一种基于双路并行网络的梯次利用电池性能评估方法

本发明涉及动力电池管理，具体指一种基于双路并行网络的梯次利用电池性能评估方法。

背景技术：

1、新能源汽车的动力锂电池随着充放电次数的增加而衰减，当动力电池的额定容量降低至80％以下时，即不符合车载动力的日常运行标准，需从电车上退役。但此时退役电池仍然可以在低容量需求的领域进行梯次利用。但是退役电动力电池存在性能急速退化、安全失效风险增加等问题。因此，对梯次利用电池进行准确性能评估时有必要的。

2、梯次利用电池的健康状态是极为重要的性能指标，目前对健康状态的估计方法较多，可大致分为公式计算、基于模型和数据驱动的方法。公式计算仅仅粗略计算，没有完整理论与方法，无法准确估计电池实际性能；基于模型的方法存在建模困难的缺点。此外，车用动力锂电池退役后其安全状态、电性能状态等均较为复杂，且梯次利用场景不固定、应用形式多样，单纯通过公式或建模进行评估测试无法满足梯次利用的要求，安全性难以得到可靠保证。

3、基于上述方法的缺陷，本发明提出一种基于双路并行网络来解决梯次利用电池性能评估的方法。

技术实现思路

1、本发明的目的就是克服现有技术的不足，提出一种基于双路并行网络的梯次利用电池性能评估方法，以数据驱动方法为主，利用历史大数据与测试数据作为神经网络输入，全面且自适应的对梯次利用电池进行评估，是更有效的方法，对梯次利用电池的安全使用、寿命延长有着重大意义。

2、为了解决上述技术问题，本发明的技术方案为：

3、一种基于双路并行网络的梯次利用电池性能评估方法，包括如下步骤：

4、步骤(1)：梯次利用锂电池数据获取与预处理。

5、梯次利用锂电池数据包括锂离子电池系统的放电特征，即放电过程中的端电压xv、电流xi、温度xt数据和对应的电池容量xc数据。通过皮尔逊相关系数分析计算三种数据的健康因子(特征)与容量之间的相关性：

6、

7、其中，xv,i,t代表电压、电流、温度输入，xc代表对应容量数据；n代表样本数据数量，选取相关系数最接近1的数据在整个放电期间的全部数据值作为网络原始输入，并进行归一化操作得到网络输入数据xi。

8、步骤(2)：构建轻量化网络。

9、轻量化网络包括多层残差卷积块和全连接层；特征经过多层残差卷积块提取并学习后输入后续全连接层输出。每个残差卷积块中包含三层扩张率不同的扩张卷积和一层一维卷积，扩张卷积在不做池化且不损失信息的前提下，加大感受野，减少计算量。其中第一个扩张卷积的步长为k，其余两个扩张卷积的步长为1，扩张率分别为1、n、n2，激活函数采用relu函数，三层扩张卷积串行连接：

10、

11、其中，fdcnn1、fdcnn2、fdcnn3分别代表第一层、第二层、第三层扩张卷积。一层一维卷积的步长为k，激活函数采用relu6函数：

12、

13、一维卷积与扩张卷积并行连接，构成残差块：

14、

15、残差连接加速网络收敛，减少模型训练时间，提高估计效率。经过多层残差卷积块后，数据特征输入至全连接层，全连接层采用relu6激活函数：

16、

17、全连接层将输入特征映射到输出结果，得到最终梯次利用电池性能评估初始值。

18、步骤(3)：构建高精确度增强智能网络。

19、增强智能网络包括数据嵌入模块、特征提取模块与特征融合模块。

20、具体的，

21、数据嵌入模块包括一个一维卷积网络和一个双向长短期记忆网络，一维卷积网络的步长为1，激活函数为relu函数。通过一维卷积网络得到初始特征：

22、

23、通过双向长短期记忆网络对初始特征进行特征嵌入，双向长短期记忆网络同时处理过去与未来的特征信息，可以提高时序预测的模型性能。计算步骤如下：

24、

25、特征提取模块包括一个时间注意力模块和一个空间注意力模块。时间注意力模块首先对输入维度进行交换处理：

26、

27、然后将特征输入多头稀疏自注意力层，多头稀疏自注意力对原始多头自注意力机制逐点点积运算进行优化，降低原始自注意力二次点积计算能量消耗。定义注意力机制中的三个标量，分别是query(q)，key(k)和value(v)。公式如下：

