【技术实现步骤摘要】
本专利技术属于锂离子电池检测，特别是涉及一种基于时域融合时域融合变换器的锂离子电池荷电状态估计方法。
技术介绍
1、电池储能系统(bess)由于能够提供多种电网服务，并适应可再生发电资源的变化和间歇性行为，正成为配电网的重要组成部分。但在固定电化学bess中，由于老化和不良的工作模式不可避免地会导致性能和容量的下降。因此，电池荷电状态(soc)是一个重要的表示电池剩余容量的参数，需要电池管理系统(bms)连续准确跟踪，以优化电池性能，延长电池寿命。即使对于成熟的bess技术，如锂离子电池，在广泛的运行条件下准确可靠的soc估计也是一个挑战，只能依靠间接方法。
2、根据电池类型的不同，soc估计方法也有所不同，可分为三种：一非基于模型或直接测量的、二基于模型的方法、三数据驱动的方法。
3、一直接测量的包括多种测量方法，如开路电压法(ocv)、安时积分法(ah)、内阻测量法。在某些情况下，ocv方法可以提供较好的精度，但在非平衡态中面临严峻挑战。由于电池内部电解质分布均匀，电池需要很长时间才能达到平衡点，因此很难实时测量ocv。另一种测量电池荷电状态的方法是使用ah积分，或库仑计数法，它将电池电流随时间积分，但由于初始参数值的确定、开环性质、充放电迟滞效应、电流传感器对噪声和漂移的灵敏度等方面存在误差，因此该方法也缺乏准确性。
4、二基于模型的方法包括状态观测器和基于滤波器的方法，这取决于底层的控制原理。状态观测器方法虽然发展比较复杂，但适用于模型不确定性较高的情况。另一方面，基于滤波器的方法首先
5、三数据驱动的方法基于机器学习算法，只依赖传感器测量和运行数据，而不是电池的电化学模型。考虑到电池参数、运行条件和soc之间高度非线性的相互依赖性，可以定制机器学习算法来模拟电池参数、运行条件和soc之间的关系。有几种类型的数据驱动技术，如支持向量回归(svr)、神经网络(nn)。神经网络技术在锂离子电池soc的估算中得到了广泛的应用。神经网络组进一步细分为普通神经网络、深度神经网络，如循环神经网络-长短期记忆(rnn-lstm)模型和自监督变压器模型，深度神经网络在评估指标方面优于普通神经网络，但在计算上要求更高。
6、目前，工业界当前普遍采用安时积分法估计荷电状态。该方法简单易实现，但是具有较强的局限性。主要在于：安时积分法模型中考虑的因子单一，缺乏反馈校正能力，随着电池使用次数增加，预估精度大幅下降。
技术实现思路
1、本专利技术的目的在于克服上述缺点而提供的一种高准确性、鲁棒性、实时性、可扩展性的基于时域融合变换器的锂离子电池荷电状态估计方法。
2、本专利技术的一种基于时域融合变换器的锂离子电池荷电状态估计方法，包括以下步骤：
3、步骤1：数据采集和预处理
4、采集动力电池电压vk、电流ik和温度tk的实时数据，并由数据采集模块进行数字化处理，在数据预处理阶段，进行噪声过滤、异常值处理，以保证数据的准确性和一致性；
5、步骤2：时域融合(又称时间尺度融合)
6、首先利用滑动窗口技术获取一段时间内的电池数据，然后使用预测模型进行多步预测，同时利用分位数回归方法建立电池状态与电压、电流、温度之间的关联模型，接着，将预测结果与实际数据进行比较，并经过加权平均或统计学习融合处理，以获得综合的电池状态估计结果；
7、步骤3：tft模型构建
8、基于transformer模型的结构，构建temporal fusion transformers(tft)，tft由多个模块组成，每个模块用于学习不同时间尺度下的特征表示，模型的输入包括时域融合后的数据和其他相关信息；
9、步骤4：特征提取和编码
10、tft模型通过多层注意力机制和自注意力机制，对时域融合后的数据进行特征提取和编码，这些特征包括电流的平均值、电压的波动性、温度的变化率等，编码后的特征表示能够更好地捕捉电池系统的动态特性；
11、步骤5：soc估计
12、利用tft模型学习到的特征表示，通过全连接层和输出层，进行锂离子电池荷电状态的估计，估计的结果为荷电状态百分比、剩余电量；
13、步骤6：模型训练和性能评估
14、使用历史数据对tft模型进行训练和优化，将tft估计的soc值与实际测量的soc进行比较，计算估计误差；使用均方根误差(rmse)和平均绝对误差(mae)，来评估估计方法的准确性和鲁棒性。
