CN113376540B - 基于进化注意力机制的lstm电池健康状态估计方法 - Google Patents
基于进化注意力机制的lstm电池健康状态估计方法 Download PDFInfo
- Publication number
- CN113376540B CN113376540B CN202110540306.6A CN202110540306A CN113376540B CN 113376540 B CN113376540 B CN 113376540B CN 202110540306 A CN202110540306 A CN 202110540306A CN 113376540 B CN113376540 B CN 113376540B
- Authority
- CN
- China
- Prior art keywords
- individuals
- parameters
- battery
- attention
- individual
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了基于进化注意力机制的LSTM电池健康状态估计方法,具体为:首先,获取锂电池的额定容量、n条恒流充电电压曲线和当前的SOH,定义特征提取中的三个参数,对曲线进行特征提取和处理;之后定义注意力参数W,使用W来构造基于注意力机制的LSTM模型;通过非支配排序遗传算法II对参数进行优化,得到一组表现最优的个体;再选择一个MSE值最小的个体,对该个体进行解码,将老化特征划分为训练集和测试集,将测试集输入到解码后的LSTM模型中,根据测试集得出电池SOH估计结果。本发明方法,可以自适应地从电压曲线上获取合适的老化特征采样范围,提升自动化程度,同时提高SOH估计方法的性能。
Description
技术领域
本发明属于电池管理技术领域,涉及一种基于进化注意力机制的LSTM电池健康状态估计方法。
背景技术
锂离子因其重量轻、能量密度高、寿命长、可循环利用等优点,被广泛应用于手机、电脑、汽车、航空航天等领域。有效的电池管理系统(Battery Management System,BMS)是确保锂离子电池安全运行的关键。电池健康状态(State Of Health,SOH)估计作为BMS的重要任务之一,对电池的安全运行和充放电优化有着重要的意义,其中电池SOH表征了电池当前可存储最大电池容量的能力,准确地进行SOH估计对电池整个生命周期至关重要,有利于电池的健康管理,避免灾难性事故的发生,延长电池的寿命。
目前流行的SOH预测方法可分为两类,实验方法和基于模型的估计方法。实验方法需要大量的实验来分析电池容量退化行为,受各种环境条件的影响,实验方法难以实现。基于模型的方法可分为自适应算法和数据驱动方法,自适应算法将数学模型和数值滤波(卡尔曼滤波、高斯滤波等)相结合来跟踪电池的退化趋势,但是自适应算法在很大程度上依赖于电化学模型和等效电路模型,现有的方法都难以建立准确的预测方法。相反,基于数据驱动的方法不需要了解详细的电池老化机制,只依赖于电池老化的数据信息,建立合适的电池退化模型。例如,高斯过程回归模型(Gaussian Process Regression,GPR)和支持向量机(Support Vector Machine,SVM)是建立电池退化模型两种常用的方法,尽管目前此类数据驱动方法都取得了不错的效果,但是这些方法都需要提取有效的特征来训练模型,只有特征提取可靠,才能对SOH进行准确的预测,因此,如何有效地从历史数据中提取特征是一项具有挑战的任务。考虑到电池老化是一个长期的过程,并且退化序列之间存在着复杂的依赖关系,长短时记忆神经网络(Long Short-term Memory neural network,LSTM)是解决电池容量长期退化趋势合适的解决方法。
针对数据驱动方法中特征提取问题,现有的大多数方法是基于手动选择的提取方式,通过在电压曲线上人为标注关键点或设计几何关系来进行特征提取,无法保证所提取特征的有效性和泛化性。通过BMS自动构建出有效特征,避免通过依赖经验和试错方法进行人为构造特征。
