CN117054891A - 电池寿命的预测方法、预测装置 - Google Patents
电池寿命的预测方法、预测装置 Download PDFInfo
- Publication number
- CN117054891A CN117054891A CN202311308996.8A CN202311308996A CN117054891A CN 117054891 A CN117054891 A CN 117054891A CN 202311308996 A CN202311308996 A CN 202311308996A CN 117054891 A CN117054891 A CN 117054891A
- Authority
- CN
- China
- Prior art keywords
- battery
- channel
- features
- attention
- function
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000013507 mapping Methods 0.000 claims abstract description 55
- 238000007477 logistic regression Methods 0.000 claims abstract description 17
- 239000006185 dispersion Substances 0.000 claims abstract description 11
- 238000011176 pooling Methods 0.000 claims description 79
- 238000007634 remodeling Methods 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 9
- 230000002776 aggregation Effects 0.000 claims description 7
- 238000004220 aggregation Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 239000003245 coal Substances 0.000 abstract description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 239000000284 extract Substances 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 68
- 238000010586 diagram Methods 0.000 description 8
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 4
- 229910052744 lithium Inorganic materials 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000011946 reduction process Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Secondary Cells (AREA)
Abstract
本发明提供了一种电池寿命的预测方法。所述方法基于人工智能,采用基准模型,从电池数据集中提取电池深度特征;将所述电池深度特征作为输入,采用通道注意力模块和空间注意力模块提取电池寿命特征,所述电池寿命特征包括荷电状态、电压值、以及剩余容量;将所述电池寿命特征中的值归一化到预设数值范围以防止梯度弥散;通过逻辑回归函数映射,获得电池的多维度注意力权重;将所述电池深度特征与所述多维度注意力权重相乘,得到电池的预测寿命。通过上述方法及其实现装置提高了电池寿命的预测精度,进而提高了电池的使用效率,满足煤矿等特殊场景下对安全性和可靠性的切实需求。
Description
技术领域
本发明涉及电池管理系统领域,尤其涉及一种电池寿命的预测方法、预测装置。
背景技术
目前,随着锂电池和新能源行业的飞速发展,电池管理系统(Battery ManagementSystem,简称BMS)作为锂电池的核心部分,能够智能化的管理和维护电池的各个模块,在电池出现过充过放或过温等异常状况时及时报警反馈,并且实时的评估各节电芯的当前状态,主要用于新能源汽车和储能两大领域。目前的电池管理系统主要包括电池状态和参数实时检测、电池的荷电状态(State of Charge,简称SOC)估算、充放电控制、均衡控制和热管理控制功能。
锂电池一旦发生过充、过放和温度过高等情况时轻则损坏电芯,重则热失控导致燃烧爆炸的重大事故,因此电池管理系统承担着至关重要的作用,直接关系到生产应用中的效率和安全性。此外,如果电池管理系统的均衡控制不到位或者状态监测不准确,极容易导致各节电芯差异增大,最终导致电池容量和寿命的快速下降,影响电池的使用寿命和使用效率。
