向量回歸(SVR)為代表的經(jīng)典機(jī)器學(xué)習(xí)算法和以循環(huán)卷積網(wǎng)絡(luò)(RNN)為代表的深度學(xué)習(xí)算法。機(jī)器學(xué)習(xí)算法存在對非線性擬合能力弱、大數(shù)據(jù)條件下學(xué)習(xí)能力有限、調(diào)參過程困難和效率低下等問題。傳統(tǒng)的RNN模型及其變體長短期記憶網(wǎng)絡(luò)(LSTM)等不具備并行處理的能力，處理多步預(yù)測問題時會降低模型的靈活性，并導(dǎo)致誤差逐步累積，還可能出現(xiàn)梯度消失問題；另一深度學(xué)習(xí)模型卷積神經(jīng)網(wǎng)絡(luò)(CNN)由于卷積核大小有限，無法有效捕捉長期依賴信息，不適合解決時間序列問題，近期出現(xiàn)的變體時間卷積網(wǎng)絡(luò)(TCN)盡管解決了上述問題，但仍有無法捕捉全局信息以及可移植性差等不足。

因此，預(yù)測模型如何具備全局的感受域，從多維信息中提取重要特征，并且能準(zhǔn)確進(jìn)行多步剩余壽命預(yù)測成為了有待解決的問題。

發(fā)明內(nèi)容

針對上述現(xiàn)有電池壽命預(yù)測技術(shù)中存在的不足，本發(fā)明提供了一種基于時間卷積注意力機(jī)制的鋰電池RUL預(yù)測方法。提出的模型在電池壽命長序列預(yù)測問題中引入注意力機(jī)制關(guān)注全局信息，充分利用多維時序特征；其次引入時間卷積原理，對注意力機(jī)制進(jìn)行優(yōu)化，降低運(yùn)算復(fù)雜度；最后直接輸出多步預(yù)測結(jié)果，避免上述方法中可能出現(xiàn)的梯度消失和誤差累積問題。

本發(fā)明的技術(shù)方案如下：

步驟1：收集電池老化數(shù)據(jù)，包括充放電過程中的各項(xiàng)觀測指標(biāo)，建立鋰電池老化數(shù)據(jù)庫；

步驟2：根據(jù)獲得的原始數(shù)據(jù)，提取與鋰電池壽命即充放電循環(huán)次數(shù)相關(guān)的觀測指標(biāo)作為健康因子構(gòu)成特征向量，進(jìn)行數(shù)據(jù)預(yù)處理并按比例劃分訓(xùn)練集和測試集；

步驟3：構(gòu)建以時間卷積原理為核心的注意力層；

步驟4：以注意力機(jī)制層為核心并結(jié)合多層感知機(jī)、層歸一化構(gòu)成基本模塊，位置編碼層、線性連接層和多個基本模塊堆疊的層級結(jié)構(gòu)共同構(gòu)成完整的電池容量衰減深度學(xué)習(xí)框架；