多任务深度学习模型和锂电池健康状态和剩余寿命预测及控制方法

本发明属于锂电池健康监测，具体的为一种多任务深度学习模型和锂电池健康状态和剩余寿命预测及控制方法。

背景技术：

1、为了有效应对全球变暖和污染现象，满足人们不断增长的能源需求，新能源汽车因其更好的环保性、更低的能源消耗与污染产生等优点而得到了越来越广泛的应用，并已成为汽车产业主流的发展趋势与研究方向。锂电池作为一种重要的储能媒介，具有便携式、寿命长等特点，已被普遍用作新能源汽车的动力源，成为新能源汽车发展战略的关键。特别地，随着新能源汽车的逐渐普及，锂电池的健康状态和寿命与汽车的整体性能紧密相关，受到了来自研发人员和消费者越来越广泛的关注和重视。

2、在使用过程中，随着时间的推移，锂电池的寿命和健康状态会逐渐下降，并且两者之间有着紧密的关联性。当锂电池的健康状态下降到一定程度，将无法支撑新能源汽车的正常运行。为了延长新能源汽车的使用寿命、降低电池的运行风险、保证新能源汽车的安全运行并提高用户体验，需要对锂电池的健康状态和剩余寿命进行预估。传统的电池状态评估方法存在一些问题，例如需要对电池进行离线检测，这会影响电池的正常工作，并且评估结果也有一定的滞后性；或者需要复杂的评估算法进行健康状态预测和剩余寿命计算，缺乏泛化性能，应用范围受到限制；或者需要进行长时间的测试，无法快速、实时地进行评估。此外，由于新能源汽车锂电池的复杂电化学机理和多样化应用场景，通过常规的测量方法难以准确地估计电池的健康状态和剩余寿命。

技术实现思路

1、有鉴于此，本发明的目的在于提供一种多任务深度学习模型和锂电池健康状态和剩余寿命预测及控制方法，所述的多任务深度学习模型能够同时满足多个任务的学习要求；所述锂电池健康状态和剩余寿命预测方法能够同时预测锂电池健康状态和剩余寿命；所述锂电池健康状态和剩余寿命控制方法能够根据预测的锂电池健康状态和剩余寿命采取适当的控制策略。

2、为达到上述目的，本发明提供如下技术方案：

3、本发明首先提出了一种多任务深度学习模型，包括底部共享层、顶部任务层和门控网络；

4、所述底层共享层包括多个特征提取模型，每个所述特征提取模型用于分别从输入数据内提取特征；

5、所述顶部任务层与学习任务一一对应设有特定任务模型，所述门控网络与所述特定任务模型一一对应设置，所述门控网络以输入数据作为输入特征并输出经softmax函数处理后的权重参数；所有的所述特征提取模型提取得到的特征经所述权重系数加权后进行组装得到的特征作为对应的所述特定任务模型的输入以执行特定的学习任务。

6、进一步，所述特征提取模型采用门控循环单元或长短时记忆网络。

7、进一步，所述特定任务模型采用多层感知机。

8、本发明还提出了一种锂电池健康状态和剩余寿命预测方法，包括如下步骤：

9、步骤一：电池管理系统获取表征锂电池运行状态的数据，并对数据进行预处理，得到锂电池健康状态与剩余寿命预测数据集，并将锂电池健康状态与剩余寿命预测数据集划分为训练数据集、验证数据集和测试数据集；

10、步骤二：构建如上所述的多任务深度学习模型，所述多任务深度学习模型具有两个特定任务模型，两个特定任务模型分别用于执行锂电池健康状态预测的学习任务和锂电池剩余寿命预测的学习任务；

11、步骤三：利用训练数据集训练所述多任务深度学习模型，并利用多任务联合损失函数作为多任务深度学习模型的评价指标以优化模型参数；同时利用验证数据集和测试数据集分别对训练得到的多任务深度学习模型进行验证和测试；

