CN119104900A - 一种基于贝叶斯优化CNN-Transformer的锂离子电池健康状态估算方法 - Google Patents

一种基于贝叶斯优化CNN-Transformer的锂离子电池健康状态估算方法 Download PDF

Info

Publication number
CN119104900A
CN119104900A CN202411102164.5A CN202411102164A CN119104900A CN 119104900 A CN119104900 A CN 119104900A CN 202411102164 A CN202411102164 A CN 202411102164A CN 119104900 A CN119104900 A CN 119104900A
Authority
CN
China
Prior art keywords
cnn
transformer
data
health status
ion battery
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
CN202411102164.5A
Other languages
English (en)
Inventor
舒星
杨浩
胡远志
赵红茜
汤爱华
冯仁华
周美颜
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.)
Chongqing University of Technology
Original Assignee
Chongqing University of Technology
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 Chongqing University of Technology filed Critical Chongqing University of Technology
Priority to CN202411102164.5A priority Critical patent/CN119104900A/zh
Publication of CN119104900A publication Critical patent/CN119104900A/zh
Pending legal-status Critical Current

Links

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]
    • G01R31/378—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
    • 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]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • G01R31/387—Determining ampere-hour charge capacity or SoC
    • G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
    • 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]
    • G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • 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
    • 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
    • G06N3/0455—Auto-encoder networks; Encoder-decoder 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
    • G06N3/08—Learning methods
    • G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Secondary Cells (AREA)

Abstract

本发明涉及锂离子电池健康状态估算技术领域，且公开了一种基于贝叶斯优化CNN‑Transformer的锂离子电池健康状态估算方法获取锂离子电池老化数据：电池充放电电压、电流、时间和容量数据，联合CNN和Transformer模型搭建CNN‑Transformer混合模型，并进行超参数优化，对CNN‑Transformer混合模型训练，输入等间隔电压充电时间量，输出电池健康状态。该方法通过分析电池充电电压曲线，将曲线进行区间划分，提取部分电压充电时间作为健康特征，利用CNN‑Transformer对SOH进行估算，并利用贝叶斯优化方法搜索最优CNN‑Transformer算法超参数，从而在更少的评估次数下高效探索超参数空间，相较于传统超参数优化方法能更智能的选择超参数，更快找到全局最优解。

