本发明专利技术提供了一种电池寿命的预测方法。所述方法基于人工智能，采用基准模型，从电池数据集中提取电池深度特征；将所述电池深度特征作为输入，采用通道注意力模块和空间注意力模块提取电池寿命特征，所述电池寿命特征包括荷电状态、电压值、以及剩余容量；将所述电池寿命特征中的值归一化到预设数值范围以防止梯度弥散；通过逻辑回归函数映射，获得电池的多维度注意力权重；将所述电池深度特征与所述多维度注意力权重相乘，得到电池的预测寿命。通过上述方法及其实现装置提高了电池寿命的预测精度，进而提高了电池的使用效率，满足煤矿等特殊场景下对安全性和可靠性的切实需求。特殊场景下对安全性和可靠性的切实需求。特殊场景下对安全性和可靠性的切实需求。
【技术实现步骤摘要】
电池寿命的预测方法、预测装置
[0001]本专利技术涉及电池管理系统领域，尤其涉及一种电池寿命的预测方法、预测装置。
技术介绍
[0002]目前，随着锂电池和新能源行业的飞速发展，电池管理系统（Battery Management System，简称BMS）作为锂电池的核心部分，能够智能化的管理和维护电池的各个模块，在电池出现过充过放或过温等异常状况时及时报警反馈，并且实时的评估各节电芯的当前状态，主要用于新能源汽车和储能两大领域。目前的电池管理系统主要包括电池状态和参数实时检测、电池的荷电状态（State of Charge，简称SOC）估算、充放电控制、均衡控制和热管理控制功能。
[0003]锂电池一旦发生过充、过放和温度过高等情况时轻则损坏电芯，重则热失控导致燃烧爆炸的重大事故，因此电池管理系统承担着至关重要的作用，直接关系到生产应用中的效率和安全性。此外，如果电池管理系统的均衡控制不到位或者状态监测不准确，极容易导致各节电芯差异增大，最终导致电池容量和寿命的快速下降，影响电池的使用寿命和使用效率。
[0004]因此，对电池寿命的预测的实时监测是至关重要的，直接关系到生产的效率和安全性，尤其在煤矿井下等特殊生产场景，对安全性和可靠性有更高的要求。但由于电芯的使用过程中涉及到复杂非线性的电化学反应，凭借现有的电池管理系统通过查表法对电池寿命的预测误差仍然较大，不同场景不同情况下难以及时自适应调整，仍然按照正常状态下的表去预测，极容易导致预测的不准，进而影响到锂电池的正常使用和使用效率。无法满足煤矿等特殊场景下对安全性和可靠性的切实需求，因此需要寻找更准确、更安全可靠的算法来进行预测监控和分析。
技术实现思路
[0005]本专利技术所要解决的技术问题是提供一种电池寿命的预测方法，用于解决目前传统电池管理系统对电池寿命预测准确度不高的问题，获得更加安全可靠，能够满足煤矿实际需求的电池管理系统。
[0006]为了解决上述问题，本专利技术提供了一种电池寿命的预测方法，包括：采用基准模型，从电池数据集中提取电池深度特征；将所述电池深度特征作为输入，采用通道注意力模块提取通道注意力特征，将所述通道注意力特征作为输入，采用空间注意力模块提取电池寿命特征，所述电池寿命特征包括荷电状态、电压值、以及剩余容量；将所述电池寿命特征中的值归一化到预设数值范围以防止梯度弥散；通过逻辑回归函数映射，获得电池的多维度注意力权重；将所述电池深度特征与所述多维度注意力权重相乘，得到电池的预测寿命；所述采用通道注意力模块提取通道注意力特征进一步包括如下步骤：将所述电池深度特征进行L2正则化；将L2正则化处理后的特征分别进行全局平均池化和全局最大池化；将全局平均池化结果和全局最大池化结果分别进行四次卷积层操作，每次卷积层操作后采用激活
函数进行特征映射；所述全局平均池化结果和所述全局最大池化结果各自完成卷积层操作和特征映射后进行加权求和；将加权求和后的特征进行重塑，所述重塑将特征映射到特定的取值范围；将映射到特定取值范围的特征经过映射函数和回归函数归一化到0~1的范围，得到所述电池深度特征的通道注意力权重；将所述电池深度特征与所述通道注意力权重相乘，获取通道注意力特征；所述采用空间注意力模块提取取电池寿命特征进一步包括以下步骤：将所述通道注意力特征进行L2正则化；将L2正则化后的特征分别进行通道平均池化和通道最大池化；将通道平均池化结果和通道最大池化结果通过聚合层整合到一起；将整合后的特征经过两次卷积层操作；将卷积层操作后提取的特征经过映射函数和回归函数归一化到0~1的范围，得到所述电池深度特征的空间注意力权重；将所述通道注意力特征与所述空间注意力权重相乘，获取所述电池寿命特征；其中，所述映射函数是两个卷积层和Relu函数，所述回归函数是逻辑回归函数。
[0007]在一些实施例中，所述数据集的标签包括荷电状态、电压值、以及剩余容量。
[0008]在一些实施例中，所述基准模型为MobileNet模型或者 Inception
‑
ResNet模型。
[0009]在一些实施例中，所述重塑使用sigmoid函数或者tanh函数。
