[发明专利]一种结合小波变换和卷积神经网络的锂电池SOH预测方法

权利要求书

1.一种结合小波变换和卷积神经网络的锂电池SOH预测方法，其特征在于，包括如下步骤：

S1：使用相关传感器采集锂离子电池的物理信息，包含电压、电流、温度；

S2：构建所需的数据集，并对数据集进行预处理；

S3：构建模型HDF-WANN；

S4：模型HDF-WANN的训练与锂电池SOH的预测。

2.根据权利要求1所述的一种结合小波变换和卷积神经网络的锂电池SOH预测方法，其特征在于，S1具体的步骤为：

电池管理系统在不同的环境条件下，通过各种传感器以一个周期读取电池的物理信息，被用来预测当前周期的SOH；采集电压U、电流I和温度T，所以采集到的一个电池的物理信息样本表示为l表示一个周期的长度，表示时间步长为i时对应的物理信息。

3.根据权利要求2所述的一种结合小波变换和卷积神经网络的锂电池SOH预测方法，其特征在于，S2具体的步骤为：

用每一个周期的物理信息样本与该周期所对应的电池SOH构成一个锂电池SOH预测数据集，数据集表示为其中N代表了这一个电池所循环的周期数，是第j个周期对应的物理信息样本，其长度为l，ω^j为对应的容量标签；

当数据集会包含n个电池，原本的N变为n个电池循环的周期数之和；使用最大的周期长度作为l的值，其余地方的信息以0填补；对D中的Z^j进行标准化处理，在每一个维度上分别进行标准化。

4.根据权利要求3所述的一种结合小波变换和卷积神经网络的锂电池SOH预测方法，其特征在于，S3具体的步骤为：

模型包括4个离散小波变换层，4个卷积模块，4个动态频率聚焦注意力模块和一个全连接层；输入数据通过离散小波变换层后得到频率相关的特征图，在通过动态频率聚焦注意力模块，关注有价值的频率信息，最后输入到卷积模块，利用卷积模块优秀的特征提取能力使模型具有频率分析能力；三种模块依次堆叠四次，并在最后放置全连接层最终搭建好完整的模型HDF-WANN。

5.根据权利要求4所述的一种结合小波变换和卷积神经网络的锂电池SOH预测方法，其特征在于，所述离散小波变换层具体为：通过高通和低通滤波器对输入的不同频率分量进行分解，得到低频近似和高频细节；假设输入的特征图，C表示通道数，L表示特征信号的长度；输入的特征图有C个特征信号，每个信号都有一个长度为h的时间步长；

分解算法表示为：

其中，t为时间序列数，t＝1,2，......，L，f(t)为原始信号，j为分解的层数；H、G是时域上的小波分解滤波器，分别具有低通和高通特性；H和G也分别与小波变换中的尺度函数和小波函数有关；A_j是j层信号f(t)的低频部分的小波系数；D_j是j层信号f(t)的高频部分的小波系数；

上述公式是输入特征信号与滤波器之间的卷积；2t表示步长为2，并对信号进行下采样；

经过一次离散小波变换后，特征图长度减半，通道数为原来的二倍。

6.根据权利要求4所述的一种结合小波变换和卷积神经网络的锂电池SOH预测方法，其特征在于，所述动态频率聚焦注意力模块具体为：该模块使模型对小波分解后的不同频率分量作出不同的处理；对于一个输入到该模块的频率特征图，将其在通道上分为g组；

对每组分别进行如下处理：

对于任意一组子频率特征图M^j，j＝1，2，...，g，使用全局平均池化操作；将每个子频率特征压缩为一个一维向量κ^j，该向量代表各个通道的权重；这一过程；表示为：

在得到全局信息后，通过M^j与κ^j的点积，得到初始注意力掩码；

将该注意力掩码在通道维度中进行压缩并进行归一化得到向量Υ^j；这一过程；表示为：

其中，Norm表示正则化，⊙表示点积；

该向量经过Sigmoid后得到最终注意力掩码。