Description

一种基于贝叶斯优化CNN-Transformer的锂离子电池健康状 态估算方法
技术领域
本发明涉及锂离子电池健康状态估算技术领域，具体为一种基于贝叶斯优化CNN-Transformer的锂离子电池健康状态估算方法。
背景技术
锂离子电池因其能量密度高、寿命周期长、无记忆效应等优点被广泛应用于电动汽车行业。然而，随着电池的不断充放电，电池内部不可逆的化学反应不断积累，导致电池老化程度递增。另外，随着使用时间的增加，副反应也随之加剧，出现电解质界面的生长和电镀锂，导致电池性能下降，最终影响电池工作的可靠性。因此，准确估算电池健康状态(SOH)是电池安全使用的重要保障。
基于数据驱动的方法通过充放电实验对采集得到的电压、电流、温度等数据进行特征提取，然后与SOH建立映射关系，从而实现锂离子电池SOH估算。该方法几乎不需要电池的基础理论和先验知识，且估算精度较高，因此被广泛应用于电池SOH估算。这种方法首先需要提取到合理的健康特征，这些特征的提取需要完整的充电曲线，在实际应用中获取完整的充电曲线数据较困难，因为车主更倾向于在电池完全放电之前对车辆进行充电。因此找到一种简单且与SOH有强相关的特征是有必要的，另一方面，在深度学习神经网络中，卷积神经网(CNN)，长短期记忆神经网(LSTM)和GRU因其对复杂系统有出色的非线性映射能力，在锂离子电池SOH估计中受到极大的关注。现有研究中基于深度学习的方法虽然能够保证较高的估计精度，但在实际应用中仍存在特征提取繁琐、模型训练过程复杂、计算负荷巨大以及特征之间关联性及空间性不强等问题，因此选择一个多维度、多空间的神经网络是重要的。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种基于贝叶斯优化CNN-Transformer的锂离子电池健康状态估算方法，具备准确预测等优点，解决了上述技术问题。
(二)技术方案
为实现上述目的，本发明提供如下技术方案：一种基于贝叶斯优化CNN-Transformer的锂离子电池健康状态估算方法，包括以下步骤：
S1、获取锂离子电池老化数据：对锂离子电池进行循环充放电测试，直到放电容量低于标称容量的80％，实时记录电池充放电电压、电流、时间和容量数据；
S2、数据处理：对S1中得到的电压、电流、时间和容量数据进行预处理，得出等间隔电压充电时间和健康状态；
S3、CNN-Transformer混合模型搭建：联合CNN和Transformer模型搭建CNN-transformer混合模型；
S4、CNN-Transformer混合模型优化：利用贝叶斯优化算法对S3中得到的CNN-Transformer混合模型进行超参数优化，获得优化后的CNN-Transformer混合模型；
S5、CNN-Transformer混合模型训练：取步骤S2中得到的等间隔电压充电时间数据形成的训练集来运行优化后的CNN-Transformer混合模型，寻找等间隔电压充电时间和健康状态的关联关系，得到训练完成的CNN-Transformer混合模型；
S6、获得电池健康状态：基于步骤S5所得训练完成后的CNN-Transformer混合模型，输入等间隔电压充电时间量，输出健康状态，即获得电池健康状态。
作为本发明的优选技术方案，所述步骤S2的具体过程如下：
S2.1、提取S1中的测试得到的每个循环充电电压范围为[Vstart,Vstop]的充电时间t，其中Vstart表示开始电压，Vstop表示停止电压；
S2.2、将每个循环充电时间构成模型输入{x}；
S2.3、提取S1中每个循环放电容量值，计算健康状态SOH：
其中，SOHi为第i个循环的健康状态，Cn为电池的标称容量，Ci为第i个循环时的实际容量；
S2.4、将S2.2中模型输入{x}及S2.3中对应健康状态SOH形成数据集，并按照交叉验证法将数据集划分为训练集Dtrain和测试集Dtest，所形成的训练集和测试集形式如下：
