CN114384427A - 基于量子神经网络的锂离子电池容量非线性退化预测方法 - Google Patents

基于量子神经网络的锂离子电池容量非线性退化预测方法 Download PDF

Info

Publication number
CN114384427A
CN114384427A CN202210036258.1A CN202210036258A CN114384427A CN 114384427 A CN114384427 A CN 114384427A CN 202210036258 A CN202210036258 A CN 202210036258A CN 114384427 A CN114384427 A CN 114384427A
Authority
CN
China
Prior art keywords
quantum
data
encoder
model
output
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.)
Pending
Application number
CN202210036258.1A
Other languages
English (en)
Inventor
陈云霞
刁泉贺
朱家晓
崔宇轩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Original Assignee
Beihang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN202210036258.1A priority Critical patent/CN114384427A/zh
Publication of CN114384427A publication Critical patent/CN114384427A/zh
Pending legal-status Critical Current

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]
    • G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明提供了一种基于量子神经网络的锂离子电池容量非线性退化预测方法，其包括：以量子神经元为基本单元，构建以编码器与解码器为基本结构的QREDNN模型，定义损失函数和优化方法，对数据进行预处理并划分为训练集与测试集，将预处理后的数据输入QREDNN模型中对参数进行训练，采用QREDNN模型对锂离子电池的容量退化趋势进行预测，所述QREDNN模型包括编码器Encoder、解码器Decoder和语义变量。本发明在传统数据驱动方法的基础上，借助量子计算基本原理，利用量子旋转矩阵表征权重值建立量子神经元模型，对于异常锂离子电池的容量退化趋势具有较好的非线性拟合能力，对于正常锂离子电池的预测效果优于经典模型。