因此,对电池寿命的预测的实时监测是至关重要的,直接关系到生产的效率和安全性,尤其在煤矿井下等特殊生产场景,对安全性和可靠性有更高的要求。但由于电芯的使用过程中涉及到复杂非线性的电化学反应,凭借现有的电池管理系统通过查表法对电池寿命的预测误差仍然较大,不同场景不同情况下难以及时自适应调整,仍然按照正常状态下的表去预测,极容易导致预测的不准,进而影响到锂电池的正常使用和使用效率。无法满足煤矿等特殊场景下对安全性和可靠性的切实需求,因此需要寻找更准确、更安全可靠的算法来进行预测监控和分析。
发明内容
本发明所要解决的技术问题是提供一种电池寿命的预测方法,用于解决目前传统电池管理系统对电池寿命预测准确度不高的问题,获得更加安全可靠,能够满足煤矿实际需求的电池管理系统。
为了解决上述问题,本发明提供了一种电池寿命的预测方法,包括:采用基准模型,从电池数据集中提取电池深度特征;将所述电池深度特征作为输入,采用通道注意力模块提取通道注意力特征,将所述通道注意力特征作为输入,采用空间注意力模块提取电池寿命特征,所述电池寿命特征包括荷电状态、电压值、以及剩余容量;将所述电池寿命特征中的值归一化到预设数值范围以防止梯度弥散;通过逻辑回归函数映射,获得电池的多维度注意力权重;将所述电池深度特征与所述多维度注意力权重相乘,得到电池的预测寿命;所述采用通道注意力模块提取通道注意力特征进一步包括如下步骤:将所述电池深度特征进行L2正则化;将L2正则化处理后的特征分别进行全局平均池化和全局最大池化;将全局平均池化结果和全局最大池化结果分别进行四次卷积层操作,每次卷积层操作后采用激活函数进行特征映射;所述全局平均池化结果和所述全局最大池化结果各自完成卷积层操作和特征映射后进行加权求和;将加权求和后的特征进行重塑,所述重塑将特征映射到特定的取值范围;将映射到特定取值范围的特征经过映射函数和回归函数归一化到0~1的范围,得到所述电池深度特征的通道注意力权重;将所述电池深度特征与所述通道注意力权重相乘,获取通道注意力特征;所述采用空间注意力模块提取取电池寿命特征进一步包括以下步骤:将所述通道注意力特征进行L2正则化;将L2正则化后的特征分别进行通道平均池化和通道最大池化;将通道平均池化结果和通道最大池化结果通过聚合层整合到一起;将整合后的特征经过两次卷积层操作;将卷积层操作后提取的特征经过映射函数和回归函数归一化到0~1的范围,得到所述电池深度特征的空间注意力权重;将所述通道注意力特征与所述空间注意力权重相乘,获取所述电池寿命特征;其中,所述映射函数是两个卷积层和Relu函数,所述回归函数是逻辑回归函数。
在一些实施例中,所述数据集的标签包括荷电状态、电压值、以及剩余容量。
在一些实施例中,所述基准模型为MobileNet模型或者 Inception-ResNet模型。
在一些实施例中,所述重塑使用sigmoid函数或者tanh函数。
为了解决上述问题,本发明还提供了一种电池寿命的预测装置,包括:特征获取单元,所述特征获取单元采用基准模型,用于从电池数据集中提炼出电池深度特征;多维度注意力单元,所述多维度注意力单元包括:通道注意力模块,输入为所述电池深度特征,配置为实现如下步骤:将所述电池深度特征进行L2正则化;将L2正则化处理后的特征分别进行全局平均池化和全局最大池化;将全局平均池化结果和全局最大池化结果分别进行四次卷积层操作,每次卷积层操作后采用激活函数进行特征映射;所述全局平均池化结果和所述全局最大池化结果各自完成卷积层操作和特征映射后进行加权求和;将加权求和后的特征进行重塑,所述重塑将特征映射到特定的取值范围;将映射到特定取值范围的特征经过映射函数和回归函数归一化到0~1的范围,得到所述电池深度特征的通道注意力权重;将所述电池深度特征与所述通道注意力权重相乘,获取通道注意力特征;空间注意力模块,输入为所述通道注意力特征,配置为实现如下步骤:将所述通道注意力特征进行L2正则化;将L2正则化后的特征分别进行通道平均池化和通道最大池化;将通道平均池化结果和通道最大池化结果通过聚合层整合到一起;将整合后的特征经过两次卷积层操作;将卷积层操作后提取的特征经过映射函数和回归函数归一化到0~1的范围,得到所述电池深度特征的空间注意力权重;将所述通道注意力特征与所述空间注意力权重相乘,获取所述电池寿命特征;其中,所述映射函数是两个卷积层和Relu函数,所述回归函数是逻辑回归函数;归一化模块,将所述电池寿命特征中的值归一化到预设数值范围以防止梯度弥散;回归映射模块,将归一化后的值通过逻辑回归函数映射,获得电池的多维度注意力权重;特征输出单元,所述特征输出单元,将所述电池深度特征与所述多维度注意力权重相乘,得到电池的预测寿命。
上述技术方案,基于人工智能的方法,采用基准模型,从电池数据集中提取电池深度特征;将所述电池深度特征作为输入,采用通道注意力模块和空间注意力模块提取电池寿命特征,所述电池寿命特征包括荷电状态、电压值、以及剩余容量;将所述电池寿命特征中的值归一化到预设数值范围以防止梯度弥散;通过逻辑回归函数映射,获得电池的多维度注意力权重;将所述电池深度特征与所述多维度注意力权重相乘,得到电池的预测寿命。通过上述方法及其实现装置提高了电池寿命的预测精度,进而提高了电池的使用效率,满足煤矿等特殊场景下对安全性和可靠性的切实需求。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的电池寿命的预测方法的流程图;
