本發(fā)明屬于電化學(xué)，尤其是一種基于hs-mh-moe模型和eis數(shù)據(jù)的電池soh和rul聯(lián)合預(yù)測(cè)方法。

背景技術(shù)：

1、電池健康狀態(tài)（state?of?health，soh）是衡量電池相對(duì)于新狀態(tài)的性能水平的指標(biāo)，用于監(jiān)測(cè)電池性能、預(yù)測(cè)壽命、評(píng)估安全性、指導(dǎo)維護(hù)計(jì)劃，并幫助用戶做出更換決策，對(duì)電池的優(yōu)化使用和安全管理具有重要作用。

2、電池剩余使用壽命（remaining?useful?life，rul）是預(yù)測(cè)電池在當(dāng)前狀態(tài)下還能使用多久的指標(biāo)，它有助于進(jìn)行預(yù)防性維護(hù)、優(yōu)化成本、保障安全、規(guī)劃資源、提升用戶體驗(yàn)、確保系統(tǒng)可靠性、改進(jìn)產(chǎn)品設(shè)計(jì)、遵從法規(guī)要求，并對(duì)電池的回收和再利用提供指導(dǎo)。常見的電池rul有電池剩余循環(huán)次數(shù)。

3、因此預(yù)測(cè)電池soh和rul具有很高的應(yīng)用價(jià)值。

4、電化學(xué)阻抗譜（electrochemical?impedance?spectroscopy，eis)是一種用于表征電池內(nèi)部電化學(xué)過程的測(cè)試方法。如果電池活性材料減少,使用性能變差，eis曲線也會(huì)相應(yīng)的改變，因此使用eis預(yù)測(cè)soh和rul是一條可行的路徑。

5、一般情況下，通過測(cè)試eis來預(yù)測(cè)soh和rul時(shí)，是分別采集兩套不同的數(shù)據(jù)集合，數(shù)據(jù)的數(shù)量和維度往往不盡相同，然后每個(gè)預(yù)測(cè)目標(biāo)都會(huì)訓(xùn)練一個(gè)單獨(dú)的預(yù)測(cè)模型，數(shù)據(jù)使用效率不高，模型訓(xùn)練和維護(hù)成本也較高。

6、如果將多套eis數(shù)據(jù)進(jìn)行融合，同時(shí)預(yù)測(cè)soh和rul，將會(huì)起到提升數(shù)據(jù)利用效率、提升模型預(yù)測(cè)精度和降低模型維護(hù)成本等作用。

7、混合專家模型（mixture?of?experts,?moe）是一種機(jī)器學(xué)習(xí)模型，它將輸入數(shù)據(jù)通過一個(gè)門控網(wǎng)絡(luò)（gating?network）分配給不同的專家模型，每個(gè)專家模型負(fù)責(zé)學(xué)習(xí)數(shù)據(jù)的一個(gè)特定部分。然后，這些專家模型的輸出被組合起來，形成最終的預(yù)測(cè)結(jié)果。稀疏混合專家模型（sparse?mixture?of?experts,?smoe）針對(duì)復(fù)雜問題設(shè)計(jì)，通過門控網(wǎng)絡(luò)加權(quán)匯總專家子模型預(yù)測(cè)，實(shí)現(xiàn)稀疏激活，降低計(jì)算成本。多層稀疏混合專家模型（hierarchicalsparse?mixture?of?experts,?hs-moe）是smoe的擴(kuò)展，采用多層次專家和門控網(wǎng)絡(luò)，形成樹狀結(jié)構(gòu)，處理更復(fù)雜任務(wù)。

8、多頭混合專家模型（multi-head?mixture?of?experts,?mh-moe）是一種神經(jīng)網(wǎng)絡(luò)架構(gòu)，旨在提高模型的表現(xiàn)力和計(jì)算效率。mh-moe的每個(gè)門控網(wǎng)絡(luò)為一個(gè)“頭”，根據(jù)輸入數(shù)據(jù)選擇和激活適當(dāng)?shù)膶＜揖W(wǎng)絡(luò)。多個(gè)門控網(wǎng)絡(luò)（頭）可以并行處理輸入數(shù)據(jù)。mh-moe的多個(gè)門控網(wǎng)絡(luò)同時(shí)工作，每個(gè)門控網(wǎng)絡(luò)生成自己的權(quán)重分布，選擇和激活不同的專家網(wǎng)絡(luò)。多頭混合專家模型通過結(jié)合多個(gè)門控網(wǎng)絡(luò)和專家網(wǎng)絡(luò)，實(shí)現(xiàn)了高效的計(jì)算和強(qiáng)大的表現(xiàn)能力。