在实际应用中,模型中输入的每个特征可能对SOH估计起到不同的作用,注重特征之间的重要性差异,提升重要特征的影响力,降低非重要特征的影响力,对输入特征给予不同程度的关注也是本发明要解决的问题之一。并且目前的方法将模型中的参数和特征提取分开调整,独立于特征提取的训练过程不能保证整个估计的最优性。
发明内容
本发明的目的是提供基于进化注意力机制的LSTM电池健康状态估计方法,可以自适应地从电压曲线上获取合适的老化特征采样范围,提升了自动化程度,同时提高SOH估计方法预测的准确性。
本发明所采用的技术方案是,基于进化注意力机制的LSTM电池健康状态估计方法,具体按照以下步骤实施:
步骤1、获取锂电池出厂时由制造商标定的额定容量;
步骤2、获取锂电池n条恒流充电电压曲线;
步骤3、获取锂电池当前的SOH,锂电池当前容量和额定容量的比值为锂电池当前的SOH值;
步骤4、定义特征提取中需要优化的三个参数Is,Ie,m,并对步骤2中得到的n条恒流充电电压曲线进行特征提取和处理,得到处理后的老化特征;
步骤5、定义注意力参数W,使用该参数W来构造基于注意力机制的LSTM模型;
步骤6、对于步骤4定义的特征提取参数Is、Ie、m和步骤5定义的注意力参数W,通过非支配排序遗传算法II对参数同时进行优化,最终得到一组表现最优的个体。
步骤7、在经步骤6后得到的一组最优个体中,选择一个MSE值最小的个体,对该个体进行解码,得到解码后的老化特征和LSTM模型,将老化特征划分为训练集和测试集,将测试集输入到解码后的LSTM模型中,根据测试集得出电池SOH估计结果。
本发明的特点还在于,
步骤2中,具体为:在恒流条件下对锂电池进行循环充放电,每隔一定的时间间隔对每次充电工作下的电压数据进行实时记录,每充一次电,便会得到一组充电电压数据,并通过仪器测量该电池当前容量,直到锂电池寿命终止结束记录,寿命终止的标准是锂电池当前容量衰减为额定容量的70%,会得到n组充电电压数据,每组充电电压数据形成一条恒流充电电压曲线,最终会形成n条恒流充电电压曲线。
步骤4中,具体为:
步骤4.1、在每条恒流充电电压曲线上选择一个合适的窗口进行特征提取,向量C=c1,…,cx表示窗口内的电压数据,定义窗口参数Is和Ie,分别代表窗口的开始索引和结束索引;
步骤4.2、对窗口增加约束,窗口的范围必须位于整条充电电压曲线范围内,约束条件如式(2)所示:
0≤Is<Ie≤V_dimension (2);
式中,V_dimension表示每条充电电压曲线的维数;
步骤4.3、对窗口内的电压曲线采用分段聚合近似方法进行特征提取;在分段聚合近似方法中,先定义参数m代表分段个数,将窗口内的数据划分为m个大小相等的段,计算落入每一段内数据的均值向量/>便成为了每一段的近似表示,作为m个老化特征F=F1,F2,...,Fm;
步骤4.4、对n条恒流充电电压曲线进行分段聚合近似,得到大小为n*m的特征矩阵,对特征矩阵进行归一化处理,得到处理后的老化特征;
归一化公式如式(3)所示:
其中,F是整个特征数据,Fmin是老化特征数据中的最小值,Fmax是老化特征数据中的最大值。
步骤5中,具体为:定义输入层、注意力层、隐藏层、输出层来构造基于注意力机制的LSTM模型;对于注意力层,由一组注意力权重参数W组成,当一组参数W确定之后,即确定了一个LSTM模型。
步骤6中,具体为:
步骤6.1、定义代价函数;代价函数如式(4)所示:
式中,f1表示锂电池健康状态估计值的目标函数,MSE是每个LSTM模型训练结束后得到的预测SOH值与步骤3计算的SOH值之间的误差;f2表示锂电池老化特征数目的目标函数,NumFeature表示锂电池老化特征数目;
MSE计算公式如式(5)所示;
其中,SOHi,estimate代表SOH的估计值,SOHi,real代表SOH的真实值;
步骤6.2、对特征提取参数和注意力权重参数进行编码;将这两种信息编码在一个单独的个体中,一个个体的决策值由两部分组成,第一部分表示特征提取中三个参数Is、Ie、m的编码,前两个参数每个分配40个二进制位,第三个参数分配5个二进制位,这一部分决策值总共包含85位;决策值的第二部分表示注意力权重参数W=(W1,W2,…,Wn),对于Wi(i=1,2,3…n)中的每个权重分配6个二进制位,每个Wi包含6*m个二进制位;初始化N个这样的个体作为初始种群,得到N个编码后的个体,作为父代种群;