图2A是本发明一实施例提供的通道注意力模块的示意图;
图2B是本发明一实施例提供的通道注意力模块的流程图;
图3A是本发明一实施例提供的空间注意力模块的示意图;
图3B是本发明一实施例提供的空间注意力模块的流程图;
图4是本发明一实施例提供的电池寿命的预测装置的示意图。
具体实施方式
下面将结合附图对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1是本发明一实施例提供的电池寿命的预测方法的流程图。如图1所示,所述电池寿命的预测方法,包括:步骤S11,采用基准模型,从电池数据集中提取电池深度特征;步骤S12,将所述电池深度特征作为输入,采用通道注意力模块和空间注意力模块提取电池寿命特征,所述电池寿命特征包括荷电状态、电压值、以及剩余容量;步骤S13,将所述电池寿命特征中的值归一化到预设数值范围以防止梯度弥散;步骤S14,通过逻辑回归函数映射,获得电池的多维度注意力权重;步骤S15,将所述电池深度特征与所述多维度注意力权重相乘,得到电池的预测寿命。
参考本实施例的步骤S11,采用基准模型,从电池数据集中提取电池深度特征。具体的说,所述数据集通过收集和统计大量电池充放电试验、并且剔除掉了部分异常数据后构建,所述数据集的标签包括荷电状态、电压值、以及剩余容量。所述基准模型为MobileNet模型或者 Inception-ResNet模型。在本步骤中,所述基准模型为MobileNet模型。
MobileNet模型满足实时性要求高的应用场景, 例如移动设备和嵌入式设备等,拥有着参数少和运算速度快的优点,在保持模型性能不下降太多的情况下优化训练速度,减小模型占用内存。MobileNet模型相比于传统的深度学习主要有两大特点:一是将传统模型中的标准卷积层替换为了可分离卷积层, 从而大大减少了运算量和参数量。二是增加了两种超参数α和β来控制卷积核个数。其中,可分离卷积又可细分为空间可分离卷积和深度可分离卷积。空间可分离卷积这一操作主要是将原来的大卷积核替换为两个小卷积核的乘积。而深度可分离卷积是先经过深度卷积,然后进行逐点卷积。深度卷积不同于标准卷积中将卷积核作用于全部输入通道,深度卷积中的每个通道中的卷积核单独关注各自通道独有的信息。MobileNet模型作为一种轻量化便捷的经典网络模型,具有小型高效,训练收敛快的特点,能够更好地在移动端等实时性要求高的领域应用。
Inception-ResNet是在Inception模型中加入了残差连接模块的大型网络模型,在Inception模型具有复杂较深网络的优点上将网络变的更加规整宽阔,提升了网络收敛速度和性能。选择Inception-ResNet模型主要基于其具有较高识别准确率性能和较快收敛速度而选取其作为基准模型,与MobileNet模型相比,Inception-ResNet模型的网络更宽更深,网络的复杂度和计算量大大提升。Inception-ResNet模型是目前大体量网络模型中的典型代表,预测准确率更高,缺点是迭代收敛周期较长。在另一实施例中所述基准模型为Inception-ResNet模型。
参考本实施例的步骤S12,将所述电池深度特征作为输入,采用通道注意力模块和空间注意力模块提取电池寿命特征,所述电池寿命特征包括荷电状态、电压值、以及剩余容量。具体的,先采用通道注意力模块提取特征,再采用空间注意力模块提取特征,所述通道注意力模块的输出特征作为所述空间注意力模块的输入特征。在本步骤中,所述电池深度特征作为所述通道注意力模块的输入特征,所述通道注意力模块的输出特征作为所述空间注意力模块的输入特征。
图2A是本发明一实施例提供的通道注意力模块的示意图,所述通道注意力模块的输入特征即为所述电池深度特征,表示加权求和,/>表示相乘。图2B是本发明一实施例提供的通道注意力模块的流程图。参考图2B,所述采用通道注意力模块提取特征进一步包括如下步骤:步骤S21,将所述电池深度特征进行L2正则化;步骤S22,将L2正则化处理后的特征分别进行全局平均池化和全局最大池化;步骤S23,将全局平均池化结果和全局最大池化结果分别进行四次卷积层操作,每次卷积层操作后采用激活函数进行特征映射;步骤S24,所述全局平均池化结果和所述全局最大池化结果各自完成卷积层操作和特征映射后进行加权求和;步骤S25,将加权求和后的特征进行重塑,所述重塑将特征映射到特定的取值范围;步骤S26,将映射到特定取值范围的特征经过映射函数和回归函数归一化到0~1的范围,得到所述电池深度特征的通道注意力权重;步骤S27,将所述电池深度特征与所述通道注意力权重相乘,获取通道注意力特征。
参考步骤S21,将所述电池深度特征进行L2正则化。所述L2正则化是机器学习中常见的归一化方法,由于注意力模块需要学习并提取不同维度中的不同特征的注意力权重并对原始特征进行重新加权,这一过程需要保持特征分布的稳定来避免梯度弥散等问题,因此通过L2正则化对输入特征做规整化。设得到的特征为,其中加粗的/>表示特征集, m为输入的特征数量,/>表示第i个特征,则L2正则化操作为:
,/>
其中为防止分母为0的很接近于0的一个数,/>表示正则化后的第i个特征。