Description

基于量子神经网络的锂离子电池容量非线性退化预测方法
技术领域
本发明属于锂离子电池性能预测领域，特别是一种基于量子神经网络的锂离子电池容量非线性退化预测方法。
背景技术
锂离子电池具有自放电率低、循环寿命长、环保、能量密度高等特点，因此在新能源汽车等领域应用广泛。锂离子电池的一个研究方向是通过电池容量退化早期的相关特征数据对电池后期的退化趋势进行预测，并对锂电池的寿命进行更加准确地估算，以此减少锂离子电池寿命周期内的测试成本，具有很高的应用价值。
在实际的应用过程中，生产厂家希望收集到某个电池前期一定数量的容量退化数据，就能预测出其后期的容量退化情况，从而判断该电池在某一循环处是否应该更换。因此，在对锂离子电池的实际测试过程中，厂家希望仅对电池进行较少次数的充放电循环测试，就可以知道后期某个循环处的容量值。在这个过程中常常采用的方式是对每一个电池单独进行预测，首先进行一段时间的测试并提取其一部分退化数据，学习其退化过程中的特征，从而预测出该电池后续的退化情况。
对于锂电池剩余寿命的预测方法有很多，研究也较为深入。然而，锂电池内部具有复杂的结构与电化学反应，常在退化后期出现容量加速下降的情况，其容量退化趋势呈现出明显的非线性，现有的锂电池容量退化预测方法往往无法很好地拟合该部分非线性退化特征，预测结果较差。因此，为更好地拟合锂电池退化后期非线性退化特征，寻求一种基于量子神经网络的锂离子电池容量非线性退化预测方法，对后期出现退化速度加快现象的锂离子电池进行更准确地预测是十分迫切且必要的。
发明内容
本发明针对上述现有技术中的缺陷，提出一种基于量子神经网络的锂离子电池容量非线性退化预测方法。该方法包括以量子神经元为基本单元，构建以编码器与解码器为基本结构的QREDNN模型，定义损失函数和优化方法，对数据进行预处理并划分为训练集与测试集，将预处理后的数据输入QREDNN模型中对参数进行训练，采用QREDNN模型对锂离子电池的容量退化趋势进行预测，所述QREDNN模型包括编码器Encoder、解码器Decoder和语义变量。本发明在传统数据驱动方法的基础上，借助量子计算基本原理，利用量子旋转矩阵表征权重值建立量子神经元模型，对于异常锂离子电池的容量退化趋势具有较好的非线性拟合能力，对于正常锂离子电池的预测效果不逊于经典模型。
本发明提供一种基于量子神经网络的锂离子电池容量非线性退化预测方法，其包括以下步骤：
S1、构建量子循环编码-解码神经网络QREDNN模型：以量子神经元为基本单元，构建以编码器与解码器为基本结构的QREDNN模型，所述QREDNN模型包括编码器Encoder、解码器Decoder和语义变量，所述编码器Encoder的输入为
Figure BDA0003464301210000021
表示t时刻下编码器输入的数据序列；所述语义变量采用所述编码器Encoder与解码器Decoder的相关参数计算得出；所述解码器Decoder的输入为T时刻下的语义变量序列为
Figure BDA0003464301210000022
其输出为
Figure BDA0003464301210000023
其中m表示编码器隐藏层神经元个数，
Figure BDA0003464301210000024
为T时刻的输出数据序列；所述编码器Encoder的隐藏层为
Figure BDA0003464301210000025
所述解码器Decoder的隐藏层为
Figure BDA0003464301210000026
其中τ表示编码器中输入的时间长度，μ表示解码器中输入的时间长度；
S2、定义损失函数和优化方法，所述优化方式采用梯度下降法；
S3、对数据进行预处理，并划分为训练集与测试集；
S4、将预处理后的数据输入QREDNN模型中对参数进行训练；
S5、采用QREDNN模型对锂离子电池的容量退化趋势进行预测；
S51、将用来对QREDNN模型进行训练的时间序列前一段的k个数据
Figure BDA0003464301210000027
中最后d个数据[xk-d+1，xk-d+2，...，xk]输入QREDNN模型中进行预测，得到第一输出
Figure BDA0003464301210000028
与进行训练的输入矩阵
Figure BDA0003464301210000029
不同，进行预测时的输入仅有一个批次；
S52、根据所述第一输出
Figure BDA00034643012100000210
将前一次输入的数据集[xk-d+1，xk-d+2，...，xk]中xk-d+1去除，并将
Figure BDA00034643012100000211
与数据集中其他数据构成一个新的输入数据向量
Figure BDA00034643012100000212
将其输入QREDNN模型中进行预测，得到第二输出
Figure BDA00034643012100000213
S53、根据所述第二输出
Figure BDA00034643012100000214
与新的输入数据向量
Figure BDA00034643012100000215
将数据向量中xk-d+2去除，用预测的第二输出
Figure BDA00034643012100000216
与数据集中其他数据构成一个新的输入数据向量
Figure BDA00034643012100000217
将其输入QREDNN模型中进行预测；
S54、重复进行步骤S52与S53，直到最后一次使用模型进行预测时，输入的数据集为
Figure BDA00034643012100000218
得到预测的输出
Figure BDA00034643012100000219
即可得到预测结果
Figure BDA00034643012100000220
ξ为容量数据序列长度。
进一步，所述步骤S1具体包括以下步骤：
S11、在所述编码器Encoder中，由t时刻下编码器输入的数据序列
Figure BDA0003464301210000031
与t-1时刻编码器隐藏层量子神经元的量子态输出状态
Figure BDA0003464301210000032
全连接并通过量子神经元得到t时刻编码器隐藏层量子神经元的量子态输出状态
Figure BDA0003464301210000033
S12、在所述解码器Decoder中，由T时刻下的语义变量序列为
Figure BDA0003464301210000034
与T-1时刻解码器隐藏层量子神经元的量子态输出状态
Figure BDA0003464301210000035
全连接并通过量子神经元得到T时刻解码器隐藏层量子神经元的量子态输出状态
Figure BDA0003464301210000036
S13、由T时刻解码器隐藏层量子神经元的量子态输出状态
Figure BDA0003464301210000037
