本發(fā)明屬于鋰電池壽命與狀態(tài)預(yù)測(cè)領(lǐng)域，更具體地，涉及一種基于lstm+mamba的鋰電池剩余壽命和健康狀態(tài)預(yù)測(cè)方法及系統(tǒng)。

背景技術(shù)：

1、在當(dāng)今電力物聯(lián)網(wǎng)的快速發(fā)展中，鋰電池作為關(guān)鍵的儲(chǔ)能元件，廣泛應(yīng)用于各種電子設(shè)備和系統(tǒng)中，以保障供電的連續(xù)性和設(shè)備的正常運(yùn)行。鋰電池因其高能量密度、寬溫度適應(yīng)范圍以及長(zhǎng)久的穩(wěn)定性，成為了許多工業(yè)和消費(fèi)應(yīng)用中不可或缺的選擇。然而，這些電池在長(zhǎng)期使用過程中會(huì)逐漸退化，準(zhǔn)確預(yù)測(cè)鋰電池的剩余使用壽命(remaining usefullife,rul)和健康狀態(tài)(state of health,soh)對(duì)于優(yōu)化電池的管理、延長(zhǎng)設(shè)備的使用周期以及降低維護(hù)和更換成本顯得尤為重要。在實(shí)際應(yīng)用中，鋰電池的衰減過程受到多種因素的影響，如溫度、充放電循環(huán)和負(fù)載條件等，這些因素相互作用使得預(yù)測(cè)電池的rul和soh充滿了挑戰(zhàn)。準(zhǔn)確地評(píng)估這些參數(shù)對(duì)于提升電池性能、延長(zhǎng)使用壽命并保障設(shè)備的穩(wěn)定運(yùn)行具有重要意義。

2、傳統(tǒng)的物理建模方法盡管能夠?yàn)殡姵氐幕瘜W(xué)行為提供深入理解，但往往因其模型參數(shù)復(fù)雜且需要大量的計(jì)算資源，而在實(shí)際應(yīng)用中難以實(shí)現(xiàn)。因此，基于數(shù)據(jù)驅(qū)動(dòng)的預(yù)測(cè)方法，如機(jī)器學(xué)習(xí)和深度學(xué)習(xí)，逐漸成為鋰電池剩余壽命和健康狀態(tài)預(yù)測(cè)方法的研究重點(diǎn)。這些數(shù)據(jù)驅(qū)動(dòng)方法通過對(duì)大量歷史數(shù)據(jù)的挖掘和分析，能夠自動(dòng)學(xué)習(xí)電池的衰退模式，為電池狀態(tài)評(píng)估和預(yù)測(cè)提供了更高的精度和實(shí)時(shí)性。

3、cn118759379a提出了一種基于mlp-lstm分類模型的鋰電池剩余壽命預(yù)測(cè)方法及設(shè)備，包括以下步驟：對(duì)鋰電池進(jìn)行充放電實(shí)驗(yàn)獲得各項(xiàng)電池觀測(cè)數(shù)據(jù)，建立原始老化數(shù)據(jù)集；根據(jù)計(jì)算得到的電池容量去除異常的充放電觀測(cè)數(shù)據(jù)，獲取去除異常值的鋰電池?cái)?shù)據(jù)集；計(jì)算電池健康狀態(tài)(soh)，以soh＝80％為界將數(shù)據(jù)集分為兩類；使用mlp-lstm模型對(duì)數(shù)據(jù)集進(jìn)行二分類訓(xùn)練，獲取最優(yōu)模型權(quán)重；利用最佳模型計(jì)算新的鋰電池?cái)?shù)據(jù)集soh＝80％時(shí)的充放電循環(huán)次數(shù)，從而得到電池剩余壽命(rul)。但是，該專利未考慮到電池充放電的后期數(shù)據(jù)對(duì)于判斷鋰電池剩余壽命更為重要，且使用mlp-lstm分類模型的準(zhǔn)確率還是略低。

技術(shù)實(shí)現(xiàn)思路

1、為解決現(xiàn)有技術(shù)中存在的不足，本發(fā)明提供無監(jiān)督的、效率較高、評(píng)估準(zhǔn)確的一種基于非監(jiān)督學(xué)習(xí)的電力客戶訴求服務(wù)風(fēng)險(xiǎn)評(píng)估方法及系統(tǒng)。

2、本發(fā)明采用如下的技術(shù)方案。

3、本發(fā)明的第一方面提出了一種基于lstm+mamba的鋰電池剩余壽命和健康狀態(tài)預(yù)測(cè)方法，包括以下內(nèi)容：

4、對(duì)鋰電池進(jìn)行充放電循環(huán)，采集并計(jì)算循環(huán)過程中的各種鋰電池老化數(shù)據(jù)，并對(duì)其進(jìn)行預(yù)處理，將預(yù)處理后的鋰電池老化數(shù)據(jù)組成輸入數(shù)據(jù)集；

