【技术实现步骤摘要】
本专利技术涉及一种电池soh预测模型，具体涉及一种基于样本卷积交互神经网络的二次电池soh预测模型，属于二次电视。
技术介绍
1、二次电池以其高能量密度、低使用成本、材料轻、寿命长等优点，被认为是最理想的储能系统之一，已广泛应用于电动汽车、通信基站、移动电子产品、电网等领域。随着二次电池的循环使用，电池内部会发生许多不可逆的物理或化学变化导致电池老化，电池的性能和功率在一定程度上下降。电池的性能的下降到一定程度时会导致一系列的系统故障甚至发生严重事故，如自燃或爆炸。因此，为提高电池系统实际运行的安全性、稳定性和可靠性，电池的健康状态(state of health，soh)估计成为至关重要的研究热点。
2、目前，二次电池soh预测方法分为基于模型的方法、基于数据驱动方法以及融合模型方法。基于模型的方法分为电化学模型、等效电路模型。其中电化学模型通过对电池内部化学过程的建模来预测soh，需要大量的电化学参数和复杂的模型，且在实际应用中受限于电池内部参数的变化和模型的不确定性。等效电路模型是将电池等效为一个简单的电路，利用电路中的部分电子元器件对电池性能进行估计，该模型比较容易构建，计算过程也简便很多。然而基于模型的方法难以充分利用电池内部样本之间的相互作用信息，无法实现对电池内部复杂结构和过程的准确建模。数据驱动法是将采集到的电池的电流、电压、电阻等历史数据输入到神经网络(neural network,nn)、支持向量回归(support vectorregression,svr)或高斯过程回归(gaussian pr
3、因此，如何通过二次电池在线检测测的数据直接表征电池健康状态，对于二次电池管理系统具有重要的指导性意义。
技术实现思路
1、针对现有技术存在的问题，本专利技术提供了一种基于样本卷积交互神经网络的二次电池soh预测模型，该模型从检测数据中分析可以表征电池容量退化的影响因子，再通过相关性分析验证了健康因子的有效性，并将样本卷积交互模型应用于锂电池健康状态的估计；该模型能够显著提高预测的准确性和效率，且数据直接来源于在线检测过程，有效解决了现有技术中模型结构复杂、计算量大且需要利用电池劣化的先验知识等问题。
2、为实现上述技术目的，本专利技术提供了一种基于样本卷积交互神经网络的二次电池soh预测模型，包括：
3、步骤s1.获取二次电池的特征序列及容量序列，对特征序列进行去噪处理，然后与容量序列分别进行归一化处理；
4、步骤s2.对归一化处理后的特征序列和容量序列进行相关性分析，从各特征序列中选择相关性最好的一组特征序列作为容量序列的健康因子序列，并将上述序列划分为训练集和测试集；
5、步骤s3.根据样本卷积交互模型构建二次电池soh预测模型，并采用s2所得训练集对该模型进行训练；
6、步骤s4.采用s2所得测试集对s3所得预测模型进行测试，得到soh的估计值，然后将循环周期容量的估计值反归一化得到循环周期容量的预测值；
7、步骤s5.根据均方根误差rmse判断神经网络预测结果并进行输出和优化；
8、所述二次电池的特征序列包括：恒流充电时间、恒压充电时间和相同时间内电压上升值。
9、本专利技术所提供的soh预测模型选取二次电池的时间序列作为特征序列，其优点在于特征序列数据是可直接监测的数据，且能够综合反映电池在不同充电阶段性能。
10、其与电池soh皮尔逊相关性较高且是可直接监测的数据。
11、作为一项优选的方案，所述去噪处理采用离散小波变换进行，其过程为：
12、s2-1.采用小波基函数和分解层数对特征序列原始数据执行dwt分解，通过迭代地将数据分解为一系列的近似和细节序列；
13、s2-2.对分解得到近似和细节序列采用阈值处理，再通过逆dwt进行重构。
14、作为一项优选的方案，所述经过去噪处理的特征序列和容量序列的归一化处理的计算公式为：
15、式1：normalization (x)＝(x-min(x))/(max(x)-min (x))；
16、式1中：x代表序列数据，min(x)代表序列中的最小值，max(x)代表序列中的最大值。
17、作为一项优选的方案，所述相关性分析采用灰色关联度分析，灰色关联度最大的一组即为相关性最好的一组。
18、作为一项优选的方案，所述灰色关联度的计算公式为：
19、式2：
20、式2中：c(k)为循环圈数为k时对应的电池容量；u(k)为特征序列和电池容量序列进行灰色关联度分析时，在循环圈数为k时对应的值；ρ为分辨系数，0<ρ<1。
21、作为一项优选的方案，所述二次电池soh预测模型的建立过程为：构建scinet神经网络模型，并将训练集输入模型进行训练。