经全连接并通过量子神经元得到T时刻的输出数据序列
Figure BDA0003464301210000038
p表示T时刻输出的数据序列长度。
可优选的，所述步骤S3具体包括以下步骤：
S31、获取不同时刻的容量数据
Figure BDA0003464301210000039
作为输入；
S32、对所述容量数据
Figure BDA00034643012100000310
归一化处理，得到归一化的容量数据序列
Figure BDA00034643012100000311
所述归一化的容量数据序列
Figure BDA00034643012100000312
中第i个数据为：
Figure BDA00034643012100000313
其中，
Figure BDA00034643012100000314
表示所述容量数据
Figure BDA00034643012100000315
的最大值；
S33、基于所述归一化的容量数据序列
Figure BDA00034643012100000316
将
Figure BDA00034643012100000317
划分为训练集，将
Figure BDA00034643012100000318
划分为测试集，k为常数且1＜k＜ξ。
可优选的，所述步骤S4具体包括以下步骤：
S41、对模型中需要进行训练的各种参数进行初值的设置；
S42、使用原数据集中其他数据进行预训练，确定学习率α、正则项系数l；
S43、将输入矩阵
Figure BDA00034643012100000319
其中一个批次的数据输入模型中，得到预测输出y′；
S44、根据预测输出y′和输出预测向量中对应批次的原时间序列真实值y，计算本次训练的损失函数E；
S45、进行反向传播，对模型中需要进行训练的各种参数进行更新；
S46、重复步骤S43到S45，直到损失值满足要求；
S47、重复步骤S43到S46，直到输入矩阵
Figure BDA0003464301210000041
中所有批次的数据全部完成训练。
进一步，所述步骤S1中所述编码器Encoder的计算具体包括以下步骤：
S111、获取t时刻下编码器输入的数据序列
Figure BDA0003464301210000042
并将其转化为编码器量子态数据
Figure BDA0003464301210000043
S112、获取t-1时刻编码器隐藏层量子神经元的量子态输出状态
Figure BDA0003464301210000044
S113、将编码器量子态数据
Figure BDA0003464301210000045
和编码器隐藏层量子神经元的量子态输出状态
Figure BDA0003464301210000046
作为t时刻编码器隐藏层中量子神经元的输入，计算得到t时刻编码器隐藏层量子神经元的量子态输出状态
Figure BDA0003464301210000047
S114、重复步骤S111到S113，得到t＝1到t＝τ的各个时刻编码器隐藏层量子神经元的量子态输出状态；
所述解码器Decoder的计算具体包括以下步骤：
S121、获取T时刻下语义变量
Figure BDA0003464301210000048
并将其转化为解码器量子态数据
Figure BDA0003464301210000049
S122、获取T-1时刻解码器隐藏层量子神经元的量子态输出状态
Figure BDA00034643012100000410
S123、将解码器量子态数据
Figure BDA00034643012100000411
和解码器隐藏层量子神经元的量子态输出状态
Figure BDA00034643012100000412
作为T时刻解码器隐藏层中量子神经元的输入，由此计算得到T时刻解码器隐藏层量子神经元的量子态输出状态
Figure BDA00034643012100000413
S124、重复步骤S121到S123，得到T＝1到T＝μ的各个时刻解码器隐藏层量子神经元的量子态输出状态；
所述语义变量的计算具体包括以下步骤：
S131、获取T-1时刻解码器量子神经元的量子态输出状态
Figure BDA00034643012100000414
S132、获取t时刻编码器隐藏层量子神经元的量子态输出状态
Figure BDA00034643012100000415
S133、计算相关系数lt，T：
Figure BDA00034643012100000416
其中，
Figure BDA0003464301210000051
表示调节系数向量，为m×1维的单位向量；WE表示待优化的第一矩阵，为m×m维；WD表示待优化的第二矩阵，为m×m维；
S134、重复步骤S142和S143，计算t＝1到t＝τ时刻下所有的相关系数lt，T；
S135、计算权重系数
Figure BDA0003464301210000052
其中第i个权重系数ai,T为：
Figure BDA0003464301210000053
S136、计算语义变量
Figure BDA0003464301210000054
Figure BDA0003464301210000055
进一步，所述步骤S2中所述优化方式具体包括以下步骤：
S21、对输入数据进行预测，并计算出损失函数E；
S22、对参数进行更新：
Figure BDA0003464301210000056
其中，ω表示待更新参数；
Figure BDA0003464301210000057
表示误差对待更新参数的偏导；
S23、重复进行步骤S21与S22，直到损失函数E降低到一定值，模型的训练便可结束；所述损失函数E为：
Figure BDA0003464301210000058
其中，
Figure BDA00034643012100000511
经过QREDNN模型预测得出的输出值，
Figure BDA0003464301210000059
是真值。
可优选的，所述步骤S111中转化为编码器量子态数据和所述步骤S121中转化为解码器量子态数据均采用计算数据x的量子态公式：
Figure BDA00034643012100000510
其中，θ表示量子参数，且θ＝2arcsinx。
可优选的，所述步骤S1中所述QREDNN模型还包括输入输出关系，所述输入输出关系的计算具体包括以下步骤：
S141、获取输入到量子神经元g中的所有量子态数据|x1>，|x2>，...，|xs>；
S142、计算量子神经元g：
Figure BDA0003464301210000061
其中，R表示旋转矩阵；δi表示待训练的变量；F(·)表示计算坐标该变量之和的函数，且F(R(δi)|xk>)＝sinθkcosφk+sinθksinφk+cosθk，θk、φk表示量子态数据|xk>中的参数；f(·)表示激活函数；s表示输入到量子神经元g的数据个数；
