【技术实现步骤摘要】
本专利技术属于新能源，涉及一种基于l-tcn与gl-former的轻量化锂电池健康状态估计方法。
技术介绍
1、锂离子电池由于其良好的充放电能力、使用寿命长，并且不含有毒有害物质，被称为绿色电池，已被广泛运用于许多重要的应用领域中，如电动汽车。为了安全、可靠、经济地运用锂电池，准确和稳定地监测锂电池的内部状态，对于电池管理系统至关重要。锂电池是一种动态的时变电化学系统，具有非线性行为和复由于复杂的降解机制，电池的寿命在不同的工作条件下有显著差异。随着充放电循环次数的增加，锂离子电池的性能和寿命逐渐下降。电池老化过程是一个复杂的过程，内部的化学机理难以清楚探明，锂电池剩余寿命预测成为一个极具挑战性的任务。
2、为了应对这一挑战，研究工作者陆续提出了有效的方法来预测锂电池健康状态(state of health，soh)。预测方法包括基于模型和基于数据驱动的方法。基于模型的方法，主要是建立一个数学模型来描述基于电池动力学的退化轨迹，如电化学模型或等效电路模型。然而目前还没有基于模型的方法能够准确地描述各种任务中的所有老化动态行为。数据驱动方法不需要对电池系统内部进行分析，而是从大量数据中提取隐藏的相关性，并在没有电池数学模型的情况下预测锂电池健康状态。因此，该方法被广泛运用于锂电池的soh预测，如支持向量回归(svr)、支持向量机(svm)、粒子滤波(pf)等。近年来，神经网络的方法也逐渐被运用到soh估计中。本专利技术提出了一个基于深度神经网络的轻量化框架来估计锂电池健康状态，该框架主要包括轻量化改进时间卷积网络(l-
技术实现思路
1、有鉴于此，本专利技术的目的在于提供一种基于改进时间卷积网络(l-tcn)与全局局部transformer(gl-former)架构的锂电池健康状态估计方法。
2、为达到上述目的，本专利技术提供如下技术方案：
3、一种基于l-tcn与gl-former的轻量化锂电池健康状态估计方法，包括以下步骤：
4、s1：采集数据：通过传感器采集真实锂电池充放电数据，包括放电电压、放电电流、电池体温度和电池容量；
5、s2：建立轻量化的改进时间卷积神经网络l-tcn与全局局部transformer架构gl-former的混合神经网络模型，提取锂电池数据的时间特征和空间特征；
6、s3：采用遗传算法选择最优的模型超参数；
7、s4：将步骤s1的数据和步骤s3的超参数输入到混合神经网络模型中进行训练，得到训练好的锂电池健康状态估计模型，然后基于所述锂电池健康状态估计模型进行电池健康状态预测。
8、进一步，步骤s2中所述轻量化的改进时间卷积神经网络l-tcn与全局局部transformer架构gl-former的混合神经网络模型中，首先采用l-tcn模块提取锂电池数据的时间特征，具体包括：
9、使用分组策略来减轻标准的tcn；首先将输入的tcn特征图划分为gt个大小相等、连续不重叠的组，然后在组内进行卷积，具有分组策略的一组tcn层，表示如下：
10、
11、其中，k和δ分别是内核大小和膨胀率，是第j组输入的特征映射，p表示输出中时间维数，d为嵌入尺寸，concat(·)表示连接操作；
12、采用门控机制来决定由打乱组tcn层提取的时间信息与通过模型的比例，一个轻量化tcn层表示如下：
13、l-tcn(h)＝tanh(sgtcno(h|gt))⊙σ(sgtcng(h|gt))
14、其中，sgtcno和sgtcng是两个平行的打乱组tcn分支：sgtcno用于提取时间特征，sgtcng用于控制特征传递的比例；通过sigmoid函数σ(·)实现门控比，并通过元素级乘积⊙应用于每个时间特征元素。
15、进一步，步骤s2中，在采用l-tcn模块提取锂电池数据的时间特征后，采用最后一次压缩方案处理时间特征，具体包括：
16、是第b个l-tcn层的输出特性，1≤b≤lt，是hb的最后一步特性，该聚合求和了所有层的最后一步特征，即然后将聚合的特征h发送到一个se(squeeze and excitation)模块中，用于关注特征表示：
17、ht＝h·σ(ws2·relu(ws1·ho))