28、

29、其中为q经过概率稀疏化得到,kt为k经过转置得到，仅包含少数对注意力值贡献大的q矩阵，是防止梯度消失而增加的比例因子，softmax()是激活函数；

30、对输入该模块的原始特征与经过多头稀疏自注意力层的特征进行求和与归一化操作：

31、

32、然后输出至前馈神经网络：

33、

34、最后将输入与经过前馈神经网络处理的特征进行求和与归一化操作，得到时间注意力模块的最终输出：

35、

36、与时间注意力模块相似，空间注意力模块在不进行特征维度交换的前提下，对输入原始特征进行多头注意力与前馈神经网络的处理，最终得到空间注意力模块的输出

37、特征融合模块包括一个特征相加操作、三个扩张率不同扩张卷积网络和一个全连接层，每个扩张卷积的激活函数均采用relu函数，扩张率分别为1、n、n2。在进行特征拼接前，首先将时间注意力模块的输出进行特征维度变换，以便于后续相加操作：

38、

39、将时间注意力模块的输出和空间注意力模块的输出相加得到初始融合特征然后将该特征经过三个串联扩张卷积进行进一步自适应性融合，实现深层次信息交互。最后，特征经过神经元个数设置为1的全连接层后输出，得到增强智能网络的最终估计结果。

40、步骤(4)：搭建双路并行网络。

41、搭建用于梯次利用电池性能评估的双路并行网络，其中一路是轻量化网络，另一路是增强智能网络。两路网络采用并行方式连接，同时对电池性能进行评估。采用交叉验证方法确定两路网络的超参数，包括隐藏层个数、学习率、迭代次数等。

42、步骤(5)基于双路并行网络进行梯次利用电池的性能评估，即估计电池单体或电池组的健康状态。

43、在电池健康状态大于60％时，以增强智能网络估计结果为主，轻量化网络为辅。在电池健康状态低于60％时，以轻量化网络估计结果为主，增强智能网络估计结果修正轻量化网络估计结果；即当两者估计差距大于百分之2％时，在增强智能网络更新的时刻，将两者的输出通过赋予不同的权重等级合并输出，并将此刻增强智能网络的输出用于后续时间(实时性轻量化网络更新的时刻)更新。具体的，当两个网络预测差距大于2％，小于3％时，增强智能网络输出乘25％，轻量化网络输出乘75％；大于3％，小于4％时，增强智能网络输出乘30％，轻量化网络输出乘70％；以此类推，当差距大于8％时，给出报警信息。对于电池健康状态来说，选取电压因子-容量、电流因子-容量、温度因子-容量中相关系数最接近1的数据在整个放电期间的全部数据值作为网络原始输入，对应时刻的容量数据作为输入标签，计算梯次利用电池性能，即健康状态：

44、

45、其中，ci和c0分别代表第i个循环的电池容量和电池初始容量。

46、本发明具有以下的特点和有益效果：

47、采用上述技术方案，本发明利用双路并行网络对梯次利用电池直接测量得到的电压、电流、温度、容量四个时间序列进行充分预处理，并输入双路并行网络进行自适应性特征提取与融合。通过基于双路并行网络的全新方法，避免单一网络在进行梯次利用电池性能评估时准确度低、实时性差的弊端，提高梯次利用电池在多种应用场景下使用的安全性。评估过程简单，且对梯次利用电池的寿命延长具有重要意义。

48、另外，通过并行的两路网络，即一路轻量化网络与一路增强智能网络，对梯次利用电池单体或电池组的健康状态进行估计。考虑到梯次利用电池使用安全的重要性，在健康状态低时以轻量化网络估计结果为准，高精确度增强智能网络估计结果为辅，对轻量化网络进行实时修正。最终得到高精确度、高安全性的梯次利用电池性能评估结果。