一种电池能量状态预测方法、装置、设备及介质与流程

本发明涉及电池，特别是涉及一种电池能量状态预测方法、装置、设备及介质。

背景技术：

1、随着能源转型和电动化时代的到来，电池作为关键的能量存储单元，在电动汽车、便携式电子设备、储能系统等领域发挥着至关重要的作用。电池的能量状态（state ofenergy，soe）是衡量电池当前能量水平的核心指标，其准确预测对于电池的健康管理、寿命延长和性能优化至关重要。然而，电池在使用过程中的行为受到多种因素的影响，包括充放电历史、温度变化、负载波动等，这些因素使得预测电池的能量状态成为一个复杂且具有挑战性的任务。传统的预测方法往往依赖于简化的物理模型或人为经验，但往往难以全面捕捉电池行为的复杂性和动态变化。

2、因此，如何提供一种能适应电池行为多样性和环境变化的高精度电池能量状态预测方法，是本领域人员亟需解决的技术问题。

技术实现思路

1、本发明的目的是提供一种电池能量状态预测方法、装置、设备及介质，可以适应电池行为多样性和环境变化，提高电池能量状态预测的准确性和鲁棒性。

2、为了解决上述技术问题，本发明提供一种电池能量状态预测方法，所述方法包括：

3、对电池工作数据进行时间序列分析，构建滞后特征和移动平均特征；

4、对所述滞后特征和所述移动平均特征进行标准化处理，得到标准化数据训练集；

5、利用所述标准化数据训练集对cnn-peephole-lstm模型进行训练；所述cnn-peephole-lstm模型包含输入层，卷积层，带有窥视孔连接的长短时记忆网络和输出层；

6、将待测电池工作数据输入至训练好的所述cnn-peephole-lstm模型，输出待测电池能量状态。

7、第一方面，在本发明提供的上述电池能量状态预测方法中，在对电池历史工作数据进行时间序列分析之前，还包括：

8、收集电池在不同工况下的历史工作数据；

9、使用滤波算法对所述历史工作数据进行清洗，以去除所述历史工作数据中的噪声和异常值；

10、采用插值方法对清洗后的所述历史工作数据中的缺失值进行填充。

11、另一方面，在本发明提供的上述电池能量状态预测方法中，采用下述公式构建滞后特征和移动平均特征：

12、；

13、；

14、其中，为滞后特征序列，t为当前时刻，t-1为上一时刻，为上一时刻的电压，为上一时刻的电流，为移动平均特征，n为移动窗口的窗口数。

15、另一方面，在本发明提供的上述电池能量状态预测方法中，在构建滞后特征和移动平均特征之后，还包括：

16、将所述滞后特征，所述移动平均特征和目标变量进行分类，构建交叉表，计算卡方统计量；

17、根据所述卡方统计量的显著性水平，确定所述滞后特征，所述移动平均特征和目标变量之间的相关性；

18、根据确定的相关性，对所述滞后特征和所述移动平均特征进行选择；

19、对应地，对所述滞后特征和所述移动平均特征进行标准化处理，包括：

20、对选择出的所述滞后特征和所述移动平均特征进行标准化处理。

21、另一方面，在本发明提供的上述电池能量状态预测方法中，在对所述cnn-peephole-lstm模型进行训练的过程中，包括：

22、采用所述卷积层的卷积操作从输入序列数据中提取空间特征和局部模式；在超参数设置时，确定卷积核数量和大小；

23、采用所述窥视孔连接增加所述长短时记忆网络的记忆单元之间的交互，以调整记忆单元的状态和决策过程，完成时间序列建模和特征提取；在超参数设置时，确定所述长短时记忆网络的层数，隐藏层维数，前馈网络维度和注意力头数。

24、另一方面，在本发明提供的上述电池能量状态预测方法中，在对所述cnn-peephole-lstm模型进行训练的过程中，损失函数为：

25、；

26、其中，为损失函数，为所述标准化数据训练集中样本数量，是所述cnn-peephole-lstm模型预测的第个样本的soe值，是第个样本的实际soe值。

27、另一方面，在本发明提供的上述电池能量状态预测方法中，在对所述cnn-peephole-lstm模型进行训练的过程中，包括：

28、采用adam优化算法来更新所述cnn-peephole-lstm模型的参数；所述adam优化算法对应的adam优化器参数更新规则为：

29、；

30、；

31、；

32、其中，t为当前时刻，t-1为上一时刻，是梯度的一阶矩估计，是梯度的二阶矩估计，和是动量因子，是学习率，是常数。

33、为了解决上述技术问题，本发明还提供一种电池能量状态预测装置，所述装置包括：

34、特征构建模块，用于对电池历史工作数据进行时间序列分析，构建滞后特征和移动平均特征；

35、标准化处理模块，用于对所述滞后特征和所述移动平均特征进行标准化处理，得到标准化数据训练集；

36、模型训练模块，用于利用所述标准化数据训练集对cnn-peephole-lstm模型进行训练；所述cnn-peephole-lstm模型包含输入层，卷积层，带有窥视孔连接的长短时记忆网络和输出层；

37、模型推理模块，用于将待测电池工作数据输入至训练好的所述cnn-peephole-lstm模型，输出待测电池能量状态。

38、为了解决上述技术问题，本发明还提供一种电池能量状态预测设备，所述设备包括：

39、存储器，用于存储计算机程序；

40、处理器，用于执行所述计算机程序时实现上述的电池能量状态预测方法的步骤。

41、为了解决上述技术问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述的电池能量状态预测方法的步骤。

42、从上述技术方案可以看出，本发明所提供的一种电池能量状态预测方法，该方法包括：对电池历史工作数据进行时间序列分析，构建滞后特征和移动平均特征；对滞后特征和移动平均特征进行标准化处理，得到标准化数据训练集；利用标准化数据训练集对cnn-peephole-lstm模型进行训练；cnn-peephole-lstm模型包含输入层，卷积层，带有窥视孔连接的长短时记忆网络和输出层；将待测电池工作数据输入至训练好的cnn-peephole-lstm模型，输出待测电池能量状态。

43、本发明的有益效果在于，本发明提供的上述电池能量状态预测方法，先对电池历史工作数据进行时间序列分析，构建与电池能量状态相关的滞后特征和移动平均特征，然后对其进行标准化处理，以消除不同量纲和量级的影响，为后续的模型训练做好准备；之后利用标准化数据训练集对cnn-peephole-lstm模型进行训练，该模型由于引入了卷积层的特征提取优势和带有窥视孔连接的长短时记忆网络的记忆能力，提升了模型的学习能力和稳定性；最后利用训练好的模型可以全面捕捉电池行为的复杂性和动态变化，更好地理解电池系统的行为，提高了电池能量状态预测的准确性和鲁棒性，并能够适应电池行为多样性及环境因素的影响，对于电池技术的进步和应用具有重要的战略意义。

44、此外，本发明还针对电池能量状态预测方法提供了相应的电池能量状态预测装置、电池能量状态预测设备及计算机可读存储介质，与上述提到的电池能量状态预测方法具有相同或相对应的技术特征，效果同上。