基于多特征融合LSTM网络的锂电池RUL估计方法

本发明涉及储能电池剩余寿命预测，特别涉及一种基于注意力机制算法的多特征融合lstm网络的锂电池rul估计方法。

背景技术：

1、社会迅速发展的今天，能源的需求不断增长，同时对于能源存储的要求也越来越高。锂电池因自身储能方面的优势被广泛应用各领域的储能设备中。但锂电池在充放电循环中受高温、老化、使用不按规格等因素影响，电池逐渐老化，从而引发储能设备故障，带来了巨大的人力财力损失。因此如何准确的判断锂电池的剩余寿命，发挥储能电池的最佳性能，成为了当前国内外研究的热点。由于锂电池的充放电循环周期较长，影响电池寿命的因素较多，因此传统的方法存在考虑特征因素不足、精度不高等问题。

技术实现思路

1、本发明是为了解决上述现有技术存在的不足之处，提出一种基于注意力机制算法的多特征融合lstm网络的锂电池rul估计方法，以期能充分考虑多个特征对电池剩余寿命的影响，提高电池剩余寿命预测精度并具有较大的适用范围，从而能提高储能电池相关应用的安全性、可靠性，并能提升工业生产效率，进而能对工业生产以及电池储能相关行业有更好的辅助作用。

2、本发明为达到上述发明目的，采用如下技术方案：

3、本发明一种基于多特征融合lstm网络的锂电池rul估计方法的特点在于，包括以下步骤：

4、步骤s1、获取室内环境下电池在k次放电过程中的电压、电流、温度以及放电结束时的电池容量并构成电池放电数据集；将所述电池充放电数据集中第k次放电过程第i时刻的电压序列记为记第k次放电过程第i时刻的电流记为第k次放电过程中第i时刻的温度序列记为第k次放电结束时的电池容量记为ck；其中，表示第k次放电过程中第i时刻的电压；表示第k次放电过程中第i时刻的电流；表示表示第k次放电过程中第i时刻的温度；

5、步骤s2、建立基于卷积神经网络的多特征融合网络，包括：高维特征降维模块、特征融合模块和重加权模块；

6、步骤s2.1、所述高维特征降维模块是基于一维卷积神经网络，并依次包括：第一卷积块、第二卷积块、第三卷积块、第四特征计算块；其中，所述第四特征计算块由一个平均池化层和全连接层构成；

7、将第k次放电过程中的电压序列电流序列温度序列输入所述高维特征降维模块中进行特征提取，得到第k次放电过程中的特征向量其中，表示第k次放电过程中的电压特征向量，表示第k次放电过程中的电流特征向量，表示第k次放电过程中的温度特征向量；

8、步骤s2.2、所述特征融合模块将所述的特征向量v′k与ck拼接后构成第k次放电过程中的输入特征向量，对第k次放电过程中的输入特征向量进行均值方差的归一化处理，得到归一化后的第k次放电过程中的融合特征向量其中，表示电压融合特征向量，表示电流融合特征向量，表示温度融合特征向量，表示容量融合特征向量；

9、步骤s2.3、所述重加权模块包括一个全连接层和一个softmax层；

10、将所述第k次放电过程中的融合特征向量vk通过tanh函数的处理后，得到临时向量将依次通过全连接层、softmax层的计算后得到第k次放电过程中的重加权向量其中，到分别为到的重加权因子；

11、将重加权向量rk和特征向量vk进行按位相乘，从而得到第k次放电过程中的多特征融合向量其中，代表第k次放电过程中的电压多特征融合向量，代表第k次放电过程中的电流多特征融合向量，代表第k次放电过程中的温度多特征融合向量，代表容量多特征融合向量，进而得到k次放电过程中的多特征融合向量所构成的多特征融合矩阵d＝{(d1)t,(d2)t,...,(dk)t,...,(dk)t}，其中，符号t代表矩阵的转置；