参考步骤S22,将L2正则化处理后的特征分别进行全局平均池化和全局最大池化。所述全局平均池化能够在特征映射降维过程中利用所有的特征信息,所述全局最大池化能够更多的减少无用的特征信息的影响。
参考步骤S23,将全局平均池化结果和全局最大池化结果分别进行四次卷积层操作,每次卷积层操作后采用激活函数进行特征映射。所述激活函数包括L2正则化和线性整流函数。线性整流函数(Rectified Linear Unit,简称Relu函数)可以增加神经网络的非线性拟合能力。
参考步骤S24,所述全局平均池化结果和所述全局最大池化结果各自完成卷积层操作和特征映射后进行加权求和。如图2A所示,所述全局平均池化结果和所述全局最大池化结果各自经过卷积层C1、C2、C3、C4后,以及经过函数激活后加权求和,表示加权求和。
参考步骤S25,将加权求和后的特征进行重塑,所述重塑将特征映射到特定的取值范围。在本实施例中,所述电池寿命特征包括荷电状态、电压值、以及剩余容量。本步骤映射后的取值范围为:荷电状态范围0-100%,即0-1;电压值范围2.5-3.5V,加了偏移量实际上也是0-1;剩余容量范围是0-228mAh。本步骤的重塑过程中使用sigmoid函数或者tanh函数。Sigmoid,是常用的连续、平滑的s型激活函数,函数定义为。tanh函数即双曲正切函数,函数定义为/>。
参考步骤S26,将映射到特定取值范围的特征经过映射函数和回归函数归一化到0~1的范围,得到所述电池深度特征的通道注意力权重。本步骤中所述映射函数是两个卷积层和Relu函数,所述回归函数是逻辑回归函数,最终目的是映射到0-1,给前面的输入特征生成权重。
参考步骤S27,将所述电池深度特征与所述通道注意力权重相乘,获取通道注意力特征。如图2A中所示,映射函数和回归函数后的输出值即为所述通道注意力权重,所述通道注意力权重与输入特征相乘后的输出为所述通道注意力特征。
继续参考本实施例的步骤S12,图3A是本发明一实施例提供的空间注意力模块的示意图,所述空间注意力模块的输入特征为所述通道注意力模块的输出特征,表示相乘。图3B是本发明一实施例提供的空间注意力模块的流程图。如图3B所示,所述采用空间注意力模块提取特征进一步包括以下步骤:步骤S31,将所述通道注意力特征进行L2正则化;步骤S32,将L2正则化后的特征分别进行通道平均池化和通道最大池化;步骤S33,将通道平均池化结果和通道最大池化结果通过聚合层整合到一起;步骤S34,将整合后的特征经过两次卷积层操作;步骤S35,将卷积层操作后提取的特征经过映射函数和回归函数归一化到0~1的范围,得到所述电池深度特征的空间注意力权重;步骤S36,将所述通道注意力特征与所述空间注意力权重相乘,获取所述电池寿命特征。
参考步骤S31,将所述通道注意力特征进行L2正则化。与步骤S21中类似,通过L2正则化对输入特征做规整化,在本步骤中,输入特征为所述通道注意力特征。
参考步骤S32,将L2正则化后的特征分别进行通道平均池化和通道最大池化。通道池化是对每个通道的特征进行整体池化,即在每个通道上计算一个池化结果,通道平均池化能够在特征映射降维过程中利用每个通道所有的特征信息,所述通道最大池化能够更多的减少每个通道无用的特征信息的影响。
参考步骤S33,将通道平均池化结果和通道最大池化结果通过聚合层整合到一起。本步骤中所述整合为加权求和。
参考步骤S34,将整合后的特征经过两次卷积层操作。如图3A中所示,两次操作在卷积层C1与卷积层C2中进行,本步骤中,卷积层C1与卷积层C2相同,执行两次可以获得更好的特征提取效果。
参考步骤S35,将卷积层操作后提取的特征经过映射函数和回归函数归一化到0~1的范围,得到所述电池深度特征的空间注意力权重。所述映射函数是两个卷积层和Relu函数,所述回归函数是逻辑回归函数。
参考步骤S36,将所述通道注意力特征与所述空间注意力权重相乘,获取所述电池寿命特征。如图3A所示,经过映射函数和回归函数归一化后的输出为所述空间注意力权重,所述通道注意力特征即所述空间注意力模块的输入特征,所述电池寿命特征即图3A中的输出特征。
继续参考图1,本实施例中的步骤S13,将所述电池寿命特征中的值归一化到预设数值范围以防止梯度弥散。所述归一化是为了对寿命特征规整化来提升网络模型稳定性,并且将特征数据映射到实际范围,例如:将荷电状态映射到0-100%;电压值映射到2.5-3.5V;剩余容量映射到0-228mAh。
参考本实施例的步骤S14,通过逻辑回归函数映射,获得电池的多维度注意力权重。所述多维度注意力权重指经过多维度的注意力模块转化后生成的权重,本步骤中,所述多维度的注意力模块包括通道注意力模块和空间注意力模块。
上述多维度注意力模块能够对提取到的深度特征图中的关键区域和关键通道分配更大权重,通过重加权方式来对关键电池寿命信息额外关注,从而更好的提取电池寿命特征。
参考本实施例的步骤S15,将所述电池深度特征与所述多维度注意力权重相乘,得到电池的预测寿命。所述电池的预测寿命包括荷电状态、电压、以及剩余容量值。
基于同一发明构思,本发明提供了一种电池寿命预测装置。