S143、计算量子神经元g的量子态输出：
Figure BDA0003464301210000062
其中，θ′表示量子神经元参数，且θ′＝2arcsing，φ表示相位。
与现有技术相比，本发明的技术效果为：
1、本发明设计的一种基于量子神经网络的锂离子电池容量非线性退化预测方法，对于异常电池，其容量衰减速度随循环数的增加而加快，容量退化趋势呈现明显的非线性，量子循环编码-解码神经网络模型对于锂离子电池的容量退化趋势具有较好的非线性拟合能力，预测效果优于经典模型，误差也更低。
2、本发明设计的一种基于量子神经网络的锂离子电池容量非线性退化预测方法，对于正常电池，其容量衰减速度随循环数增加基本不变，量子循环编码-解码神经网络模型对于正常的线性拟合也有一定的能力，预测效果与经典模型接近，对趋势的拟合程度与误差都相似。
3、本发明设计的一种基于量子神经网络的锂离子电池容量非线性退化预测方法，采用量子循环编码-解码神经网络模型在传统数据驱动方法的基础上，借助量子计算基本原理，利用量子旋转矩阵表征权重值以建立量子神经元模型，具有较强的非线性逼近能力，对后期出现退化速度加快现象的锂离子电池进行更准确地预测。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显。
图1是本发明的基于量子神经网络的锂离子电池容量非线性退化预测方法流程图；
图2是本发明的实施例中QREDNN模型的整体结构图；
图3是本发明的实施例中编码器中隐藏层t时刻第i个元素的输入示意图；
图4是本发明的实施例中解码器中隐藏层T时刻第i个元素的输入示意图；
图5是本发明的实施例中解码器各时刻输入与输出关系的示意图；
图6是本发明的实施例中T时刻输出向量中第i个元素的示意图；
图7是本发明的实施例中量子神经元的结构示意图；
图8a是本发明的实施例中1号异常电池QREDNN模型和BP模型预测结果示意图；
图8b是本发明的实施例中2号异常电池QREDNN模型和BP模型预测结果示意图；
图8c是本发明的实施例中3号异常电池QREDNN模型和BP模型预测结果示意图；
图8d是本发明的实施例中4号异常电池QREDNN模型和BP模型预测结果示意图；
图8e是本发明的实施例中5号异常电池QREDNN模型和BP模型预测结果示意图；
图9a是本发明的实施例中1号正常电池QREDNN模型和BP模型预测结果示意图；
图9b是本发明的实施例中2号正常电池QREDNN模型和BP模型预测结果示意图；
图9c是本发明的实施例中3号正常电池QREDNN模型和BP模型预测结果示意图；
图9d是本发明的实施例中4号正常电池QREDNN模型和BP模型预测结果示意图；
图9e是本发明的实施例中5号正常电池QREDNN模型和BP模型预测结果示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了本发明的基于量子神经网络的锂离子电池容量非线性退化预测方法，该方法包括以下步骤：
S1、构建量子循环编码-解码神经网络QREDNN(Quantum Recurrent Encoder–decoder Neural Network)模型：以量子神经元为基本单元，构建以编码器与解码器为基本结构的QREDNN模型。
如图2所示，QREDNN模型包括编码器Encoder、解码器Decoder和语义变量，编码器Encoder的输入为
Figure BDA0003464301210000071
表示t时刻下编码器输入的数据序列；语义变量采用编码器Encoder与解码器Decoder的相关参数计算得出；解码器Decoder的输入为T时刻下的语义变量序列为
Figure BDA0003464301210000072
其输出为
Figure BDA0003464301210000073
其中m表示编码器隐藏层神经元个数，
Figure BDA0003464301210000074
为T时刻的输出数据序列；编码器Encoder的隐藏层为
Figure BDA0003464301210000075
解码器Decoder的隐藏层为
Figure BDA0003464301210000081
其中τ表示编码器中输入的时间长度，μ表示解码器中输入的时间长度。
S11、在编码器Encoder中，由t时刻下编码器输入的数据序列
Figure BDA0003464301210000082
与t-1时刻编码器隐藏层量子神经元的量子态输出状态
Figure BDA0003464301210000083
全连接并通过量子神经元得到t时刻编码器隐藏层量子神经元的量子态输出状态
Figure BDA0003464301210000084
中第i个元素
Figure BDA0003464301210000085
的输入如图3所示。
S12、在解码器Decoder中，由T时刻下的语义变量序列为
Figure BDA0003464301210000086
与T-1时刻解码器隐藏层量子神经元的量子态输出状态
Figure BDA0003464301210000087
全连接并通过量子神经元得到T时刻解码器隐藏层量子神经元的量子态输出状态
Figure BDA0003464301210000088
中第i个元素
Figure BDA0003464301210000089
的输入如图4所示。
S13、如图5与图6所示，由T时刻解码器隐藏层量子神经元的量子态输出状态
Figure BDA00034643012100000810
经全连接并通过量子神经元得到T时刻的输出数据序列
Figure BDA00034643012100000811
p表示T时刻输出的数据序列长度。
编码器Encoder的计算具体包括以下步骤：
S111、获取t时刻下编码器输入的数据序列
Figure BDA00034643012100000812
并将其转化为编码器量子态数据
Figure BDA00034643012100000813
S112、获取t-1时刻编码器隐藏层量子神经元的量子态输出状态
Figure BDA00034643012100000814
S113、将编码器量子态数据
Figure BDA00034643012100000815
和编码器隐藏层量子神经元的量子态输出状态
Figure BDA00034643012100000816
作为t时刻编码器隐藏层中量子神经元的输入，计算得到t时刻编码器隐藏层量子神经元的量子态输出状态
Figure BDA00034643012100000817
S114、重复步骤S111到S113，得到t＝1到t＝τ的各个时刻编码器隐藏层量子神经元的量子态输出状态。
解码器Decoder的计算具体包括以下步骤：
S121、获取T时刻下语义变量
