一种锂离子电池全寿命期的SOC预测方法

本发明属于储能，涉及一种锂离子电池全寿命期的soc预测方法。

背景技术：

1、soc是剩余电量与最大可用容量的比率，可视为燃油车剩余油量表，用于量化电池内部能量。然而，锂离子电池soc的非线性和复杂的动态性能，导致soc无法直接通过传感器测量，只能依靠其他可测的特征变量来估计soc。

2、然而，随着锂离子电池的老化其内部电解液、隔膜、电极片等会发生复杂的变化，因此soc的估计也会存在较大偏差。因此，有必要发明针对全寿命期soc预测的方法，来提升全寿命期soc预测的稳定性及准确性。

3、目前，以电流、电压、温度及内压等指标作为特征变量，应用rnn、lstm神经网络等方法能够很好实现soc预测。但是在电池全寿命期的预测中，它们无法准确且稳定的提供预测结果。因此，对于电池全寿命期稳定且准确的预测，筛选并采集与soc强相关的特征变量是关键，其次是选择一种算法模型来进行电池全寿命周期内的长时间序列的soc准确预测。

技术实现思路

1、有鉴于此，本发明的目的在于解决传统soc预测方法在电池全寿命期预测不稳定的问题，提供一种锂离子电池全寿命期的soc预测方法，克服一般机器学习在长时间序列任务中关键特征参量的获取困难的问题，消除传统算法自注意力中的异常值，提升电池全寿命期soc预测的精度。

2、为达到上述目的，本发明提供如下技术方案：

3、一种锂离子电池全寿命期的soc预测方法，包括以下步骤：

4、s1：实时采集锂离子电池充放电状态下的电池容量、温度、电流、电压、内压数据；

5、s2：将温度、电流、电压、内压数据共同构建特征变量，建立特征变量与其匹配的电池soc建立映射关系，形成样本库；

6、s3：使用hampel滤波对原informer中编码器及解码器的自注意力机制进行改进，形成hampel-informer模型，并使用hampel-informer模型作为全寿命期soc预测模型；

7、s4：将步骤s2处理后的样本库导入所述全寿命期soc预测模型进行训练；

8、s5：将当前锂离子电池温度、电流、电压、内压数据导入训练后的全寿命期soc预测模型，预测电池soc。

9、进一步，步骤s1中，以1s的频率进行采集。

10、进一步，步骤s1中所述锂离子电池的寿命范围为80％-100％，温度为室温25±3℃。

11、进一步，步骤s3中hampel计算式为：

12、|x-m|＜3σ

13、其中x为中值，σ为标准偏差。

14、进一步，kullback-leibler发散的计算过程：

15、

16、其中，qi为第i个query点，kj为所有关键点，是长尾自注意力分布中的优势点积对，是所有qi的log-sum-exp(lse)函数，是所有qi的算术平均值。

17、进一步，所述hampel-informer模型由编码器和生成式解码器组成，其中编码层由hampel改进的多头稀疏概率自注意力(multi-headprobhmapsparse self-attention)和蒸馏操作堆叠而成；生成式解码器由两个相同的多头注意力机制组成，通过一个前向过程进行预测；

18、数据输入模型时，编码器输入历史特征变量及预测标签值，解码器输入部分历史数据及预测值所需的特征变量，其预测值用0占位；

19、数据进入模型前，由位置嵌入层对每个时刻数据按正余弦线性变换后进行位置编码；

20、数据载入模型后，由编码器输出特征图载入生成式编码器中，最终通过全连接输出预测结果。

21、本发明的有益效果在于：

22、1.本发明的目的在于提供一种锂离子电池全寿命期的soc预测方法，解决了传统soc预测方法在电池全寿命期预测不稳定的问题，克服了一般机器学习在长时间序列任务中关键点获取困难的问题，消除了算法自注意力中的异常值，提升了电池全寿命期soc预测的精度。

23、2.本发明使用温度、电流、电压、内压共同构建特征变量；其中温度、电流、电压数据获取简单且高效；锂离子电池内压与电池soc存在较强的相关性，可提升全寿命期电池soc预测的稳定性和精准度。

24、3.本发明采用hampel滤波来过滤informer概率稀疏自注意力因kullback-leibler发散而出现的异常值，并形成multi-headprobhamsparse来代替原multi-headprobsparse降低偏差注意力的异常值对预测精度的影响。

25、本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

技术特征：

1.一种锂离子电池全寿命期的soc预测方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的锂离子电池全寿命期的soc预测方法，其特征在于：步骤s1中，以1s的频率进行采集。

3.根据权利要求1所述的锂离子电池全寿命期的soc预测方法，其特征在于：步骤s1中所述锂离子电池的寿命范围为80％-100％，温度为室温25±3℃。

4.根据权利要求1所述的锂离子电池全寿命期的soc预测方法，其特征在于：步骤s3中hampel计算式为：

5.根据权利要求4所述的锂离子电池全寿命期的soc预测方法，其特征在于：kullback–leibler发散的计算过程：

6.根据权利要求5所述的锂离子电池全寿命期的soc预测方法，其特征在于：所述hampel-informer模型由编码器和生成式解码器组成，其中编码层由hampel改进的多头稀疏概率自注意力(multi-headprobhmapsparse self-attention)和蒸馏操作堆叠而成；生成式解码器由两个相同的多头注意力机制组成，通过一个前向过程进行预测；

技术总结
本发明涉及一种锂离子电池全寿命期的SOC预测方法，属于储能技术领域，包括以下步骤：S1：实时采集锂离子电池充放电状态下的电池容量、温度、电流、电压、内压数据；S2：将采集数据共同构建特征变量，建立特征变量与其匹配的电池SOC建立映射关系，形成样本库；S3：使用Hampel滤波对原Informer中编码器及解码器的自注意力机制进行改进，形成Hampel‑Informer模型，作为全寿命期SOC预测模型；S4：将步骤S2处理后的样本库导入所述全寿命期SOC预测模型进行训练；S5：将当前锂离子电池温度、电流、电压、内压数据导入训练后的全寿命期SOC预测模型，预测电池SOC。

技术研发人员：任文举,郑太雄,谢新宇,易源
受保护的技术使用者：重庆邮电大学
技术研发日：
技术公布日：2024/1/15