基于多尺度物理信息神经网络的锂电池SOC估计方法

本发明属于电池荷电状态估计，涉及一种基于多尺度物理信息神经网络的锂电池soc估计方法。

背景技术：

1、在新能源汽车的产业链中，锂电池广泛应用于电动汽车(ev)和混合动力汽车(hev)。然而，锂离子电池在实际应用中会面临诸多挑战，例如老化、内阻增加以及温度变化等问题。这些问题不仅影响电池的性能和安全性，还可能导致电池的提前失效，从而影响整体车辆的可靠性和经济性。

2、为了解决这些问题，电池管理系统(bms)作为一项关键技术，显得尤为重要。一个高效的bms能够实时监测电池的各项参数，准确估计电池的荷电状态(soc)，并确保电池在安全范围内运行。为了确保bms能够准确地监测锂电池的工作状态，设计高效、快速收敛且适应性强的锂离子电池模型显得尤为重要。目前，已经建立了多种主流的电池模型，包括电化学模型、数据驱动模型和等效电路模型(ecm)。电化学模型利用一系列复杂的偏微分方程来描述电池内部的物理和电化学过程，虽然可以提供较为精确的描述，但其计算过程复杂且耗时，难以适用于需要快速反应的实时应用。相比之下，数据驱动模型依赖于大规模的数据集，通过机器学习技术来构建电池特性与soc及剩余使用寿命(rul)之间的非线性映射关系。尽管这种方法在某些情况下能够取得较好的效果，但在物理解释性和对输入噪声的敏感性方面仍存在局限性。为了解决这一问题，等效电路模型由于其基于电路理论的简单结构和高计算效率，成为实时监测的理想选择。

3、随着锂电池机理模型的深入研究，许多研究者开始将这些机理模型与深度学习技术结合。例如，物理信息神经网络通过引入物理信息来统一解释电池的行为，提升模型的可解释性和准确性。此外，一些新的模型，例如基于微分方程的神经网络，通过将电池的物理定律嵌入到网络的训练过程中，使得模型能够更好地学习电池的动态特性。上述方法在一定程度上提升了模型的性能和可解释性，但依然存在三个问题：首先传统神经网络模型在非线性模式下始终是一个巨大的挑战，在处理电池系统长时序数据时容易遗忘早期时间步的信息。其次单一尺度下的训练泛化能力不强，不能够很好适应不同的数据分布，缺乏灵活应对不同复杂任务。最后是固定权重不能保证训练达到最优值，不能有效动态变化来增强鲁棒性。

技术实现思路

1、有鉴于此，本发明的目的在于提供一种基于多尺度物理信息神经网络的锂电池soc估计方法，用于提高soc预测的准确性和可靠性。

2、为达到上述目的，本发明提供如下技术方案：

3、一种基于多尺度物理信息神经网络的锂电池soc估计方法，具体包括以下步骤：

4、s1：采用一阶rc等效电路模型描述电池的动态特性，其内部的电气参数作为mamba模型输出充当物理知识；

5、s2：对电压特征、电流特征、时间特征和边缘特征进行多尺度融合，从而得到新的特征，作为mamba模型的输入；

6、s3：构建mamba模型，包括ssm、卷积层、线性层和元素运算符；其中，ssm表示选择性状态空间模型，由结构化状态空间序列模型与选择机制和扫描模块结合形成；

7、s4：利用mamba模型进行锂电池soc估计，并采用spkf(非线性sigma点卡尔曼滤波算法)自适应权重来提升模型训练效率。

8、进一步，步骤s2中，对电压特征、电流特征、时间特征和边缘特征进行多尺度融合用公式表示为：

9、

10、

11、

12、其中，t1表示电压特征，t2表示电流特征，t3表示时间特征，t1′,t2′,t3′为层层融合特征之后的新电压、电流、时间特征；cat是连接操作，将同一维度特征结合；conv是卷积操作；bn是批量归一化操作，用于提高训练的稳定性和加速收敛，减小内部协变量偏移；是同维度相加操作。

13、进一步，步骤s3中，ssm的结构为：结构化状态空间序列模型的输入序列通过隐含的潜在状态映射到上标b、l、d和n分别表示批量大小、输入长度、特征数和隐藏通道数，描述的离散状态方程可以写成：

14、

15、yt＝cht

16、连续参数离散化公式如下：

17、δt＝τδ(parameter)

18、

19、

20、其中，xt,ht,yt表示t＝1,2,...,l的输入、隐藏状态和输出，t表示离散时间长度；表示状态转移矩阵，和分别表示输入到状态和状态到输出的映射矩阵；是(δ,a,b)的离散化参数，使用零阶保持(zoh)；τδ是softplus激活函数；i表示单位矩阵；parameter表示可学习的折叠参数；结构化状态空间序列模型遵循卷积计算，其卷积过程可以定义为k＝(k0,...,kt)为卷积核，其中卷积与递归的等价使得序列能以二次复杂度并行训练，通过高效解耦计算步骤来促进回归映射。