步骤6.3、定义选择、交叉和变异遗传操作,在父代种群中选择个体,进行交叉和变异会产生M个新个体,作为子代种群;
步骤6.4、对步骤6.2得到的N个个体和步骤6.3得到的M个个体进行合并,合并后的种群大小为N+M,评估合并种群中每个个体的适应度值;对于合并种群中的每一个个体进行解码,对该个体前半部分的二进制位进行解码,得到特征提取参数,通过该特征提取参数来获取老化特征,将老化特征组成的数据集划分为训练集和测试集;对该个体后半部分的二进制位进行解码,得到注意力权重参数,用该注意力权重参数组成新的LSTM模型;将划分的训练集输入到新的LSTM模型中进行训练,通过步骤6.1定义的代价函数来评估每个个体的适应度值;
步骤6.5、根据步骤6.4得到的适应度值对每个个体进行非支配排序,计算个体之间的拥挤距离、根据非支配关系以及个体的拥挤度选取N个个体作为下一代种群,始终保持进入下一代的种群大小为N;
拥挤度计算公式如(6)所示:
式中,D[i]distance是第i个个体的拥挤距离,D[i]distance.m为第i个解的第m个目标函数,fm,max和fm,min为第m个目标函数的最大值与最小值。
步骤6.6、获取一组表现最优的个体;接下来是一个不断迭代的过程,如果当前代达到最大迭代次数,则得到一组表现最优的个体;否则,进入步骤6.3。
本发明的有益效果是:
首先,本发明方法,可以自适应地从电压曲线上获取合适的老化特征采样范围,提升自动化程度,同时提高SOH估计方法的性能。其次,在LSTM模型中加入注意力机制,有效应对模型中未能较好区分输入特征重要程度差异性的不足,提高了SOH估计方法预测的准确性。最后,通过优化算法将特征提取参数与LSTM模型中注意力机制的权重参数同时优化,旨在获取特征与模型组合整体契合的最优,该方法具有很好的泛化性和鲁棒性。
附图说明
图1为本发明基于进化注意力机制的LSTM电池健康状态估计方法的自适应窗口分段聚合近似特征提取图;
图2为本发明基于进化注意力机制的LSTM电池健康状态估计方法的LSTM模型构造图;
图3为本发明基于进化注意力机制的LSTM电池健康状态估计方法的对组合参数编解码图;
图4为本发明基于进化注意力机制的LSTM电池健康状态估计方法的总流程图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明基于进化注意力机制的LSTM电池健康状态估计方法,如图4所示,具体按照以下步骤实施:
步骤1、获取锂电池出厂时由制造商标定的额定容量;
步骤2、获取锂电池n条恒流充电电压曲线;
具体为:在恒流条件下对锂电池进行循环充放电,每隔一定的时间间隔对每次充电工作下的电压数据进行实时记录,每充一次电,便会得到一组充电电压数据,并通过仪器测量该电池当前容量,直到锂电池寿命终止结束记录(寿命终止的标准是锂电池当前容量衰减为额定容量的70%),会得到n组充电电压数据,每组充电电压数据形成一条恒流充电电压曲线,最终会形成n条恒流充电电压曲线;
步骤3、获取锂电池当前的SOH,锂电池当前容量和额定容量的比值为锂电池当前的SOH值;
计算公式如式(1)所示;
式中,Cnew为锂电池的当前容量,Ccurrent为锂电池的额定容量;其中,锂电池的当前容量Cnew等于本次充电所需充电量与剩余容量之和;
步骤4、定义特征提取中需要优化的三个参数Is,Ie,m,并对步骤2中得到的n条恒流充电电压曲线进行特征提取和处理,得到处理后的老化特征;
具体为:对步骤2中得到的n条恒流充电电压曲线进行特征提取,每条充电电压曲线提取m个老化特征,老化特征具体提取过程如下:
步骤4.1、在每条充电电压曲线上选择一个合适的窗口进行特征提取,向量C=c1,…,cx表示窗口内的电压数据,定义窗口参数Is和Ie,分别代表窗口的开始索引和结束索引;
步骤4.2、对窗口增加约束,窗口的范围必须位于整条充电电压曲线范围内,约束条件如式(2)所示:
0≤Is<Ie≤V_dimension (2);