5、構(gòu)建多層神經(jīng)網(wǎng)絡(luò)，該神經(jīng)網(wǎng)絡(luò)由lstm層、多頭注意力機(jī)制和mamba模塊組成；將輸入數(shù)據(jù)集輸入lstm層提取鋰電池老化數(shù)據(jù)的時(shí)間序列特征；將時(shí)間序列特征輸入多頭注意力層，對(duì)時(shí)間序列中的不同特征進(jìn)行加權(quán)處理，融合出時(shí)間序列特征中和鋰電池剩余壽命和健康狀態(tài)強(qiáng)相關(guān)的特征；將和鋰電池剩余壽命和健康狀態(tài)強(qiáng)相關(guān)的特征輸入mamba模塊進(jìn)行鋰電池剩余壽命和健康狀態(tài)預(yù)測(cè)的預(yù)測(cè)；

6、構(gòu)建優(yōu)化權(quán)重的組合加權(quán)損失函數(shù)訓(xùn)練多層神經(jīng)網(wǎng)絡(luò)；使用該多層神經(jīng)網(wǎng)絡(luò)進(jìn)行鋰電池剩余壽命和健康狀態(tài)的預(yù)測(cè)。

7、優(yōu)選地，所述預(yù)處理為將每種鋰電池老化數(shù)據(jù)均進(jìn)行歸一化；

8、第p種鋰電池老化數(shù)據(jù)中的第i個(gè)數(shù)據(jù)zpi歸一化的公式為：

9、

10、其中，xpi是第p種鋰電池老化數(shù)據(jù)中的第i個(gè)數(shù)據(jù)，μp是第p種鋰電池老化數(shù)據(jù)的均值，σp是第p種鋰電池老化數(shù)據(jù)的標(biāo)準(zhǔn)差。

11、優(yōu)選地，所述使用lstm層提取鋰電池老化數(shù)據(jù)的時(shí)間序列特征，具體為：

12、lstm層前向傳播時(shí)依次通過遺忘門、輸入門與輸出門；lstm層的遺忘門的公式為：

13、ft＝σ(wf·[ht-1,xt]+bf)

14、其中，wf表示遺忘門的權(quán)重矩陣；bf表示遺忘門的偏置；ht-1表示上一個(gè)時(shí)間步的隱藏狀態(tài)；σ表示遺忘門的激活函數(shù)；xt表示遺忘門當(dāng)前時(shí)間步輸入；t為1時(shí)，xt表示輸入數(shù)據(jù)集；

15、lstm層的輸入門的公式為：

16、it＝σ(wn·[ht-1,xt]+bn)

17、

18、其中，it是輸入門的輸出；是當(dāng)前時(shí)間步候選細(xì)胞的狀態(tài)；wn是輸入門的權(quán)重矩陣；bn是輸入門的偏置；wc是候選細(xì)胞計(jì)算的權(quán)重矩陣；bc是候選細(xì)胞計(jì)算的偏置；

19、lstm層的輸出門的公式為：

20、ot＝σ(wo·[ht-1,xt]+bo)

21、ht＝ot*tanh(ct)

22、其中，ot是當(dāng)前時(shí)間步的輸出門的輸出；ht表示當(dāng)前時(shí)間步的隱藏狀態(tài)；ct是當(dāng)前時(shí)間步的細(xì)胞的狀態(tài)；wo是輸出門的權(quán)重矩陣；bo是輸出門的偏置；

23、lstm細(xì)胞狀態(tài)更新的公式為：

24、

25、其中，ft是遺忘門的輸出；ct-1是上一個(gè)時(shí)間步的細(xì)胞狀態(tài)。

26、優(yōu)選地，所述將時(shí)間序列特征輸入多頭注意力層，對(duì)該序列中的不同特征進(jìn)行加權(quán)處理，融合出時(shí)間序列特征中和鋰電池剩余壽命和健康狀態(tài)強(qiáng)相關(guān)的特征，具體為：

27、在進(jìn)行基于每個(gè)頭的注意力分?jǐn)?shù)矩陣，其計(jì)算公式為：

28、qe＝xweq,ke＝xwek,ve＝xwev

29、

30、heade＝σ′(ae)ve

31、其中，ae為第e個(gè)頭的注意力分?jǐn)?shù)矩陣，σ′(·)為多頭注意力層的激活函

32、數(shù)；qe、ke、ve分別為第e個(gè)頭的查詢矩陣、鍵矩陣、值矩陣；deq為第e個(gè)頭的值向量的向量維度；heade為第e個(gè)頭的輸出；weq、wek、wev分別為qe、ke、ve的權(quán)重矩陣；x為輸入多頭注意力層的時(shí)間序列特征組成的矩陣；

