融合注意力机制和深度卷积的锂电池SOH估计方法

本发明涉及soh估计方法，属于电气工程、电化学、计算机等交叉。

背景技术：

1、随着新能源技术的快速发展，锂电池作为清洁能源存储和转换的关键组件，在电动汽车、移动设备、储能系统等多个领域得到了广泛应用。然而无论是否使用，电池的容量和性能都会进行持续的非线性退化和衰减，这给电池的高效和安全运行带来了巨大的挑战。因此，电池的健康管理，特别是准确地健康状态估计(state of health，soh)，对于确保设备安全运行、延长电池寿命以及提高能量利用效率具有决定性意义。

2、目前，锂电池soh的估计方法主要包括基于模型的方法或基于数据驱动的方法。基于模型的方法依赖于电池的物理化学过程建立数学模型，虽然理论上可以提供精确的计算，但依赖于详细且高质量的电池参数和复杂且耗时的计算过程。传统的基于数据驱动的方法，如机器学习，能够从大量数据中学习电池的退化模式，但在处理高维序列数据时存在效率和泛化能力的限制。因此，基于模型驱动方法和传统的机器学习方法在精度和效率上总是矛盾的。现有缺少同时兼顾精度和效率的锂电池soh的估计方法。

技术实现思路

1、本发明的目的是为了解决现有缺少同时兼顾精度和效率的锂电池soh的估计方法的问题，提出了融合注意力机制和深度卷积的锂电池soh估计方法。

2、融合注意力机制和深度卷积的锂电池soh估计方法，所述方法包括以下步骤：

3、步骤1、采集锂电池在每次充放电循环下的电压数据、电流数据和当前可用最大容量，根据当前可用最大容量计算获得soh；

4、步骤2、利用多种统计学方法对每次充放电循环下的电压和电流数据进行处理，得到多种衰退特征；

5、步骤3、衰退特征筛选：获得同一种衰退特征与soh的皮尔逊相关系数和与soh的斯皮尔曼相关系数的平均值，作为该衰退特征的相关系数；从多种衰退特征的相关系数中选出最大值所对应的衰退特征作为最优衰退特征；

6、步骤4、将最优衰退特征作为融合注意力机制和深度卷积神经网络的输入数据，将最优衰退特征所对应的soh作为融合注意力机制和深度卷积神经网络的输出数据；

7、步骤5、利用输入数据和输出数据训练融合注意力机制和深度卷积神经网络，得到训练完成的深度可分离卷积神经网络融合注意力机制和深度卷积神经网络；

8、步骤6、利用多种统计学方法对待测锂电池每次充放电循环下的电压和电流数据进行处理，得到多种衰退特征，并通过衰退特征筛选方式筛选出待测锂电池的最优衰退特征，并将其输入至训练完成的融合注意力机制和深度卷积神经网络中，预测出该锂电池的soh。

9、优选地，步骤1中，soh表示为：

10、

11、式中，cn为当前可用最大容量，c0为电池额定容量。

12、优选地，步骤2中，多种衰退特征包括恒压充电时间、恒流充电时间、恒流充电容量、恒压充电容量、充电电压均值、充电电流均值、电压方差、电流方差、电压偏度、电流偏度、电压曲线峰度、电流曲线峰度、最大电压值、最大电流值、最小电压值、最小电流值、ic曲线的斜率和ic曲线的峰值。

13、优选地，充电容量q，表示为：

14、q＝∫idt公式2，

15、式中，i为电流；

16、方差s2，表示为：

17、

18、式中，n为该次衰退循环中的电压或电流个数，xi为一次充放电循环过程中第i个电压或电流值，为该次衰退循环中所有电压或电流的均值；

19、偏度skewness，表示为：

20、

21、峰度，表示为：

22、

23、优选地，步骤2中，ic曲线的峰值为：

24、对每次充放电循环下每两个时间点间的电流进行积分，得到截止当前的累计容量q，根据每次充放电循环下的累计容量q和对应电压序列，得到容量-电压曲线段，对容量-电压曲线求导得到dq/dv曲线作为ic曲线，获得ic曲线的峰值。