22、用于序列建模的深度神经网络主要有三种，它们都应用于时间序列预测(tsf)：(i)递归神经网络(rnns)；(ii)变压器(transformer)模型；(iii)时序卷积网络(tcn)。尽管基于这些通用模型的tsf方法取得了很好的结果，但它们在建模时没有考虑到时间序列数据的特殊性。例如，时间序列的一个独特性质是，在降采样为两个子序列后，时间关系(例如，数据的趋势和季节成分)在很大程度上保留了下来。因此，通过递归下采样时间序列到子序列，本专利技术采用卷积神经网路来提取多分辨率的动态时间特征。
23、scinet模型是一个分层下采样-卷积-交互的tsf框架，可以有效拟合具有复杂时间动态的时间序列。通过在多个时间分辨率下迭代提取和交换信息，提取出更为精细的时序信息，经过多次迭代，时间序列特征序列中短期和长期的依赖关系都会被提取出来。
24、作为一项优选的方案，所述训练集和测试集的数据量比例为3:7～7:3；所述训练集和测试集在输入模型之前还需进行格式处理，其过程为：设输入长度为t0，以第1个到第t0个循环周期的健康因子作为输入，得到第t0+1个循环周期的数据，再将第2个到第t0+1个循环周期的健康因子作为模型的输入，预测第t0+2个循环周期的数据，直至将训练集或测试集全部处理完毕。
25、作为一项优选的方案，所述训练集和测试集输入scinet网络的格式为：
26、式3：xi＝[xi,xi+1,xi+2…xi+t0],i＝1,2,3…n-t0；
27、式3中：n为数据集样本的总数量，t0为输入长度。
28、作为一项优选的方案，所述均本文档来自技高网...
【技术保护点】
1.一种基于样本卷积交互神经网络的二次电池SOH预测模型，其特征在于，包括：
2.根据权利要求1所述的一种基于样本卷积交互神经网络的二次电池SOH预测模型，其特征在于：所述去噪处理采用离散小波变换进行，其过程为：
3.根据权利要求1所述的一种基于样本卷积交互神经网络的二次电池SOH预测模型，其特征在于：所述经过去噪处理的特征序列和容量序列的归一化处理的计算公式为：
4.根据权利要求1所述的一种基于样本卷积交互神经网络的二次电池SOH预测模型，其特征在于：所述相关性分析采用灰色关联度分析，灰色关联度最大的一组即为相关性最好的一组。
5.根据权利要求4所述的一种基于样本卷积交互神经网络的二次电池SOH预测模型，其特征在于：所述灰色关联度的计算公式为：
6.根据权利要求1所述的一种基于样本卷积交互神经网络的二次电池SOH预测模型，其特征在于：所述二次电池SOH预测模型的建立过程为：构建SCINet神经网络模型，并将训练集输入模型进行训练。
7.根据权利要求1所述的一种基于样本卷积交互神经网络的二次电池SOH预测模型
8.根据权利要求7所述的一种基于样本卷积交互神经网络的二次电池SOH预测模型，其特征在于：所述训练集和测试集输入SCINet网络的格式为：
9.根据权利要求1所述的一种基于样本卷积交互神经网络的二次电池SOH预测模型，其特征在于：所述均方根误差RMSE的计算过程为：
10.根据权利要求9所述的一种基于样本卷积交互神经网络的二次电池SOH预测模型，其特征在于：所述根据均方根误差RMSE判断神经网络预测结果并进行输出和优化的过程为：若均方根误差在允许范围内则输出结果；若均方根误差不在允许范围内，则重新调整SCINet模型超参数，重复步骤S3和S4。
...【技术特征摘要】
1.一种基于样本卷积交互神经网络的二次电池soh预测模型，其特征在于，包括：
2.根据权利要求1所述的一种基于样本卷积交互神经网络的二次电池soh预测模型，其特征在于：所述去噪处理采用离散小波变换进行，其过程为：
3.根据权利要求1所述的一种基于样本卷积交互神经网络的二次电池soh预测模型，其特征在于：所述经过去噪处理的特征序列和容量序列的归一化处理的计算公式为：
4.根据权利要求1所述的一种基于样本卷积交互神经网络的二次电池soh预测模型，其特征在于：所述相关性分析采用灰色关联度分析，灰色关联度最大的一组即为相关性最好的一组。
5.根据权利要求4所述的一种基于样本卷积交互神经网络的二次电池soh预测模型，其特征在于：所述灰色关联度的计算公式为：
6.根据权利要求1所述的一种基于样本卷积交互神经网络的二次电池soh预测模型，其特征在于：所述二次电池soh预测模型的建立过程为：构建scinet神经网络模型，并将训练集输入模型进行训练。
7.根据权利要求1所述的一种基于样本卷积交互...
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。