一种基于WOA-VMD和Pre-LNTransformer的锂电池SOH估计方法

本发明涉及电池soh估计，具体为一种基于woa-vmd和pre-lntransformer的锂电池soh估计方法。

背景技术：

1、锂离子电池具有单位能量密度高、使用寿命长、自放电率低等优点。目前，新能源汽车的发展迅速，锂离子电池作为其关键技术受到越来越多的关注。然而，随着使用时间的增加，锂电池的性能就会下降，表现为容量的下降。因此，准确的soh估计成为一项具有挑战性的任务。

2、估计锂电池的soh主要可以划分为基于模型的方法和数据驱动的方法。基于模型的方法的性能通常取决于所建立的电池模型的准确性，该模型的建立需要对锂电池内部机理深入研究、丰富的专业知识和大量的实验时间。数据驱动的方法是根据历史数据建模的，不用考虑电池内部复杂的反应，且操作简单，因此受到更多的关注。基于神经网络的数据驱动方法具有良好的泛化能力和强大的特征提取能力。为了准确估计soh，已经提出了许多深度学习模型，例如gru、rnn、lstm等神经网络。虽然这些方法取得了不错的效果，但是依然存在一些问题。rnn和gru存在梯度消失和梯度爆炸的问题，而且不能进行并行运算，造成较高的时间训练成本；虽然lstm是rnn的变体，但是未能从根本上解决梯度问题，还存在计算成本高的问题。使用上述的神经网络可以从输入序列中提取有用的信息用于soh的预测，但是无法区别哪些信息对于soh的预测更重要。同时，这些神经网络对学习率非常敏感，不当的参数设置可能会导致训练无法收敛，因此，需要学习率预热阶段，这将增加训练的时间和难度。

3、锂离子电池容量的衰减是一个非线性退化过程，直接使用非线性退化信号进行建模，预测结果的精度并不高。因此先对信号进行分解，再输入到预测模型的方法常被使用。常用的信号分解方法包括经验模态分解(emd)、集成经验模态分解(eemd)、vmd等，emd方法和eemd方法均属于递归分解，存在模态混叠和端点效应的问题，且鲁棒性较差。vmd属于非递归分解，其分解效果更依赖于参数的设置。

技术实现思路

1、本发明的目的在于提供一种基于woa-vmd和pre-ln transformer的锂电池soh估计方法，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：一种基于woa-vmd和pre-lntransformer的锂电池soh估计方法，包括以下步骤：

3、使用woa对vmd的关键参数进行寻优；

4、对电池容量数据进行变分模态分解，得到具有全局衰减趋势的分量和一系列代表容量再生的波动分量；

5、对神经网络pre-ln transformer的参数进行初始化，将分解后的数据作为该模型的输入，训练得到预测模型；

6、利用测试集进行测试，并与其它模型的预测结果进行对比，验证预测模型的优越性；

7、其中，所述关键参数包括分解个数k和二次惩罚因子alpha。

8、优选的，所述使用woa对vmd的关键参数进行寻优中，所述vmd的分解个数k和二次惩罚因子alpha决定其分解效果，使用woa确定这分解个数k和二次惩罚因子alpha，所述woa通过模仿自然界中座头鲸群体捕食行为来寻找目标问题的最优解，鲸鱼的位置向量的分量分别表示这两个参数，采用最小包络熵作为适应度函数，寻优过程包括包围猎物、攻击猎物、搜索猎物三个阶段；具体步骤包括：