训练集：
测试集：
其中，xi,yi分别为训练集中第i个模型输入和对应的健康状态，分别为测试集中第i个模型输入和对应的健康状态，h表示维度。
作为本发明的优选技术方案，所述步骤S3建立CNN-Transformer混合模型包括以下步骤：
S3.1、构建CNN网络用于提取空间特征，CNN网络包括卷积层、池化层、全连接层，其对应表达式如下：
其中，hi表示第i层卷积提取的特征，xi表示第i层卷积的输入数据，σ表示relu激活函数，表示卷积运算，wi表示第i层卷积层中卷积核权重矩阵，bi表示第i层卷积层中偏置向量；
S3.2、采用Transformer从CNN网络的输出中提取时序特征，具体包括以下步骤：
S3.2.1、Transformer的编码器将输入的数据转化为不同向量，并对每个数据进行编码；
S3.2.2、编码器通过自注意力机制分析序列中的依赖关系，生成包含特征信息的编码向量；
S3.2.3、Transformer的解码器利用编码器提取的特征，结合自身的输入通过自注意力和编码器－解码器注意机制逐步解码并生成预测的时间序列数据。
作为本发明的优选技术方案，所述编码器的计算表达式如下：
其中，PE(p,2idim)和PE(p,2idim+1)分别表示两个位置编码向量，sin(*)表示正弦函数，cos(*)表示余弦函数，p表示位置，idim表示维度，dmodel表示嵌入维度。
作为本发明的优选技术方案，所述步骤S4中利用贝叶斯优化算法对S3中得到的CNN-Transformer混合模型进行超参数优化的具体表达式如下：
f(x)～gp(m(x),k(x,x'))
p(f(x*)|D,x*)＝N(μ(x*),σ2(x*))
EI(x)＝E[max(0,f(x)-f(X+))]
UCB(x)＝μ(X)+κσ(X)
其中，f(x)表示目标函数，x表示输入向量，k(x,x')表示核函数，m(x)表示均值函数，gp(m(x),k(x,x'))表示为高斯过程，p(f(x*)|D,x*)表示在给定数据D和新的输入向量x*时，f(x*)的概率分布，μ(x*)表示预测均值，σ2(x*)表示新输入向量x*的预测方差，N(*)表示正态分布，k表示训练集的目标向量，k*表示新的输入向量x*与所有训练样本的相似性向量，表示k*的转置，K表示核矩阵，I表示单位矩阵，EI(x)表示在x处的期望改进值，E[*]表示均值计算，max(0,f(x)-f(X+))表示取两个元素的最大值，f(X+)表示已知数据中的目标函数的最优值，X+表示当前最优点，X表示当前感兴趣的输入点，μ(X)表示x处的预测均值，σ(X)表示在X高斯过程在X处的预测标准差，UCB(x)表示在x处的上置信界值，κ表示控制探索与利用权衡的参数，表示噪声方差。
与现有技术相比，本发明提供了一种基于贝叶斯优化CNN-Transformer的锂离子电池健康状态估算方法，具备以下有益效果：
本发明通过分析电池充电电压曲线，将曲线进行区间划分，提取部分电压充电时间作为健康特征，利用CNN-Transformer对SOH进行估算，并利用贝叶斯优化方法搜索最优CNN-Transformer算法参数，从而在更少的评估次数下高效探索超参数空间，相较于传统超参数优化方法能更智能的选择超参数，更快找到全局最优解。
附图说明
图1为本发明不同电池SOH估算结果示意图；
图2为本发明不同电压区间SOH估算结果示意图；
图3为本发明不同方法估算SOH结果对比示意图；
图4为本发明流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，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。