[0010]为了解决上述问题，本专利技术还提供了一种电池寿命的预测装置，包括：特征获取单元，所述特征获取单元采用基准模型，用于从电池数据集中提炼出电池深度特征；多维度注意力单元，所述多维度注意力单元包括：通道注意力模块，输入为所述电池深度特征，配置为实现如下步骤：将所述电池深度特征进行L2正则化；将L2正则化处理后的特征分别进行全局平均池化和全局最大池化；将全局平均池化结果和全局最大池化结果分别进行四次卷积层操作，每次卷积层操作后采用激活函数进行特征映射；所述全局平均池化结果和所述全局最大池化结果各自完成卷积层操作和特征映射后进行加权求和；将加权求和后的特征进行重塑，所述重塑将特征映射到特定的取值范围；将映射到特定取值范围的特征经过映射函数和回归函数归一化到0~1的范围，得到所述电池深度特征的通道注意力权重；将所述电池深度特征与所述通道注意力权重相乘，获取通道注意力特征；空间注意力模块，输入为所述通道注意力特征，配置为实现如下步骤：将所述通道注意力特征进行L2正则化；将L2正则化后的特征分别进行通道平均池化和通道最大池化；将通道平均池化结果和通道最大池化结果通过聚合层整合到一起；将整合后的特征经过两次卷积层操作；将卷积层操作后提取的特征经过映射函数和回归函数归一化到0~1的范围，得到所述电池深度特征的空间注意力权重；将所述通道注意力特征与所述空间注意力权重相乘，获取所述电池寿命特征；其中，所述映射函数是两个卷积层和Relu函数，所述回归函数是逻辑回归函数；归一化模块，将所述电池寿命特征中的值归一化到预设数值范围以防止梯度弥散；回归映射模块，将归一化后的值通过逻辑回归函数映射，获得电池的多维度注意力权重；特征输出单元，所述特征输出单元，将所述电池深度特征与所述多维度注意力权重相乘，得到电池的预测寿命。
[0011]上述技术方案，基于人工智能的方法，采用基准模型，从电池数据集中提取电池深度特征；将所述电池深度特征作为输入，采用通道注意力模块和空间注意力模块提取电池寿命特征，所述电池寿命特征包括荷电状态、电压值、以及剩余容量；将所述电池寿命特征中的值归一化到预设数值范围以防止梯度弥散；通过逻辑回归函数映射，获得电池的多维度注意力权重；将所述电池深度特征与所述多维度注意力权重相乘，得到电池的预测寿命。通过上述方法及其实现装置提高了电池寿命的预测精度，进而提高了电池的使用效率，满
足煤矿等特殊场景下对安全性和可靠性的切实需求。
[0012]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本专利技术。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
附图说明
[0013]为了更清楚地说明本专利技术实施例的技术方案，下面将对本专利技术实施例中所需要使用的附图作简单介绍本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种电池寿命的预测方法，其特征在于，包括：采用基准模型，从电池数据集中提取电池深度特征；将所述电池深度特征作为输入，采用通道注意力模块提取通道注意力特征，将所述通道注意力特征作为输入，采用空间注意力模块提取电池寿命特征，所述电池寿命特征包括荷电状态、电压值、以及剩余容量；将所述电池寿命特征中的值归一化到预设数值范围以防止梯度弥散；通过逻辑回归函数映射，获得电池的多维度注意力权重；将所述电池深度特征与所述多维度注意力权重相乘，得到电池的预测寿命；所述采用通道注意力模块提取通道注意力特征进一步包括如下步骤：将所述电池深度特征进行L2正则化；将L2正则化处理后的特征分别进行全局平均池化和全局最大池化；将全局平均池化结果和全局最大池化结果分别进行四次卷积层操作，每次卷积层操作后采用激活函数进行特征映射；所述全局平均池化结果和所述全局最大池化结果各自完成卷积层操作和特征映射后进行加权求和；将加权求和后的特征进行重塑，所述重塑将特征映射到特定的取值范围；将映射到特定取值范围的特征经过映射函数和回归函数归一化到0~1的范围，得到所述电池深度特征的通道注意力权重；将所述电池深度特征与所述通道注意力权重相乘，获取通道注意力特征；所述采用空间注意力模块提取电池寿命特征进一步包括以下步骤：将所述通道注意力特征进行L2正则化；将L2正则化后的特征分别进行通道平均池化和通道最大池化；将通道平均池化结果和通道最大池化结果通过聚合层整合到一起；将整合后的特征经过两次卷积层操作；将卷积层操作后提取的特征经过映射函数和回归函数归一化到0~1的范围，得到所述电池深度特征的空间注意力权重；将所述通道注意力特征与所述空间注意力权重相乘，获取所述电池寿命特征；其中，所述映射函数是两个卷积层和Relu函数，所述回归函数是逻辑回归函数。2.根据权利要求1所述的方法，其特征在于，所述数据集的标签包括荷电状态、电压值、以及剩余容量。3.根据权利要求1所述的方法，其特征在于，所述基准模型为MobileNe...
【专利技术属性】
技术研发人员：孙欣，任继业，张斯涵，陈虎，尹玉兴，臧财运，许志鹏，章福成，赵名，王万峰，陈荣，张勇，李沂博，
申请(专利权)人：中煤科工上海新能源有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。