21、进一步，步骤s3中，选择机制如下公式：

22、

23、yt＝ctht

24、δt＝τδ(parameter+sδ(xt))＝softplus(linear(xt))

25、

26、其中，τδ是softplus激活函数；sδ是线性函数；给定输入xt＝[t1′ t2′ t3′]t情况下，各层可以根据序列前后依赖关系选择性捕获重要特征。

27、进一步，步骤s3中，mamba模型各层信息传递定义为：

28、x′t＝silu(conv1d(linear(xt))),zt＝silu(linear(xt))

29、

30、y′t＝layernorm(yt+x)

31、

32、其中，是元素乘法。

33、进一步，步骤s4中，利用mamba模型进行锂电池soc估计，具体包括：假设在指定温度下的欧姆内阻r0、极化电阻r1和极化电容c1保持不变，将锂电池emc模型的一阶rc等效电路方程离散化，可以得到下列方程：

34、

35、ul[k]＝h(soc[k])-r1·i1[k]-r0·i[k]

36、其中，i1是r1通过的电流；η是充电转换效率；q是电池的额定容量；δt是采样间隔；h(soc[k])是开路电压；ul[k]表示k时刻的输出电压；i[k]表示k时刻的输入电流；k表示时间离散化；τ1＝r1c1表示rc时间常数；mamba模型通过识别特定的pde(偏微分方程)误差建立动态模型，soc的pde误差ζpde可以用以下公式表示：

37、

38、为了根据电路参数体现对soc的影响，使用权重值来改变电压损失函数从而影响更新的网络。以电阻、电容带入spkf得到权重，建立状态方程和观测方程：

39、xk+1＝akxk+bk(uk+wk)

40、其中，xk＝[sock uk]是状态向量，sock表示k时刻的soc值，uk表示k时刻的输出电压值；uk＝ik是输入，ik表示k时刻的电流；wk是状态噪声；是状态转移矩阵，对角线上的元素分别表示soc和ocv(开路电压)随时间的线性演化；是输入矩阵，用于将输入uk和噪声wk映射到下一时刻的状态xk+1；

41、yk＝ckxk+dkuk+vk

42、其中，yk＝uk是观测值；vk是观测噪声；是观测矩阵，它反映了状态变量soc和ocv对观测yk的影响程度；dk＝-r0是输入矩阵；

43、根据观测值使用非线性映射计算自适应权重，使用sigmoid函数来进行非线性映射：

44、

45、其中，k是一个控制函数陡峭度的参数，ymid是一个观测中间值；一旦计算出权重w(y)，就能计算加权mse，公式如下：

46、

47、其中，是电压的损失函数，yi是观测预测值，ytrue是电压真实值；梯度优化微分方程，soc损失函数可以表示为：

48、

49、其中，sock和sock+1分别为soc估计上下时刻的估计值；得到了上述两个损失函数的值加权之后得到最后的总损失函数

50、

51、其中，n表示样本的数量；m表示微分量；α是电压的约束因子；使用adam优化器计算损失函数相对于θ的梯度，可以通过以下公式得到：

52、

53、损失函数gt传入adam一阶矩估计和二阶矩估计进行偏差修正，反向梯度更新输出层至隐藏层之间的权重wt和偏差bt；对于传播梯度，wt、bt的更新公式表示如下：

54、

55、

56、

57、

58、其中，β1、β2分别是一阶矩、二阶矩估计mt、vt的衰减率；表示mt、vt的偏差修正；ξ是网络学习率；∈是小常数以防止算法除零。

59、本发明的有益效果在于：本发明首先通过将物理定律与深度学习相结合，充分利用锂电池的机理模型，有效提升了状态估计的准确性。通过引入电池的电化学特性和物理行为，模型能够更准确地反映电池在不同工作条件下的真实状态，从而提高了预测的可靠性。其次，mamba模型使用多尺度结合特征，提高预估精准度。另外，mamba通过嵌入物理约束，显著增强了对锂电池内部状态的解释能力。同时，网络输出端根据spkf算法自适应电压损失的权重以达到最好的训练效果。mamba能够有效处理锂电池系统的时变特性和多变量间的相互影响，从而在实际应用中提供更为精准的状态估计。最后，本发明具有良好的实用性和可操作性，可以方便地集成到现有的电池管理系统中，为实时监测和预测提供强有力的支持。

60、综上所述，本发明方法在锂电池状态估计任务中展现出显著优势，具有良好的应用前景，为提高锂电池的安全性和可靠性提供了重要的技术支持。

61、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。