图4是本发明一实施例提供的电池寿命预测装置的示意图。如图4所示,所述电池寿命预测装置包括特征获取单元、多维度注意力单元、以及特征输出单元。所述特征获取单元采用基准模型,用于从电池数据集中提炼出电池深度特征。所述多维度注意力单元包括:通道注意力模块、空间注意力模块、归一化模块、以及回归映射模块。所述通道注意力模块的输入为所述电池深度特征,配置为实现如下步骤:将所述电池深度特征进行L2正则化;将L2正则化处理后的特征分别进行全局平均池化和全局最大池化;将全局平均池化结果和全局最大池化结果分别进行四次卷积层操作,每次卷积层操作后采用激活函数进行特征映射;所述全局平均池化结果和所述全局最大池化结果各自完成卷积层操作和特征映射后进行加权求和;将加权求和后的特征进行重塑,所述重塑将特征映射到特定的取值范围;将映射到特定取值范围的特征经过映射函数和回归函数归一化到0~1的范围,得到所述电池深度特征的通道注意力权重;将所述电池深度特征与所述通道注意力权重相乘,获取通道注意力特征;所述通道注意力模块的示意图如图2A所示;所述空间注意力模块的输入为所述通道注意力特征,配置为实现如下步骤:将所述通道注意力特征进行L2正则化;将L2正则化后的特征分别进行通道平均池化和通道最大池化;将通道平均池化结果和通道最大池化结果通过聚合层整合到一起;将整合后的特征经过两次卷积层操作;将卷积层操作后提取的特征经过映射函数和回归函数归一化到0~1的范围,得到所述电池深度特征的空间注意力权重;将所述通道注意力特征与所述空间注意力权重相乘,获取所述电池寿命特征;所述空间注意力模块的示意图如图3A所示;所述通道注意力模块与所述空间注意力模块中的所述映射函数是两个卷积层和Relu函数,所述回归函数是逻辑回归函数;所述归一化模块将所述电池寿命特征中的值归一化到预设数值范围以防止梯度弥散;所述回归映射模块通过逻辑回归函数映射,获得电池的多维度注意力权重。所述归一化模块通过对寿命特征规整化来提升网络模型稳定性。所述多维度注意力单元能够对提取到的深度特征图中的关键区域和关键通道分配更大权重,通过重加权方式来对关键电池寿命信息额外关注,从而更好的提取电池寿命特征。所述特征输出单元,将所述电池深度特征与所述多维度注意力权重相乘,得到电池的预测寿命。
上述技术方案,基于人工智能的方法,采用基准模型,从电池数据集中提取电池深度特征;将所述电池深度特征作为输入,采用通道注意力模块和空间注意力模块提取电池寿命特征,所述电池寿命特征包括荷电状态、电压值、以及剩余容量;将所述电池寿命特征中的值归一化到预设数值范围以防止梯度弥散;通过逻辑回归函数映射,获得电池的多维度注意力权重;将所述电池深度特征与所述多维度注意力权重相乘,得到电池的预测寿命。通过上述方法及其实现装置提高了电池寿命的预测精度,进而提高了电池的使用效率,满足煤矿等特殊场景下对安全性和可靠性的切实需求。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或者操作区分开来,而不一定要求或者暗示这些实体或者操作之间存在任何这种实际的关系或顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含。本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅是本发明的优选实施例,并非用于限定本发明的保护范围。应当指出,对于本技术领域的普通技术人员,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (5)
1.一种电池寿命的预测方法,其特征在于,包括:采用基准模型,从电池数据集中提取电池深度特征;将所述电池深度特征作为输入,采用通道注意力模块提取通道注意力特征,将所述通道注意力特征作为输入,采用空间注意力模块提取电池寿命特征,所述电池寿命特征包括荷电状态、电压值、以及剩余容量;将所述电池寿命特征中的值归一化到预设数值范围以防止梯度弥散;通过逻辑回归函数映射,获得电池的多维度注意力权重;将所述电池深度特征与所述多维度注意力权重相乘,得到电池的预测寿命;所述采用通道注意力模块提取通道注意力特征进一步包括如下步骤:将所述电池深度特征进行L2正则化;将L2正则化处理后的特征分别进行全局平均池化和全局最大池化;将全局平均池化结果和全局最大池化结果分别进行四次卷积层操作,每次卷积层操作后采用激活函数进行特征映射;所述全局平均池化结果和所述全局最大池化结果各自完成卷积层操作和特征映射后进行加权求和;将加权求和后的特征进行重塑,所述重塑将特征映射到特定的取值范围;将映射到特定取值范围的特征经过映射函数和回归函数归一化到0~1的范围,得到所述电池深度特征的通道注意力权重;将所述电池深度特征与所述通道注意力权重相乘,获取通道注意力特征;所述采用空间注意力模块提取电池寿命特征进一步包括以下步骤:将所述通道注意力特征进行L2正则化;将L2正则化后的特征分别进行通道平均池化和通道最大池化;将通道平均池化结果和通道最大池化结果通过聚合层整合到一起;将整合后的特征经过两次卷积层操作;将卷积层操作后提取的特征经过映射函数和回归函数归一化到0~1的范围,得到所述电池深度特征的空间注意力权重;将所述通道注意力特征与所述空间注意力权重相乘,获取所述电池寿命特征;其中,所述映射函数是两个卷积层和Relu函数,所述回归函数是逻辑回归函数。