9、將多層稀疏混合專家模型（hs-moe）和多頭混合專家模型（mh-moe）結(jié)合，可以構(gòu)建一個(gè)更強(qiáng)大的模型，能夠充分利用多層次特征提取和多頭機(jī)制的優(yōu)勢(shì)。本發(fā)明將這種結(jié)合模型稱為多層多頭稀疏混合專家模型（hierarchical?multi-head?sparse?mixture?ofexperts,?hs-mh-moe）。

技術(shù)實(shí)現(xiàn)思路

1、為了解決上述技術(shù)問題，本發(fā)明使用簡(jiǎn)單的多層感知機(jī)（mlp）模型，作為專家子模型，構(gòu)建hs-mh-moe模型，在一個(gè)模型中使用eis融合數(shù)據(jù)，聯(lián)合預(yù)測(cè)電池soh和rul，使得模型訓(xùn)練和維護(hù)成本大大降低。

2、本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：

3、一種基于hs-mh-moe模型和eis數(shù)據(jù)的電池soh和rul聯(lián)合預(yù)測(cè)方法，包括如下步驟：

4、步驟s1.測(cè)試并采集電池?cái)?shù)據(jù)：采用專業(yè)的阻抗譜測(cè)試儀器采集電池eis數(shù)據(jù)，并且需要覆蓋頻率范圍為10-2hz至105hz，在頻率范圍中間間隔選取5個(gè)至60個(gè)頻率值，優(yōu)選60個(gè)作為樣例。

5、采集數(shù)據(jù)時(shí)，記錄每個(gè)頻率對(duì)應(yīng)的阻抗的實(shí)部和虛部數(shù)據(jù)，以及需要預(yù)測(cè)的目標(biāo)值，是相對(duì)應(yīng)的電池soh和rul。

6、步驟s2.對(duì)不同的eis數(shù)據(jù)以及對(duì)應(yīng)的soh和rul數(shù)據(jù)進(jìn)行融合：通過計(jì)算不同數(shù)據(jù)集合的數(shù)量的最小公倍數(shù)，然后將每個(gè)數(shù)據(jù)集合進(jìn)行上采樣，使得每個(gè)數(shù)據(jù)集合的數(shù)量增加至它們的最小公倍數(shù)，并將數(shù)量增加之后的兩組數(shù)據(jù)進(jìn)行縱向拼接，得到融合之后的數(shù)據(jù)。

7、步驟s3.使用多層多頭稀疏mlp子專家模型提取eis數(shù)據(jù)特征:?hs-mh-moe模型包括多層多頭稀疏專家模型；每個(gè)層級(jí)的每個(gè)子模型均是mlp模型；?將融合之后的eis數(shù)據(jù)，分別作為不同mlp模型的輸入數(shù)據(jù)，提取不同的特征；將融合之后的eis數(shù)據(jù)，作為門控網(wǎng)絡(luò)模型的輸入數(shù)據(jù)，用于訓(xùn)練不同專家子模型的權(quán)重。

8、進(jìn)一步的，所述mlp模型是專家子模型，采用多層感知機(jī)模型，為一個(gè)3層的網(wǎng)絡(luò)結(jié)構(gòu)，輸入層接收輸入數(shù)據(jù)，中間層為32維向量，激活函數(shù)為relu函數(shù)，輸出層是一個(gè)32維向量，激活函數(shù)為relu，輸出層即為輸入數(shù)據(jù)的特征表達(dá)。

9、進(jìn)一步的，所述門控網(wǎng)絡(luò)模型采用多層感知機(jī)模型，為一個(gè)3層的網(wǎng)絡(luò)結(jié)構(gòu)，輸入層接收輸入數(shù)據(jù)，中間層為32維向量，激活函數(shù)為relu函數(shù)，輸出層是一個(gè)3維向量，激活函數(shù)為softmax，分別對(duì)應(yīng)3個(gè)專家子模型的權(quán)重，3個(gè)權(quán)重之和為1。

10、步驟s4.生成共享特征表示：在每個(gè)層級(jí)中，將概率最高的2個(gè)mlp模型提取到的eis特征與門控網(wǎng)絡(luò)模型輸出的對(duì)應(yīng)專家權(quán)重進(jìn)行加權(quán)求和得到共享特征表示，用于后續(xù)預(yù)測(cè)模型的輸入。

11、進(jìn)一步的，所述加權(quán)求和過程如下：

12、第一層級(jí)的3個(gè)專家子模型的輸出分別記作output_1_1、output_1_2和output_1_3，這3個(gè)輸出均是高維向量，本發(fā)明以32維為例，分別表示每個(gè)子專家模型對(duì)于輸入數(shù)據(jù)的特征表示。