式中,V_dimension表示每条充电电压曲线的维数;
步骤4.3、对窗口内的电压曲线采用分段聚合近似方法进行特征提取。
步骤4.4、对n条恒流充电电压曲线进行分段聚合近似,得到大小为n*m的特征矩阵,对特征矩阵进行归一化处理,得到处理后的老化特征;
归一化公式如式(3)所示:
其中,F是整个特征数据,Fmin是老化特征数据中的最小值,Fmax是老化特征数据中的最大值;
步骤5、定义注意力参数W,使用该参数W来构造基于注意力机制的LSTM模型;
具体为:定义输入层、注意力层、隐藏层、输出层来构造基于注意力机制的LSTM模型。对于注意力层,由一组注意力权重参数W组成的,当一组参数W确定之后,即确定了一个LSTM模型;
步骤6、对于步骤4定义的特征提取参数Is、Ie、m和步骤5定义的注意力参数W,通过非支配排序遗传算法II(Non-dominated Sorting Genetic Algorithm II,NSGA-II)对参数同时进行优化。通过该优化算法最终得到一组表现最优的个体。
步骤6的具体实施方式为:
步骤6.1、定义代价函数。本发明考虑了SOH估计精度和老化特征数目两个待优化目标,来指导特征提取中的参数和注意力权重参数的寻优过程。具体的代价函数如式(4)所示:
式中,f1表示锂电池健康状态估计值的目标函数,MSE是每个LSTM模型训练结束后得到的预测SOH值与步骤3计算的SOH值之间的误差;f2表示锂电池老化特征数目的目标函数,NumFeature表示锂电池老化特征数目。
MSE计算公式如式(5)所示;
其中,SOHi,estimate代表SOH的估计值,SOHi,real代表SOH的真实值;
步骤6.2、对特征提取参数和注意力权重参数进行编码;将这两种信息编码在一个单独的个体中,一个个体的决策值由两部分组成,第一部分表示特征提取中三个参数(Is、Ie、m)的编码,前两个参数每个分配40个二进制位,第三个参数分配5个二进制位,这一部分决策值总共包含85位。决策值的第二部分表示注意力权重参数W=(W1,W2,…,Wn),对于Wi(i=1,2,3…n)中的每个权重分配6个二进制位,每个Wi包含6*m个二进制位。初始化N个这样的个体作为初始种群,得到N个编码后的个体,作为父代种群。
步骤6.3、定义选择、交叉和变异等遗传操作,在父代种群中选择个体,进行交叉和变异会产生M个新个体,作为子代种群。
步骤6.4、对步骤6.2得到的N个个体和步骤6.3得到的M个个体进行合并,合并后的种群大小为N+M,评估合并种群中每个个体的适应度值。对于合并种群中的每一个个体进行解码,解码是将每个个体中每个参数对应的二进制位转换为十进制数,转换后的十进制数也就代表了每个参数的取值。对该个体前半部分的二进制位进行解码,得到特征提取参数,通过该特征提取参数来获取老化特征,将老化特征组成的数据集划分为训练集和测试集。对该个体后半部分的二进制位进行解码,得到了注意力权重参数,用该注意力权重参数组成新的LSTM模型。将划分的训练集输入到新的LSTM模型中进行训练,通过步骤6.1定义的代价函数来评估每个个体的适应度值,该个体的适应度值越小代表着该个体越优;
步骤6.5、根据步骤6.4得到的适应度值对每个个体进行非支配排序,计算个体之间的拥挤距离、根据非支配关系以及个体的拥挤度选取N个个体作为下一代种群,始终保持进入下一代的种群大小为N。
拥挤度计算公式如(6)所示:
式中,D[i]distance是第i个个体的拥挤距离,D[i]distance.m为第i个解的第m个目标函数,fm,max和fm,min为第m个目标函数的最大值与最小值。
步骤6.6、获取一组表现最优的个体。接下来是一个不断迭代的过程,如果当前代达到最大迭代次数,则得到一组表现最优的个体。否则,进入步骤6.3。
步骤7、在步骤6.6得到的一组最优个体中,选择一个MSE值最小的个体,对该个体进行解码,得到解码后的老化特征和LSTM模型,将老化特征划分为训练集和测试集,将测试集输入到解码后的LSTM模型中,根据测试集得出电池SOH估计结果。
实施例
本发明基于进化注意力机制的LSTM电池健康状态估计方法,具体按照以下步骤实施:
(1)使用是美国航空航天局存储库为18650的锂电池,额定容量为2Ah,选择B5电池进行实验。
