一种基于稳定特征和AS-TCN模型的锂电池健康状态估计方法与流程

一种基于稳定特征和as-tcn模型的锂电池健康状态估计方法
技术领域
1.本发明涉及对锂电池健康状态评估方法的改进，具体为一种基于稳定特征和as-tcn模型的锂电池健康状态估计方法。


背景技术：

2.锂离子电池因为其充电速度快、自放电低和使用寿命长等特点已经被广泛应用于人类的生活当中，现如今锂电池的应用场所已经由便携式电子设备(如手机、相机和笔记本电脑)拓展到更大的应用场所(如新能源汽车、无人机和卫星)，并且其他更大的工业设备和电能存储都离不开它。锂离子电池在循环使用的过程中会出现总容量下降和内阻增高的现象，这种现象的发生表明了电池存在储能能力衰退的特征，这种特征通常被称为电池老化。而健康状态(state of health，soh)则是评估电池老化程度的标准，其从本质上反映了锂电池老化与损坏的程度。电池的老化是电池本身各项机能衰退的过程，其本身是一个复杂的非线性过程，涉及的因素非常广泛。一般情况下，当电池的实际容量下降到标准容量的70％-80％时，电池的使用寿命就结束了，这个时候如果继续使用可能会影响整个系统的运行性能，从而导致灾难的发生。
3.针对目前的研究现状，等效电路模型通过电子器件组成电路来模拟电池特性比电化学模型建模难度低可实现性强且动态特性响应强，但是等效电路的实质是近似处理，部分模型的参数偏差会导致预测误差较大。电化学模型主要通过研究电池内部的电化学反应过程，可以准确的估计电池的soh，但是基于电化学模型的健康估计不易建模且实际应用难度大。而基于机理模型的方法实现困难的同时不具有普遍适用性，所以目前更多的研究在数据驱动模型上，数据驱动模型又归类为经验模型，通过对大量数据的训练以达到准确预测的目的。
4.针对数据驱动的研究现状，数据驱动模型由两部分组成，分别为特征提取部分和模型估计部分。针对特征提取部分，从现有研究现状可以发现：
5.1、不同的特征提取方法对不同工况下的电池所得到的关联度参差不齐，一种高精度适用于所有电池的特征提取方法目前还没有。
6.2、目前基于特征提取的方法仅仅从特征因子与容量退化趋势的关联度上分析特征的重要性，而忽略了从模型本质上去提升高关联度特征对预测结果的影响，特别的现在很多特征提取方法还存在依赖整个充放电过程的局限性。
7.3、放电过程存在极大的不稳定性，
8.针对模型估计部分，从现有研究现状可以发现：
9.基于健康特征的soh估计方法可以改进的模型大多集中于传统算法或者是已经证实在电池性能领域表现优异的模型，但仍有很多需要改进的空间。
10.因此，设计一种方法能够对soh进行准确高效的监测，从而确保在电池故障前更换电池是重要的。


技术实现要素：

11.为了解决这一问题，本发明提出了一种基于稳定特征和as-tcn模型的锂电池健康状态估计方法，可实现soh进行准确高效的监测。
12.为解决上述技术问题，本发明所采用的技术方案为：一种基于稳定特征和as-tcn模型的锂电池健康状态估计方法，包含以下步骤：
13.步骤s1：选定待测锂电池进行充放电实验，实验中需要采集的技术参数包括恒流充电工况下的电压值、温度值、采集时间点及对应周期的电池容量值；
14.步骤s2：对每一组循环充放电周期的电压和温度数据按相同时间节点进行曲线拟合和数据预处理；
15.步骤s3：通过动态时间规整重心平均算法对采集到的数据进行聚类，其中包括动态时间规整距离算法对时间错位的情况下确定两个序列的最优比对，之后将聚类后的电压和温度序列分为用于模型预测的训练数据集和测试数据集；
16.步骤s4：搭建注意力可分离时间卷积网络模型，包括深度可分离卷积改进结构和卷积注意力机制模型；
17.步骤s5：基于建立的as-tcn模型估计锂电池的健康状态。
18.作为优选，所述步骤s2中对于数据的曲线拟合和数据预处理具体包括：对采集的锂电池电压和温度两个技术参数序列组按同一采集时间节点分别拟合相对应的时间序列，其结果为不同充放电周期下，在相同充电时间节点上的温度和电压随着电池老化的数值变化时间序列。
19.作为优选，所述步骤s3中动态时间规整重心平均算法对采集到的数据进行聚类具体包括：