9、包围猎物阶段，鲸鱼首先确定当前的最佳猎物位置，然后包围它，其动作通过以下公式来表示：

10、

11、

12、式中：其中n表示当前迭代次数，为目前得到的最佳解的位置向量，为鲸鱼的位置向量，和为系数向量，计算公式如下：

13、

14、

15、其中，a的值是从2线性减少到0，r1和r2是[0,1]之间的随机值；

16、攻击猎物阶段，鲸鱼使用气泡网捕食，同时以螺旋状运动轨迹向目标猎物游动，以此实现局部寻优的目的，其动作通过以下公式来表示：

17、

18、式中：表示鲸鱼与目标猎物之间的距离，l是[-1，1]中的随机数，b是一个常数用于定义对数螺旋形状，p是[0，1]中的随机数；

19、搜索猎物阶段，鲸鱼随机游走搜索猎物，当|a|>1时，鲸鱼将远离参考鲸鱼，并随机选择某一个鲸鱼来更新下一个位置，其动作通过以下公式来表示：

20、

21、

22、式中：表示随机选择的鲸鱼位置向量。

23、优选的，所述对电池容量数据进行变分模态分解，得到具有全局衰减趋势的分量和一系列代表容量再生的波动分量，包括：

24、根据woa的寻优结果，对电池容量数据进行vmd，得到具有全局衰减趋势的分量和其他一系列代表容量再生的波动分量，具体包括：

25、构造变分模型，将锂电池容量数据分解为k个分量，构造出受约束的变分方程：

26、

27、式中：uk＝{u1,u2,…,uk}是分解后的k个本征模态函数的集合，wk＝{w1,w2,…,wk}是与模态分量对应的中心频率的集合，表示进行梯度运算，δ(t)表示单位脉冲函数，f表示调频指令信号；

28、引入二次惩罚因子α以及lagrange乘子λ(t)，将约束变分问题转化为非约束变分问题，增广lagrange表达式如下：

29、

30、利用交替方向乘子算法对lagrange乘子、每个imf及其中心频率进行更新，不断迭代，最后求解增广拉格朗日表达式的鞍点，得到最优解。

31、优选的，所述对神经网络pre-ln transformer的参数进行初始化，将分解后的数据作为该模型的输入，训练得到预测模型，包括：

32、所述神经网络pre-ln transformer包括层归一化层、多头注意力层、残差层、前馈网络层，该模型是对transformer模型的改进，可以安全移除学习率预热阶段，其多头注意力机制可以形成多个子空间，再从多个子空间中提取有用信息，该机制可以从序列中得到丰富的特征信息，该机制的数学模型为：

33、

34、式中：是投影权值，wo是可训练的权重，q代表query，k代表key，v代表value，q和k、v是用来转移字符之间的信息；注意力的计算方法如下：

35、

36、其中，dn是比例因子，可有效防止进入模型中softmax函数梯度最小的区域，缓解了梯度消失的问题，q和kt的点乘得到的权重矩阵用于描述向量之间的相关性。

37、优选的，所述利用测试集进行测试，并与其它模型的预测结果进行对比，验证预测模型的优越性，包括：

38、将与gru、rnn、lstm等神经网络进行对比，采用均方误差、平均绝对百分比误差和平均绝对误差三个评价标准来测量和验证所提方法的准确性。

39、本发明还提供一种基于woa-vmd和pre-ln transformer的锂电池soh估计方法装置，包括：

40、参数寻优模块，其用于使用woa对vmd的关键参数进行寻优；

41、数据分解模块，其用于对电池容量数据进行变分模态分解，得到具有全局衰减趋势的分量和一系列代表容量再生的波动分量；

42、模型训练模块，其用于对神经网络pre-ln transformer的参数进行初始化，将分解后的数据作为该模型的输入，训练得到预测模型；

43、结果验证模块，其用于利用测试集进行测试，并与其它模型的预测结果进行对比，验证预测模型的优越性。

44、本发明还提供一种电子设备，所述电子设备为实体设备，所述电子设备包括：

45、处理器、存储器，所述存储器与处理器进行通信连接；

46、所述存储器用于储存至少一个所述处理器执行的可执行指令，所述处理器用于执行所述可执行指令以实现如上述的基于woa-vmd和pre-ln transformer的锂电池soh估计方法。

47、本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现如上述的基于woa-vmd和pre-lntransformer的锂电池soh估计方法。

48、与现有技术相比，本发明的有益效果是：

49、1.电池衰减过程中存在容量再生现象，本发明使用vmd对电池容量信号进行分解，可以获得不同尺度下的信号，减少了容量再生的影响；同时解决了emd方法存在的模态混叠和端点效应的问题，且vmd具有更强的鲁棒性、良好的抗噪声能力和高分解效率，可以挖掘出不同尺度下所隐含的信息；

50、2.本发明使用woa对vmd的关键参数k和alpha进行优化，有效地降低了容量信号的重构误差，使vmd的分解效果更好，且不需要花费大量时间在调整参数上；

51、3.采用pre-ln transformer作为训练模型，避免了长期依赖的问题，不需要学习率预热阶段，减少了训练时间和训练难度，其多头注意力机制可以关注到对当前输出最重要的信息，使得soh的预测更加准确。