请参阅图1－图4，一种基于贝叶斯优化CNN-Transformer的锂离子电池健康状态估算方法，包括以下步骤：
S1、获取锂离子电池老化数据：对锂离子电池进行循环充放电测试，直到放电容量低于标称容量的80％，实时记录电池充放电电压、电流、时间和容量数据；
S2、数据处理：对S1中得到的电压、电流、时间和容量数据进行预处理，得出等间隔电压充电时间和健康状态；
S2.1、提取S1中的测试得到的每个循环充电电压范围为[Vstart,Vstop]的充电时间t，其中Vstart表示开始电压，Vstop表示停止电压；
S2.2、将每个循环充电时间构成模型输入{x}；
S2.3、提取S1中每个循环放电容量值，计算健康状态SOH：
其中，SOHi为第i个循环的健康状态，Cn为电池的标称容量，Ci为第i个循环时的实际容量；
S2.4、将S2.2中模型输入{x}及S2.3中对应健康状态SOH形成数据集，并按照交叉验证法将数据集划分为训练集Dtrain和测试集Dtest，所形成的训练集和测试集形式如下：
训练集：
测试集：
其中，xi,yi分别为训练集中第i个模型输入和对应的健康状态，分别为测试集中第i个模型输入和对应的健康状态，h表示维度；
S3、CNN-Transformer混合模型搭建：联合CNN和Transformer模型搭建CNN-Transformer混合模型；
CNN是一种包含卷积计算且具有深度结构的前馈神经网络，常用于处理图像分类、图像分割、目标检查、自然语言等领域。CNN具有局部感知和权值共享的优点,减少了模型参数数量，提高了模型的学习效率。通过一维卷积操作，CNN能够提取时间序列中的局部特征，捕捉数据的趋势和周期性变化。此外，CNN参数共享机制使得其在处理电池数据这样的一维时间序列时非常高效。通过对时间序列数据进行卷积操作，CNN可以捕捉到不同时间点之间的相关性和变化趋势，从而更好地理解电池的运行状态和性能变化。CNN主要包括卷积层、池化层、全连接层。卷积层包含多个卷积核，用于提取不同时间和空间维度的特征。锂离子电池的健康特征数据经过多个卷积核进行运算得到强相关特征，随后经过激活函数对卷积层输出进行非线性转换，提高模型的非线性表达能力，如式：
其中，hi表示第i层卷积提取的特征，xi表示第i层卷积的输入数据，σ表示relu激活函数，表示卷积运算，wi表示第i层卷积层中卷积核权重矩阵，bi表示第i层卷积层中偏置向量所示，通常卷积是将低维度的数据向高维空间映射进行特征提取，提取特征往往维度较高，为了降低计算成本，防止网络过拟合，通常在卷积后加一个池化层，最后通过全连接层输出提取的特征；
在CNN层提取空间特征之后，采用Transformer从CNN层输出中提取时序特征：
与RNN和CNN等传统模型不同，Transformer添加了自注意力机制，不采用RNN顺序结构，使得模型可以并行训练，并且能绘制出输入与输出的全局依赖关系，这使得它能够更有效的捕捉长期依赖关系。通过对输入序列不同部分的关注，Transformer可以很好的理解前后序列之间的关系，并生成精准的预测。在处理时序数据中，编码器首先将输入数据转化为不同的向量，同时对每个数据进行编码以捕捉时序特征信息。随后，编码器通过自注意力机制分析序列中的依赖关系，生成包含特征信息的编码向量。最后，解码器利用编码器提取的特征，结合自身的输入(前一时间的预测或附加输入)，通过自注意力和编码器－解码器注意机制逐步解码并生成预测的时间序列数据。在整个过程中，编码器负责从时间序列中提取特征，而解码器则根据这些特征生成准确的预测结果。
通常，位置编码器使用不同频率的正弦和余弦函数计算位置，如下式：
其中，PE(p,2idim)和PE(p,2idim+1)分别表示两个位置编码向量，sin(*)表示正弦函数，cos(*)表示余弦函数，p表示位置，idim表示维度，dmodel表示嵌入维度；
