基于GRU-SAM模型的动力锂电池温度预测方法

本发明属于锂电池温度预测领域，涉及一种基于gru-sam模型的动力锂电池温度预测方法。

背景技术：

1、动力锂电池具有高作业电压、大能量密度、强充放电功率、低环境污染等优异性能，被广泛应用于新能源汽车、智能电网、车联网等众多关键战略领域的储能装置。随着动力锂电池的广泛使用，对动力锂电池进行安全管理越来越重要。动力锂电池的性能和安全受电池温度的影响。一方面，在充放电过程中，由于放热反应和内阻，锂电池内部会产生大量热，如果热量不能及时散发，将导致温度持续上升，严重时就会发生热失控，锂电池会随着温度和压力的升高而破裂甚至爆炸。另一方面，在极高和极低的温度下，锂离子电池的容量会严重下降，导致soh不良。同时许多研究表明，各种电池故障都会导致温度异常。因此，提供及时警告的实时温度预报对于确保锂电池的正常运行和安全至关重要。

2、然而动力锂电池的复杂性、非线性和耦合效应使得温度预测成为一项困难的任务，现有的动力锂电池温度预测技术，仍存在一些问题和挑战：

3、(1)在温度预测领域有许多模拟热场的物理模型，如newman模型和bernardi模型。但物理模型在应用中也有其局限性，在面对不同的电池类型、使用环境和负载条件时，由于物理模型不具有通用性，模拟方法必须对每种情况进行计算，这将造成很大的工作量。

4、(2)随着大数据和人工智能技术的发展，越来越多的研究开始采用数据驱动的方法来进行温度预测，基于rnn框架如lstm、gru等模型能有效预测时序数据，在电池温度预测方面有着很大优势，然而rnn的结构导致其无法处理远距离数据，会遗忘长期信息，因此它们只能在短时间内进行准确的参数预测，导致预测窗口长度不足。

5、(3)锂电池内部多变量深度耦合，锂电池在不同工作状态下输入与输出之间的映射会有所不同。在实际应用中，有时仅用一个模型可能很难准确预测电池温度。

6、(4)动力锂电池温度预测的准确性很大程度上依赖于输入数据的质量和可靠性。然而，现实中采集的电池数据可能存在噪声、缺失值和异常值等问题，这会影响模型的训练和预测效果。

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gru-sam模型的动力锂电池温度预测方法，以提高温度预测模型的准确性、泛化性和鲁棒性。

2、为达到上述目的，本发明提供如下技术方案：

3、一种基于gru-sam模型的动力锂电池温度预测方法，其包括：

4、s1、采集动力锂电池充放电数据，并建立训练样本集和测试样本集；

5、s2、利用k-means聚类算法，对所述训练样本集的特征数据进行分簇，得到体现锂电池不同工作状态的训练样本子集；

6、s3、建立并训练去噪自编码器dae，采用训练好的去噪自编码器dae处理步骤s2中分簇的训练样本子集，获得不同簇的去噪后的样本集；

7、s4、构建基于一维卷积层和gru-sam模型的温度预测模型，通过步骤s3中获得的样本集训练所述温度预测模型；

8、s5、将经过聚类分析和降噪后的测试样本集输入到训练好的温度预测模型对锂电池温度进行预测。

9、进一步的，步骤s1包括：

10、s11、对锂电池进行循环充放电测试，直到锂电池的放电容量低于标称容量的80％或锂电池发生热失控而报废，并实时记录锂电池充放电过程中的充放电数据，其中，所述充放电数据包括电流、电压和温度时序数据；

11、s12、确定输入数据时间步长n以及预测温度时序长度l；将前n个时间步的电流、电压和温度序列作为一个样本的特征数据，后l个时间步的温度序列作为一个样本的标签数据；基于确定的参数对充放电数据沿时间轴方向切片，得到样本数据集，并按比例随机划分训练样本集和测试样本集。

12、进一步的，步骤s2包括：

13、s21、提取所述训练样本集中特征数据各特征序列的平均值、最大值、最小值、标准差和偏度，用于k-means聚类算法；

14、s22、样本之间的距离度量采用欧氏距离，每个样本被划分到与其距离最近的簇中心所在的簇中；重复更新簇中心直到中心不再移动。

15、进一步的，步骤s3中，所述去噪自编码器dae包括依次连接输入层、归一化层、编码器、解码器和输出层；

16、其训练过程包括：随机将训练样本各特征序列的m个数据设置为零，并加入高斯噪声，得到损坏的输入数据xc，将xc输入去噪自编码器dae中进行训练；训练过程中，利用梯度下降和反向传播算法更新去噪自编码器dae的权重和偏置直至收敛。

17、进一步的，步骤s4中，构建所述温度预测模型时，需要针对每一个所述训练样本子集构建一个对应的温度预测模型。

18、温度预测模型的训练过程包括：

19、s41、选择步骤s3中得到的不同簇的去噪后的样本集，分别训练各样本集对应的温度预测模型；

20、对于其中的样本i，其输入数据αi和对应标签数据γi分别表示为：

21、

22、γi＝(tn+1，tn+2，…，tn+l)

23、式中，dn为样本i中锂电池第n个时间步的数据；in、vn、tn分别为第n个时间步的电流、电压和温度；

24、s42、将输入数据αi经过一维卷积层扩充特征得到二维张量βi，βi输入gru网络中并逐步输出各个时间步的隐藏状态；

25、s43、每个时间步的隐藏状态均组成二维张量h，通过sam模块并行处理gru网络输出的隐藏状态，如下式所示：

26、q＝hwq，k＝hwk，v＝hwv

27、式中，q、k、v分别表示由query向量、key向量、value向量组成的矩阵，wq、wk、wv表示权重矩阵；

28、得到sam模块的输出张量o为；

29、

30、取o中最后一个时间步输出的向量，通过线性激活层得到温度预测值；

31、s44、使用adam优化算法对温度预测模型的训练过程进行优化直至温度预测模型收敛。

32、进一步的，步骤s5中，预测锂电池温度时，需先对锂电池数据进行聚类分簇和降噪，然后将分好簇的数据输入到训练好的对应的温度预测模型中进行温度预测。

33、本发明的有益效果在于：

34、(1)本发明是基于数据驱动的方法，拥有很强的适应性和实际应用潜力。

35、(2)本发明利用k-means聚类算法对特征数据分簇，得到体现锂电池不同工作状态的数据样本子集，属于同一聚类的数据具有相似的内部特征，在基于划分好的子集进行分类建模时，能够有效提高模型的效果和表现。

36、(3)本发明采用去噪自编码器dae对输入数据进行去噪，现实中采集的电池数据可能存在噪声、缺失值和异常值等问题，如果将未经去噪的原始数据直接输入神经网络，将严重破坏网络模型的预测精度。dae训练时会对输入数据人为地进行损坏并尝试复原数据，这有助于提高模型对于噪声和干扰的鲁棒性。

37、(4)本发明使用一维卷积层对时序数据的特征进行扩充，从输入序列中提取更丰富的特征表示，增强模型的表达能力。

38、(5)本发明的温度预测方法基于gru-sam模型，即采用门控循环单元gru与自注意力机制sam相结合的神经网络，自注意力机制sam会同时考虑序列所有位置的信息，能够捕捉长距离的依赖关系，因此将gru与自注意力机制结合能够更好地整合其相对短期的输出数据，改善rnn结构的长期记忆力不足的问题，提高模型的精度。

39、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。