[发明专利]基于特征选择和时序注意力的锂电池健康状态估计方法

权利要求书

1.一种基于特征选择和时序注意力的锂电池健康状态估计方法，其特征在于，是按如下步骤进行：

步骤一、获取锂电池多次充放电循环中不同轮次的电池容量、电压、温度、电流的数据集，并进行预处理；

步骤1.1、获取第z次充放电循环下锂电池的放电电压、充电电流和放电温度数据并进行除去异常值处理，再将剔除异常值后的锂电池放电电压、充电电流和放电温度数据分别进行统一数据长度的处理，得到第z次充放电循环下数据长度统一的充放电数据集，包括：放电电压U_z＝{u_z1，u_z2，u_z3…，u_zj…，u_zJ}，充电电流数据I_z＝{i_z1，i_z2，…，i_zj…，i_zJ}，充放电温度数据T_z＝{t_z1，t_z2，t_z3…，t_zj…，t_zJ}；其中，u_zj表示第z次放电循环中第j个放电电压值；i_zj表示第z次充电循环中第j个充电电流值；t_zj表示第z次放电循环中第j个放电温度值；J表示充放电数据集中一次充放电循环的记录次数；

步骤1.2、分别提取锂电池在第z次充放电循环中的放电电压、充电电流和放电温度数据最大值和最小值数据并进行取平均操作，得到第z次充放电循环中由锂电池充放电数据的最大值、最小值及平均值所构成的九个健康因子数据，包括：电压健康因子U_z′＝{u_z，max，u_z，min，u_z，avg}；电流健康因子I_z′＝{i_z，max，i_z，min，i_z，avg}；温度健康因子T_z′＝{t_z，max，t_z，min，t_z，avg}，其中，u_z，max表示第z次放电循环中放电电压的最大值；u_z，min表示第z次放电循环中放电电压的最小值；u_z，avg表示第z次放电循环中放电电压的平均值；i_z，max表示第z次充电循环中充电电流的最大值；i_z，min表示第z次充电循环中充电电流的最小值；i_z，avg表示第z次充电循环中充电电流的平均值；t_z，max表示第z次放电循环中电池温度的最大值；t_z，min表示第z次放电循环中电池温度的最小值；t_z，avg表示第z次放电循环中电池温度的平均值；

步骤1.3、将九个健康因子数据与锂电池的容量拼接后进行归一化处理，从而得到预处理后的健康因子数据P＝{p₁，p₂，…，p_z…，p_Z}，其中，p_z表示预处理后的第z次充放电循环的健康因子数据，且p_z＝{U_z′，I_z′，T_z′，C_z}，C_z表示第z次充放电循环后的锂电池实际剩余容量，Z表示锂电池的总充放电循环数；

步骤二、对预处理后的第z次充放电循环的健康因子数据p_z中任意两个健康因子进行pearson相关系数分析，并将pearson相关系数分数大于所设定阈值的一对健康因子加入强相关性的健康因子数据集合F中；

步骤三、构建卷积时序注意力网络模型M，包括：特征提取模块、特征融合模块、融合注意力预测模块；且采用指数线性函数ReLU为卷积时序注意力网络模型M的激活函数；

步骤3.1、所述特征提取模块由两层一维卷积层和一层最大池化层构成，并对第z次充放电循环下数据长度统一的充放电数据集进行处理，得到第z次充放电循环下充放电数据集的特征序列F_z＝{F_Uz，F_Tz，F_Iz}，从而得到特征图Q＝{F₁，F₂，…，F_z…，F_Z}；其中，F_Uz表示第z次充放电循环下放电电压U_z的特征序列，且F_Uz＝{f_U1，f_U2…，f_Uk…f_UK}，f_Uk表示F_Uz特征序列中第k个特征值，F_Tz表示第z次充放电循环下电池温度T_z的特征序列，F_Tz＝{f_T1，f_T2…，f_Tk…f_TK}；f_Tk表示F_Tz特征序列中第k个特征值，F_Iz表示第z次充放电循环下充电电流I_z的特征序列；F_Iz＝{f_I1，f_I2…，f_Ik…f_IK}；f_Ik表示表示F_Iz特征序列中第k个特征值，K表示经过特征提取模块之后输出的特征数；

步骤3.2、所述特征融合模块按照每次充放电循环的条件，将所述特征图Q与所述健康因子数据集合F中的电压、电流、温度数据按特征分类进行拼接，从而得到融合特征图Q′；

步骤3.3、所述融合注意力预测模块由两层PLSTM网络和时序注意力模块组成，每层PLSTM网络由Z个记忆细胞组成，其中，时序注意力模块由一层卷积层、一层注意力层和一层全连接层组成；

步骤3.3.1、所述融合特征图Q′通过第一层PLSTM网络的处理后，得到隐藏层状态H＝{h₁，h₂…，h_z…h_Z}，其中，h_z表示第z个记忆细胞输出的隐藏层状态；

步骤3.3.2、所述隐藏层状态H通过一层卷积层的处理后，得到隐藏层卷积特征其中，表示经过卷积后的第z个卷积特征；

步骤3.3.3、所述注意力层利用式(2)对隐藏层状态H和隐藏层卷积特征H^C进行计算，得出注意力权重集合A＝{A₁，A₂…，A_z…A_Z}，其中，A_z表示第z个注意力分数；

式(2)中，W_a表示待学习的参数矩阵；T表示转置；

步骤3.3.4、通过式(3)将注意力权重集合A与一层PLSTM网络输出的隐藏层状态H进行拼接后，得到注意力融合特征H′＝{h₁′，h₂′…，h_z′…h_Z′}；其中，h_z′表示第z个注意力融合特征；

式(3)中，α和β分别为两个超参数，h_r表示第r个隐藏层状态值；

步骤3.3.5、将H′输入至第二层PLSTM网络中进行处理，从而得到预测序列Y＝{y₁，y₂…，y_z…y_Z}；其中，y_z表示第二层PLSTM网络第z个记忆细胞输出的预测值，令第二层PLSTM网络第Z个记忆细胞输出的预测值y_Z为最终的锂电池容量值的预测值；

步骤3.3.6、利用式(4)将预测序列Y转换为最终的SOH值；

式(4)中，C₀表示锂电池的额定容量，SOH_z表示第z个充放电循环下的电池健康状态值；

步骤四、训练卷积时序注意力网络模型M；

步骤4.1、利用式(5)构建均方差损失函数Loss_MSE(y_z，C_z)；

式(5)中，C_z表示第z个充放电循环下锂电池容量的真实值，y_z第z个记忆细胞输出的预测值；

步骤4.2、采用Adam优化器对所述卷积时序注意力网络模型M中的所有参数进行优化，直到总损失Loss_MSE不再下降为止；从而得到优化后的时空注意力网络模型，用于对锂电池健康状态进行预测。