基于多视角特征融合的锂电池SOH估计方法

本发明属于新能源锂电池，涉及一种基于多视角特征融合的锂电池soh估计方法。

背景技术：

1、锂电池是一种重要的电池技术，广泛应用于移动设备、电动车辆和可再生能源储存等领域。锂电池的发展受益于锂金属的特殊性质。锂是一种轻量、高电压和高能量密度的金属，具有优异的电化学性能。由于这些特点，锂电池相比传统的镍镉电池和镍氢电池具有更高的能量密度和更长的循环寿命。在过去几十年中，锂电池经历了持续的创新和改进，包括材料的优化、电池结构的改良和安全性的提升。这些进展使得锂电池在移动设备、电动汽车和能源储存等领域得到了广泛应用，并推动了可再生能源和电动交通的发展。锂电池存在一定的安全风险。如果电池过热、过充或受到物理损坏，可能会引发热失控、燃烧甚至爆炸。尽管现代锂电池在安全性方面有了显著改进，但仍然需要采取措施来确保其安全使用。估算锂电池的状态健康度(soh，state of health)对于电池的性能评估和管理非常重要。通过准确估算锂电池的soh，可以预测电池的性能衰减趋势。这对于电池的使用寿命评估和设备的可靠性非常关键。如果能够及时检测到电池健康状态的下降，就可以采取适当的措施，如更换电池或进行维护，以避免电池故障或性能下降对设备运行造成的影响。

2、锂电池soh的预测主要分为4种方法。容量衰减法通过定期测量电池的容量来估算soh，通过跟踪电池容量的变化，可以估计电池的soh。这通常需要进行周期性的容量测试，并使用数学模型或算法来分析和预测电池容量的衰减趋势。内阻测量法通过内阻反映电池的性能和健康状态，但内阻测量需要通过交流阻抗谱法(ac impedance spectroscopy)或直流极化法(dc polarization)等方法进行，测量方式过于复杂。电化学参数分析法通过分析电池的电化学参数来估算soh，通过测量电池的开路电压(open circuit voltage，ocv)或电池在特定电流下的电压响应，可以推断电池的健康状态，但这种方法通常需要建立电池的电化学模型，并使用实测数据进行参数拟合和估计。统计学方法利用历史数据和大量的电池性能测试结果来建立模型和算法，以预测电池的soh，该方法基于机器学习、人工神经网络或其他统计学技术，通过分析电池的历史行为和性能数据，预测电池的未来健康状态。

3、但是现有方法一般采用单一视角提供的时序特征，其获取的信息有限，难以联系前后时空信息而导致预测精度不高。

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多视角特征融合的锂电池soh估计方法，以解决先有方法中单一视角提供的时序特征信息有限，难以联系前后时空信息导致预测精度不高的问题。

2、为达到上述目的，本发明提供如下技术方案：

3、一种基于多视角特征融合的锂电池soh估计方法，该方法包括以下步骤：

4、s1、对锂电池进行重复充放电实验，收集锂电池充电过程中，低于总充电时间50％的电压和电流数据；

5、s2、对电压数据和电流数据进行预处理，分解为时序单维数据和空间矩阵数据两个视角；

6、s3、将电压和电流数据的两个视角数据作为soh预测模型的输入，对所述soh预测模型进行训练；其中，所述soh预测模型包括bf-gru模块、capsnet模块和注意力机制模块；

7、s4、对待测锂电池执行步骤s1和s2的操作，得到电压和电流的两个视角数据，并输入训练好的soh预测模型中进行soh预测。

8、进一步的，步骤s2包括：

9、s21、获取充电过程中低于总充电时间50％的电压数据和电流数据，并记录电压下限vmin和电压上限vmax；选定积分段数n，根据积分段数计算分段时间t＝t/n，其中t表示选取的电压和电流数据范围对应的充电时间；

10、s22、根据分段时间t在电压数据中截取对应的电压升压范围，得到电压升压序列vsegmented；根据分段时间t在电流数据中截取对应的电流范围，得到电流序列isegmented；

