技术特征：1.一种锂电池soh估算和rul预测的端到端神经网络建立方法，其特征在于：该方法包括以下步骤：
s1：设计cnn-astlstm神经网络；
s2：cnn-astlstm神经网络的超参数优化；
s3：cnn-astlstm神经网络的应用。
2.根据权利要求1所述的一种锂电池soh估算和rul预测的端到端神经网络建立方法，其特征在于：所述s1具体为：
令和分别为第n个一维卷积层的输入和特征图，n∈{1,2,...n}；上标w和c分别表示数据宽度和通道；u1是输入样本，其中数据宽度和通道分别代表样本长度和样本类型；第个滤波器的输出，即第n个卷积层的特征图，通过以下方式获得：
其中σ，和s分别代表位置坐标、激活函数、局部邻域和步幅大小；的范围为经过最大池化后，第n+1层卷积的输入表示为：
其中q和d分别是下采样输出、位置坐标、池化核和步幅大小；
在每个卷积层中，通过在局部接收场内将空间和通道信息融合在一起，学习滤波器来表达有益的组合；通过堆叠一系列交织在一起的非线性和下采样的卷积层，一维cnn能够捕获影响电池退化的多个变量之间的分层模式；然后，使用ast-lstm神经网络来学习这些模式中嵌入的长期短期依存关系；
对于第1个ast-lstm层，l∈1,2,...l，令在时间t的输入，m是神经元的数量，并且是该块在时间t-1的输出；|·|表示维度运算符；ul+1,t＝hl,t；其中遗忘门输出和候选门输出给出为：
fl,t＝σ(kl,fu·ul,t+kl,fh·hl,t-1+bl,f)(3)
zl,t＝g(kl,zu·ul,t+kl,zh·hl,t-1+bl,z)(4)
其中和分别是遗忘门和候选门中的输入权重，递归权重和偏置权重；逻辑sigmoidσ(·)和双曲正切tanh(·)是遗忘门和候选门的激活函数；融合状态输入和状态输出表示为：
il,t＝(1-fl,t)⊙σ(cl,t-1⊙pl,i)(5)
cl,t＝cl,t-1⊙fl,t+il,t⊙zl,t(6)
其中，和分别代表时间t-1的细胞状态和窥视孔对旧细胞状态的权重；符号⊙表示逐点乘法；输出门输出和块输出给出为：
ol,t＝σ(kl,ou·ul,t+kl,oh·hl,t-1+pl,o⊙cl,t+bl,o)(7)
hl,t＝ol,t⊙g(cl,t)(8)
其中和分别是输出门中的输入权重，递归权重和偏置权重；在新的细胞状态下，窥孔的权重表示为最后，cnn-astlstm神经网络的输出写为：
yl+1,t＝kl+1hl,t(9)
其中是全连接的权重。
3.根据权利要求1所述的一种锂电池soh估算和rul预测的端到端神经网络建立方法，其特征在于：所述s2具体为：
利用cnn-astlstm神经网络进行soh估计或rul预测的最终目标是使用这种网络查找非线性函数该函数使得估计或预测的误差最小；电池样本u来自自然分布的将该目标重新构造为使用学习算法将有限的电池数据集映射到使预期损失最小的函数中；实际的学习算法表示为通过优化训练准则产生高维空间θ中的一组参数θ，即超参数；这将超参数优化问题描述为：
其中是损失的期望值，即泛化误差；对未知自然分布的期望很难直接评估；为解决这个问题，在神经网络的训练过程中，考虑k折交叉验证，将等式(10)重新定义为：
其中和分别表示由cnn超参数θc和ast-lstm神经网络超参数θa指定的学习算法；通过第i个交叉验证的训练数据和有效数据分别表示为和通过式(11)，上述问题被重新公式化为树结构化空间θ＝θ(1)∪…∪θ(k)∪{θr}的单个组合式分层超参数优化问题，其中θr是每个子空间θ(i)的根级超参数；
方程(11)方式求解，包括基于顺序模型的优化，高斯过程优化和贝叶斯优化；
选择预期改进ei准则来近似使用成本较低的的代理得出的等式(11)；ei是在cnn-astlstm神经网络下产生$u→y的期望，即将负阈值e*(θc,a)超过负值，该阈值如下所示：
其中表示关于损失的超参数配置θc和θa；与高斯优化直接建模不同，对和进行建模；将建模为两个密度估计之一，条件是e是大于还是小于给定阈值e*：
其中表示通过使用观测值形成的密度估计，相应的损失e(θc,a)小于e*，而g(·)是从其余观测中获悉的密度估计，其对应的损耗大于或等于e*；选择e*作为γ分位数，ei与闭式表达式成正比，即如下：
创建一维parzen估计器以对和g(·)的密度建模，其公式为：
其中kg是高斯核，h>0是称为带宽的平滑参数；
对于先前的分布使用ks检验获得超参数的先验分布；有序观测值定义为：
其中i[-∞,e](ej)是指标函数，如果ej≤e则等于1，否则等于0；给定累积分布函数f(e)的ks统计量写为：
其中是距离集的最大值；使用kolmogorov分布的临界值构造ks测试；如果则在水平α处拒绝原假设，其中kα从下式中获取：
p(k≤kα)＝1-α(21)。
4.根据权利要求1所述的一种锂电池soh估算和rul预测的端到端神经网络建立方法，其特征在于：所述s3具体为：
应用cnn-astlstm神经网络训练soh估计模型的问题描述为：
其中sw和co是第i个充放电轮次中电压v、温度t、电流i和采样时间t的历史采样值，第i个充放电轮次的历史容量，滑动窗口的长度和初始容量；soh的在线估计表示为：
其中是第j个充放电轮次中观察到的电压、温度、电流和采样时间的样本；
假设寿命终止eol为c0×70％，则实际和预测的rul定义为：
rul＝qeol-qs(24)
其中qeol和分别是eol实际和预测的充放电轮次，qs是预测开始时的充放电轮次；通过应用cnn-astlstm神经网络训练rul预测模型来获得
其中和pw分别表示开始预测充放电轮次的历史容量和预测窗口的长度；的在线预测描述为：
其中和分别是预测和观察到的容量；将sw和pw分别指定为cnn-astlstm神经网络第一层中的卷积核大小和最后一层中的神经元数。
技术总结本发明涉及一种锂电池SOH估算和RUL预测的端到端神经网络建立方法，属于电池技术领域。在数据端，对测量的电池样本进行组织，以使其适用于SOH监测和RUL预测任务。在自动建模过程中，通过KS检验研究了神经网络超参数的先验分布。结合这种先验分布和在顺序演化过程中生成的后超参数分布，将根据结果端的预期输出自动调整基于神经网络的模型。本方法应用在SOH监测和RUL预测任务中可以获得较好的效果。
技术研发人员：张子健;李鹏华;胡晓松;柴毅;熊庆宇;胡向东;陈立平;侯杰
受保护的技术使用者：重庆邮电大学
技术研发日：2020.09.15
技术公布日：2020.12.18