2.根据权利要求1所述的方法,其特征在于,所述数据集的标签包括荷电状态、电压值、以及剩余容量。
3.根据权利要求1所述的方法,其特征在于,所述基准模型为MobileNet模型或者Inception-ResNet模型。
4.根据权利要求1所述的方法,其特征在于,所述重塑使用sigmoid函数或者tanh函数。
5.一种电池寿命的预测装置,其特征在于,包括:特征获取单元,所述特征获取单元采用基准模型,用于从电池数据集中提炼出电池深度特征;多维度注意力单元,所述多维度注意力单元包括:通道注意力模块,输入为所述电池深度特征,配置为实现如下步骤:将所述电池深度特征进行L2正则化;将L2正则化处理后的特征分别进行全局平均池化和全局最大池化;将全局平均池化结果和全局最大池化结果分别进行四次卷积层操作,每次卷积层操作后采用激活函数进行特征映射;所述全局平均池化结果和所述全局最大池化结果各自完成卷积层操作和特征映射后进行加权求和;将加权求和后的特征进行重塑,所述重塑将特征映射到特定的取值范围;将映射到特定取值范围的特征经过映射函数和回归函数归一化到0~1的范围,得到所述电池深度特征的通道注意力权重;将所述电池深度特征与所述通道注意力权重相乘,获取通道注意力特征;空间注意力模块,输入为所述通道注意力特征,配置为实现如下步骤:将所述通道注意力特征进行L2正则化;将L2正则化后的特征分别进行通道平均池化和通道最大池化;将通道平均池化结果和通道最大池化结果通过聚合层整合到一起;将整合后的特征经过两次卷积层操作;将卷积层操作后提取的特征经过映射函数和回归函数归一化到0~1的范围,得到所述电池深度特征的空间注意力权重;将所述通道注意力特征与所述空间注意力权重相乘,获取所述电池寿命特征;其中,所述映射函数是两个卷积层和Relu函数,所述回归函数是逻辑回归函数;归一化模块,将所述电池寿命特征中的值归一化到预设数值范围以防止梯度弥散;回归映射模块,将归一化后的值通过逻辑回归函数映射,获得电池的多维度注意力权重;特征输出单元,所述特征输出单元将所述电池深度特征与所述多维度注意力权重相乘,得到电池的预测寿命。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311308996.8A CN117054891A (zh) | 2023-10-11 | 2023-10-11 | 电池寿命的预测方法、预测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311308996.8A CN117054891A (zh) | 2023-10-11 | 2023-10-11 | 电池寿命的预测方法、预测装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117054891A true CN117054891A (zh) | 2023-11-14 |
Family
ID=88655710
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311308996.8A Pending CN117054891A (zh) | 2023-10-11 | 2023-10-11 | 电池寿命的预测方法、预测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117054891A (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111461038A (zh) * | 2020-04-07 | 2020-07-28 | 中北大学 | 一种基于分层多模式注意力机制的行人再识别方法 |
CN114120019A (zh) * | 2021-11-08 | 2022-03-01 | 贵州大学 | 一种轻量化的目标检测方法 |
CN114125454A (zh) * | 2022-01-26 | 2022-03-01 | 广东电网有限责任公司中山供电局 | 一种视频图像编码系统及方法 |
CN114880925A (zh) * | 2022-04-16 | 2022-08-09 | 天津工业大学 | 基于时间卷积网络和多层自注意力的装备寿命预测方法 |
WO2022193420A1 (zh) * | 2021-03-17 | 2022-09-22 | 东南大学 | 近水桥梁多类型病害智能检测方法与无人船设备 |
KR20220129821A (ko) * | 2021-03-17 | 2022-09-26 | 경기대학교 산학협력단 | 어텐션 모듈을 포함하는 특징 추출 장치 및 방법 |
CN115236522A (zh) * | 2022-07-20 | 2022-10-25 | 重庆理工大学 | 基于混合深度神经网络的储能电池端到端容量估计方法 |
WO2023273290A1 (zh) * | 2021-06-29 | 2023-01-05 | 山东建筑大学 | 基于多特征信息捕捉和相关性分析的物品图像重识别方法 |
