一种基于MH-MoE模型和EIS数据的预测电池SOH的方法与流程

本发明属于电化学，尤其是一种基于mh-moe模型和eis数据的预测电池soh的方法。

背景技术：

1、电池的健康状况，即“状态健康度”（state of health，简称soh），是衡量电池性能衰减和剩余使用寿命的关键指标。soh的重要性主要体现在以下几个方面：它揭示了电池的老化程度，为判断何时更换电池提供了依据，同时有助于评估电池的剩余容量。此外，soh对于优化电池管理策略、分析电池潜在故障、评估电池的安全性以及预测电池的剩余使用寿命都有着至关重要的作用。

2、预测电池的状态健康度（soh）在实际应用中具有极大的重要性。

3、电化学阻抗谱（eis）技术是一种分析电池内部电化学反应的有效手段。当电池的活性物质减少，性能下降时，eis曲线亦会随之发生变化。因此，利用eis数据进行soh的预测是一种切实可行的方法。

4、通常，我们会借助eis数据来训练机器学习算法，例如神经网络或支持向量机，以此来捕捉电池soh的变化规律并进行预测。

5、传统的机器学习模型往往采用单个模型来适配整个数据集，这在面对复杂且具有高度异质性的数据时显得力不从心。这类模型的泛化能力受限，容易导致过拟合问题，并且在处理大规模数据时的效率不高。

6、多头混合专家模型（multi-head mixture of experts, mh-moe）是一种神经网络架构，旨在提高模型的表现力和计算效率。

7、mh-moe的模型结构大致如下：1.专家网络：专家网络（experts）包含多个独立的子网络，每个专家网络从不同角度处理输入数据。

8、2.门控网络：门控网络（gates）的每个门控网络为一个“头”，根据输入数据选择和激活适当的专家网络。多个门控网络（头）可以并行处理输入数据。

9、3.多头机制：多头机制（multi-head mechanism）支持多个门控网络同时工作，每个门控网络生成自己的权重分布，选择和激活不同的专家网络。

10、mh-moe的工作流程大致如下：首先，输入数据经过多个门控网络（头），每个门控网络根据输入数据生成一组权重，用于选择和激活专家网络。

11、其次，每个门控网络选择和激活少数几个专家网络，这些专家网络对输入数据进行处理。

12、最后，将所有激活的专家网络的输出进行融合，生成最终的输出结果。

13、另外，为了提升模型的预测精度，可以使用了多种深度学习模型，来构建多目标预测模型。

14、常见的深度学习模型及其作用有：

15、卷积神经网络（convolution neural network，cnn）：cnn可以用于提取电流、电压和温度数据的空间特征。

16、长短期记忆网络(long short-term memory，lstm)：lstm可以从学习电流、电压和温度的时间序列变化规律。

17、综上所述，cnn和lstm的组合可以自动eis与soh之间的复杂的映射关系，可以使用以上两种模型的组合，构建mh-moe模型，使用电池eis数据预测电池soh。

技术实现思路

1、为了解决上述问题，实现上述目标，本发明提出一种基于mh-moe模型和eis数据的电池soh预测方法，使用电池eis数据来预测电池soh。

2、本发明解决其技术问题，所采用的技术方案是：

3、一种基于mh-moe模型和eis数据的预测电池soh的方法，包括如下步骤：

4、步骤s1.测试并采集电池eis和soh数据：

5、采用专业的阻抗谱测试仪器测试和采集电池eis数据，覆盖频率范围为10-2hz至105hz，在频率范围中间间隔选取5个至60个频率值，优选60个作为样例。

6、采集数据时，记录每个频率对应的阻抗的实部和虚部数据，以及需要预测的目标值，这里是相对应的电池soh。

7、步骤s2.构建mh-moe模型：mh-moe模型包含3个专家子模型和3个门控网络模型，每个子模型均是cnn-lstm模型。cnn模型提取输入数据的空间特征，lstm模型提取电池eis数据的时序特征。