Figure BDA00034643012100000818
并将其转化为解码器量子态数据
Figure BDA00034643012100000819
S122、获取T-1时刻解码器隐藏层量子神经元的量子态输出状态
Figure BDA00034643012100000820
S123、将解码器量子态数据
Figure BDA00034643012100000821
和解码器隐藏层量子神经元的量子态输出状态
Figure BDA0003464301210000091
作为T时刻解码器隐藏层中量子神经元的输入，由此计算得到T时刻解码器隐藏层量子神经元的量子态输出状态
Figure BDA0003464301210000092
S124、重复步骤S121到S123，得到T＝1到T＝μ的各个时刻解码器隐藏层量子神经元的量子态输出状态。
步骤S111中转化为编码器量子态数据和步骤S121中转化为解码器量子态数据均采用计算数据x的量子态公式：
Figure BDA0003464301210000093
其中，θ表示量子参数，且θ＝2arcsinx。
语义变量的计算具体包括以下步骤：
S131、获取T-1时刻解码器量子神经元的量子态输出状态
Figure BDA0003464301210000094
S132、获取t时刻编码器隐藏层量子神经元的量子态输出状态
Figure BDA0003464301210000095
S133、计算相关系数lt，T：
Figure BDA0003464301210000096
其中，
Figure BDA0003464301210000097
表示调节系数向量，为m×1维的单位向量；WE表示待优化的第一矩阵，为m×m维；WD表示待优化的第二矩阵，为m×m维。
S134、重复步骤S142和S143，计算t＝1到t＝τ时刻下所有的相关系数lt，T。
S135、计算权重系数
Figure BDA0003464301210000098
其中第i个权重系数ai,T为：
Figure BDA0003464301210000099
S136、计算语义变量
Figure BDA00034643012100000910
Figure BDA00034643012100000911
QREDNN模型还包括输入输出关系，输入输出关系的计算具体包括以下步骤：
S141、获取输入到量子神经元g中的所有量子态数据|x1>，|x2>，...，|xs>。
S142、如图7所示，计算量子神经元g：
Figure BDA00034643012100000912
其中，R表示旋转矩阵；δi表示待训练的变量；F(·)表示计算坐标该变量之和的函数，且F(R(δi)|xk>)＝sinθkcosφk+sinθksinφk+cosθk，θk、φk表示量子态数据|xk>中的参数；f(·)表示激活函数；s表示输入到量子神经元g的数据个数。
S143、计算量子神经元g的量子态输出：
Figure BDA0003464301210000101
其中，θ′表示量子神经元参数，且θ′＝2arcsing，φ表示相位。
S2、定义损失函数和优化方法，优化方式采用梯度下降法。
优化方式具体包括以下步骤：
S21、对输入数据进行预测，并计算出损失函数E。
S22、对参数进行更新：
Figure BDA0003464301210000102
其中，ω表示待更新参数；
Figure BDA0003464301210000103
表示误差对待更新参数的偏导。
S23、重复进行步骤S21与S22，直到损失函数E降低到一定值，模型的训练便可结束。
损失函数E为：
Figure BDA0003464301210000104
其中，
Figure BDA00034643012100001016
经过QREDNN模型预测得出的输出值，
Figure BDA0003464301210000105
是真值。
S3、对数据进行预处理，并划分为训练集与测试集。
S31、获取不同时刻的容量数据
Figure BDA0003464301210000106
作为输入。
S32、对容量数据
Figure BDA0003464301210000107
归一化处理，得到归一化的容量数据序列
Figure BDA0003464301210000108
ξ为容量数据序列长度。
步骤S32中归一化的容量数据序列
Figure BDA0003464301210000109
中第i个数据为：
Figure BDA00034643012100001010
其中，
Figure BDA00034643012100001011
表示容量数据
Figure BDA00034643012100001012
的最大值。
S33、基于归一化的容量数据序列
Figure BDA00034643012100001013
将
Figure BDA00034643012100001014
划分为训练集，将
Figure BDA00034643012100001015
划分为测试集，k为常数且1＜k＜ξ。
S4、将预处理后的数据输入QREDNN模型中对参数进行训练。
S41、对模型中需要进行训练的各种参数进行初值的设置。
S42、使用原数据集中其他数据进行预训练，确定学习率α、正则项系数l。
S43、将输入矩阵
Figure BDA0003464301210000111
其中一个批次的数据输入模型中，得到预测输出y′。
S44、根据预测输出y′和输出预测向量中对应批次的原时间序列真实值y，计算本次训练的损失函数E。
S45、进行反向传播，对模型中需要进行训练的各种参数进行更新。
S46、重复步骤S43到S45，直到损失值满足要求。
S47、重复步骤S43到S46，直到输入矩阵
Figure BDA0003464301210000112
中所有批次的数据全部完成训练。
S5、采用QREDNN模型对锂离子电池的容量退化趋势进行预测。
S51、将用来对QREDNN模型进行训练的时间序列前一段的k个数据
Figure BDA0003464301210000113
中最后d个数据[xk-d+1，xk-d+2，...，xk]输入QREDNN模型中进行预测，得到第一输出
Figure BDA0003464301210000114
与进行训练的输入矩阵
Figure BDA0003464301210000115
不同，进行预测时的输入仅有一个批次。
S52、根据第一输出
Figure BDA0003464301210000116
将前一次输入的数据集[xk-d+1，xk-d+2，...，xk]中xk-d+1去除，并将
Figure BDA0003464301210000117
与数据集中其他数据构成一个新的输入数据向量
Figure BDA0003464301210000118