20.步骤s31：从电流序列集合s中随机选取一条序列作为平均序列；
21.步骤s32：计算所选平均序列和序列集合中每一条序列的dtw距离，将平均序列的坐标和序列集合中其他序列坐标匹配起来；
22.步骤s33：根据dtw距离算法，假设存在序列a＝(a1,a2,...,am)，b＝(b1,b2,...,bn)，则a和b的dtw距离记为d(ai,bj)，表示序列a的第i个时间点与序列b的第j个时间点之间的dtw距离值；
23.步骤s34：与第一次计算的dtw距离比较，若相同则执行步骤s36，否则执行s35；
24.步骤s35：判断dtw距离的平方和是否下降，如果是执行步骤s36，如果不是，当前平均序列即为结果；
25.步骤s36：更新平均序列的每个坐标为序列集中与之匹配的坐标均值，然后返回步骤s32继续迭代。
26.作为优选，所述步骤s33中dtw距离算法在时间错位的情况下确定两个序列的最优比对，具体包括：
27.(1)边界条件的定义：给定w1＝(1,1)，wk＝(m,n)，弯曲路径的起始点和结束点必须是对齐时间序列的第一个点和最后一个点；
28.(2)单调性条件的定义：给定wk＝(xk,yk)，w
k-1
＝(x
k-1
,y
k-1
)，其中x
k-x
k-1
≥0，y
k-y
k-1
≥0；
29.(3)步长条件的定义：给定wk＝(xk,yk)，w
k-1
＝(x
k-1
,y
k-1
)，其中x
k-x
k-1
≤1，y
k-y
k-1
≤
1，基本步长条件为w
k-w
k-1
∈{(1,1),(1,0),(0,1)}；
30.(4)累积距离dw(a,b)的计算公式：
[0031][0032]
式中，是所有可能路径的集合；
[0033]
(5)累积距离的最小值计算公式：
[0034][0035]
(6)累积距离矩阵为d，d(i,j)是距离矩阵d所有元素的集合，计算公式为：
[0036][0037][0038]
d(i,j)＝c
ij
min{c
i-1,j-1
,c
i-1,j
,c
i,j-1
},i∈[1:m],j∈[1:n] (5)。
[0039]
作为优选，步骤s4中，深度可分离卷积改进结构包括：
[0040]
(1)基于深度可分离卷积的时间卷积网络优化后的参数量计算公式为：s
×k×
1 s
×1×1×
n；
[0041]
其中，n
×
s是输入的维度，s是序列的长度，n是序列个数；k
×
1表示卷积核的大小；
[0042]
(2)基于深度可分离卷积的时间卷积网络输入维度为：a
×
b；
[0043]
其中，a和b表示输入序列的数量和长度，且a和b的取值范围增大，a≥1，b≥1；
[0044]
(3)深度可分离卷积在时间卷积网络结构中的具体位置：深度可分离卷积的depthwise卷积存在于网络的输入位置用于特征自动提取，pointwise卷积在全连接层之前用于对提取到的特征进行重组；
[0045]
(4)选定激活函数为leaky relu；
[0046]
作为优选，步骤s4中，卷积注意力机制模型包括：
[0047]
(1)通道注意力计算公式为：
[0048][0049]
其中，mc表示通道注意力特征，avgpool表示平均池化操作，maxpool表示最大池化操作，w0∈r
c/r
×1，w1∈r1×
c/r
，σ表示sigmoid激活操作，f表示特征图，c表示特征图第三维度大小，r为减少率；
[0050]
(2)空间注意力特征计算公式为：
[0051][0052]
其中，ms表示空间注意力特征，7
×
7表示卷积核大小，s表示特征图第二维度大小；
[0053]
(3)最终生成的特征f
″
计算公式如下：
[0054]
[0055]
(4)卷积注意力机制在as-tcn模型中的具体位置为：批量归一化之后，leaky relu激活函数之前。
[0056]
作为优选，步骤s4中，as-tcn模型每个残差模块由两个子模块组成，中间通过残差结构连接，子模块结构为：混合扩张因果卷积、批量归一化、卷积注意力机制、leakyrelu激活函数和dropout；整体结构为：输入层、depthwise卷积操作、残差模块、ponitwise卷积操作和输出层。
[0057]
作为优选，步骤s5中，基于建立的as-tcn模型估计锂电池的健康状态，具体包括以下步骤：
