基于时间分解与特征融合的锂离子电池健康状态评估方法及系统

本发明涉及电池管理，尤其涉及一种基于时间分解与特征融合的锂离子电池健康状态评估方法及系统。

背景技术：

1、锂离子电池作为当前储能系统的核心组件，在电动汽车、便携式电子设备、光伏储能系统以及后备电源等多个领域发挥着至关重要的作用。随着新能源技术的迅速发展和应用规模的扩大，电池性能的稳定性和安全性成为了影响整个系统可靠性的关键因素。因此，对锂离子电池进行有效的健康状态评估和管理，成为了电池供电系统中不可或缺的一环。锂离子电池的健康状态(state of health,soh)是衡量电池性能和老化程度的重要参数，它直接关系到电池的使用寿命、安全性能以及储能效率。电池的健康状态受到多种因素的影响，包括充放电循环次数、工作温度、充放电电流大小、充放电深度等。随着使用时间的增长，电池内部的化学成分、物理结构以及电化学性能会逐渐发生变化，导致电池的容量下降、内阻增大，甚至可能出现热失控等安全问题。

2、目前主流的研究方法主要包括实验测量的方法、基于模型的方法和数据驱动的方法。实验测量的方法主要有库伦计数法和开路电压法，库伦计数法原理简单且易用，但由于电流监测误差不可避免，导致该方法存在误差累积问题，开路电压法具有计算量小、无误差累积等优点，但获取电池开路电压需要长时间静置，难以实际应用。基于模型的方法，主要包括等效电路模型、电化学模型和增量容量分析方法。这些方法避免了实验测量方法时间较长和误差累积等问题，获得了较好的soh估计结果，不过由于其通过电池模型来计算soh，还存在十分依赖模型的准确性、构建模型和求解过程困难等问题，在应对多种电池类型和使用场景时，泛化性相对较差。

3、近年来，基于数据驱动的方法由于不依赖于模型，不受任何物理化学模型的限制，具有较高的自适应性和灵活性等优势，已经广泛应用于电池soh预测中，传统的数据驱动方法主要包括粒子滤波器、卡尔曼滤波等基于概率的方法和支持向量机、决策树等基于机器学习的方法。weng等人将数据驱动方法与基于模型的方法相结合，提出了一种基于增量容量分析的支持向量回归算法，用于锂离子电池的soh估计(weng c,cui y,sun j,et al.on-board state of health monitoring of lithium-ion batteries using incrementalcapacity analysis with support vector regression[j].journal of power sources,2013,235:36-44.)。yang等人提出了一种基于灰色关联分析的高斯过程回归模型，使用充电曲线中的参数而不是循环次数作为模型的输入，获得了更好的soh预测效果(yang d,zhang x,pan r,et al.a novel gaussian process regression model for state-of-health estimation of lithium-ion battery using charging curve[j].journal ofpower sources,2018,384:387-395)。然而，传统的数据驱动方法，由于用于估计的模型较为简单，难以应对长时间尺度下的锂离子电池健康状态评估任务。

4、最近，借助于深度网络强大的学习能力，基于深度学习的数据驱动方法逐渐普及，并且大幅度提高了电池soh估计的准确性。kaur等人使用了fnn、cnn和lstm三种不同的深度网络模型进行电池soh估计，并探讨了不同特征对于电池soh估计的权重大小(kaur k,garga,cui x,et al.deep learning networks for capacity estimation for monitoringsoh of li-ion batteries for electric vehicles[j].international journal ofenergy research,2021,45(2):3113-3128.)。xu等人提出一种改进的cnn-lstm网络，通过在模型中添加残差连接来提升soh的预测精度，并且删除无用特征来降低计算复杂度(xuh,wu l,xiong s,et al.an improved cnn-lstm model-based state-of-healthestimation approach for lithium-ion batteries[j].energy,2023,276:127585.)。li等人提出了一种称为ast-lstm的soh和rul预测框架，通过将输入和遗忘门固定连接耦合来同时获取新旧信息，再将新输入与历史单元状态进行逐单元乘积，以筛选出更有益的信息(li p,zhang z,xiong q,et al.state-of-health estimation and remaining usefullife prediction for the lithium-ion battery based on a variant long shortterm memory neural network[j].journal of power sources,2020,459:228069.)。然而，上述方法主要通过lstm及其变体等深度网络进行电池soh估计，借助于lstm网络对于特征中时间依赖性的学习能力，获得了比其他传统soh估计方法更高的准确度，然而lstm网络本身在处理长周期数据时仍有一些改进空间，容易受噪声和突然波动等影响导致误差累积。