将其输入QREDNN模型中进行预测，得到第二输出
Figure BDA0003464301210000119
S53、根据第二输出
Figure BDA00034643012100001110
与新的输入数据向量
Figure BDA00034643012100001111
将数据向量中xk-d+2去除，用预测的第二输出
Figure BDA00034643012100001112
与数据集中其他数据构成一个新的输入数据向量
Figure BDA00034643012100001113
将其输入QREDNN模型中进行预测。
S54、重复进行步骤S52与S53，直到最后一次使用模型进行预测时，输入的数据集为
Figure BDA00034643012100001114
得到预测的输出
Figure BDA00034643012100001115
即可得到预测结果
Figure BDA00034643012100001116
下面结合选定的一组锂离子电池容量退化数据过程对本发明做进一步的详细说明。
S1、构建量子循环编码-解码神经网络QREDNN模型：
本过程中，隐藏层层数为1，隐藏层中的神经元个数为50，隐藏层的激活函数选用tanh函数，输出层的激活函数选用relu函数，语义变量中待优化的参数设为ω。
S2、定义损失函数和优化方法：
本过程中学习率α设为0.1，正则项系数l设为0.01，损失E达到10-4即认为训练结束。
S3、对数据进行预处理，并划分为训练集与测试集：
本过程中选用的数据为每个循环的锂离子电池剩余容量值。由于只采用剩余容量值，t时刻的输入数据序列只有一维，即n＝1，此刻输入为xt。每次进行预测时输出为一个值，即p＝1,μ＝1。
在预测过程中对模型的要求为：输入时间序列
Figure BDA0003464301210000121
的前k个值，输出序列的后续值。因此，基于相空间重构原理，模型训练时的输入和输出可进行如下处理：
将训练集
Figure BDA0003464301210000122
以延迟时间为1、维度为d的方式可分为输入矩阵X和输出目标向量
Figure BDA0003464301210000123
对QREDNN模型，τ＝d。
它们可被描述如下：
Figure BDA0003464301210000124
输入矩阵X作为模型的输入，它的行数即批次数，为k-d+1，它的时间步长为d。输出目标向量
Figure BDA0003464301210000125
作为模型的输出，它的长度即批次数，为k-d+1。输入矩阵X中的每一行对应输出目标向量
Figure BDA0003464301210000126
中的每一个值。
S4、将预处理后的数据输入QREDNN模型中对参数进行训练。
将ω中的元素初值设为(0,1)之间的随机数，其余待优化的参数初值均设为(0,2π)之间的随机数。将每一行数据输入QREDNN中进行训练后对模型的参数进行一次更新，进行训练的次数为k-d+1。
S5、采用QREDNN模型对锂离子电池的容量退化趋势进行预测。
预测过程中将每个电池容量退化数据的前500循环作为模型的输入，后300循环作为模型的输出真值。
为更好地评估预测精度，使用第800循环处的相对误差、绝对误差和501-800循环的平均相对误差、平均绝对误差(Mean Absolute Error-MAE)作为评价预测效果好坏的定量指标。
针对异常电池，计算了采用QREDNN模型与经典前馈神经网络BP模型分别对5个锂离子电池的预测误差，预测结果分别如图8a～图8e所示，其中QREDNN模型误差结果如表1所示，BP模型误差结果如表2所示。
Figure BDA0003464301210000127
Figure BDA0003464301210000131
表1
Figure BDA0003464301210000132
表2
从表中的定量结果来看，QREDNN模型在对锂离子电池容量非线性退化趋势的预测上相比BP模型具有很大的优势。对于1号电池来说，QREDNN模型的预测效果以绝对优势超过BP模型。
针对数据集中退化趋势比较正常的5条锂离子电池容量退化曲线，其趋势的非线性体现并不明显，随着循环数的提高，容量退化的速度也没有明显加快。QREDNN模型和BP模型预测结果分别如图9a～图9e所示，其中QREDNN模型误差结果如表3所示，BP模型误差结果如表4所示。QREDNN模型对它们的预测效果比对异常电池的预测效果差，但和BP模型相比较为接近，可认为对于正常电池的容量退化趋势预测二者的效果相近。
Figure BDA0003464301210000133
表3
Figure BDA0003464301210000134
Figure BDA0003464301210000141
表4
通过对比QREDNN模型与BP模型的预测结果，从定量指标和图像表示中都可以看出，对于非线性特征较强的、退化速度随循环数增加而加快的锂离子电池数据，QREDNN模型的预测效果明显优于BP模型。而对于退化较为规律的正常电池来说，QREDNN模型与BP模型的预测效果很接近。以生产厂商最关注的第800循环处相对误差这个指标为例，对于5个异常电池，QREDNN模型的预测误差相比经典前馈神经网络模型分别降低了17.33％、5.43％、2.81％、0.78％、3.48％，说明QREDNN模型对于锂离子电池容量非线性退化趋势的预测效果更优。而从QREDNN模型与BP模型对正常电池的预测误差来看，对于1号、3号电池，QREDNN模型的预测误差较小，对于2号、4号、5号电池，BP模型的预测误差较小，且二者的预测误差差别并不大，可认为对于非线性特征不明显的锂离子电池容量退化趋势，QREDNN模型的预测效果与BP模型接近并不逊色。
本发明设计的一种基于量子神经网络的锂离子电池容量非线性退化预测方法，对于异常电池，其容量衰减速度随循环数的增加而加快，容量退化趋势呈现明显的非线性，量子循环编码-解码神经网络模型对于锂离子电池的容量退化趋势具有较好的非线性拟合能力，预测效果优于经典模型，误差也更低；对于正常电池，其容量衰减速度随循环数增加基本不变，量子循环编码-解码神经网络模型对于正常的线性拟合也有一定的能力，预测效果与经典模型接近，对趋势的拟合程度与误差都相似；采用量子循环编码-解码神经网络模型在传统数据驱动方法的基础上，借助量子计算基本原理，利用量子旋转矩阵表征权重值以建立量子神经元模型，具有较强的非线性逼近能力，对后期出现退化速度加快现象的锂离子电池进行更准确地预测。
最后所应说明的是：以上实施例仅以说明而非限制本发明的技术方案，尽管参照上述实施例对本发明进行了详细说明，本领域的普通技术人员应当理解：依然可以对本发明进行修改或者等同替换，而不脱离本发明的精神和范围的任何修改或局部替换，其均应涵盖在本发明的权利要求范围当中。