CN116087789A (zh) * | 2023-02-08 | 2023-05-09 | 上海交通大学 | 基于端云协同数据驱动的电池循环寿命预测方法及系统 |
CN116150901A (zh) * | 2022-12-24 | 2023-05-23 | 北京工业大学 | 一种基于注意力增强时频Transformer的滚动轴承剩余寿命预测方法 |
CN116381517A (zh) * | 2023-04-07 | 2023-07-04 | 北京航空航天大学 | 基于时间卷积注意力机制的锂电池剩余寿命概率预测方法 |
CN116662743A (zh) * | 2023-06-29 | 2023-08-29 | 浙江大学 | 一种基于多模态深度学习的发动机剩余寿命预测方法 |
-
2023
- 2023-10-11 CN CN202311308996.8A patent/CN117054891A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111461038A (zh) * | 2020-04-07 | 2020-07-28 | 中北大学 | 一种基于分层多模式注意力机制的行人再识别方法 |
WO2022193420A1 (zh) * | 2021-03-17 | 2022-09-22 | 东南大学 | 近水桥梁多类型病害智能检测方法与无人船设备 |
KR20220129821A (ko) * | 2021-03-17 | 2022-09-26 | 경기대학교 산학협력단 | 어텐션 모듈을 포함하는 특징 추출 장치 및 방법 |
WO2023273290A1 (zh) * | 2021-06-29 | 2023-01-05 | 山东建筑大学 | 基于多特征信息捕捉和相关性分析的物品图像重识别方法 |
CN114120019A (zh) * | 2021-11-08 | 2022-03-01 | 贵州大学 | 一种轻量化的目标检测方法 |
CN114125454A (zh) * | 2022-01-26 | 2022-03-01 | 广东电网有限责任公司中山供电局 | 一种视频图像编码系统及方法 |
CN114880925A (zh) * | 2022-04-16 | 2022-08-09 | 天津工业大学 | 基于时间卷积网络和多层自注意力的装备寿命预测方法 |
CN115236522A (zh) * | 2022-07-20 | 2022-10-25 | 重庆理工大学 | 基于混合深度神经网络的储能电池端到端容量估计方法 |
CN116150901A (zh) * | 2022-12-24 | 2023-05-23 | 北京工业大学 | 一种基于注意力增强时频Transformer的滚动轴承剩余寿命预测方法 |
CN116087789A (zh) * | 2023-02-08 | 2023-05-09 | 上海交通大学 | 基于端云协同数据驱动的电池循环寿命预测方法及系统 |
CN116381517A (zh) * | 2023-04-07 | 2023-07-04 | 北京航空航天大学 | 基于时间卷积注意力机制的锂电池剩余寿命概率预测方法 |
CN116662743A (zh) * | 2023-06-29 | 2023-08-29 | 浙江大学 | 一种基于多模态深度学习的发动机剩余寿命预测方法 |
Non-Patent Citations (2)
Title |
---|
AIHUA TANG 等: "A hybrid neural network model with attention mechanism for state of health estimation of lithium-ion batteries", JOURNAL OF ENERGY STORAGE, vol. 68, pages 1 - 12 * |
DANHUA ZHOU 等: "Battery health prognosis using improved temporal convolutional network modeling", JOURNAL OF ENERGY STORAGE, vol. 51, pages 1 - 10 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sui et al. | A review of non-probabilistic machine learning-based state of health estimation techniques for Lithium-ion battery | |
Xu et al. | Life prediction of lithium-ion batteries based on stacked denoising autoencoders | |
Li et al. | State-of-health estimation of lithium-ion batteries based on semi-supervised transfer component analysis | |