33、所述融合出時(shí)間序列特征中和鋰電池剩余壽命和健康狀態(tài)強(qiáng)相關(guān)的特征，具體為：

34、mh＝concat(head1,…,heade)wo

35、其中，wo為多頭注意力的權(quán)重矩陣，e為設(shè)置的頭數(shù)量。

36、優(yōu)選地，所述mamba模塊，具體為：

37、mamba模塊的公式為：

38、

39、yt′＝mt′ht′

40、其中，xt′表示當(dāng)前時(shí)間步的mamba模塊的輸入；gt′、bt′、mt′、i分別表示大小為d×n、b×l×n、b×l×n、b×l×n的參數(shù)矩陣；δ表示大小為b×l×d的拉普拉斯矩陣；b表示批次大小，l表示時(shí)間步長(zhǎng)，d表示xt′的維度，n表示設(shè)定的維度；分別表示對(duì)gt′、bt′進(jìn)行離散化的結(jié)果；ht′、ht′-1表示mamba模型內(nèi)的當(dāng)前時(shí)間步的隱藏狀態(tài)，yt′表示當(dāng)前時(shí)間步的輸出；yt′為一個(gè)二維向量，每個(gè)向量分別表示預(yù)測(cè)的鋰電池剩余壽命和健康狀態(tài)。

41、

42、優(yōu)選地，所述構(gòu)建組合加權(quán)損失函數(shù)，具體為：

43、lc＝αlsl1+βlwmse

44、

45、其中，ωj表示訓(xùn)練樣本中的第j個(gè)數(shù)據(jù)的權(quán)重；yj表示訓(xùn)練樣本中的第j個(gè)數(shù)據(jù)的真實(shí)標(biāo)簽；表示訓(xùn)練樣本中的第j個(gè)數(shù)據(jù)的預(yù)測(cè)值；m表示訓(xùn)練樣本中的數(shù)據(jù)總數(shù)；α、β分別表示兩種損失函數(shù)lsl1和lwmse的權(quán)重，α+β＝1。

46、優(yōu)選地，所述訓(xùn)練樣本中的第j個(gè)數(shù)據(jù)的權(quán)重ωj，具體為：

47、將鋰電池進(jìn)行充放電循環(huán)，循環(huán)超過800后采集的鋰電池老化數(shù)據(jù)定義為后期數(shù)據(jù)，其他為前期數(shù)據(jù)；對(duì)所有前期數(shù)據(jù)和后期數(shù)據(jù)分別設(shè)置取值在0-1之間的重要度；所有前期數(shù)據(jù)的重要度均為0.4，所有后期數(shù)據(jù)的重要度的取值大于等于0.6，且充放電循環(huán)次數(shù)越大，重要度取值越大，將所有重要度歸一化則為對(duì)應(yīng)的權(quán)重。

48、優(yōu)選地，所述兩種損失函數(shù)lsl1和lwmse的權(quán)重α和β，具體為：

49、α設(shè)定范圍在0.25-0.4之間，則β設(shè)定的范圍對(duì)應(yīng)在0.6-0.75之間；以設(shè)定的步長(zhǎng)依次選取該范圍內(nèi)的權(quán)重進(jìn)行預(yù)測(cè)，計(jì)算預(yù)測(cè)的鋰電池剩余壽命和健康狀態(tài)的均方誤差mse、均方根誤差rmse、平均絕對(duì)誤差mae、決定系數(shù)r2，計(jì)算每種權(quán)重的評(píng)估指標(biāo)分?jǐn)?shù)公式：

50、

51、其中，fa表示第a種權(quán)重對(duì)應(yīng)的評(píng)估指標(biāo)分?jǐn)?shù)；fφ,a1、fφ,a2分別為預(yù)測(cè)的鋰電池剩余壽命、健康狀態(tài)的第φ種指標(biāo)，φ＝{1,2,3,4}；φ從1-4分別代表的指標(biāo)為均方誤差mse、均方根誤差rmse、平均絕對(duì)誤差mae、決定系數(shù)r2；

52、選取最小的fa對(duì)應(yīng)的兩種損失函數(shù)lsl1和lwmse的權(quán)重作為最終的權(quán)重。

53、本發(fā)明的第二方面提出了一種使用本發(fā)明第一方面所述預(yù)測(cè)方法的基于lstm+mamba的鋰電池剩余壽命和健康狀態(tài)預(yù)測(cè)系統(tǒng)，包括采集模塊、多層神經(jīng)網(wǎng)絡(luò)構(gòu)建模塊、損失函數(shù)構(gòu)建模塊、預(yù)測(cè)模塊，具體為：