(2)在恒定电流4A下对B5锂电池进行循环充放电,每充一次电便得到一条恒流充电电压变化曲线,直到电池报废,共经历了135次循环充放电,得到135条充电电压曲线。在对电池每一次充电之前,先测量该电池充电之前的剩余容量,在电池充满电之后(电压不再发生改变),测量该电池的当前容量,其中,当前电池容量等于本次充电所需充电量与剩余容量之和。
(3)电池当前容量与额定容量的比值即为电池当前的SOH值。
(4)定义特征提取中需要优化的三个参数Is,Ie,m,对(3)对得到的135条恒流充电电压曲线进行特征提取及处理,如图1所示,通过采用自适应窗口分段聚合近似的特征提取方法来获取老化特征,得到处理后的老化特征。老化特征具体提取过程如下:在每条充电电压曲线上选择一个合适的窗口进行特征提取,向量C=c1,…,cx表示窗口内的电压数据,设定窗口开始索引Is为1800,结束索引Ie为3400。
对窗口增加约束,窗口的范围必须位于整条电压曲线范围内。
对窗口内的电压曲线采用分段聚合近似方法进行降维,降维后得到的数据就是老化特征。定义分段个数m为8,将数据划分为8个大小相等的段,计算落入每一段内数据的均值向量/>便成为了每一段的近似表示,作为8个老化特征F=F1,F2,...,F8。
对135条恒流充电电压曲线进行分段聚合近似便得到大小为135*8的特征矩阵,对特征矩阵进行归一化处理,得到处理后的老化特征。
(5)定义注意力参数W,使用该参数W来构造基于注意力机制的LSTM模型。
首先,如图2所示,定义注意力权重为W=(W1,W2,…,W135),作为LSTM模型的注意层,当一组参数W确定之后,便就确定了一个LSTM模型。定义输入层、注意层、隐藏层、输出层来构造基于注意力机制的LSTM模型。
(6)对于(4)定义的特征提取参数Is、Ie、m和(5)定义的注意力参数W,通过NSGA-II对参数同时进行优化,通过该优化算法最终得到一组表现最优的个体。
定义代价函数。本发明考虑了SOH估计精度和老化特征数目两个待优化目标,来指导特征提取中的参数和注意力权重参数的寻优过程。
如图3所示,对四个参数(Is、Ie、m、W)进行编码,前两个参数每个分配40个二进制位,第三个参数分配5个二进制位,第四个参数每个权重分配6个二进制位,每个Wi包含6*8个二进制位。随机初始化10个这样的个体作为初始种群,得到10个编码后的个体,作为父代种群。
定义选择、交叉和变异等遗传操作,在父代种群中选择个体,进行交叉和变异会产生10个新个体,作为子代种群。
对上述得到的父代种群和子代种群进行合并,合并后的种群大小为20,评估合并种群中每个个体的适应度值。如图3所示,对于合并种群中的每一个个体进行解码,对前85个二进制位进行解码,得到了特征提取参数Is,Ie,m,通过该参数来获取老化特征,将老化特征组成的数据集划分为训练集和测试集。对该个体后6*8个二进制位进行解码,便得到了注意力权重参数,用该参数组成LSTM模型。将划分的训练集输入到LSTM模型中进行训练,通过定义的代价函数来评估每个个体的适应度值,该个体的适应度值越小代表着该个体越优;
根据适应度值对个体进行非支配排序,计算个体之间的拥挤距离、根据非支配关系以及个体的拥挤度选取10个个体作为下一代种群,始终保持进入下一代的种群大小为10。
获取一组表现最优的个体。接下来是一个不断迭代的过程,如果当前代达到最大迭代次数,则得到一组表现最优的个体,否则,进入(6)继续迭代。
(7)在得到的一组最优个体中,选择一个MSE值最小的个体,对该个体进行解码,得到解码后的老化特征和LSTM模型,将老化特征划分为训练集和测试集,将测试集输入到解码后的LSTM模型中,根据测试集得出电池SOH估计结果。
Claims (5)
1.基于进化注意力机制的LSTM电池健康状态估计方法,其特征在于,具体按照以下步骤实施:
步骤1、获取锂电池出厂时由制造商标定的额定容量;
步骤2、获取锂电池n条恒流充电电压曲线;
步骤3、获取锂电池当前的SOH,锂电池当前容量和额定容量的比值为锂电池当前的SOH值;
步骤4、定义特征提取中需要优化的三个参数Is,Ie,m,并对步骤2中得到的n条恒流充电电压曲线进行特征提取和处理,得到处理后的老化特征;