5、相比于lstm系列模型，transformer模型能够通过并行计算的多头自注意力机制，实现更长周期数据特征的学习，已有部分学者开始将transformer模型应用到电池soh估计中，gu等人将cnn与transformer结合用于电池soh估计中，并且使用主成分分析来消除冗余特征来降低模型计算负担。(gu x,see k w,li p,et al.a novel state-of-healthestimation for the lithium-ion battery using a convolutional neural networkand transformer model[j].energy,2023,262:125501.)。bai等人提出了一种基于卷积变换的多视图信息感知框架(mvip-trans)的soh估计方法，通过一个基于并行的多尺度注意局部信息感知器来增强有价值的信息、抑制无用噪声。(bai t,wang h.convolutionaltransformer-based multiview information perception framework for lithium-ionbattery state-of-health estimation[j].ieee transactions on instrumentationand measurement,2023,72:1-12.)。transformer模型虽然能够处理长时间序列的电池数据，但是并行计算和自注意力机制也会导致其需要更多的计算资源，并且自注意力机制由于其排列不变的性质不可避免地导致局部信息丢失。因此，如何同时考虑电池老化过程的长时间依赖性并准确地识别老化过程中的局部的容量回升细节，对于准确地对锂离子电池进行健康状态评估至关重要。

技术实现思路

1、因此，本发明的目的在于提供一种基于时间分解与特征融合的锂离子电池健康状态评估方法及系统，能够处理长时间尺度下的电池老化信号的同时，解决电池老化过程中局部容量回升细节难以准确预测的问题，实现对锂离子电池健康状态的精准评估，保证锂离子电池的安全运行。