15、上述的一种基于时域融合变换器的锂离子电池荷电状态估计方法，其中：步骤1所述的数据采集，包括：
16、获取锂离子电池的电流数据、电压数据和电池表面温度数据，对所述数据进行预处理，输入tft的特征为归一化后的归一化后的电池电压v、电流i和温度t。
17、上述的一种基于时域融合变换器的锂离子电池荷电状态估计方法，其中：步骤2所述的时域融合是在给定的时间序列数据集中存在唯一的soc实际值，每一个实体i在每个时间步长t∈[0,ti]都与一组静态协变量，即充电电流iin，锂离子电池内阻rin和放电深度χin相关联，依赖于时间的输入特征被细分为两类：一类是锂离子电池内阻rin和放电深度χin，；一类是已知输入充电电流iin，；
18、采用分位数预测，对于多步预测问题的定义，可以简化成如下的公式：
19、
20、式中，为在时间t下，预测未来第τ步下的分位数值q，fq(.)为预测模型，yi,t-k:t为历史目标变量，zi,t-k:t为过去可观测变量，xi,t-k:t+τ为先验已知未来的时变变量，si为静态协变量。
21、上述的一种基于时域融合变换器的锂离子电池荷电状态估计方法，其中：步骤3所述的tft模型通过分位数损失函数来实现分位数的预测：
22、
23、式中，ω为包含m个样本的训练数据域，w为tft的权值，q为输出分位数集合(q＝{0.1,0.5,0.9})，l(ω,w)是平均单条时序且平均预测点下的分位数损失，由于和几乎会一正一负，所以公式可转换为：
24、
25、拟合分位数为0.9的目标值，带入上述公式得：
26、
27、则会出现两种情况：
28、若即模型预测偏小，loss增加会更多；
29、若即模型预测偏大，loss增加会更少。
30、进行正则化处理，表示为：
31、
32、tft的主要组成部分是：
33、(1)门控残差网络(grn)，跳过架构中任何未使用的组件，提供自适应深度和网络复杂性，以适应广泛的数据集和场景；
34、(2)变量选择网络(本文档来自技高网...
【技术保护点】
1.一种基于时域融合变换器的锂离子电池荷电状态估计方法，包括以下步骤：
2.如权利要求1所述的一种基于时域融合变换器的锂离子电池荷电状态估计方法，其中：步骤1所述的数据采集，包括：
3.如权利要求1所述的一种基于时域融合变换器的锂离子电池荷电状态估计方法，其中：步骤2所述的时域融合是在给定的时间序列数据集中存在唯一的SOC实际值，每一个实体i在每个时间步长t∈[0,Ti]都与一组静态协变量，即充电电流Iin，锂离子电池内阻Rin和放电深度χin相关联，依赖于时间的输入特征被细分为两类：一类是锂离子电池内阻Rin和放电深度χin，；一类是已知输入充电电流Iin，；
4.如权利要求1所述的一种基于时域融合变换器的锂离子电池荷电状态估计方法，其中：步骤3所述的TFT模型通过分位数损失函数来实现分位数的预测：
5.如权利要求1所述的一种基于时域融合变换器的锂离子电池荷电状态估计方法，其中：步骤4所述的特征提取和编码，首先是门控残差网络接受一个主要输入a和一个可选的上下文向量c，得到：
6.如权利要求1所述的一种基于时域融合变换器
7.如权利要求1所述的一种基于时域融合变换器的锂离子电池荷电状态估计方法，其中：步骤6所述的均方根误差(RMSE)和平均绝对误差(MAE)，表示为：
...【技术特征摘要】
1.一种基于时域融合变换器的锂离子电池荷电状态估计方法，包括以下步骤：
2.如权利要求1所述的一种基于时域融合变换器的锂离子电池荷电状态估计方法，其中：步骤1所述的数据采集，包括：
3.如权利要求1所述的一种基于时域融合变换器的锂离子电池荷电状态估计方法，其中：步骤2所述的时域融合是在给定的时间序列数据集中存在唯一的soc实际值，每一个实体i在每个时间步长t∈[0,ti]都与一组静态协变量，即充电电流iin，锂离子电池内阻rin和放电深度χin相关联，依赖于时间的输入特征被细分为两类：一类是锂离子电池内阻rin和放电深度χin，；一类是已知输入充电电流iin，；
4.如权利要求1所述的一种基于...
【专利技术属性】
技术研发人员：刘勋川，韩松，贺国刚，李红磊，黄乾礼，荣娜，蓝浪，杨迪亮，姜盛，张舜，杨瀛，
申请(专利权)人：贵州金元绿链物流开发有限公司，
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。