[发明专利]面向多元锂离子电池数据的全生命周期演化趋势预测方法

说明书

本发明公开了一种面向多元锂离子电池数据的全生命周期演化趋势预测方法，根据时序数据的无量纲演化特性对产业链采集的锂离子电池数据利用FRA特征再抽象算法，制作时间戳强约束、关联特性增强的待检测低阶特征集合，利用自注意力机制表达序列型数据高价值区间，利用权值矩阵优化LSTM神经网络的底层门控逻辑设计LBTSA深度模型，利用预训练的链接权重和学习参数实现网络建模，通过LBTSA深度模型挖掘特征集合与预设指标间的映射关系，解决产业链针对多元全周期时序预测提出的性能需求问题。

技术领域

本发明涉及锂离子电池领域，特别是涉及一种面向多元锂离子电池数据的全生命周期演化趋势预测方法。

背景技术

锂离子电池作为最成熟的储能技术，是电动车辆和储能系统(ESS)最核心的组成部分，因而面向蓄能产品的故障预测和健康管理(Prognostics and health management,PHM)对于运行维护至关重要。从电池全生命周期管理的角度来讲，锂离子电池的电化学机理在使用或搁置过程会逐渐退化，使系统性能的供电能力和安全特性等管理指标也表现为衰减趋势，为降低电池运行成本、实现及时维护和故障防控，基于电池管理系统(BMSs)对健康状态(SOH)进行在线监控是很有必要的。从电池管理的角度来讲，故障预测的核心是针对电池系统运行欠佳或失效的异常进行刨析，健康管理的核心是面向容量和阻抗等指标的健康状态(State of health,SOH)估计。

目前，基于模型驱动的健康状态预测占多数。该类方法是根据有穷小规模数据的背景分布或领域经验设定数学假设，通过假设建模最优拟合度的映射函数，并基于函数运算值实现预测。基于模型驱动的健康状态预测方法更易于调整模型参数、适应性更强，针对相似机理或同等工况的模型具备普适性。然而，现有驱动模式的时序预测方法存在难以挖掘现在和未来间细粒度映射关系、难以提升智能预测服务准确性、鲁棒性和可解释性的技术问题。

发明内容

针对现有技术中的上述不足，本发明提供的一种面向多元锂离子电池数据的全生命周期演化趋势预测方法解决了现有预测方法难以挖掘现在和未来间细粒度映射关系、难以提升智能预测服务准确性、鲁棒性和可解释性的技术问题。

为了达到上述发明目的，本发明采用的技术方案为：一种面向多元锂离子电池数据的全生命周期演化趋势预测方法，所述方法包括以下步骤：

S1：针对产业链采集的锂离子电池数据集，基于相邻样本数为6的KNN优化算法和调整平滑参数的Vondrak滤波算法实现缺失值填补和序列平滑降噪的预处理操作，并根据训练、评估、测试比率为6:2:2进行集合划分；

S2：根据经预处理操作的锂离子电池数据集TD，利用特征再抽象算法，基于最小绝对偏差和非局部季节滤波改进RobustSTL算法，并基于时序数据的加法概念模型对辨识性特征进行低耦合的属性分解获得低阶特征分量；

S3：基于低阶特征分量，设置噪音剔除评价指标和关联强度评估算法分别判定低阶特征分量的白噪声高频占比以及Seasonality分量、Trend分量与数据曲线的关联强度，实现锂离子电池的属性降维和关联增强的特征提取；

S4：基于属性降维和关联增强的特征提取，利用矩阵点积运算构建时间戳强约束的时序预测训练集合；

S5：基于时序预测训练集合，利用基于自注意加权算法的LSTM底层逻辑设计LBTSA深度模型，通过深度模型的链接权重和学习参数实现网络建模，根据集合划分设置机理属性和强约束时间戳作为深度模型的控制输入，获取当前时刻的SOH状态和未来时间区间的SOH状态估计值，实现锂离子电池的全生命周期演化趋势的预测。

上述方案的有益效果是：本发明基于数据驱动的大数据智能分析框架提出了针对多元长周期锂离子电池序列的SOH状态预测算法，是以FRA再抽象序列算法为核心的特征提取和以LBTSA深度模型为主体的数据建模。解决了现有预测方法难以挖掘现在和未来间细粒度映射关系、难以提升智能预测服务准确性、鲁棒性和可解释性的技术问题。