步骤5、定义注意力参数W,使用该参数W来构造基于注意力机制的LSTM模型;
步骤6、对于步骤4定义的特征提取参数Is、Ie、m和步骤5定义的注意力参数W,通过非支配排序遗传算法II对参数同时进行优化,最终得到一组表现最优的个体;
步骤7、在经步骤6后得到的一组最优个体中,选择一个MSE值最小的个体,对该个体进行解码,得到解码后的老化特征和LSTM模型,将老化特征划分为训练集和测试集,将测试集输入到解码后的LSTM模型中,根据测试集得出电池SOH估计结果。
2.根据权利要求1所述的基于进化注意力机制的LSTM电池健康状态估计方法,其特征在于,所述步骤2中,具体为:在恒流条件下对锂电池进行循环充放电,每隔一定的时间间隔对每次充电工作下的电压数据进行实时记录,每充一次电,便会得到一组充电电压数据,并通过仪器测量该电池当前容量,直到锂电池寿命终止结束记录,寿命终止的标准是锂电池当前容量衰减为额定容量的70%,会得到n组充电电压数据,每组充电电压数据形成一条恒流充电电压曲线,最终会形成n条恒流充电电压曲线。
3.根据权利要求1所述的基于进化注意力机制的LSTM电池健康状态估计方法,其特征在于,所述步骤4中,具体为:
步骤4.1、在每条恒流充电电压曲线上选择一个合适的窗口进行特征提取,向量C=c1,…,cx表示窗口内的电压数据,定义窗口参数Is和Ie,分别代表窗口的开始索引和结束索引;
步骤4.2、对窗口增加约束,窗口的范围必须位于整条充电电压曲线范围内,约束条件如式(2)所示:
0≤Is<Ie≤V_dimension (2);
式中,V_dimension表示每条充电电压曲线的维数;
步骤4.3、对窗口内的电压曲线采用分段聚合近似方法进行特征提取;在分段聚合近似方法中,先定义参数m代表分段个数,将窗口内的数据划分为m个大小相等的段,计算落入每一段内数据的均值向量/>便成为了每一段的近似表示,作为m个老化特征F=F1,F2,...,Fm;
步骤4.4、对n条恒流充电电压曲线进行分段聚合近似,得到大小为n*m的特征矩阵,对特征矩阵进行归一化处理,得到处理后的老化特征;
归一化公式如式(3)所示:
其中,F是整个特征数据,Fmin是老化特征数据中的最小值,Fmax是老化特征数据中的最大值。
4.根据权利要求3所述的基于进化注意力机制的LSTM电池健康状态估计方法,其特征在于,所述步骤5中,具体为:定义输入层、注意力层、隐藏层、输出层来构造基于注意力机制的LSTM模型;对于注意力层,由一组注意力权重参数W组成,当一组参数W确定之后,即确定了一个LSTM模型。
5.根据权利要求4所述的基于进化注意力机制的LSTM电池健康状态估计方法,其特征在于,所述步骤6中,具体为:
步骤6.1、定义代价函数;代价函数如式(4)所示:
式中,f1表示锂电池健康状态估计值的目标函数,MSE是每个LSTM模型训练结束后得到的预测SOH值与步骤3计算的SOH值之间的误差;f2表示锂电池老化特征数目的目标函数,NumFeature表示锂电池老化特征数目;
MSE计算公式如式(5)所示;
其中,SOHi,estimate代表SOH的估计值,SOHi,real代表SOH的真实值;
步骤6.2、对特征提取参数和注意力权重参数进行编码;将这两种信息编码在一个单独的个体中,一个个体的决策值由两部分组成,第一部分表示特征提取中三个参数Is、Ie、m的编码,前两个参数每个分配40个二进制位,第三个参数分配5个二进制位,这一部分决策值总共包含85位;决策值的第二部分表示注意力权重参数W=(W1,W2,…,Wn),对于Wi(i=1,2,3…n)中的每个权重分配6个二进制位,每个Wi包含6*m个二进制位;初始化N个这样的个体作为初始种群,得到N个编码后的个体,作为父代种群;
步骤6.3、定义选择、交叉和变异遗传操作,在父代种群中选择个体,进行交叉和变异会产生M个新个体,作为子代种群;