25、优选地，步骤3中，皮尔逊相关系数r，表示为：

26、

27、式中，ki为衰退特征序列的第i个值，k为衰退特征序列所有值的平均值，yi为对应的soh序列中第i个值，为soh序列的均值；

28、斯皮尔曼相关系数ρ，表示为：

29、

30、式中，di为每种衰退特征与soh的秩序统计量之差。

31、优选地，步骤4中，融合注意力机制和深度卷积神经网络包括窗口向量嵌入层、多头自注意力层、深度可分离卷积层、多层感知机和一号全连接层；

32、窗口向量嵌入层，用于将最优衰退特征转换成高维度特征；

33、多头自注意力层，用于对高维度特征依次进行加权处理、线性变换、标准化处理和特征融合，获得最终的融合特征；

34、深度可分离卷积层，用于对最终的融合特征进行数据处理，得到处理后的特征，发送至多层感知机；

35、多层感知机，用于提取处理后的特征中的全局和局部信息，并对提取的全局和局部信息进行标准化处理，得到处理后的特征，发送至一号全连接层；

36、一号全连接层，用于通过线性变换将处理后的特征映射到单一的soh估计值，输出锂电池的soh估计值。

37、优选地，多头自注意力层包括二号全连接层、三号全连接层、一号归一化层、残差注意力层、融合层和规范化后的点积注意力机制；

38、二号全连接层，用于将高维度特征进行加权处理，得到处理后的特征；

39、规范化后的点积注意力机制，用于将处理后的特征投影到一个空间，该空间中有3种向量，分别为查询向量、键向量和值向量，对处理后的每个特征在每个查询向量和每个键向量上的投影做乘积计算，采用softmax函数对每个计算结果进行归一化，得到每个归一化后的结果，对每个归一化后的结果和处理后的对应特征在值向量上的投影做乘积计算，对多个计算结果进行加权和计算；

40、融合层，用于将规范化后的点积注意力机制输出的计算结果与高维度特征进行融合，得到融合后的特征；

41、三号全连接层，用于对融合后的特征进行线性变换，生成变换后的特征；

42、一号归一化层，用于对变换后的特征进行标准化处理，生成具有全局性和细节性的特征；

43、残差注意力层，用于对高维度特征进行残差连接处理，得到经过残差连接处理的特征；

44、对具有全局性和细节性的特征和经过残差连接处理的特征进行融合，输出最终的融合特征。

45、优选地，深度可分离卷积层包括一号点卷积层、深度卷积层、二号点卷积层和二号归一化层；

46、一号点卷积层，用于采用逐点卷积操作压缩最终的融合特征维度，得到压缩后的特征；

47、深度卷积层，用于对压缩后的特征进行逐通道的空间卷积操作，提取每个通道的空间特征；

48、二号点卷积层，用于通过逐点卷积操作将各通道的空间特征整合，得到整合后的特征；

49、二号归一化层，用于对整合后的特征进行标准化处理，得到处理后的特征。

50、优选地，多层感知机包括四号全连接层、五号全连接层和三号归一化层；

51、四号全连接层，用于通过全连接操作提取处理后的特征，得到提取后的特征；

52、五号全连接层，用于对提取后的特征进行特征提取，得到全局和局部信息；

53、三号归一化层，用于对全局和局部信息进行标准化处理，得到处理后的特征。

54、本发明的有益效果是：

55、本发明采用皮尔逊相关系数和斯皮尔曼相关系数取平均值的方式，提取对电池衰退影响显著的特征，作为最优特征，从而减少模型计算负担。

56、本发明首次创造性地结合两种最前沿的深度学习技术和残差注意力机制并精简了模型结构，将其成功应用于soh估计领域，具体为利用了深度可分离卷积结构对于局部差异特征的敏感性以及transformer模型中多头自注意力机制对于长期特征的强大捕捉能力以及并行计算能力，以此来在提高模型预测精度的同时大大减少了计算所需时间和计算空间资源，使其能够部署在资源受限的移动设备上。本发明的方法通过轻量化网络结构并组合多头自注意力机制和深度可分离卷积模块来实现更高效的电池健康状态预测。

57、因此，本发明实现了对电池健康状态(soh)的高精度预测，同时显著降低对计算资源的需求。这一目标对于将人工智能(ai)技术集成到电池管理系统(bms)中至关重要，它将使bms能够以更高效和精确的方式进行电池健康管理，优化电池的使用寿命，提高能源利用效率，并确保电池在各种应用场景中的安全性和可靠性。

58、本发明不仅在技术上具有创新性，而且在提高电池管理系统性能、降低能耗和推动新能源技术应用方面具有显著的社会效益和市场应用潜力。