[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

说明书

本发明涉及基于联合加权域对抗网络的锂电池健康状态估计方法，属于新能源技术领域。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InfoNCE模块的特定信息保留。本发明针对锂离子电池标签数据获取难度大、实验流程复杂、环境试验多样等问题，实现锂离子电池数据信息之间的共享；在面对多种电池测试流程和多种电池老化试验条件场景下，考虑如何实现自动提取优良老化特征的同时，提高锂离子电池健康状态预测的准确性。在一定程度上弥补数据信息不充足的限制，对实现复杂环境下的锂离子电池健康状态预测是十分有意义的。

技术领域

本发明属于新能源技术领域，涉及基于联合加权域对抗网络的锂电池健康状态估计方法。

背景技术

锂离子电池的老化过程是一种动态的耦合过程，内部的化学机理非常复杂，这加大了熟悉其内部结构的难度。在长时间运行期间，由于锂库存的减少，活性物质的分解，结构的变化，以及由固体电解质界面(Solid Electrolyte Interphase，SEI)生长而导致内阻增加，引起锂离子电池性能下降。然而，锂离子电池的健康状态无法直接测量，这是BMS在完成锂离子电池健康状态预测时所要面对的巨大挑战，也是当前锂离子电池领域所需要解决的重大问题。现有机器学习方法这种高度依赖标签数据的方法在实现不同工况条件下、不同环境试验条件下的锂离子电池健康状态预测变得愈加困难。

为了解决在实践中准确估计SOH的问题，国内外研究者提出了很多有效的方法。高斯过程回归(GPR)[23]、核岭回归(Kernel Ridge Regression)、支持向量机(SVM)、支持向量回归(Support Vector Regression)[26]等方法已成功应用于电池容量估计。一种基于GPR的框架来同时预测容量和量化预测值的不确定性,利用从部分增量容量曲线中提取的健康特征来估计电池SOH。以NASA电池退化数据集中的4个电池为例，验证了该方法的准确性、鲁棒性和有效性。通过基于SVM的在线SOH估计方法，利用不同SOH下电池充电曲线的特征，离线建立支持向量机模型。然后，通过比较实测充电电压段和存储模型的特性，利用该模型对SOH进行在线估计。结合核脊回归和迁移学习对电池健康状态进行估计，以提高预测精度。另外，CNN-LSTM方法也被广泛应用，取得了较好的预测效果。现有迁移学习以LSTM和RNN模型为基础预测模型，将SOH预测和集成学习相结合的框架模型，以电压、电流和充电容量为网络输入，进行容量估计。显然，这些基于方法在电池容量估计方面显示了巨大的潜力，但它们的性能严重依赖于训练数据集的大小。只有用足够的数据训练的模型才能达到令人满意的精度。然而，收集一个大的电池退化数据集需要大量的循环测试，这是非常耗时和昂贵的。为此，在这些方法中加入迁移学习技术以提高小数据集的估计性能非常有意义,设计的加权域对抗网络有着很好的效果。

发明内容

有鉴于此，本发明的目的在于提供基于联合加权域对抗网络的锂电池健康状态估计方法。

为达到上述目的，本发明提供如下技术方案：

基于联合加权域对抗网络的锂电池健康状态估计方法，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。

可选的，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′；