Ma et al. | A hybrid transfer learning scheme for remaining useful life prediction and cycle life test optimization of different formulation Li-ion power batteries | |
Hassan et al. | Analyzing knowledge flows of scientific literature through semantic links: a case study in the field of energy | |
CN114372417A (zh) | 基于充电网的电动汽车电池健康状态和剩余寿命评估方法 | |
Chen et al. | A novel deep learning-based life prediction method for lithium-ion batteries with strong generalization capability under multiple cycle profiles | |
Manoharan et al. | Electric vehicle battery pack state of charge estimation using parallel artificial neural networks | |
CN114692827A (zh) | 面向边缘联邦学习的电动汽车锂电池soh在线预测方法 | |
Zhang et al. | State of health estimation for lithium-ion batteries on few-shot learning | |
Zou et al. | Advancements in Artificial Neural Networks for health management of energy storage lithium-ion batteries: A comprehensive review | |
Dong et al. | Data-driven predictive prognostic model for power batteries based on machine learning | |
CN114092278A (zh) | 分布式储能设备能源调度方法、系统及存储介质 | |
Shen et al. | Transfer Learning-based State of Charge and State of Health Estimation for Li-ion Batteries: A Review | |
Zou et al. | State of Health prediction of lithium-ion batteries based on temporal degeneration feature extraction with Deep Cycle Attention Network | |
CN117154263A (zh) | 锂电池梯次利用充放电系统及控制方法 | |
CN117054891A (zh) | 电池寿命的预测方法、预测装置 | |
CN116482540A (zh) | 电池电压不一致性的分析预测方法、装置及系统 | |
Zhang et al. | Lithium-ion battery state of health estimation based on improved deep extreme learning machine | |
CN113721151B (zh) | 基于双塔深度学习网络的电池容量预估模型及方法 | |
KR102556093B1 (ko) | 전력의 피크 부하를 저감하기 위한 보상 생성 방법 및 그 방법을 수행하는 동작 제어 장치 | |
Sanz-Alcaine et al. | Online voltage prediction using gaussian process regression for fault-tolerant photovoltaic standalone applications | |
Bin et al. | Simple and effective fault diagnosis method of power lithium-ion battery based on GWA-DBN | |
Ma et al. | A prediction-based cycle life test optimization method for cross-formula batteries using instance transfer and variable-length-input deep learning model | |
CN117341477B (zh) | 磷酸铁锂动力电池内短路预警方法、装置和计算机设备 |
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 |