基于稀疏对抗自编码的锂离子电池荷电状态预测方法、介质及设备

本发明属于电池状态诊断，具体涉及一种基于稀疏对抗自编码的锂离子电池荷电状态预测方法、介质及设备。

背景技术：

1、锂离子电池由于其高能量密度、长循环寿命和低自放电率的显著特性，被广泛应用于储能系统、新能源汽车等领域。在电池运行管理过程中，荷电状态(state of charge，soc)与健康状态(state of health，soh)作为衡量电池性能的重要指标，能够实时反映电池的当前充电水平及整体健康状态。然而，这两个状态量属于间接定义量，直接测量较为困难，通常需借助智能算法予以估计。

2、目前，大量研究工作致力于电池soc和soh的独立估计，即在一个状态量确定情况下估计另一个状态量。然而，这类方法忽视了两者之间的耦合关系，这与锂离子电池的实际运行状况并不相符。研究表明，随着锂离子电池老化程度的加剧，soc和soh独立估计的精度将严重下降。相较而言，联合估计方法充分考虑了soc和soh之间的耦合关系，能够更好适应电池状态的非线性变化。基于模型的联合估算方法首先建立等效电路模型，然后使用双观测器分别估计soc和soh，最后通过相互迭代方式实现两者联合估计。然而，这种方法对电池建模的精度要求较高，不准确的电池参数势必会影响估计的准确性。此外，大多数soc估计方法仅关注soc从100％到0％的变化过程，而忽略了初始值不确定对soc估计精度的影响。鉴于此，锂离子电池高的精度预测面临挑战，因此迫切开发一种精确度高、实时性强的soc和soh估计方法。

技术实现思路

1、本发明针对现有技术中的不足，提供一种基于稀疏对抗自编码的锂离子电池荷电状态预测方法、介质及设备。

2、为实现上述目的，本发明采用以下技术方案：

3、基于稀疏对抗自编码的锂离子电池荷电状态预测方法，其特征在于，包括：

4、s1：收集锂离子电池可测变量，并采用安时积分法计算荷电状态；

5、s2：采用自注意力机制捕捉电流、电压与荷电状态之间的全局相关性，并根据相关性分动态优化滑动窗口尺寸；

6、s3：将滑动窗口内的锂离子电池可测变量转换为维度为o×p的输入数据x，建立稀疏对抗自编码提取输入数据x的深层特征hdeep，并采用损失函数lsaae予以训练；

7、s4：构建特征熵hs估计深层特征hdeep的复杂度；

8、s5：根据特征熵hs的数值大小，将深层特征hdeep送至不同的特征分析模型进行分析，预测得到锂离子电池荷电状态。

9、为优化上述技术方案，采取的具体措施还包括：

10、进一步地，步骤s1中，所述锂离子电池可测变量包括电压、电流和温度。

11、进一步地，步骤s2具体包括如下子步骤：

12、s2.1：设置一个初始滑动窗口尺寸；

13、s2.2：利用自注意力机制计算滑动窗口内锂离子电池可测变量与荷电状态之间的相关性，自注意力机制定义为其中q、k、v是锂离子电池可测变量的嵌入表示，dk是嵌入维度；

14、s2.3：调整不同的滑动窗口尺寸，并计算对应的锂离子电池可测变量与荷电状态之间的相关性；

15、s2.4：重复步骤s2.3，直至相关性数值最大，由此确定最优的滑动窗口尺寸。

16、进一步地，步骤s3中，所述稀疏对抗自编码包括生成器和辨别器，所述生成器包括卷积编码器和卷积解码器，所述辨别器包括卷积编码器和全连接层；所述稀疏对抗自编码对输入数据x的处理过程如下：

17、s3.1.1：输入数据x送至生成器的卷积编码器e1进行处理：首先由q1个c×c窗口大小、q步长的卷积过滤器c1进行特征提取，然后经relu激活函数进行特征激活，最后由o×o窗口大小、l步长的最大池化层p1进行特征降维，输出维度为a1×b1×c1的深层特征h1；

18、s3.1.2：深层特征h1依次由生成器的卷积编码器e2、e3、e4进行处理，卷积编码器e2、e3、e4的数据处理过程与卷积编码器e1相同，最终输出维度为a4×b4×c4的深层特征hdeep；

19、s3.1.3：深层特征hdeep送至生成器的卷积解码器d1进行处理：首先由g×g窗口大小的上采样层u1进行特征升维，然后由卷积过滤器c5、relu激活函数进行处理，得到深层特征h4；

20、s3.1.4：深层特征h4依次由生成器的卷积解码器d2、d3、d4进行处理，卷积解码器d2、d3、d4的数据处理过程与卷积解码器d1相同，最终输出维度为o×p的重建数据z；

