[发明专利]基于进化注意力机制的LSTM电池健康状态估计方法

权利要求书

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,…,c_x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≤IsIe≤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,...,F_m；

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，F_min是老化特征数据中的最小值，F_max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，Num_Feature表示锂电池老化特征数目；

MSE计算公式如式(5)所示；

其中，SOH_i,estimate代表SOH的估计值，SOH_i,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，f_m,max和f_m,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。