12、步骤s3、构建基于局部和全局特征联合的lstm网络，包括：长短期记忆网络lstm、局部注意力模块、全局注意力模块和局部全局特征融合模块；

13、步骤s3.1、所述长短期记忆网络lstm，包括：e个记忆细胞，用于对多特征融合矩阵d进行上下文相关知识的训练学习；

14、设置滑动窗口的长度为e，并对多特征融合矩阵d进行滑窗处理，得到m个不同滑动窗口下的多特征融合序列；

15、将第m个滑动窗口下的多特征融合序列输入所述长短期记忆网络lstm中进行处理，从而由e个记忆细胞输出第m个滑动窗口中的隐藏层输出向量集合其中，表示第m个滑动窗口中第j个记忆细胞输出的j时刻之前的隐藏层输出向量；

16、步骤s3.2、所述局部注意力模块，包括：局部注意力计算层和局部注意力融合层；

17、将所述第m个滑动窗口中第j个记忆细胞输出的隐藏层输出向量通过tanh函数的计算后得到临时参数并输入所述局部注意力计算层中，从而利用式(1)得到第m个滑动窗口中的第j个局部注意力权重

18、

19、式(1)中，ε表示常数；

20、所述的局部注意力融合层利用式(2)得到第m个滑动窗口中的局部特征向量

21、

22、步骤s3.3、所述全局注意力模块利用式(3)对所述多特征融合矩阵阵d进行计算，得到第m个滑动窗口中的全局特征向量

23、

24、式(3)中，α1,α2,....,αk为k个多特征融合向量的常系数，β为偏置；

25、步骤s3.4、所述局部全局特征融合模块将所述局部特征向量和全局特征向量进行拼接后得到第m个滑动窗口中的预测向量

26、将预测向量经过全连接层的计算后得到第m个滑动窗口中e+1时刻的预测向量其中，为第m个滑动窗口中e+1时刻预测的电压值，为第m个滑动窗口中e+1时刻预测的电流值，为第m个滑动窗口中e+1时刻预测的温度值，为第m个滑动窗口中e+1时刻预测的容量值；

27、步骤s4、根据所述预测向量p，利用式(4)建立均方损失函数l：

28、

29、式(4)中，表示第m个滑动窗口中第e+1时刻的真实值，且其中，表示第m个滑动窗口中第e+1时刻的电压多特征融合向量真实值，表示第m个滑动窗口中第e+1时刻的电流多特征融合向量真实值，表示第m个滑动窗口中e+1时刻的温度多特征融合向量真实值，表示第m个滑动窗口中第e+1时刻的容量多特征融合向量真实值；

30、步骤s5、利用adam优化器对所述多特征融合网络和lstm网络进行训练，并计算所述均方损失函数以更新网络参数，直到均方损失函数l收敛为止，从而得到训练后的网络模型实现对锂电池rul的预测。

31、本发明一种电子设备，包括存储器以及处理器的特点在于，所述存储器用于存储支持处理器执行所述的锂电池rul估计方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。

32、本发明一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序的特点在于，所述计算机程序被处理器运行时执行所述的锂电池rul估计方法的步骤。

33、与现有技术相比，本发明的有益效果在于：

34、1、本发明充分考虑了影响电池剩余寿命的多特征因素，并使用特征融合算法将多个特征序列作为数据输入，从而有效解决了现有方法中忽略充放电过程中的电流、电压、温度等因素导致的结果精度不高的难题，并解决了因电池充放电多特征之间数据维度不同，无法一起训练的难题，最终得以高效、精准地提取多特征输入，充分考虑了影响电池寿命的多个因素，从而提高了工业电池利用效率，改善了电池rul预测方法。

35、2、本发明通过加入局部全局特征联合模块，计算多特征时间序列中不同的记忆细胞输出对预测结果的影响因子，并与多个记忆细胞数据加权求和，解决了以往方法忽略多个记忆细胞输出对结果的影响，同时考虑到整体时间序列趋势，使得模型预测精确度提升。

36、3、本发明使用lstm网络进行电池剩余寿命预测，其对时间序列有很好的表达能力，考虑到目前公开的数据集中电池剩余寿命相关数据较少，使用lstm网络不容易出现欠拟合问题，从而能较好地应对数据较为欠缺的情况。

37、4、本发明考虑电池放电过程中的电流、电压、温度等辅助特征，结合电池在充放电循环中的容量变化，形成多特征融合的数据输入；同时加入注意力机制，有效关注输入序列中重要的影响因素，其使得时间序列模型可以关注到更多影响到预测结果的相关特征，从而既可以让模型预测的结果更为精确，又可以提高模型的鲁棒性。