11、s23、对所述电压升压序列和电流序列进行分段积分，得到序列特征s，即所谓的时序单维数据；将所述电压升压序列和电流序列重构成行列均为的矩阵，并在第三维度进行堆叠，得到图像特征t，即所谓的空间矩阵数据，从而将电压和电流数据分解为两个视角。

12、进一步的，步骤s3中，对soh预测模型进行训练包括：将序列特征s输入bf-gru模块，将图像特征t输入capsnet模块，分别得到序列特征fseq和图像特征fimg，再将fseq和fimg输入注意力机制模块中进行特征融合，输出soh预测结果。然后将输出的soh预测结果反向传输至bf-gru模块和capsnet模块中进行参数更新；同时，提取soh预测结果的标签，通过基于标签信息的对比scl算法消除bf-gru和capsnet的歧义。

13、此外，在soh预测模型的训练过程中，对于所述bf-gru模块，采用bf算法约束gru的参数特征空间，即：

14、

15、式中，x表示特征输入，b表示特征空间大小。

16、进一步的，步骤s4具体为：将待测锂电池的两个视角的数据输入训练好的soh预测模型，具体地，将序列特征s输入bf-gru模块中得到序列特征fseq＝bf-gru(s)，将图像特征t输入capsnet模块中得到图像特征fimg＝capsnet(t)；

17、通过注意力机制模块融合序列特征fseq和图像特征fimg，并输出待测锂电池的soh预测值：

18、ffusion＝αseq·fseq+αimg·fimg

19、

20、式中，αseq和αimg分别表示序列特征fseq和图像特征fimg的注意力权重。

21、本发明的有益效果在于：本发明利用多视角融合的方式处理电压、电流数据，提供更加全面的健康状态语意信息，从而进行多视角信息处理和交互，提高预测精度；bf-gru约束了时序序列特征空间，防止模型学习过程中产生离群参数；在进行视角融合时消除了语意歧义，提高融合效果，提高了模型的鲁棒性，使soh预测精度更高。

22、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。

技术特征：

1.一种基于多视角特征融合的锂电池soh估计方法，其特征在于：该方法包括以下步骤：

2.根据权利要求1所述的锂电池soh估计方法，其特征在于：步骤s2包括：

3.根据权利要求2所述的锂电池soh估计方法，其特征在于：步骤s3中，对soh预测模型进行训练包括：将所述序列特征s输入bf-gru模块，将所述图像特征t输入capsnet模块，分别得到序列特征fseq和图像特征fimg，再将fseq和fimg输入注意力机制模块中进行特征融合，输出soh预测结果；

4.根据权利要求3所述的锂电池soh估计方法，其特征在于：在所述soh预测模型的训练过程中，对于所述bf-gru模块，采用bf算法约束gru的参数特征空间，即：

5.根据权利要求1所述的锂电池soh估计方法，其特征在于：步骤s3具体为：将待测锂电池的两个视角的数据输入训练好的soh预测模型，具体地，将序列特征s输入bf-gru模块中得到序列特征fseq＝bf-gru(s)，将图像特征t输入capsnet模块中得到图像特征fimg＝capsnet(t)；

技术总结本发明涉及一种基于多视角特征融合的锂电池SOH估计方法，属于新能源锂电池技术领域。该方法包括：对锂电池进行重复充放电实验，收集锂电池充电过程中，低于总充电时间50％的电压和电流数据；对电压数据和电流数据进行预处理，分解为时序单维数据和空间矩阵数据两个视角；将电压和电流数据的两个视角数据作为SOH预测模型的输入，对SOH预测模型进行训练；获取待测锂电池电压和电流的两个视角数据，并输入训练好的SOH预测模型中进行SOH预测。本发明利用多视角融合的方式处理电压、电流数据，提供更加全面的健康状态语意信息，从而进行多视角信息处理和交互，提高预测精度。技术研发人员：尹宏鹏,陈嘉俊,彭康迪,朱伟倬,屈剑锋,冯飞,赵丹丹,李涵韬受保护的技术使用者：重庆大学技术研发日：技术公布日：2024/10/10