步骤6.4、对步骤6.2得到的N个个体和步骤6.3得到的M个个体进行合并,合并后的种群大小为N+M,评估合并种群中每个个体的适应度值;对于合并种群中的每一个个体进行解码,对该个体前半部分的二进制位进行解码,得到特征提取参数,通过该特征提取参数来获取老化特征,将老化特征组成的数据集划分为训练集和测试集;对该个体后半部分的二进制位进行解码,得到注意力权重参数,用该注意力权重参数组成新的LSTM模型;将划分的训练集输入到新的LSTM模型中进行训练,通过步骤6.1定义的代价函数来评估每个个体的适应度值;
步骤6.5、根据步骤6.4得到的适应度值对每个个体进行非支配排序,计算个体之间的拥挤距离、根据非支配关系以及个体的拥挤度选取N个个体作为下一代种群,始终保持进入下一代的种群大小为N;
拥挤度计算公式如(6)所示:
式中,D[i]distance是第i个个体的拥挤距离,D[i]distance.m为第i个解的第m个目标函数,fm,max和fm,min为第m个目标函数的最大值与最小值;
步骤6.6、获取一组表现最优的个体;接下来是一个不断迭代的过程,如果当前代达到最大迭代次数,则得到一组表现最优的个体;否则,进入步骤6.3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110540306.6A CN113376540B (zh) | 2021-05-18 | 2021-05-18 | 基于进化注意力机制的lstm电池健康状态估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110540306.6A CN113376540B (zh) | 2021-05-18 | 2021-05-18 | 基于进化注意力机制的lstm电池健康状态估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113376540A CN113376540A (zh) | 2021-09-10 |
CN113376540B true CN113376540B (zh) | 2023-07-07 |
Family
ID=77571114
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110540306.6A Active CN113376540B (zh) | 2021-05-18 | 2021-05-18 | 基于进化注意力机制的lstm电池健康状态估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113376540B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114325450A (zh) * | 2022-01-11 | 2022-04-12 | 青岛科技大学 | 基于CNN-BiLSTM-AT混合模型的锂离子电池健康状态预测方法 |
CN114460481A (zh) * | 2022-01-27 | 2022-05-10 | 重庆邮电大学 | 基于Bi-LSTM和注意力机制的储能电池热失控预警方法 |
KR20230153096A (ko) * | 2022-04-28 | 2023-11-06 | 삼성에스디아이 주식회사 | 배터리의 건강 상태를 추정하는 방법 및 장치 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020191800A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 |
CN111832220A (zh) * | 2020-06-16 | 2020-10-27 | 天津大学 | 一种基于编解码器模型的锂离子电池健康状态估算方法 |
CN112684346A (zh) * | 2020-12-10 | 2021-04-20 | 西安理工大学 | 基于遗传卷积神经网络的锂电池健康状态估计方法 |
-
2021
- 2021-05-18 CN CN202110540306.6A patent/CN113376540B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020191800A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 |