自注意力机制是Transformer的核心，每个序列的元素都会与序列中的其他元素进行比较，从而得到每个数据与其他数据之间的关注权重。将输入序列与不同的权重矩阵相乘，得到每个数据对应的矩阵：
q＝xjWQ,k＝xjWK,v＝xjWV
Q表示当前位置的输入信息，用于计算当前位置与其他位置的注意力权重。K代表序列中每个位置的相关性，用于计算当前位置与其他位置的注意力权重。V包含序列中每个位置的信息，当前位置的输出是根据计算出的注意力权重对输入信息进行加权求和得到的，WQ、WK、WV表示将输入矩阵变成查询向量矩阵q的权重矩阵、将输入矩阵变成键向量矩阵k的权重矩阵、将输入向量变成值向量矩阵v的权重矩阵，xj表示输入数据矩阵；
为防止与点积结果过大，需要除以如下所示：
其中，softmax表示激活函数对值归一化为概率分布，使其均为正数且和为1，dk表示关键向量的维度，表示对查询向量与键向量内积数值进行缩小，这样就计算出对应位置的注意力分数。
在处理电池序列数据时，为了提取序列中多重特征和关系，增强模型对数据的表达能力，常使用多头注意力机制。多头自注意机制由多个自注意头组成，经过串联后再进行线性变换，最终得到多头自注意力输出。
S4、CNN-Transformer混合模型优化：利用贝叶斯优化算法对S3中得到的CNN-Transformer混合模型进行超参数优化，获得优化后的CNN-Transformer混合模型；
利用贝叶斯优化算法对CNN-Transformer并行混合模型中的神经元数、批次大小、学习率、迭代次数进行优化，提升超参数效果，减少训练计算量，提升模型精度与适应性。
为了能够使CNN-Transformer发挥出最佳的性能，需要对模型参数进行调优。传统的超参数优化方法有网格搜索和随机搜索，虽然这些方法直观，但都需要大量的模型训练和评估，特别在高维空间，计算成本和时间会显著增加。贝叶斯优化是一种系统化且高效的方法，可用于自动选择机器学习模型的最佳超参数配置，其核心是构建一个高斯模型来近似目标函数，并使用采集函数(如期望改进、置信上限)决定下一个评估超参数的位置，其计算过程可以表示为：
f(x)～gp(m(x),k(x,x′))
p(f(x*)|D,x*)＝N(μ(x*),σ2(x*))
EI(x)＝E[max(0,f(x)-f(X+))]
UCB(x)＝μ(X)+κσ(X)
其中，f(x)表示目标函数，x表示输入向量，k(x,x')表示核函数，m(x)表示均值函数，gp(m(x),k(x,x'))表示为高斯过程，p(f(x*)|D,x*)表示在给定数据D和新的输入向量x*时，f(x*)的概率分布，μ(x*)表示预测均值，σ2(x*)表示新输入向量x*的预测方差，N(*)表示正态分布，k表示训练集的目标向量，k*表示新的输入向量x*与所有训练样本的相似性向量，表示k*的转置，K表示核矩阵，I表示单位矩阵，EI(x)表示在x处的期望改进值，E[*]表示均值计算，max(0,f(x)-f(X+))表示取两个元素的最大值，f(X+)表示已知数据中的目标函数的最优值，X+表示当前最优点，X表示当前感兴趣的输入点，μ(X)表示x处的预测均值，σ(X)表示在X高斯过程在X处的预测标准差，UCB(x)表示在x处的上置信界值，κ表示控制探索与利用权衡的参数，表示噪声方差；
S5、CNN-Transformer混合模型训练：取步骤S2中得到的等间隔电压充电时间数据形成的训练集来运行优化后的CNN-Transformer混合模型，寻找等间隔电压充电时间和健康状态的关联关系，得到训练完成的CNN-Transformer混合模型；
S6、获得电池健康状态：基于步骤S5所得训练完成后的CNN-Transformer混合模型，输入等间隔电压充电时间量，输出电池健康状态。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (5)

