[发明专利]一种电池健康状态评估方法及系统

说明书

本发明公开了一种电池健康状态评估方法及系统，包括根据电池循环充放电实验，提取放电电压、电流和容量序列；搭建MACSA‑Net模型，利用改进的蚁狮优化算法对模型中的超参数进行选择；将放电电压、电流和容量序列作为输入，基于优化后的MACSA‑Net模型对电池健康状态进行评估。同时公开了相应的系统。本发明采用改进的蚁狮优化算法优化MACSA‑Net模型，避免了手动和凭经验设置超参数的不确定性，提高了模型的估算精度和效率，MACSA‑Net模型能够更好地捕获数据间的长期依赖关系，缓解了深度网络中的梯度发散问题，提高了泛化能力。

技术领域

本发明涉及一种电池健康状态评估方法及系统，属于电池领域。

背景技术

锂离子电池因其高电压、充电快、寿命长、自放电率低等特点，已经成为动力储能装置的首选，在生活中的应用随处可见。为了保证电池安全可靠地运行，需要对电池进行健康管理，首先需要实现的就是电池健康状态评估。目前的评估方法大致分为四类：实验法、模型法、数据驱动法和融合法。其中实验法研究过程耗时且成本高；模型法包含的电池内部参量多，且估计结果过度依赖模型的准确度；数据驱动法易受数据完整性和确定性的影响，鲁棒性和适应性较差；融合法通过融合或集成多种估计方法，充分发挥各种方法的优点，提高了电池健康状态评估的准确度，具有重要的实际工程应用价值。

发明内容

本发明提供了一种电池健康状态评估方法及系统，解决了电池传统健康状态估计方法准确度不够高、泛化能力不够好的问题。

为了解决上述技术问题，本发明所采用的技术方案是：

一种电池健康状态评估方法及系统，包括，

根据电池循环充放电实验，提取放电电压、电流和容量序列；

搭建MACSA-Net模型，利用改进的蚁狮优化算法选择模型中的超参数；

将放电电压、电流和容量序列作为输入，基于优化后的MACSA-Net模型，对电池健康状态进行评估。

搭建MACSA-Net模型，该模型由卷积层、自注意力层、多层聚合层、规范化层以及前馈层组成。

自注意力层由多个自注意力单元堆叠而成，对于单个自注意力单元，它将卷积层提取出的特征向量与计算出的位置编码向量相加作为输入，进行线性变换后得到查询向量Q、键向量K和值向量V，自注意力单元输出的计算公式为，

其中，Attention(Q，K，V)为自注意力单元的输出值，Q、K、V分别为查询向量、键向量和值向量，d_k是K向量的维度，softmax为归一化指数函数。

改进的蚁狮优化算法中，蚁狮位置的更新公式为，

w(t)＝μ+σ*N(0，1)

AL＝w×AL+z₁×Cauchy(0，1)×(AL_best-AL)

其中，w(t)为第t次迭代的权重值，μ为随机权重平均值，σ为学习因子， N(0，1)为服从标准正态分布的随机数，w为权重值，z₁为0到1之间的随机数， Cauchy(0，1)为服从标准柯西分布的随机数，AL_best为最优蚁狮个体，AL为调整后蚁狮的位置。

利用改进的蚁狮优化算法选择MACSA-Net模型中的超参数，具体过程为，

将电池容量估计值与实际值的平均绝对误差作为目标函数；

利用改进的蚁狮优化算法，选择MACSA-Net模型中卷积层的滤波器个数和自注意力单元的个数；

不断迭代从而使目标函数最小化。