12、步骤四：利用多任务深度学习模型的两个特定任务模型分别预测锂电池健康状态和锂电池剩余寿命。

13、进一步，所述多任务联合损失函数表示为：

14、

15、其中，l(t)表示多任务联合损失函数；li(t)表示任务i的损失函数，wi(t)表示任务i对应的权重系数；

16、根据gradnorm梯度更新权重系数：

17、

18、其中，表示当前的权重系数；表示更新后的下一代循环对应的权重系数；λ表示神经网络学习率；β(t)表示根据计算得到的梯度。

19、本发明还提出了一种锂电池健康状态和剩余寿命控制方法，根据如上所述的锂电池健康状态和剩余寿命预测方法预测得到的锂电池健康状态和锂电池剩余寿命，通过电池管理系统对锂电池采用对应的控制策略，包括：限制电池充电和放电电流、进行电池组间一致性补偿与充放电控制管理以及进行电池维护或更换电池中的至少一种。

20、本发明的有益效果在于：

21、本发明的多任务深度学习模型分为底部共享层与顶部任务层，底部共享层内设置的多个特征提取模型具有强大的特征提取能力并分别从输入数据中提取特征；提取的特征经门控网络输出的权重参数加权后进行组装作为对应特定任务模型的输入，如此，每个特定任务模型可分别执行特定的学习任务，并具有以下优点：(1)通过挖掘任务之间的关系，并通过一个底部共享层来互相分享、互相补充学习到的领域相关的信息，互相促进学习，可以实现比单任务学习更好的效果；(2)底部共享层兼顾了所有任务，一定程度避免了对单一任务的过拟合，起到了正则化的作用，提高了模型泛化性；(3)一次性学习多个任务，效率高，且部署时占用内存小，贴近工程实际。

22、本发明的锂电池健康状态和剩余寿命预测方法，以锂电池健康状态与剩余寿命预测评估之间的相关性为基础，通过从电池管理系统(bms)获取表征锂电池运行状态的数据并制作锂电池健康状态与剩余寿命预测数据集，在多任务深度学习模型底部共享层中的多个特征提取模型提取出电池的退化趋势与健康指标相关信息，并利用设置在顶部任务层中的两个特定任务模型分别执行锂电池健康状态预测的学习任务和锂电池剩余寿命预测的学习任务，以实现对锂电池健康状态与剩余寿命的精确可靠预测。

23、本发明的锂电池健康状态和剩余寿命控制方法则根据预测得到的锂电池健康状态与剩余寿命，利用电池管理系统对锂电池采用对应的控制策略

24、使用多任务深度学习模型从数据中，并输出对锂电池健康状态与剩余寿命的精确可靠预测结果，以优化电池状态、延长使用寿命、保障电池、车辆与人员安全。

技术特征：

1.一种多任务深度学习模型，其特征在于：包括底部共享层、顶部任务层和门控网络；

2.根据权利要求1所述的多任务深度学习模型，其特征在于：所述特征提取模型采用门控循环单元或长短时记忆网络。

3.根据权利要求1所述的多任务深度学习模型，其特征在于：所述特定任务模型采用多层感知机。

4.一种锂电池健康状态和剩余寿命预测方法，其特征在于：包括如下步骤：

5.根据权利要求4所述的锂电池健康状态和剩余寿命预测方法，其特征在于：所述多任务联合损失函数表示为：

6.一种锂电池健康状态和剩余寿命控制方法，其特征在于：根据如权利要求4或5所述的锂电池健康状态和剩余寿命预测方法预测得到的锂电池健康状态和锂电池剩余寿命，通过电池管理系统对锂电池采用对应的控制策略，包括：限制电池充电和放电电流、进行电池组间一致性补偿与充放电控制管理以及进行电池维护或更换电池中的至少一种。

技术总结
本发明公开了一种多任务深度学习模型，包括底部共享层、顶部任务层和门控网络；所述底层共享层包括多个特征提取模型，每个所述特征提取模型用于分别从输入数据内提取特征；所述顶部任务层与学习任务一一对应设有特定任务模型，所述门控网络与所述特定任务模型一一对应设置，所述门控网络以输入数据作为输入特征并输出经Softmax函数处理后的权重参数；所有的所述特征提取模型提取得到的特征经所述权重系数加权后进行组装得到的特征作为对应的所述特定任务模型的输入以执行特定的学习任务。本发明还公开了一种锂电池健康状态和剩余寿命预测方法和锂电池健康状态和剩余寿命控制方法。

技术研发人员：杨波,张洋,王时龙,唐小丽,余佑滨
受保护的技术使用者：重庆大学
技术研发日：
技术公布日：2024/1/14