一种基于对抗编码器网络的锂离子电池健康状态估计方法

本发明涉及电池智能健康状态估计领域，具体涉及一种基于对抗编码器网络的锂离子电池健康状态估计方法。

背景技术：

1、随着化石燃料消耗和碳排放日益受到关注，可再生能源系统已经成为学术界和工业界研究的热点。作为一种清洁的储能技术，锂离子电池（libs）已经成为电动汽车（ev）和储能系统（ess）最有前途的选择之一。然而，连续充电/放电后，lib性能会降低，导致容量衰减或功率衰减。健康状态（soh）是表征电池电容的关键指标，代表电池退化程度，有助于电池的维护、评估和分析。为了保证汽车电池的安全可靠运行，需要对电池的soh进行准确、实时的估算。从容量的角度来看，soh在本发明中被定义为实际电池容量与其初始值的比率。当soh降低到80%以下时，假定电池已耗尽其最大使用寿命，必须更换。近几十年来，已经开发了许多估算技术，对其进行了分类、表征和评估，并将其分为三类：基于模型的方法、数据驱动的方法以及基于模型和数据驱动的混合方法。

2、基于数据驱动的深度学习已经广泛应用于云计算和边缘计算的锂离子电池在线健康状态估算，提高估算的准确性、鲁棒性和实时性是当前的研究课题。然而，现有的数据驱动方法通常将电池数据的分布视为相似，根据锂离子电池的退化数据建立soh估算模型。但是，一个叫做“数据漂移”的关键问题尚未解决。“数据漂移”的主要原因是电池数据的分布差异，即数据分布不一致：在电池系统的实际操作期间，各种充电/放电过程将导致各种电池的不同容量衰减速率；此外，由于电池类型或制造的个体差异，在相似充电/放电条件下电池的退化程度通常是不同的。理论上，只有使用大量工作场景和大量电池单体的退化数据，才能建立精确的估计模型，然而，获取这些数据是费力且耗时的。对于模型训练，实际上仅可获得来自某些充电/放电技术的有限电池退化数据。由于训练数据和测试数据具有不同的数据分布，所以在实时监控场景中，训练模型的性能可能会降低。

技术实现思路

1、针对现有技术中的不足，本发明提供一种基于对抗编码器网络的锂离子电池健康状态估计方法，目的在于使用源电池的数据分布与目标电池的数据分布，两者的聚集域相匹配的对抗验证准则来训练，以优化所提取的特征，能够克服“数据漂移”，传统方法所面临的准确性、鲁棒性和实时适用性不强的问题。

2、一种基于对抗编码器网络的锂离子电池健康状态估计方法，包括以下步骤：

3、步骤1：搭建对抗验证编码器网络并输入数据集，所述对抗验证编码器网络包括输入模块、对抗验证模块和预测模块；

4、步骤1.1：输入模块配置为从数据集中提取特征向量并将特征向量馈入到对抗验证模块；对抗验证模块包括两个同时进行并相互对抗的神经网络，所述神经网络包括编码器，所述编码器由z表示，每个特征向量的序列长度为t，从特征向量中随机抽取一部分向量组成的编码向量并记为，记真实的数据分布形式 p为，记与数据分布相似的编码分布为，通过用来度量数据分布和编码分布之间的相似程度，并训练出一个最优的随机采样率，使得数据分布和编码分布之间的相似程度最大；

5、步骤1.2：计算并比较两个神经网络的损失函数值，将损失函数值较小的神经网络输出的升维向量馈入到预测模块，所述预测模块进行最终全局预测；

6、步骤2：获取数据集，包括以下步骤：

7、步骤2.1：通过用于电池循环寿命试验的实验平台对锂离子电池进行两组循环寿命测试，并得到每块电池的电池充电曲线；

8、步骤2.2：从每个所述电池充电电压曲线中提取特征f1和f2，从每个所述电池的ic曲线中提取特征f3和f4；从而得到特征向量f1、f2、f3、f4；

9、步骤2.3：将与特征向量相对应的电池健康度作为标签向量，标签向量和特征向量组成所述数据集；

10、步骤3：将数据集中的标签向量和特征向量分别作为对抗验证编码器网络的输出和输入，并对所述对抗验证编码器网络进行训练；

11、步骤4：基于训练后的对抗验证编码器网络对锂离子的电池健康度进行估计。

12、本发明的有益效果：预先通过循环寿命测试获取每个锂离子电池充电曲线，取得关键健康状态因子作为模型输入，然后进一步使用对抗性特征选择策略，以适应多模态电池特征分布，提升数据分布的一致性，最大程度上解决“数据漂移”的问题，最后送入一个三头估计模块，从而准确地估算出电池的健康状态。

技术特征：

1.一种基于对抗编码器网络的锂离子电池健康状态估计方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种基于对抗编码器网络的锂离子电池健康状态估计方法，其特征在于：所述电池循环寿命试验的实验平台包括由newarebts-5v12a充放电测试仪、可编程恒温恒湿箱和记录数据的计算机组成。

3.根据权利要求2所述的基于对抗编码器网络的锂离子电池健康状态估计方法，其特征在于：两组循环寿命测试中的第一组循环寿命测试为：

4.根据权利要求1所述的基于对抗编码器网络的锂离子电池健康状态估计方法，其特征在于：所述特征f1为电池充电时起始电压增加到最终电压的时间；特征f2为电池充电时起始电压增加到最终电压的电压曲线下围成的面积；特征f3为电池充电时起始电压增加到最终电压的电压差值；特征f4为ic曲线最大值对应的电压。

5.根据权利要求4所述的基于对抗编码器网络的锂离子电池健康状态估计方法，其特征在于：所述神经网络包括第一mlp单元、第一lstm单元、第二lstm单元和第二mlp单元；

6.根据权利要求1所述的基于对抗编码器网络的锂离子电池健康状态估计方法，其特征在于：所述神经网络的损失lc为：

7.根据权利要求1所述的基于对抗编码器网络的锂离子电池健康状态估计方法，其特征在于：所述预测模块包括全连接层以及分别为三种缩放种类的三个1dcnn，通过这三个1dcnn将升维向量归一化并输出特征序列向量，再通过全连接层将特征序列向量进行最终全局预测。

技术总结
本发明提供一种基于对抗编码器网络的锂离子电池健康状态估计方法，包括以下步骤：搭建对抗验证编码器网络并输入数据集，所述对抗验证编码器网络包括输入模块、对抗验证模块和预测模块；获取数据集；通过数据集对所述对抗验证编码器网络进行训练；基于训练后的对抗验证编码器网络对锂离子的电池健康度进行估计。预先通过循环寿命测试获取每个锂离子电池充电曲线，取得关键健康状态因子作为模型输入，然后进一步使用对抗性特征选择策略，以适应多模态电池特征分布，提升数据分布的一致性，最大程度上解决“数据漂移”的问题，最后送入一个三头估计模块，从而准确地估算出电池的健康状态。

技术研发人员：范玉千,杨涛,张卫东,杨书廷,赵继飞,张平川,王卫林,杨献锋,刘显卿,刘永华
受保护的技术使用者：河南科技学院
技术研发日：
技术公布日：2024/1/13