1.一种基于贝叶斯优化CNN-Transformer的锂离子电池健康状态估算方法，其特征提取和SOH估计包括以下步骤：
S1、获取锂离子电池老化数据：对锂离子电池进行循环充放电测试，直到放电容量低于标称容量的80％，实时记录电池充放电电压、电流、时间和容量数据；
S2、数据处理：对S1中得到的电压、电流、时间和容量数据进行预处理，得出等间隔电压充电时间和健康状态；
S3、CNN-Transformer混合模型搭建：联合CNN和Transformer模型搭建CNN-transformer混合模型；
S4、CNN-Transformer混合模型优化：利用贝叶斯优化算法对S3中得到的CNN-Transformer混合模型进行超参数优化，获得优化后的CNN-Transformer混合模型；
S5、CNN-Transformer混合模型训练：取步骤S2中得到的等间隔电压充电时间数据形成的训练集来运行优化后的CNN-Transformer混合模型，寻找等间隔电压充电时间和健康状态的关联关系，得到训练完成的CNN-Transformer混合模型；
S6、获得电池健康状态：基于步骤S5所得训练完成后的CNN-Transformer混合模型，输入等间隔电压充电时间量，输出电池健康状态。
2.根据权利要求1所述的一种基于贝叶斯优化CNN-Transformer的锂离子电池健康状态估算方法，其特征在于：所述步骤S2的具体过程如下：
S2.1、提取S1中的测试得到的每个循环充电电压范围为[Vstart,Vstop]的充电时间t，其中Vstart表示开始充电电压，Vstop表示停止充电电压；
S2.2、将每个循环充电时间构成模型输入{x}；
S2.3、提取S1中每个循环放电容量值，计算健康状态SOH：
其中，SOHi为第i个循环的健康状态，Cn为电池的标称容量，Ci为第i个循环时的实际容量；
S2.4、将S2.2中模型输入{x}及S2.3中对应健康状态SOH形成数据集，并按照交叉验证法将数据集划分为训练集Dtrain和测试集Dtest，所形成的训练集和测试集形式如下：
训练集：
测试集：
其中，xi,yi分别为训练集中第i个模型输入和对应的健康状态，分别为测试集中第i个模型输入和对应的健康状态，h表示维度。
3.根据权利要求2所述的一种基于贝叶斯优化CNN-Transformer的锂离子电池健康状态估算方法，其特征在于：所述步骤S3建立CNN-Transformer混合模型包括以下步骤：
S3.1、构建CNN网络用于提取空间特征，CNN网络包括卷积层、池化层、全连接层，其对应表达式如下：
其中，hi表示第i层卷积提取的特征，xi表示第i层卷积的输入数据，σ表示relu激活函数，表示卷积运算，wi表示第i层卷积层中卷积核权重矩阵，bi表示第i层卷积层中偏置向量；
S3.2、采用Transformer从CNN网络的输出中提取时序特征，具体包括以下步骤：
S3.2.1、Transformer的编码器将输入的数据转化为不同向量，并对每个数据进行编码；
S3.2.2、编码器通过自注意力机制分析序列中的依赖关系，生成包含特征信息的编码向量；
S3.2.3、Transformer的解码器利用编码器提取的特征，结合自身的输入通过自注意力和编码器－解码器注意机制逐步解码并生成预测的时间序列数据。
4.根据权利要求3所述的一种基于贝叶斯优化CNN-Transformer的锂离子电池健康状态估算方法，其特征在于：所述编码器的计算表达式如下：
其中，PE(p,2idim)和PE(p,2idim+1)分别表示两个位置编码向量，sin(*)表示正弦函数，cos(*)表示余弦函数，p表示位置，idim表示维度，dmodel表示嵌入维度。
5.根据权利要求1所述的一种基于贝叶斯优化CNN-Transformer的锂离子电池健康状态估算方法，其特征在于：所述步骤S4中利用贝叶斯优化算法对S3中得到的CNN-Transformer混合模型进行超参数优化的具体表达式如下：
f(x)～gp(m(x),k(x,x′))
p(f(x*)|D,x*)＝N(μ(x*),σ2(x*))
EI(x)＝E[max(0,f(x)-f(X+))]
UCB(*)＝μ(X)+kσ(X)
其中，f(x)表示目标函数，x表示输入向量，k(x,x')表示核函数，m(x)表示均值函数，gp(m(x),k(x,x'))表示为高斯过程，p(f(x*)|D,x*)表示在给定数据D和新的输入向量x*时，f(x*)的概率分布，μ(x*)表示预测均值，σ2(x*)表示新输入向量x*的预测方差，N(*)表示正态分布，k表示训练集的目标向量，k*表示新的输入向量x*与所有训练样本的相似性向量，表示k*的转置，K表示核矩阵，I表示单位矩阵，EI(x)表示在x处的期望改进值，E[*]表示均值计算，max(0,f(x)-f(X+))表示取两个元素的最大值，f(X+)表示已知数据中的目标函数的最优值，X+表示当前最优点，X表示当前感兴趣的输入点，μ(X)表示在x处的预测均值，σ(X)表示在X高斯过程在X处的预测标准差，UCB(x)表示在x处的上置信界值，κ表示控制探索与利用权衡的参数，表示噪声方差。
CN202411102164.5A 2024-08-12 2024-08-12 一种基于贝叶斯优化CNN-Transformer的锂离子电池健康状态估算方法 Pending CN119104900A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202411102164.5A CN119104900A (zh) 2024-08-12 2024-08-12 一种基于贝叶斯优化CNN-Transformer的锂离子电池健康状态估算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202411102164.5A CN119104900A (zh) 2024-08-12 2024-08-12 一种基于贝叶斯优化CNN-Transformer的锂离子电池健康状态估算方法