Claims (8)

1.一种基于量子神经网络的锂离子电池容量非线性退化预测方法，其特征在于，其包括以下步骤：
S1、构建量子循环编码-解码神经网络QREDNN模型：以量子神经元为基本单元，构建以编码器与解码器为基本结构的QREDNN模型，所述QREDNN模型包括编码器Encoder、解码器Decoder和语义变量，所述编码器Encoder的输入为
Figure FDA0003464301200000011
Figure FDA0003464301200000012
表示t时刻下编码器输入的数据序列；所述语义变量采用所述编码器Encoder与解码器Decoder的相关参数计算得出；所述解码器Decoder的输入为T时刻下的语义变量序列
Figure FDA0003464301200000013
其输出为
Figure FDA0003464301200000014
其中m表示编码器隐藏层神经元个数，
Figure FDA0003464301200000015
为T时刻的输出数据序列；所述编码器Encoder的隐藏层为
Figure FDA0003464301200000016
所述解码器Decoder的隐藏层为
Figure FDA0003464301200000017
其中τ表示编码器中输入的时间长度，μ表示解码器中输入的时间长度；
S2、定义损失函数和优化方法，所述优化方式采用梯度下降法；
S3、对数据进行预处理，并划分为训练集与测试集；
S4、将预处理后的数据输入QREDNN模型中对参数进行训练；
S5、采用QREDNN模型对锂离子电池的容量退化趋势进行预测；
S51、将用来对QREDNN模型进行训练的时间序列前一段的k个数据
Figure FDA0003464301200000018
中最后d个数据[xk-d+1，xk-d+2，...，xk]输入QREDNN模型中进行预测，得到第一输出
Figure FDA0003464301200000019
与进行训练的输入矩阵
Figure FDA00034643012000000110
不同，进行预测时的输入仅有一个批次；
S52、根据所述第一输出
Figure FDA00034643012000000111
将前一次输入的数据集[xk-d+1，xk-d+2，...，xk]中xk-d+1去除，并将
Figure FDA00034643012000000112
与数据集中其他数据构成一个新的输入数据向量
Figure FDA00034643012000000113
将其输入QREDNN模型中进行预测，得到第二输出
Figure FDA00034643012000000114
S53、根据所述第二输出
Figure FDA00034643012000000115
与新的输入数据向量
Figure FDA00034643012000000116
将数据向量中xk-d+2去除，用预测的第二输出
Figure FDA00034643012000000117
与数据集中其他数据构成一个新的输入数据向量
Figure FDA00034643012000000118
将其输入QREDNN模型中进行预测；
S54、重复进行步骤S52与S53，直到最后一次使用模型进行预测时，输入的数据集为
Figure FDA00034643012000000119
得到预测的输出
Figure FDA00034643012000000120
即可得到预测结果
Figure FDA00034643012000000121
ξ为容量数据序列长度。
2.根据权利要求1所述的基于量子神经网络的锂离子电池容量非线性退化预测方法，其特征在于，所述步骤S1具体包括以下步骤：
S11、在所述编码器Encoder中，由t时刻下编码器输入的数据序列
Figure FDA0003464301200000021
与t-1时刻编码器隐藏层量子神经元的量子态输出状态
Figure FDA0003464301200000022
全连接并通过量子神经元得到t时刻编码器隐藏层量子神经元的量子态输出状态
Figure FDA0003464301200000023
S12、在所述解码器Decoder中，由T时刻下的语义变量序列
Figure FDA0003464301200000024
与T-1时刻解码器隐藏层量子神经元的量子态输出状态
Figure FDA0003464301200000025
全连接并通过量子神经元得到T时刻解码器隐藏层量子神经元的量子态输出状态
Figure FDA0003464301200000026
S13、由T时刻解码器隐藏层量子神经元的量子态输出状态
Figure FDA0003464301200000027
经全连接并通过量子神经元得到T时刻的输出数据序列
Figure FDA0003464301200000028
p表示T时刻输出的数据序列长度。
3.根据权利要求1所述的基于量子神经网络的锂离子电池容量非线性退化预测方法，其特征在于，所述步骤S3具体包括以下步骤：
S31、获取不同时刻的容量数据
Figure FDA0003464301200000029
作为输入；
S32、对所述容量数据
Figure FDA00034643012000000210
归一化处理，得到归一化的容量数据序列
Figure FDA00034643012000000211
所述归一化的容量数据序列
Figure FDA00034643012000000212
中第i个数据为：
Figure FDA00034643012000000213
其中，
Figure FDA00034643012000000214
表示所述容量数据
Figure FDA00034643012000000215
的最大值；
S33、基于所述归一化的容量数据序列
Figure FDA00034643012000000216
将
Figure FDA00034643012000000217
划分为训练集，将
Figure FDA00034643012000000218
划分为测试集，k为常数且1＜k＜ξ。
4.根据权利要求1所述的基于量子神经网络的锂离子电池容量非线性退化预测方法，其特征在于，所述步骤S4具体包括以下步骤：
S41、对模型中需要进行训练的各种参数进行初值的设置；
S42、使用原数据集中其他数据进行预训练，确定学习率α、正则项系数l；
S43、将输入矩阵
Figure FDA00034643012000000219
其中一个批次的数据输入模型中，得到预测输出y′；
S44、根据预测输出y′和输出预测向量中对应批次的原时间序列真实值y，计算本次训练的损失函数E；
S45、进行反向传播，对模型中需要进行训练的各种参数进行更新；
S46、重复步骤S43到S45，直到损失值满足要求；
S47、重复步骤S43到S46，直到输入矩阵
Figure FDA0003464301200000031
中所有批次的数据全部完成训练。
5.根据权利要求1所述的基于量子神经网络的锂离子电池容量非线性退化预测方法，其特征在于，所述步骤S1中所述编码器Encoder的计算具体包括以下步骤：
S111、获取t时刻下编码器输入的数据序列
Figure FDA0003464301200000032
并将其转化为编码器量子态数据
Figure FDA0003464301200000033
n为t时刻输入的数据序列长度；
S112、获取t-1时刻编码器隐藏层量子神经元的量子态输出状态
Figure FDA0003464301200000034
S113、将编码器量子态数据
Figure FDA0003464301200000035
和编码器隐藏层量子神经元的量子态输出状态
Figure FDA0003464301200000036
作为t时刻编码器隐藏层中量子神经元的输入，计算得到t时刻编码器隐藏层量子神经元的量子态输出状态
Figure FDA0003464301200000037
S114、重复步骤S111到S113，得到t＝1到t＝τ的各个时刻编码器隐藏层量子神经元的量子态输出状态；
所述解码器Decoder的计算具体包括以下步骤：
S121、获取T时刻下语义变量
Figure FDA0003464301200000038
并将其转化为解码器量子态数据
Figure FDA0003464301200000039
S122、获取T-1时刻解码器隐藏层量子神经元的量子态输出状态
Figure FDA00034643012000000310
S123、将解码器量子态数据
Figure FDA00034643012000000311
和解码器隐藏层量子神经元的量子态输出状态
Figure FDA00034643012000000312
作为T时刻解码器隐藏层中量子神经元的输入，由此计算得到T时刻解码器隐藏层量子神经元的量子态输出状态
Figure FDA00034643012000000313
S124、重复步骤S121到S123，得到T＝1到T＝μ的各个时刻解码器隐藏层量子神经元的量子态输出状态；
所述语义变量的计算具体包括以下步骤：
S131、获取T-1时刻解码器量子神经元的量子态输出状态
Figure FDA00034643012000000314
S132、获取t时刻编码器隐藏层量子神经元的量子态输出状态
Figure FDA00034643012000000315
S133、计算相关系数lt，T：
Figure FDA0003464301200000041
其中，
Figure FDA0003464301200000042
表示调节系数向量，为m×1维的单位向量；WE表示待优化的第一矩阵，为m×m维；WD表示待优化的第二矩阵，为m×m维；
S134、重复步骤S142和S143，计算t＝1到t＝τ时刻下所有的相关系数lt，T；
S135、计算权重系数
Figure FDA0003464301200000043
其中第i个权重系数ai,T为：
Figure FDA0003464301200000044
S136、计算语义变量
Figure FDA0003464301200000045
Figure FDA0003464301200000046
6.根据权利要求1所述的基于量子神经网络的锂离子电池容量非线性退化预测方法，其特征在于，所述步骤S2中所述优化方式具体包括以下步骤：
S21、对输入数据进行预测，并计算出损失函数E；
S22、对参数进行更新：
Figure FDA0003464301200000047
其中，ω表示待更新参数；
Figure FDA0003464301200000048
表示误差对待更新参数的偏导；
S23、重复进行步骤S21与S22，直到损失函数E降低到一定值，模型的训练便可结束；
所述损失函数E为：
Figure FDA0003464301200000049
其中，
Figure FDA00034643012000000411
经过QREDNN模型预测得出的输出值，
Figure FDA00034643012000000412
是真值。
7.根据权利要求1所述的基于量子神经网络的锂离子电池容量非线性退化预测方法，其特征在于，所述步骤S111中转化为编码器量子态数据和所述步骤S121中转化为解码器量子态数据均采用计算数据x的量子态公式：
Figure FDA00034643012000000410
其中，θ表示量子参数，且θ＝2arcsinx。
8.根据权利要求1所述的基于量子神经网络的锂离子电池容量非线性退化预测方法，其特征在于，所述步骤S1中所述QREDNN模型还包括输入输出关系，所述输入输出关系的计算具体包括以下步骤：
S141、获取输入到量子神经元g中的所有量子态数据|x1>，|x2>，...，|xs>；
S142、计算量子神经元g：
Figure FDA0003464301200000051
其中，R表示旋转矩阵；δi表示待训练的变量；F(·)表示计算坐标该变量之和的函数，且F(R(δi)|xk>)＝sinθkcosφk+sinθksinφk+cosθk，θk、φk表示量子态数据|xk>中的参数；f(·)表示激活函数；s表示输入到量子神经元g的数据个数；
S143、计算量子神经元g的量子态输出：
Figure FDA0003464301200000052
其中，θ′表示量子神经元参数，且θ′＝2arcsin g，φ表示相位。
CN202210036258.1A 2022-01-11 2022-01-11 基于量子神经网络的锂离子电池容量非线性退化预测方法 Pending CN114384427A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210036258.1A CN114384427A (zh) 2022-01-11 2022-01-11 基于量子神经网络的锂离子电池容量非线性退化预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210036258.1A CN114384427A (zh) 2022-01-11 2022-01-11 基于量子神经网络的锂离子电池容量非线性退化预测方法