18、其中，是通过全局平均池化来实现的，是最后的时间特征，给定se模块中的还原比r，和权重矩阵被用来压缩表示，然后在原始的聚合特征上使用sigmoid函数σ(·)产生注意。
19、进一步，步骤s2中，还包括：利用gl-former模块提取锂电池数据的空间特征，具体如下：
20、一个标准的transformer由一个编码层和ls个注意块组成，ls个注意块由全局注意块和局部注意块组成，两者的数量并不一定相同；
21、以最后一次压缩方案生成输出为该模块输入，在编码层中引入位置编码机制pe，将ht转换为学习到的位置编码hpe：
22、hpe＝ht+wpe
23、其中，是一个捕获身份信息的可学习矩阵；
24、将生成的编码hpe输送到顺序注意块，每个注意块由多头注意(mha)层和前馈网络(ffn)层组成；采用分组策略来简化注意块中的mha层和ffn层的计算；
25、使用轻量的mha(l-mha)，首先将l-mha的输入编码hpe划分为gm组，然后将原始mha应用于每个组l-mha的计算公式如下：
26、
27、
28、使用轻量化ffn(l-ffn)，将输入特征划分为gf组，l-ffn的计算方法如下：
29、
30、
31、采用局部注意块，局部注意的计算遵循全局注意的计算，并应用一个掩模函数来保留相关节点对，如果掩码矩阵的元素m[i,j]为false，则掩码函数掩码(z,m)会在特征矩阵z中隐藏一个元素z[i,j]，形如：
32、
33、设置一个值为-∞的隐藏值，通过聚合域的所有相关邻接矩阵得到掩模矩阵m，即m＝∑iai，其中ai是邻接矩阵之一，所述ai是一个由滤波函数组成的稀疏邻接矩阵阈值。
34、进一步，步骤s3具体包括以下步骤：
35、s31：选定种群规模并对种群中的每个个体进行编码；个体由神经网络各种超参数组成，其超参数在取值范围内随机选取；
36、s32：编写适应度函数，对个体解码，并将由个体得到的超参数作为神经网络的初始超参数；计算神经网络模型的预测输出与实际输出的绝对误差之和，以此为适应度值；
37、s33：选择操作，选用转盘赌法；对适应度值取倒数，个体适应度值越小被选择的概本文档来自技高网...
【技术保护点】
1.一种基于L-TCN与GL-Former的轻量化锂电池健康状态估计方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于L-TCN与GL-Former的轻量化锂电池健康状态估计方法，其特征在于：步骤S2中所述轻量化的改进时间卷积神经网络L-TCN与全局局部Transformer架构GL-Former的混合神经网络模型中，首先采用L-TCN模块提取锂电池数据的时间特征，具体包括：
3.根据权利要求2所述的基于L-TCN与GL-Former的轻量化锂电池健康状态估计方法，其特征在于：步骤S2中，在采用L-TCN模块提取锂电池数据的时间特征后，采用最后一次压缩方案处理时间特征，具体包括：
4.根据权利要求2所述的基于L-TCN与GL-Former的轻量化锂电池健康状态估计方法，其特征在于：步骤S2中，还包括：利用GL-Former模块提取锂电池数据的空间特征，具体如下：
5.根据权利要求1所述的基于L-TCN与GL-Former的轻量化锂电池健康状态估计方法，其特征在于：步骤S3具体包括以下步骤：
【技术特征摘要】
1.一种基于l-tcn与gl-former的轻量化锂电池健康状态估计方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于l-tcn与gl-former的轻量化锂电池健康状态估计方法，其特征在于：步骤s2中所述轻量化的改进时间卷积神经网络l-tcn与全局局部transformer架构gl-former的混合神经网络模型中，首先采用l-tcn模块提取锂电池数据的时间特征，具体包括：
3.根据权利要求2所述的基于l-tcn与gl-former的轻量化...
【专利技术属性】
技术研发人员：李鹏华，毛燕，侯杰，邓忠伟，项盛，刘晟炜，杨哲林，解馥菁，
申请(专利权)人：重庆邮电大学，
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。