[0058]
步骤s51：确定需要采集的技术参数：电流、电压、时间节点和锂电池容量；
[0059]
步骤s52：数据预处理：包括数据去噪与缺失值的补充，对采集的锂电池电压和温度两个技术参数序列组按同一采集时间节点分别拟合相对应的时间序列；
[0060]
步骤s53：数据输入：将预处理后的电压和温度数据通过dba算法聚类去除数据空间耦合性，输入任意片段电流和电压数据；
[0061]
步骤s54：训练模型：将数据按7：3划分为训练数据与测试数据，通过控制变量法调节模型中的超参数；
[0062]
步骤s55：回归评价标准的选择：选定均方误差和均方根误差为评价模型精度的指标；
[0063]
步骤s56：模型验证：使用30％的测试数据对模型进行验证，通过回归评价指标证明模型的优劣。
[0064]
本发明的基于稳定特征和as-tcn模型的锂电池健康状态估计方法可达到如下有益效果：
[0065]
(1)自动提取特征的模式代替手工提取特征，使用深度可分离卷积特征提取层自动提取特征，这样获取的特征更加稳定且更加具有普遍适用性，不拘泥于电池的类型。
[0066]
(2)仅需要部分数据即可完成预测，重点是不需要关联度分析去评判特征的好坏，直接从预测结果对原始数据和预测模型进行调整，而非对手动提取特征的调整，可靠性更强。
[0067]
(3)以采集时间为尺度表征不同老化程度下电池在这个时间的电压和温度值，发现存在大量的冗余数据，从图中可以发现，电压和温度数据存在稳定阶段，该阶段数据在空间上具有高度相似性，且以稳定阶段为主，通过dba算法对稳定阶段的电压温度序列进行聚类，即保留了数据原始趋势，也减轻了预测模型的计算负担。
[0068]
(4)搭建改进结构的as-tcn模型，该模型以轻型模型tcn为基础，计算量小，精度高，且为多序列预测模型克服原始tcn的不足，更容易在实际中使用。
附图说明
[0069]
图1是本发明的锂电池健康状态估计方法的流程图；
[0070]
图2是在相同充电时间节点上的温度和电压随着电池老化的数值变化时间序列；
[0071]
图3为部分电压和温度数据经过dba聚类后的结果；
[0072]
图4为as-tcn的模型结构以及每层网络所使用的技术示意图；
[0073]
图5为对未知电池容量的离线估计结果示意图。
具体实施方式
[0074]
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
[0075]
一种基于稳定特征和as-tcn神经网络的锂电池soh估计方法，该方法基于充电过程中容量存在的稳定退化趋势，反应到技术参数上即为电压和温度随着电池的衰老存在稳定的退化趋势，将该趋势直接作为判断电池剩余容量的依据，因此该方法具有较好稳定性，再通过深度可分离卷积层自动提取特征，这样可以避免手动提取健康特征存在的误差问题，也更具有普遍适用性；然后利用dba算法以时间节点为标准对健康特征进行聚类以达到压缩数据且不改变整体趋势的目的；最后建立as-tcn估计模型，在模型搭建过程中，以tcn为原始模型，通过深度可分离卷积技术中depthwise卷积实现对输入的多维度健康特征自动特征提取，期间使用leaky relu激活函数解决了特征变化量较小导致的过多神经元死亡的问题，卷积注意力机制提高模型整体的预测精度，捕捉细微的特征，抑制手动无法去除的冗余特征，最后通过pointwise卷积将所有特征归集于全连接层用于最终的预测。
[0076]
在具体实施时，其流程如图1所示，具体按照如下步骤实施：
[0077]
步骤s1：选定待测锂电池进行充放电实验，实验中需要采集的技术参数包括恒流充电工况下的电压值、温度值、采集时间点以及对应周期的电池容量值；
[0078]
步骤s2：对每一组循环充放电周期的电压和温度数据按相同时间节点进行曲线拟合和数据预处理，数据预处理包括去重去噪和补零，对采集的锂电池电压和温度两个技术参数序列组按同一采集时间节点分别拟合相对应的时间序列，其结果为不同充放电周期下，在相同充电时间节点上的温度和电压随着电池老化的数值变化时间序列。具体如图2所示，从图中可以发现，电压和温度数据存在稳定阶段，该阶段数据在空间上具有高度相似性；