CN111832220A (zh) * | 2020-06-16 | 2020-10-27 | 天津大学 | 一种基于编解码器模型的锂离子电池健康状态估算方法 |
CN112684346A (zh) * | 2020-12-10 | 2021-04-20 | 西安理工大学 | 基于遗传卷积神经网络的锂电池健康状态估计方法 |
Non-Patent Citations (1)
Title |
---|
基于IACA-SVR的电池SOH预测研究;康道新;李立伟;杨玉新;罗羽;;电力电子技术(第09期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113376540A (zh) | 2021-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113376540B (zh) | 基于进化注意力机制的lstm电池健康状态估计方法 | |
CN108896914B (zh) | 一种锂电池健康状况的梯度提升树建模与预测方法 | |
CN112782591B (zh) | 基于多电池数据融合的锂电池soh长期预测方法 | |
CN110187290B (zh) | 一种基于融合型算法的锂离子电池剩余寿命预测方法 | |
CN112684346B (zh) | 基于遗传卷积神经网络的锂电池健康状态估计方法 | |
CN111861013B (zh) | 一种电力负荷预测方法及装置 | |
CN113917334B (zh) | 基于进化lstm自编码器的电池健康状态估计方法 | |
CN113267733B (zh) | 基于高斯过程回归的锂电池健康状态估计的自动配置方法 | |
CN114325450A (zh) | 基于CNN-BiLSTM-AT混合模型的锂离子电池健康状态预测方法 | |
CN112733417B (zh) | 一种基于模型优化的异常负荷数据检测与修正方法和系统 | |
CN112198434B (zh) | 电池容量衰减模型参数的辨识方法、系统、设备、装置及介质 | |
CN114740388A (zh) | 一种基于改进tcn的锂电池剩余寿命状态评估方法 | |
CN113176518A (zh) | 一种锂电池健康状态估算方法 | |
CN114924203A (zh) | 一种电池soh预测分析方法及电动汽车 | |
CN116577668A (zh) | 一种基于sae-qpso-rvm矿用自卸车起动铅酸蓄电池寿命预测方法 | |
CN116736133A (zh) | 锂离子电池全寿命周期容量退化轨迹的早期预测方法 | |
CN114545277A (zh) | 一种基于容量衰减的动力电池退役预测方法 | |
CN113762591A (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
CN117007974A (zh) | 一种基于模型融合的固态电池soc估计方法 | |
CN116736130A (zh) | 一种锂电池剩余使用寿命预测方法及系统 | |
CN115327389A (zh) | 基于遗传算法改进的双卡尔曼滤波的锂电池soc估计方法 | |
CN116243194A (zh) | 一种混合工况条件下的电池健康状态在线预测方法 | |
CN112001114B (zh) | 一种基于lstm改进的正则化粒子滤波算法的电池寿命预测方法 | |
CN115032544A (zh) | 数据不完备场景下的动力锂电池剩余寿命预测方法 | |
Kumarappa et al. | Machine learning-based prediction of lithium-ion battery life cycle for capacity degradation modelling |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |