本發(fā)明涉及鋰離子電池，特別是一種基于dae-resbilstm-mha的鋰離子電池剩余使用壽命預(yù)測方法。

背景技術(shù)：

1、隨著人均汽車擁有量和燃油汽車數(shù)量的增加，石油和天然氣的需求也急劇上升，同時導(dǎo)致汽車尾氣排放量增大且呈上升趨勢，這些帶來了嚴(yán)重的能源危機(jī)和環(huán)境問題。因此，開發(fā)新能源電動汽車可解決上述問題且已成為社會關(guān)注的重點(diǎn)問題。鋰離子電池是新能源電動汽車的主要動力源，它具有壽命長、能量密度高、工作溫度范圍寬、自放電率低和環(huán)境污染小等優(yōu)點(diǎn)，是目前最受歡迎的新能源之一。目前，它已被廣泛應(yīng)用于電子產(chǎn)品、交通運(yùn)輸、電動汽車、儲能系統(tǒng)、航天航空和軍事等領(lǐng)域。然而，隨著充放電循環(huán)次數(shù)的增加，鋰離子電池內(nèi)部復(fù)雜的電化學(xué)反應(yīng)使其出現(xiàn)不可逆的性能退化，進(jìn)而導(dǎo)致其性能下降和使用壽命縮短、用電設(shè)備性能下降或系統(tǒng)故障甚至引發(fā)燃燒或者爆炸事故。因此，研究準(zhǔn)確預(yù)測鋰離子電池剩余使用壽命的方法在新能源汽車領(lǐng)域至關(guān)重要。目前，研究人員已經(jīng)開發(fā)了一些基于深度學(xué)習(xí)的鋰離子電池剩余使用壽命預(yù)測方法，并取得了顯著進(jìn)展。然而，這些方法在處理電池數(shù)據(jù)集時，面對采集過程中可能受到的噪聲干擾和容量再生現(xiàn)象，預(yù)測準(zhǔn)確性仍然較低。

技術(shù)實現(xiàn)思路

1、有鑒于此，本發(fā)明的目的在于提供一種基于dae-resbilstm-mha的鋰離子電池剩余使用壽命預(yù)測方法，提高模型面對噪聲數(shù)據(jù)和容量再生現(xiàn)象時的魯棒性和準(zhǔn)確性。

2、為實現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：一種基于dae-resbilstm-mha的鋰離子電池剩余使用壽命預(yù)測方法，包括以下步驟：

3、步驟1：構(gòu)建鋰離子電池數(shù)據(jù)集；

4、步驟2：對新建數(shù)據(jù)集中的電池容量值進(jìn)行歸一化處理；

5、步驟3：應(yīng)用去噪自編碼器去除電池數(shù)據(jù)集中因采集過程中的噪聲干擾和容量再生現(xiàn)象引入的噪聲；

6、步驟4：以bilstm模型為基礎(chǔ)，結(jié)合殘差連接和多頭注意力機(jī)制搭建resbilstm-mha模型；

7、步驟5：采用留一法交叉驗證來劃分?jǐn)?shù)據(jù)集，即每次隨機(jī)選取一個電池樣本作為測試集，其余樣本用于訓(xùn)練集和驗證集；使用訓(xùn)練集訓(xùn)練resbilstm-mha模型，并通過驗證集初步評估模型的預(yù)測能力；

8、步驟6：評估dae-resbilstm-mha模型的rul預(yù)測性能。

9、在一較佳的實施例中，所述步驟1具體包括：下載nasa數(shù)據(jù)集和cacle數(shù)據(jù)集；其中nasa數(shù)據(jù)集被分為9組，組內(nèi)3～4節(jié)電池，額定容量均為2ah；充電階段采用1.5a的恒流模式cc，直至電池電壓達(dá)到4.2v，然后轉(zhuǎn)為恒壓模式cv，直到充電電流降至20ma；放電階段在2a的恒流模式cc下進(jìn)行，直至電池電壓降至預(yù)設(shè)值；實驗在鋰離子電池達(dá)到使用壽命失效閾值時停止，即額定容量下降30％時停止；選擇cacle數(shù)據(jù)集中cs_2四節(jié)鋰離子電池作為所用到的另外一個電池數(shù)據(jù)集，以驗證模型的泛化性；其充電模式采用恒流模式cc，直到電池電壓達(dá)到4.2v，然后轉(zhuǎn)為恒壓模式cv，直到充電電流降至20ma；放電階段在恒流模式下進(jìn)行，直到電池電壓降至2.7v；當(dāng)電池達(dá)到使用壽命失效閾值時，即額定容量下降30％時停止。

10、在一較佳的實施例中，所述步驟2具體包括：采用最小-最大歸一化方法來對數(shù)據(jù)進(jìn)行歸一化，計算公式如下：

11、

12、其中c是輸入向量，min(c)是輸入向量的最小值，max(c)是輸入向量的最大值，u是歸一化后的輸入向量。

13、在一較佳的實施例中，所述步驟3具體包括：

14、步驟31：去噪自編碼器dae輸入層、隱藏層和輸出層組成；在將數(shù)據(jù)輸入到去噪自編碼器之前，輸入向量添加與其相同維度的高斯噪聲，從而生成含噪聲的輸入向量，如下所示：