[0079]
步骤s3：通过动态时间规整重心平均算法(dynamic time warping barycenter averaging，dba)对电压和温度存在的空间高度相似性数据进行聚类，具体包括：
[0080]
步骤s31:从电流序列集合s中随机选取一条序列作为平均序列；
[0081]
步骤s32:计算所选平均序列和序列集合中每一条序列的dtw距离，将平均序列的坐标和序列集合中其他序列坐标匹配起来。
[0082]
步骤s33：根据dtw距离算法，假设存在序列a＝(a1,a2,...,am)，b＝(b1,b2,...,bn)，则a和b的dtw距离记为d(ai,bj)，表示序列a的第i个时间点与序列b的第j个时间点之间的dtw距离值；
[0083]
步骤s34：与第一次计算的dtw距离比较，若相同则执行步骤s36，否则执行s35；
[0084]
步骤s35：判断dtw距离的平方和是否下降，如果是执行步骤s36，如果不是，当前平均序列即为结果；
[0085]
步骤s36：更新平均序列的每个坐标为序列集中与之匹配的坐标均值，然后返回步骤s32继续迭代。
[0086]
dba算法中步骤s33包括动态时间规整(dynamic time warping，dtw)距离算法对时间错位的情况下确定两个序列的最优比对，其具体为：
[0087]
(1)边界条件的定义：给定w1＝(1,1)，wk＝(m,n)，弯曲路径的起始点和结束点必须是对齐时间序列的第一个点和最后一个点。
[0088]
(2)单调性条件的定义：给定wk＝(xk,yk)，w
k-1
＝(x
k-1
,y
k-1
)，其中x
k-x
k-1
≥0，y
k-y
k-1
≥0，这使得w中的点在时间上呈单调间隔。
[0089]
(3)步长条件的定义：给定wk＝(xk,yk)，w
k-1
＝(x
k-1
,y
k-1
)，其中x
k-x
k-1
≤1，y
k-y
k-1
≤1，基本步长条件为w
k-w
k-1
∈{(1,1),(1,0),(0,1)}，该准则限制了序列对齐时弯曲路径的长距离跳跃。
[0090]
(4)累积距离dw(a,b)的计算公式：
[0091][0092]
式中w∈w＝(w1,w2,...,wk)，是所有可能路径的集合
[0093]
(5)累积距离的最小值计算公式：
[0094][0095]
(6)累积距离矩阵为d，d(i,j)是距离矩阵d所有元素的集合，计算公式为：
[0096][0097][0098]
d(i,j)＝c
ij
min{c
i-1,j-1
,c
i-1,j
,c
i,j-1
},i∈[1:m],j∈[1:n] (5)
[0099]
之后将聚类后的电压和温度序列分为用于模型预测的训练数据集和测试数据集，图3为部分电压和温度数据经过dba聚类后的结果，从图中可以发现dba算法完整的提取了这部分数据的整体趋势。
[0100]
步骤s4：搭建注意力可分离时间卷积网络(attention separable temporal convolutional networks，as-tcn)模型，包括深度可分离卷积改进结构和卷积注意力机制模型，as-tcn的模型结构以及每层网络所使用的技术如图4所示，当原始数据输入后，首先经过depthwise的初始特征提取阶段，从模型结构上看这样改进后模型的输入取值与计算的过程包括：
[0101]
(1)基于深度可分离卷积的时间卷积网络输入维度为：a
×
b，其中，a和b表示输入序列的数量和长度，且a和b的取值范围增大，a≥1，b≥1。本研究选取电压和温度为输入序列，即a取值为2。
[0102]
(2)基于深度可分离卷积的时间卷积网络优化后的参数量计算公式为：s
×k×
1 s
×1×1×
n，普通卷积的参数量为s
×k×1×
n，其中，n
×
s是输入的维度，s是序列的长度，n是序列个数；k
×
1表示卷积核的大小。从公式中可以发现当模型的输入输出维度n相差越大，参数相对越少，因此该方法对于数据量较大的电压和温度数据具有计算量小的优势。
[0103]