Publications (1)

Publication Number Publication Date
CN114384427A true CN114384427A (zh) 2022-04-22

Family

ID=81201587

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210036258.1A Pending CN114384427A (zh) 2022-01-11 2022-01-11 基于量子神经网络的锂离子电池容量非线性退化预测方法

Country Status (1)

Country Link
CN (1) CN114384427A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117563184A (zh) * 2024-01-15 2024-02-20 东营昆宇电源科技有限公司 一种基于物联网的储能消防控制系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117563184A (zh) * 2024-01-15 2024-02-20 东营昆宇电源科技有限公司 一种基于物联网的储能消防控制系统
CN117563184B (zh) * 2024-01-15 2024-03-22 东营昆宇电源科技有限公司 一种基于物联网的储能消防控制系统

Similar Documents

Publication Publication Date Title
CN112241608B (zh) 一种基于lstm网络和迁移学习的锂电池寿命预测方法
Li et al. Lithium-ion battery capacity estimation—A pruned convolutional neural network approach assisted with transfer learning
CN109472110B (zh) 一种基于lstm网络和arima模型的航空发动机剩余使用寿命预测方法
CN110488202B (zh) 基于深度神经网络的车辆电池荷电状态估计方法
She et al. Wear indicator construction of rolling bearings based on multi-channel deep convolutional neural network with exponentially decaying learning rate
WO2020176295A1 (en) Artificial neural network compression via iterative hybrid reinforcement learning approach
CN112966432A (zh) 一种锂离子电池剩余有效寿命预测方法及装置
CN112488235A (zh) 一种基于深度学习的电梯时序数据的异常诊断方法
CN109766745B (zh) 强化学习三态组合长短时记忆神经网络系统及训练和预测方法
CN111813084A (zh) 一种基于深度学习的机械装备故障诊断方法
CN112734002B (zh) 一种基于数据层和模型层联合迁移学习的寿命预测方法
CN116362398A (zh) 基于模态分解和重构及lstm-mlr混合模型的电力负荷预测方法
CN111709577B (zh) 基于长程相关性gan-lstm的rul预测方法
CN114384427A (zh) 基于量子神经网络的锂离子电池容量非线性退化预测方法
CN111044926A (zh) 质子交换膜燃料电池寿命预测方法
CN116679211A (zh) 一种锂电池健康状态的预测方法
CN114154743A (zh) 基于vetmrrn的空间滚动轴承剩余寿命预测方法
CN114266201B (zh) 一种基于深度学习的自注意力电梯困人预测方法
CN116052254A (zh) 基于扩展卡尔曼滤波神经网络的视觉连续情感识别方法
CN115062528A (zh) 一种针对工业过程时序数据的预测方法
CN116298936A (zh) 在不完全电压范围内的锂离子电池智能健康状态预测方法
CN108538301B (zh) 一种基于神经网络音频技术的智能数码乐器
CN114239397A (zh) 基于动态特征提取与局部加权深度学习的软测量建模方法
CN117312835A (zh) 一种基于混合概率数据驱动模型的燃料电池性能预测方法
CN117034762A (zh) 一种基于多算法加权和的复合模型锂电池寿命预测方法

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