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

技术特征：
1.一种基于稳定特征和as-tcn模型的锂电池健康状态估计方法，其特征在于，包含以下步骤：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；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；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；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；步骤s5：基于建立的as-tcn模型估计锂电池的健康状态。2.根据权利要求1所述的基于稳定特征和as-tcn模型的锂电池健康状态估计方法，其特征在于，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。3.根据权利要求1所述的基于稳定特征和as-tcn模型的锂电池健康状态估计方法，其特征在于：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：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；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；步骤s33：根据dtw距离算法，假设存在序列a＝(a1,a2,...,a
m
)，b＝(b1,b2,...,b
n
)，则a和b的dtw距离记为d(a
i
,b
j
)，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；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；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；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。4.根据权利要求3所述的基于稳定特征和as-tcn模型的锂电池健康状态估计方法，其特征在于：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：(1)边界条件的定义：给定w1＝(1,1)，w
k
＝(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；(2)单调性条件的定义：给定w
k
＝(x
k
,y
k
)，w
k-1
＝(x
k-1
,y
k-1
)，其中x
k-x
k-1
≥0，y
k-y
k-1
≥0；(3)步长条件的定义：给定w
k
＝(x
k
,y
k
)，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)}；(4)累积距离d
w
(a,b)的计算公式：
式中，是所有可能路径的集合；(5)累积距离的最小值计算公式：(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：(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：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)。5.根据权利要求1所述的基于稳定特征和as-tcn模型的锂电池健康状态估计方法，其特征在于：步骤s4中，深度可分离卷积改进结构包括：(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；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；(2)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；(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；(4)选定激活函数为leaky relu。6.根据权利要求1所述的基于稳定特征和as-tcn模型的锂电池健康状态估计方法，其特征在于：步骤s4中，卷积注意力机制模型包括：(1)通道注意力计算公式为：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；(2)空间注意力特征计算公式为：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；(3)最终生成的特征f
″
计算公式如下：
(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。7.根据权利要求1所述的一种基于稳定特征和as-tcn神经网络的锂电池健康状态估计方法，其特征在于：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。8.根据权利要求1所述的一种基于稳定特征和as-tcn神经网络的锂电池健康状态估计方法，其特征在于：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：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；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；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；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；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；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。

技术总结
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，可实现SOH进行准确高效的监测，包含以下步骤：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；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；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；步骤S4：搭建注意力可分离时间卷积网络模型。意力可分离时间卷积网络模型。意力可分离时间卷积网络模型。


技术研发人员：周丹华 王斌 吴红
受保护的技术使用者：江苏省安全生产科学研究院
技术研发日：2021.12.23
技术公布日：2022/6/3