21、s3.1.5：将输入数据x与重建数据z同时输入辨别器，先经辨别器的卷积编码器e5、e6、e7处理，再经展平f和全连接f处理后判别“真”、“假”，其中输入数据x为“真”，重建数据z为“假”。

22、进一步地，步骤s3中，所述损失函数lsaae为：

23、lsaae＝almse+βlsparse+γlcc+δlgan；

24、式中，α、β、γ与δ均表示权重系数；lmse为均方误差损失函数，o和p分别为输入数据的维度，i为o的索引，j为p的索引，xij为(i，j)位置处的输入数据，zij为(i，j)位置处重构的输入数据；kl表示散度，用于度量稀疏性目标与实际激活率之间的差异，φ表示稀疏性目标，表示第i个隐层单元的实际激活率；δi和δj分别表示输入数据x与重建数据z的水平和垂直位移；g(-)表示生成器输出，d(-)表示辨别器输出，p(x)和p(z)分别为输入数据x和重建数据z的概率分布，ep(x)为p(x)的期望，ep(z)为p(z)的期望。

25、进一步地，步骤s3中，所述稀疏对抗自编码的训练过程中，采用雾凇优化算法以选定卷积核大小和隐层神经元数量，具体如下：

26、s3.2.1：设定种群大小n，生成初始种群，每个个体表示稀疏对抗自编码的一个结构解，每个个体的位置表示卷积核大小和隐层神经元数量的组合；设定搜索范围为通过初始化随机生成卷积核大小和隐层神经元数量的候选解；

27、s3.2.2：设置最大迭代次数maxiter、降温稀疏t以及冻结因子

28、s3.2.3：迭代更新在第t+1代中，的更新过程为其中表示第i个个体在第t+1代中的卷积核大小和隐层神经元数量组合，表示当前全局最优解，表示局部最优解，η表示自适应随机变量，混沌变量的更新公式为表示第t代的混沌变量；

29、s3.2.4：将冻结因子随着迭代次数逐渐减少，用于控制迭代过程中的搜索步长，第t代中的冻结因子表示初始冻结因子；

30、s3.2.5：对每个新解进行适应度评估，得到适应度函数值

31、s3.2.5：根据适应度评估结果更新全局最优解和局部最优解

32、s3.2.6：将全局最优解存入记忆池m，随机从记忆池m中选取一个记忆最优解mbest作为当前全局最优解，返回步骤s3.2.3进行的更新；

33、s3.2.7：当算法迭代达到最大次数maxiter或全局最优解的变化小于特定阈值时，算法停止，输出最优的卷积核大小和隐层神经元数量。

34、进一步地，步骤s4中，所述特征熵hs为：

35、

36、式中，p(hdeep，i)表示第i个深层特征hdeep,i的概率分布，θ和是两个控制参数，n表示深层特征的总数。

37、进一步地，步骤s5中，所述根据特征熵hs的数值大小，将深层特征hdeep送至不同的特征分析模型进行分析，具体为：

38、若深层特征送至极限学习机；

39、若深层特征送至最小二乘支持向量机；

40、若深层特征送至双向长短期记忆网络，其中均表示阈值。

41、相应地，本发明提出了一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序使计算机执行如上所述的基于稀疏对抗自编码的锂离子电池荷电状态预测方法。

42、相应地，本发明提出了一种电子设备，其特征在于，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行计算机程序时，实现如上所述的基于稀疏对抗自编码的锂离子电池荷电状态预测方法。

43、本发明的有益效果是：

44、(1)本发明设计了一种自注意力机制以捕捉电流、电压与soc之间的全局相关性，动态选取最优的滑动窗口尺寸，能够有效平滑电压、电流等数据波动，减少数据噪声影响，从而提升soc估计的精度和稳定性；

45、(2)本发明建立了一种稀疏对抗自编码用于提取电池可测变量的深层特征，采用新型损失函数以提高训练效率，并引入改进的雾凇优化算法以优化卷积核大小和隐层神经元数量，从而显著增强电池代表性特征的学习能力；

46、(3)本发明构建了一种特征熵来估计电池深层特征的复杂度，并根据复杂度数值将特征分配给不同预测模型，从而有效提高计算效率，降低模型复杂性和过拟合风险，进一步提升预测的准确性和稳定性。

47、综上，本发明基于稀疏对抗自编码的锂离子电池荷电状态预测方法，实现了锂离子电池可测变量的深层特征提取，有效提升了soc预测的精度和稳定性。同时，借助改进的损失函数和优化算法，显著提高了模型的训练效率，降低了计算复杂度，为电池管理系统的高效预测与实时监控提供了可靠的技术支持。