2、为了实现上述目的，本发明提供的一种基于时间分解与特征融合的锂离子电池健康状态评估方法，包括以下步骤：

3、s1、获取锂离子电池老化过程的电压、电流、温度和容量数据；进行预处理，并提取关键特征，形成电池老化数据集；

4、s2、将电池老化数据集中的数据序列化，基于时间分解将序列分为趋势项和季节项；将趋势项和季节项作为两个分量输入电池健康状态评估网络；

5、s3、交换序列的时间和通道维度，采用跳跃连接的方式融合时间维度信息和通道特征信息；

6、将融合后的数据进行逆归一化后连接到单一线性层构成的投影层中，进行输入序列到输出序列的映射；

7、s4、获取锂离子电池的实时老化数据，对锂离子电池健康状态评估网络进行迭代训练，并使用训练好的网络预测锂离子电池的健康状态。

8、进一步优选的，在s1中，所述获取锂离子电池老化过程的电压、电流、温度和容量数据，进行预处理，包括：

9、选择电池电压降至放电阈值电压的时间、电压斜率、温度达到最大值所需时间、温度斜率、最大温度、恒压充电时间、恒流充电时间和内阻作为输入特征；

10、根据电池容量数据计算当前电池的健康状态，将电池的健康状态值作为数据集的标签；

11、将所述输入特征与数据集标签进行异常值处理，共同构成电池老化数据集。

12、进一步优选的，所述预处理还包括在提取输入特征之前，对获取的数据基于3-sigma原则去除异常点，对数据进行标准化使其具有零均值和方差。

13、进一步优选的，在s2中，将电池老化数据集中的数据序列化，基于时间分解将序列分为趋势项和季节项；包括：

14、将电池老化数据集划分为多个数据序列其中x表示包含个长度为、通道(特征)数为的输入序列的集合；

15、对于任意时刻的输入序列采用平均池化来消除周期性波动并突出长期趋势，同时通过填充操作来保持输入序列长度不变，具体公式为

16、

17、其中，分别为分解得到的趋势项和季节项；表示对进行填充操作，表示平均池化。

18、进一步优选的，所述将趋势项和季节项作为两个分量输入电池健康状态评估网络，包括将分解的两个分量分别输入到锂离子电池健康状态评估网络的mlp-block中进行时间特征提取，mlp-block包括两个全连接层，采用如下公式表示：

19、

20、其中，为趋势项mlp-block的对应的权重和偏置，为季节项mlp-block对应的权重和偏置，为时间分解模块的输出。

21、进一步优选的，还包括激活函数gelu采用如下公式(4)表示：

22、

23、其中，表示网络在当前层的输入。

24、进一步优选的，在s2中还包括将电池老化数据集中的数据序列化之后，使用实例归一化去除非平稳信息，得到平稳序列和非平稳属性参数和仿射变换参数，具体包括以下步骤：

25、将电池老化数据集划分为多个数据序列，计算每个数据序列的平均值和标准差，利用平均值和标准差将每个序列中的实例进行归一化处理；

26、

27、其中，为仿射参数向量，为归一化后的实例，为对数据进行求取平均值操作，为对数据进行求取标准差操作，为一个固定的极小值，来防止分母为0。

28、进一步优选的，在s3中，所述将融合后的数据进行逆归一化后连接到单一线性层构成的投影层中；其中融合后的数据进行逆归一化，为将融合后的结果与s2归一化相关参数相结合后进行逆实例归一化，包括：

29、在电池健康状态评估网络中，对称的网络输出层对输出进行反归一化操作；显式地将从输入数据中删去的非平稳属性和网络学习到的仿射变换参数返回到模型输出，即

30、

31、将代替作为网络的输出。

32、本发明还提供一种基于时间分解与特征融合的锂离子电池健康状态评估系统，用于实施上述基于时间分解与特征融合的锂离子电池健康状态评估方法的步骤，包括数据获取模块、数据处理模块和电池健康状态评估网络；

33、所述数据获取模块用于获取锂离子电池老化过程的电压、电流、温度和容量数据；进行预处理，并提取关键特征，形成电池老化数据集；

34、所述数据处理模块，用于将电池老化数据集中的数据序列化，基于时间分解将序列分为趋势项和季节项；将趋势项和季节项作为两个分量输入电池健康状态评估网络；

35、所述电池健康状态评估网络，包括时间分解模块和通道特征融合器；所述时间分解模块用于交换序列的时间和通道维度，所述通道特征融合器采用跳跃连接的方式融合时间维度信息和通道特征信息；将融合后的数据进行逆归一化后连接到单一线性层构成的投影层中，进行输入序列到输出序列的映射；

36、获取锂离子电池的实时老化数据，对锂离子电池健康状态评估网络进行迭代训练，并使用训练好的网络预测锂离子电池的健康状态。

37、本技术公开的基于时间分解和特征融合的锂离子电池健康状态评估方法及系统相比于现有技术，具备以下有益效果：

38、1、本发明对电池老化过程数据进行了数据处理与特征提取，从电压、电流、温度、时间等不同角度提取了可用于电池健康状态估计的特征，并减轻了异常值数据和噪声的干扰；

39、2、通过时间分解模块从时间角度对全局和局部信息进行感知，能够解决电池老化过程的长时间依赖性问题并准确地识别老化过程中局部的容量回升细节，提高预测精度；随后，从通道特征角度进一步融合了不同特征对老化数据的共同影响，相比于使用单一特征，提升了电池健康状态评估的鲁棒性和泛化性；最后，通过在输入输出两端加入可逆实例归一化，缓解了电池老化过程中数据统计属性随时间变化的非平稳问题，减小了数据间的分布差异，进一步提高了健康评估的准确性。