(3)深度可分离卷积在as-tcn结构中的具体位置：深度可分离卷积的depthwise卷积存在于网络的输入位置，这样做存在两点优势，一是用于特征自动提取，从而获得稳定的特征；二是将tcn网络改进为多元序列预测的新型结构。pointwise卷积在全连接层之前用于对提取到的特征进行重组。
[0104]
经过depthwise特征自动提取后，通过卷积注意力机制模型对特征进一步优化：
[0105]
(1)通道注意力：
[0106]
为了提高模型对重要信息的关注能力，并且关注真正影响预测结果的因素，而不是仅仅从关联度分析上。轻量级卷积注意力模块被集成于模型中，它作为一种改进cnn网络表示能力的方法，简单高效的提升模型对重要特征的学习能力。本研究将其由三维图像处理领域转换为二维用来处理序列数据，并嵌入到tcn结构中。轻量级卷积注意力模块由通道注意力机制和空间注意力机制组成，用于增加特征的表达能力，相比于大多仅关注通道的注意力机制效果更好。模型首先在通道维度上对中间特征图进行平均池化操作和最大池化下采样，压缩全局空间信息为一维向量的通道描述符，并放进多层感知器中进行调整，最后经过sigmoid激活操作生成最终的通道注意力特征图mc
[0107][0108]
其中，mc表示通道注意力特征，avgpool表示平均池化操作，maxpool表示最大池化操作，w0∈r
c/r
×1，w1∈r1×
c/r
，σ表示sigmoid激活操作，f表示特征图，c表示特征图第三维度大小，r为减少率。
[0109]
(2)将该通道注意力特征图与输入特征图按元素乘法操作，生成空间注意力模块需要的输入特征。然后在空间维度上，将在通道维度上处理过的特征图通过基于通道的全局平均池化和全局最大池化处理，将结果基于通道做连接操作，再经过一次卷积操作降维，最后通过sigmoid激活函数输出空间注意力特征ms空间注意力特征计算公式为：
[0110][0111]
其中，ms表示空间注意力特征，7
×
7表示卷积核大小，s表示特征图第二维度大小。
[0112]
将ms与该模块的输入特征做乘法就可以得到最终生成的特征f
″
，经过卷积注意力机制去噪后的特征即可通过pointwise卷积实现回归预测前的规整。
[0113][0114]
其次需要注意的是卷积注意力机制在as-tcn模型中的具体位置为：批量归一化之后，leaky relu激活函数之前。选定激活函数为leaky relu是通过理论与实验过程的结合，通过负区间置零的方式解决实际估计过程中神经元死亡的问题。
[0115]
步骤s5：基于建立的as-tcn模型估计锂电池的健康状态。
[0116]
基于as-tcn模型的soh估计的拓扑结构如下：首先as-tcn模型每个残差模块由两个子模块组成，中间通过残差结构连接，子模块结构为：混合扩张因果卷积、批量归一化、卷积注意力机制、leakyrelu激活函数和dropout。整体结构为：输入层、depthwise卷积操作层、五层残差模块、ponitwise卷积规整层和输出层。
[0117]
具体包括以下步骤：
[0118]
步骤s51：确定模型输入参数以及参数的维度：选择电压和温度作为输入，相对应的容量作为输入标签；
[0119]
步骤s52：数据自动特征提取前的预处理：包括数据去噪与缺失值的补充，数据归一化处理；
[0120]
步骤s53：模型输入：将预处理后的电压和温度数据通过dba算法聚类去除数据空间耦合性，输入任意片段电流和电压数据；
[0121]
步骤s54：训练模型：将数据按7:3划分为训练数据与测试数据，通过控制变量法调节模型中的超参数，损失函数选择为均方误差函数，优化器选择为adam优化算法；
[0122]
步骤s55：回归评价标准的选择：选定平均绝对误差和均方根误差为评价模型精度的指标；
[0123]
步骤s56：模型验证：使用30％的测试数据对模型进行验证，通过回归评价指标证明模型的优劣，图5为对未知电池容量的离线估计结果，均方根误差为0.012，平均绝对误差为0.007。
[0124]
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。
[0125]
以上仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。