15、

16、其中u和d為輸入向量的維度；δ∈n(0,σ2)；σ為高斯噪聲的標(biāo)準(zhǔn)差；

17、步驟32：編碼器將輸入向量壓縮成一個低維的中間向量e,其表達(dá)式如公式(3)所示；

18、然后，解碼器將中間向量重構(gòu)出輸入向量，其表達(dá)式如公式(4)所示；

19、

20、其中e∈rm為隱藏層的輸出值；m為隱藏層中神經(jīng)元的數(shù)量；為解碼器的輸出向量；w1∈rm×d和w2∈rd×m為權(quán)重矩陣；b∈rm和c∈rd為偏置向量；f和g為非線性激活函數(shù)。

21、在一較佳的實施例中，所述步驟4具體包括：

22、步驟41：bilstm由兩個方向相反的lstm神經(jīng)網(wǎng)絡(luò)組成；lstm神經(jīng)網(wǎng)絡(luò)通過引入門控機(jī)制，包括遺忘門forget?gate、輸入門input?gate和輸出門output?gate，來選擇性地保留和更新隱藏狀態(tài)中的信息；其中，輸入門、遺忘門和輸出門的計算公式如下：

23、ft＝φ(wf·[ht-1,xt]+bf)?(5)

24、it＝φ(wi·[ht-1,xt]+bi)?(6)

25、

26、ot＝φ(wo·[ht-1,xt]+bo)?(8)

27、ht＝ot*tanh(ct)?(9)

28、其中φ為sigmoid激活函數(shù)；tanh為雙曲正切激活函數(shù)；wf,wi，wc和wo分別為遺忘門、輸入門、內(nèi)部狀態(tài)和輸出門的權(quán)重矩陣；bf,bi,bc和bo分別表示遺忘門、輸入門、內(nèi)部狀態(tài)和輸出門的偏置向量；ht,xt和ct,分別表示lstm單元在時刻t對應(yīng)的隱藏、輸入和記憶狀態(tài)；*表示矩陣逐元素相乘；

29、步驟42：resbilstm網(wǎng)絡(luò)包含兩層resbilstm，每層resbilstm由一個bilstm和一個殘差連接組成；在每層resbilstm后面都有層歸一化ln；每層resbilst-m的計算公式如下：

30、

31、其中x(i)表示第i個輸入樣本的特征向量；μ表示特征向量x(i)的均值；σ表示特征向量x(i)的標(biāo)準(zhǔn)差；表示經(jīng)過層歸一化(ln)后的特征向量；l是lstm網(wǎng)絡(luò)中對輸入狀態(tài)的處理；為第t時刻前向lstm的輸入經(jīng)過殘差連接和ln后的前向輸出向量；為第t時刻反向lstm的輸入經(jīng)過殘差連接和ln后的反向輸出向量；yt為第t時刻前向和反向輸出向量的拼接；

32、步驟43：在resbilstm網(wǎng)絡(luò)后加入多頭注意力機(jī)制mha；在多頭注意力機(jī)制中，首先resbilstm網(wǎng)絡(luò)的輸出數(shù)據(jù)通過線性層計算得到3個中間變量矩陣，然后計算注意力矩陣，最后過并行累加多個注意力機(jī)制模塊的方式，使得模型能夠獲取數(shù)據(jù)之間的多維度相關(guān)性信息；多頭注意力機(jī)制的計算公式如下：

33、q＝wq·x,k＝wk·x,v＝wv·x?(14)

34、

35、multihead(q,k,v)＝concat(head1,...,headh)wo?(16)

36、其中wq,wk和wv分別為查詢,鍵和值對應(yīng)的權(quán)重矩陣；x為輸入數(shù)據(jù)；dk為鍵的維度；headi為第i個頭的輸出；wo為多頭注意力輸出的權(quán)重矩陣；

37、步驟44：使用全連接層將多頭注意力加權(quán)后的特征向量映射到容量值；

38、步驟45：計算損失函數(shù)；dae-resbilstm-mha模型的誤差來源包括輸入值與重構(gòu)值的誤差和真實值與預(yù)測值的誤差；采用mse計算dae-resbilstm-mha模型的損失函數(shù)，其計算公式如下：

39、loss＝lmse+lrec

40、

41、其中l(wèi)mse和lrec分別為均方誤差和重構(gòu)誤差的損失函數(shù)；n為輸入向量維數(shù)；yt和分別為第t個樣本的標(biāo)簽和預(yù)測輸出；λ為正則化參數(shù)。

42、在一較佳的實施例中，所述步驟5具體包括：

43、步驟51：安裝顯卡驅(qū)動、cuda和cudnn加速庫；

44、步驟52：配置訓(xùn)練環(huán)境；

45、步驟53：編寫python程序；

46、步驟54：訓(xùn)練dae-resbilstm-mha模型；

47、步驟55：電腦配置為nvidia?geforce?rtx?1050ti顯卡和intel?core?i5-7300hqcpu@2.50ghz處理器。

48、在一較佳的實施例中，所述步驟6具體包括：

49、步驟61：計算相對誤差re、均值絕對誤差mae和均方根誤差rmse，表達(dá)式如下：

50、

51、其中是預(yù)測值，yt是真實值，n表示序列的長度；

52、步驟62：評估模型的各項性能；

53、步驟63：評估dae-resbilstm-mha模型的rul預(yù)測能力。

54、與現(xiàn)有技術(shù)相比，本發(fā)明具有以下有益效果：提高模型面對噪聲數(shù)據(jù)和容量再生現(xiàn)象時的魯棒性和準(zhǔn)確性。