[发明专利]基于联合加权域对抗网络的锂电池健康状态估计方法

权利要求书

1.基于联合加权域对抗网络的锂电池健康状态估计方法，其特征在于：该方法包括以下步骤：

S1：不同时间序列间的相似性评估；

S2：进行堆叠双向长短时记忆神经网络的特征提取，然后基于改进域对抗网络的锂电池荷电估计，最后基于信息化噪声对比估计Info—NCE模块的特定信息保留。

2.根据权利要求1所述的基于联合加权域对抗网络的锂电池健康状态估计方法，其特征在于：所述S1具体为：

首先初始化一个时间序列集合的临时平均序列T，计算每个样本的时间序列与待细化的临时平均序列之间的动态时间规整DTW路径，将平均序列的每个坐标迭代更新为与之关联的重心坐标M＝DTW(T,A/B)，其中，T为每次更新后的时间序列，A为源域数据第一个样本时间序列，B为后一个样本时间序列，计算A和B中所有的点的差值的平方，最终得到整个集合的重心平均序列T′；

JS散度度量两个概率分布的相似度，解决KL散度非对称的问题；在对齐后，使用JS散度计算两个不同域的数据之间的分布相似性；JS散度计算过程为：

n为样本数，P₁是源域数据，P₂是目标域数据，q₁是在Q₁中取得样本x的概率，q₂是在Q₂中取得原始数据x的概率。

3.根据权利要求2所述的基于联合加权域对抗网络的锂电池健康状态估计方法，其特征在于：所述S2具体为：

S21：使用锂电池电流、电压和采样时间序列作为模型输入，采用三层双向长短时记忆神经网络，全连接层和退化层构成回归神经网络模型，利用长短期记忆神经网络特征提取器将多元时间序列表示为单向量隐式表示，LSTM网络表示为多个顺序前馈层；

通过组合一个从前向循环LSTM和后向隐藏LSTM，从而将生成的前向隐藏状态和后向隐藏状态一起传递给输出：

其中t为当前时刻，x_t是当前时刻的输入，y_t是当前时刻的输出，是前向传播的神经网络权重，是反向传播的神经网络权重；H_cell接收到当前时刻的输入X_t，前向前一时刻的隐藏单元反向前一时刻的隐藏单元以及前一时刻的记忆单元c_t-1，当前时刻的记忆单元c_t，输出是当前时间步长更新后的h_t和c_t；

S22：加权域对抗网络优化三个部分：特征提取器f的参数，第一个域判别器D_z和第二个判别器D₀；采用源域数据集特征与目标域数据集特征，训练域类别识别网络，得到源域数据集中源域样本的重要性权重，根据重要性权重得到归一化的源域样本的重要性权重；采用对抗博弈策略依次迭代训练域分类器与重要性加权域对抗自适应网络，直至所有的网络参数收敛；加权域自适应算法构想如下：对两个不同工况的电池数据进行预处理，得到源域训练数据集与目标域训练数据集，通过特征提取器得到输入信号的特征，域类别识别网络的损失函数表示为：

函数为求取源域样本的均值；为求取目标域样本的均值；log(·)为归一化网络样本的域类别标签预测概率向量；D为鉴别器网络；G为生成器网络；N为原始数据的总样本数；i为每个样本的编号；x_i为每个样本的特征数据；d_i表示第i个样本的二元标签，用于表示这个样本属于源域还是目标域；L是对抗网络训练损失；

通过构造一个新的数据集，源样本标记为1目标样本标记为0：

源域样本的重要性权重被设计为：

sigmod(·)函数表示将输入映射到0,1之间；θ_dz代表域分类器D_z的网络参数；F_s为源特征提取器的输出；

归一化的源域样本的重要性权重为：

x_s是源域样本数据；

使用经过加权的源域样本和目标样本进行训练，得到域类别标签预测的结果：

F_t是目标特征提取器的输出；

对于给定的F_s和D，每个样本F_t，加权对抗网络的优化器D₀表示为：

p₀为归一化网络样本的域类别标签预测概率向量；θ_d0代表域分类器D₀的网络参数；最终可以得到整个网络的优化目标；

S23：在采用目标特征提取器作用在输入X_t后得到相应的特征f_T，为保留域对齐任务期间特定于目标的特性，最大化X_t和f_T之间的互信息，在每个时间步长处定义一个密度比函数Φ_k：

通过最大化潜在目标特征f_T和原始输入特征X_t之间的相互作用，保留他们之间的共同潜变量；为计算Φ_k，使用一个全连接网络θ映射潜特征f_T和输入特征X_t到相同的维数；通过对变换后的特征向量q_k＝θ^k(f_t)与原始输入向量k进行点积估计得到的密度比；为最大化密度比函数，联合优化目标特征提取器和全连接网络θ的对比估计损耗；InfoNCE损失通过对比正负样本，使互信息最大化，噪声对比估计损失NCEloss的最佳概率p(d＝k|X_t,f_T)被表示为：

最终将互信息形式表示为：

I(X_k,f_T)＝log(K)-L_InfoNCE    (14)

x_k是第k个时间步的原始输入，f_t是全连接神经网络的输入特征，φ_k是一个点积操作，K是一个总的时间步，通过模型训练的过程不断减少NCEloss，找到最大化互信息的最优解，获得最佳网络模型；

最终优化方案表示为：

从上述特征提取器提取的特征被放入多层全连接网络中，采用端到端方法来使用预测SOH和实际SOH之间的均方误差损失进行训练：