8、进一步的，cnn结构包含1个卷积层和一个最大池化层，卷积层的激活函数均为relu函数，过滤器数量设置为32个，核的尺寸为1。

9、进一步的，lstm模型通过输入门、遗忘门及输出门的开闭，来控制信息进入、保留和输出的流动，实现对时序信息的记忆及处理。lstm层的神经元个数为32，激活函数均为relu函数。

10、进一步的，门控网络模型采用多层感知机模型，为一个3层的网络结构，输入层接收输入数据，中间层为32维向量，激活函数为relu函数，3个门控网络模型，独立的计算每个专家子模型的权重，输出层是一个3维向量，激活函数为softmax，分别对应3个专家子模型的权重，进行加权求和，3个权重之和为1。

11、将3个专家子模型的soh预测值分别与3个门控网络输出的专家权重进行加权求和，得到3个soh的加权求和值。将3个soh的加权求和值进行线性回归预测，得到最终的预测值soh。

12、进一步的，所述加权求和过程如下：

13、3个专家子模型的输出分别是soh_1、soh_2和soh_3，这3个输出均是1个连续变量，分别表示每个子专家模型对于soh的预测值。

14、3个门控网络模型，独立的计算每个专家子模型的权重，每个门控网络的输出都是一个3维向量，分别对应3个专家子模型的权重，3个权重之和为1。

15、将3个专家子模型的soh预测值分别与3个门控网络输出的专家权重进行加权求和，得到3个soh的加权求和值。

16、将3个soh的加权求和值进行线性回归预测，得到最终的预测值soh。

17、步骤s3.训练和校验mh-moe模型：在keras平台实现mh-moe模型代码并训练，训练数据按8：2的比例分成训练集合和测试集合，在训练集合上训练模型，在测试集合上校验模型。

18、进一步的，训练时训练次数为100，批次样本数量为32。模型训练的优化器为adam算法，损失函数均方误差。

19、步骤s4.预测电池soh：在mh-moe模型训练完毕后，在模型效果良好的前提下，部署mh-moe模型，并使用mh-moe对电池的soh进行预测，将3个soh的加权求和值进行线性回归，得到的预测值即为soh预测值。

20、进一步的，模型的损失函数为均方误差；优化器为adam；评估指标为平均绝对误差，即目标值和预测值之差的绝对值之和。

21、本发明有益效果是

22、本发明基于mh-moe模型使用电池阻抗（eis）来预测soh具有多头机制带来的多样化特征提取、稀疏激活提升计算效率、专家网络专注不同模式的能力，以及灵活适应多任务环境的优势。mh-moe模型能够更高效、更准确地预测电池的健康状态，适应复杂和多变的电池工作条件。

23、具体如下：

24、1. 多头机制提高特征提取能力：

25、1.1多样化特征提取：mh-moe模型中的多个门控网络（头）可以并行处理输入数据，每个头可以专注于提取输入数据的不同特征，捕捉电池阻抗谱中的复杂信息。

26、1.2提高预测准确性：多头机制可以结合多个特征表示，提高模型对电池健康状态变化的敏感度，从而提高soh预测的准确性。

27、2. 稀疏激活提升计算效率

28、2.1减少计算量：每个输入数据点只激活少数几个专家网络，减少了计算开销，提高了模型的计算效率。

29、2.2高效处理大规模数据：对于需要处理大量电池阻抗数据的应用场景，稀疏激活机制使得mh-moe模型能够高效处理和预测。

30、3. 专家网络专注于不同模式

31、3.1专门化处理：每个专家网络可以专注于不同的电池阻抗模式或特征，提升对不同电池状态的建模能力。

32、3.2处理复杂数据：通过不同专家网络的协作，mh-moe模型可以处理电池阻抗数据中的复杂模式和非线性关系，提高soh预测的鲁棒性。

33、4. 灵活适应多任务环境

34、4.1自适应建模：通过多个门控网络和专家网络的灵活组合，模型可以自适应地选择最合适的网络结构和参数，以适应不同类型和状态的电池数据。

35、5. 更高的模型表现

36、5.1提升预测精度：结合多个cnn-lstm专家网络和门控网络的优点，mh-moe模型可以显著提升soh预测的精度。