54、采集模塊：用于對(duì)鋰電池進(jìn)行充放電循環(huán)，采集循環(huán)過程在的各種鋰電池老化數(shù)據(jù)，并對(duì)其進(jìn)行預(yù)處理；

55、多層神經(jīng)網(wǎng)絡(luò)構(gòu)建模塊：用于構(gòu)建多層神經(jīng)網(wǎng)絡(luò)，該神經(jīng)網(wǎng)絡(luò)由lstm層、多頭注意力機(jī)制和mamba模塊組成；使用lstm層提取鋰電池老化數(shù)據(jù)的時(shí)間序列特征；將時(shí)間序列特征輸入多頭注意力層，對(duì)該序列中的不同特征進(jìn)行加權(quán)處理，融合出時(shí)間序列特征中和鋰電池剩余壽命和健康狀態(tài)強(qiáng)相關(guān)的特征；將和鋰電池剩余壽命和健康狀態(tài)強(qiáng)相關(guān)的特征輸入mamba模塊進(jìn)行鋰電池剩余壽命和健康狀態(tài)預(yù)測(cè)的預(yù)測(cè)；

56、損失函數(shù)構(gòu)建模塊：用于構(gòu)建優(yōu)化權(quán)重的組合加權(quán)損失函數(shù)訓(xùn)練多層神經(jīng)網(wǎng)絡(luò)；

57、預(yù)測(cè)模塊：用于使用訓(xùn)練好的多層神經(jīng)網(wǎng)絡(luò)進(jìn)行鋰電池剩余壽命和健康狀態(tài)的預(yù)測(cè)。

58、本發(fā)明的有益效果在于，與現(xiàn)有技術(shù)相比，通過設(shè)計(jì)lstm層、多頭注意力機(jī)制和mamba模塊結(jié)合的混合網(wǎng)絡(luò)模型；lstm層能夠捕捉電池充放電過程中的動(dòng)態(tài)變化模式，有效捕捉鋰電池在老化過程中的動(dòng)態(tài)特征；多個(gè)注意力頭從不同角度對(duì)輸入進(jìn)行動(dòng)態(tài)關(guān)注，加權(quán)處理最為關(guān)鍵的信息，突出與電池壽命和健康狀態(tài)密切相關(guān)的特征，過濾掉不相關(guān)的噪聲顯著提升了對(duì)電池健康狀態(tài)和剩余壽命的預(yù)測(cè)精度；mamba模塊通過其獨(dú)特的選擇機(jī)制和特征掃描對(duì)特征進(jìn)行深層次提取和增強(qiáng)，特別是在應(yīng)對(duì)鋰電池退化過程中的非線性和復(fù)雜特征時(shí)，顯著提升了模型的預(yù)測(cè)精度和泛化能力；此外，訓(xùn)練過程中使用了兩種損失函數(shù)組合加權(quán)的損失函數(shù)。其中一種損失函數(shù)在應(yīng)對(duì)異常值時(shí)表現(xiàn)出較高的魯棒性，而另一種損失函數(shù)過對(duì)電池生命周期后期的樣本賦予更高的權(quán)重，確保模型能夠更好地?cái)M合退化過程后期的特征變化使得模型在不同場(chǎng)景下保持較高的性能。綜上所述，本發(fā)明在面對(duì)鋰電池退化過程的高非線性情況下，剩余壽命和健康狀態(tài)的預(yù)測(cè)準(zhǔn)確度得到了顯著提升。

相關(guān)知識(shí)

基于深度學(xué)習(xí)的鋰電池剩余壽命預(yù)測(cè)
多類型鋰離子電池組管理系統(tǒng)的健康狀態(tài)和剩余壽命預(yù)測(cè)方法.pdf
鋰離子電池健康狀態(tài)評(píng)估及剩余壽命預(yù)測(cè)方法
基于數(shù)據(jù)驅(qū)動(dòng)的鋰離子電池健康狀態(tài)估計(jì)及剩余壽命預(yù)測(cè)研究.docx
一種自動(dòng)識(shí)別電池健康特征的電池剩余壽命預(yù)測(cè)方法
基于機(jī)器學(xué)習(xí)的鋰離子電池健康狀態(tài)與剩余壽命預(yù)測(cè)
鋰離子電池健康狀態(tài)估計(jì)及剩余壽命預(yù)測(cè)研究
鋰離子電池健康狀態(tài)評(píng)估及剩余壽命預(yù)測(cè)方法研究
基于新健康因子的鋰電池健康狀態(tài)估計(jì)和剩余壽命預(yù)測(cè)
鋰離子電池健康評(píng)估及剩余使用壽命預(yù)測(cè)方法研究.pptx

網(wǎng)址: 基于LSTM+Mamba的鋰電池剩余壽命和健康狀態(tài)預(yù)測(cè)方法及系統(tǒng)與流程 http://www.u1s5d6.cn/newsview1639759.html