[发明专利]基于可微连续映射的锂电池健康监测模型自学习方法

说明书

本发明涉及一种基于可微连续映射的锂电池健康监测模型自学习方法，属于锂电池健康监测领域，包括以下步骤：S1：根据锂电池健康状态监测的任务类型，以1d‑CNN和AST‑LSTM NN为核心模块进行组合，根据任务要求的性能指标以及网络本身的损失函数大小为约束，挑选适应任务需要的神经网络模型；S2：在获得与各类健康状态监测任务匹配的神经网络模型之后，采用可微结构的自动学习方法，对这些神经网络进行自动训练。本发明将助于缺乏ANN经验的锂电池研究人员和工程师，快速简单地使用ANN建模，降低模型训练的成本，提高锂电池健康状态监测的研发能效。

技术领域

本发明属于锂电池健康监测领域，涉及一种基于可微连续映射的锂电池健康监测模型自学习方法。

背景技术

锂电池健康监测模型性能对异常工况的鲁棒性欠佳。大量研究表明，关于基础模型的选择，使用深层ANN的效果普遍优于浅层ANN。然而，这些研究大多直接使用标准的RNN、CNN、LSTM NN，改进模型本身对时间序列处理能力的研究极少。以LSTM NN为例，当利用遗忘门和候选产生门对时间序列的长短期依赖关系进行记忆时，用于防止反向误差信息快速衰减的CEC(Constant Error Carousel)却没有被控制。这对信息筛选是不利的，导致记忆的效率降低，最终影响中监测模型鲁棒性。一些研究尝试通过LSTM NN与CNN、或RNN的组合来强化基础模型的性能，但仅对标准网络进行简单组合，效果并不理想。

采用ANN对锂电池健康状态监测的准确性，大多优于其他机器学习方法，但模型训练时间和计算资源的代价更高。该问题来源于对ANN的超参数调节，这亦是近年来人工智能所面临的公认难题之一。最近在标准LSTM NN基础上提出了主动状态追踪的LSTM NN(AST-LSTM NN)，并将其用于锂电池SOH估计和RUL多步预测，性能优于RNN、多种改进的LSTMNN以及其他机器学习方法。然而，为获得合适的SOH与RUL模型，在高性能GPU硬件环境中，以NASA数据集28个单体共计90720个数据点作为训练数据，针对16个LSTM超参数的不同组合，进行了300余次，共计700余小时的网络训练，训练过程数据高达1.82G。这还是在参考其他研究模型作为“预训练模型”，且不计人工校验所花费的时间，否则代价更高。因此，降低建模过程中的人工参与的代价，自动地优化超参数调节过程，提高训练效率，是采用ANN进行锂电池健康状态监测的迫切问题。

发明内容

有鉴于此，本发明的目的在于以监测模型性能改进和建模效率提升破题，弥补锂电池健康状态预测中神经网络建模理论研究缺失，为健康监测模型架构设计与优化提供新的研究思路，针对一维锂电池序列特点，以一维CNN和AST-LSTM为核心模块，构建满足SOC、SOH、RUL等任务的混合神经网络，并将其拓扑结构、神经元表示成有向无环图，将离散超参数调节转为连续优化问题，自动高效搜索模型架构。

为达到上述目的，本发明提供如下技术方案：

一种基于可微连续映射的锂电池健康监测模型自学习方法，包括以下步骤：

S1：根据锂电池健康状态监测的任务类型，以1d-CNN和AST-LSTM NN为核心模块进行组合，根据任务要求的性能指标以及网络本身的损失函数大小为约束，挑选适应任务需要的神经网络模型；

S2：在获得与各类健康状态监测任务匹配的神经网络模型之后，采用可微结构的自动学习方法，对这些神经网络进行自动训练。

进一步，步骤S1中，以1d-CNN和AST-LSTM NN为核心模块，按以下四种基本方式对其组合，根据任务要求的性能指标以及网络本身的损失函数大小为约束，挑选适应任务需要的神经网络模型：