13、第一層級(jí)的每個(gè)門控網(wǎng)絡(luò)模型均選取概率最高的2個(gè)專家的輸出，與對(duì)應(yīng)的權(quán)重進(jìn)行相乘并求和，得到第一層級(jí)各個(gè)門控網(wǎng)絡(luò)模型和子專家模型輸出的加權(quán)求和值。

14、然后，將第一層級(jí)各個(gè)門控網(wǎng)絡(luò)模型和子專家模型輸出的加權(quán)求和值，進(jìn)行求平均計(jì)算，得到第一層所有子專家模型的加權(quán)求和平均值。

15、之后，將第一層所有子專家模型的加權(quán)求和平均值，作為第二層級(jí)的輸入數(shù)據(jù)，分別輸入到第二層級(jí)的各個(gè)專家子模型和各個(gè)門控網(wǎng)絡(luò)模型中。

16、第二層級(jí)的3個(gè)專家子模型的輸出分別是output_2_1、output_2_2和output_2_3，這3個(gè)輸出均是高維向量，本發(fā)明以32維為例，分別表示每個(gè)子專家模型對(duì)于輸入數(shù)據(jù)的特征表示。

17、第二個(gè)層級(jí)的3個(gè)門控網(wǎng)絡(luò)，分別獨(dú)立的計(jì)算第二層級(jí)中每個(gè)專家子模型的權(quán)重，每個(gè)門控網(wǎng)絡(luò)的輸出是一個(gè)3維向量，分別對(duì)應(yīng)3個(gè)專家子模型的權(quán)重，3個(gè)權(quán)重之和為1。

18、然后，第二層級(jí)的每個(gè)門控網(wǎng)絡(luò)模型均選取概率最高的2個(gè)專家的輸出，與對(duì)應(yīng)的權(quán)重進(jìn)行相乘并求和，得到第二層級(jí)各個(gè)門控網(wǎng)絡(luò)模型和所有子專家模型輸出的加權(quán)求和的特征表示。

19、步驟s5.同時(shí)預(yù)測(cè)電池soh和rul：在第二層級(jí)的共享特征表示之后是一個(gè)全連接層，全連接層對(duì)共享特征表示進(jìn)行進(jìn)一步提取，獲得eis的高層特征表達(dá)。

20、全連接層之后是模型的輸出層，輸出層是有兩個(gè)線性回歸模型，分別對(duì)應(yīng)的預(yù)測(cè)值是電池容量即soh和剩余訓(xùn)練次數(shù)即rul。

21、本發(fā)明有益效果是：

22、本發(fā)明兼顧多源數(shù)據(jù)融合、多層多頭稀疏模型集成、多目標(biāo)預(yù)測(cè)、特征共享、精度和效率等綜合優(yōu)勢(shì)，是一個(gè)高性能高效率的電池soh和rul預(yù)測(cè)模型，其技術(shù)優(yōu)勢(shì)具體如下：

23、1.多源數(shù)據(jù)融合：該方法融合了不同條件下測(cè)試的eis數(shù)據(jù)以及對(duì)應(yīng)的soh和rul數(shù)據(jù)。

24、2.多層多頭稀疏模型集成：hs-mh-moe的多層結(jié)構(gòu)，模塊層層堆疊，提取數(shù)據(jù)深層特征，提高電池狀態(tài)預(yù)測(cè)精度；多頭結(jié)構(gòu)保證了每層多個(gè)門控網(wǎng)絡(luò)，關(guān)注不同數(shù)據(jù)模式，全面穩(wěn)定預(yù)測(cè)；稀疏激活機(jī)制使得預(yù)測(cè)時(shí)激活少數(shù)專家，減少計(jì)算，防過擬合，提高預(yù)測(cè)準(zhǔn)度。

25、3.聯(lián)合預(yù)測(cè)模型：通過構(gòu)建一個(gè)同時(shí)預(yù)測(cè)soh和rul的模型，可以更準(zhǔn)確地捕捉到兩者之間的相互作用和依賴關(guān)系。

26、4.數(shù)據(jù)特征共享：將融合的eis數(shù)據(jù)進(jìn)行縱向拼接，作為各個(gè)專家模型和門控網(wǎng)絡(luò)模型的輸入數(shù)據(jù)，數(shù)據(jù)特征得到共享。

27、5.mlp模型提取特征：mlp模型結(jié)構(gòu)簡(jiǎn)單，容易學(xué)習(xí)，訓(xùn)練和預(yù)測(cè)效率高。