Publications (1)

Publication Number Publication Date
CN119104900A true CN119104900A (zh) 2024-12-10

Family

ID=93712635

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202411102164.5A Pending CN119104900A (zh) 2024-08-12 2024-08-12 一种基于贝叶斯优化CNN-Transformer的锂离子电池健康状态估算方法

Country Status (1)

Country Link
CN (1) CN119104900A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119438958A (zh) * 2025-01-09 2025-02-14 浙江高泰昊能科技有限公司 一种锂电池健康状态预测方法及系统
CN119846485A (zh) * 2025-03-21 2025-04-18 西南科技大学 基于Transformer的锂电池健康状态估计方法
CN119846503A (zh) * 2025-03-19 2025-04-18 江西江铃集团新能源汽车有限公司 电池soh评估方法、装置及车辆

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110750948A (zh) * 2018-07-06 2020-02-04 复旦大学 一种基于多目标获取函数集成并行贝叶斯优化的模拟电路优化算法
CN111679829A (zh) * 2020-06-11 2020-09-18 北京百度网讯科技有限公司 用户界面设计的确定方法和装置
CN115792680A (zh) * 2022-12-26 2023-03-14 中山大学·深圳 一种基于贝叶斯深度学习的退役电池健康状态评估方法
CN116908699A (zh) * 2023-07-24 2023-10-20 中山大学 一种基于lstm和多特征的锂电池健康预测方法及系统
CN117054889A (zh) * 2023-09-11 2023-11-14 南通乐创新能源有限公司 一种基于CNN-Transformer模型和电流电压温度预测SOH的方法
CN117347867A (zh) * 2023-10-19 2024-01-05 南通乐创新能源有限公司 一种基于Transformer组合模型预测电池SOH方法
CN118465591A (zh) * 2024-04-26 2024-08-09 昆明理工大学 一种基于并行混合神经网络的锂离子电池健康状态估算方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110750948A (zh) * 2018-07-06 2020-02-04 复旦大学 一种基于多目标获取函数集成并行贝叶斯优化的模拟电路优化算法
CN111679829A (zh) * 2020-06-11 2020-09-18 北京百度网讯科技有限公司 用户界面设计的确定方法和装置
CN115792680A (zh) * 2022-12-26 2023-03-14 中山大学·深圳 一种基于贝叶斯深度学习的退役电池健康状态评估方法
CN116908699A (zh) * 2023-07-24 2023-10-20 中山大学 一种基于lstm和多特征的锂电池健康预测方法及系统
CN117054889A (zh) * 2023-09-11 2023-11-14 南通乐创新能源有限公司 一种基于CNN-Transformer模型和电流电压温度预测SOH的方法
CN117347867A (zh) * 2023-10-19 2024-01-05 南通乐创新能源有限公司 一种基于Transformer组合模型预测电池SOH方法
CN118465591A (zh) * 2024-04-26 2024-08-09 昆明理工大学 一种基于并行混合神经网络的锂离子电池健康状态估算方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
舒星等: "基于改进最小二乘支持向量机与Box-Cox变换的锂离子电池容量预测", 机械工程学报, vol. 57, no. 14, 14 September 2021 (2021-09-14), pages 118 - 128 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119438958A (zh) * 2025-01-09 2025-02-14 浙江高泰昊能科技有限公司 一种锂电池健康状态预测方法及系统
CN119846503A (zh) * 2025-03-19 2025-04-18 江西江铃集团新能源汽车有限公司 电池soh评估方法、装置及车辆
CN119846485A (zh) * 2025-03-21 2025-04-18 西南科技大学 基于Transformer的锂电池健康状态估计方法

Similar Documents

Publication Publication Date Title
CN119104900A (zh) 一种基于贝叶斯优化CNN-Transformer的锂离子电池健康状态估算方法
CN113094822B (zh) 一种机械设备剩余寿命预测方法和系统
CN113065704B (zh) 一种非侵入式负荷分解模型的超参数优化和后处理方法
CN116804706B (zh) 一种电动汽车锂电池温度预测方法及装置
CN112434891A (zh) 基于wcnn-alstm的太阳辐照度时间序列的预测方法
CN117849628A (zh) 基于时序变换记忆网络的锂离子电池健康状态估计方法
CN114139783B (zh) 基于非线性加权组合的风电短期功率预测方法及装置
CN115310674A (zh) 基于并行神经网络模型LDformer的长时间序列预测方法
CN119669732B (zh) 一种基于双通道交叉注意力网络的电力负荷预测方法
CN118821031B (zh) 一种基于概率稀疏自注意力机制的充电桩故障检测方法
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
Zhang et al. Ensemble optimization approach based on hybrid mode decomposition and intelligent technology for wind power prediction system
Xu et al. A hybrid model for multi-step wind speed forecasting based on secondary decomposition, deep learning, and error correction algorithms
CN115730716A (zh) 基于改进Transformer模型通信基站中长期用电量预测方法
CN118395363B (zh) 基于数据增强的有源配电网异常状态感知方法及系统
CN118362904B (zh) 一种新能源电池供电测试方法和系统
CN119134285A (zh) 一种基于PatchTST的电动汽车充电负荷预测方法
CN118171783B (zh) 能耗预测模型训练方法、预测方法、装置、介质及设备
CN119375749A (zh) 一种跨模态交互式锂电池soh估计方法
Zhang et al. Lithium-Ion Batteries state of health estimation based on optimized TCN-GRU-WNN
CN118194930A (zh) 基于多目标优化与进化学习融合的群卷积链路预测方法
CN117590267A (zh) 储能电池性能劣化的早期预警方法及系统
CN117154256A (zh) 锂电池的电化学修复方法
Wang et al. State of charge prediction for lithium-ion batteries based on multi-process scale encoding and adaptive graph convolution
Hong et al. Advancing Long-Term Multi-Energy Load Forecasting with Patchformer: A Patch and Transformer-Based Approach

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