System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 基于大语言模型的动力电池多状态协同估计方法与系统技术方案_技高网
当前位置: 首页 > 专利查询>山东大学专利>正文

基于大语言模型的动力电池多状态协同估计方法与系统技术方案

技术编号:44038383 阅读:9 留言:0更新日期:2025-01-15 01:16
本发明专利技术属于锂离子电池技术领域,本发明专利技术提供了一种基于大语言模型的动力电池多状态协同估计方法与系统,通过初始化大语言模型;在随机充电行为下进行老化特征提取,提取窗口极值电压和累积充电量作为老化特征;基于初始化后的大语言模型,根据多状态协同估计任务确定模型的输入和输出,以提取到的老化特征融合电池状态参数,共同作为输入特征,并调整输入类型;基模型的输入和输出,对大语言模型进行改进,为大语言模型增添输出层模块以适应多状态协同估计任务;基于改进的大语言模型和实际数据集,采用低秩适应方法微调模型;基于微调后的模型处理目标碎片化充电数据,进行多状态协同估计。本发明专利技术能够实现多状态协同精准估计。

【技术实现步骤摘要】

本专利技术属于锂离子电池,具体涉及一种基于大语言模型的动力电池多状态协同估计方法与系统


技术介绍

1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息,不必然构成在先技术。

2、随着电动汽车的大规模推广,锂离子电池被普遍认为是一种有望实现可持续发展的关键储能技术。因其具有高能量密度、低自放电率、长循环寿命、轻量化等特点,被广泛应用于各个领域。然而,在工程实际中,受极端工况、异常充/放电、内部材料结构劣化、高温、滥用等因素影响,锂离子电池的性能会出现不可避免且不可逆转的衰退,存在诸多安全隐患。这种性能衰退会显著减少电动汽车或电子设备的续航时间,加重运行负担,进而加速电池老化,甚至引发安全事故如过热、起火或爆炸。因此,对锂离子电池进行安全管控是缓解电动汽车续航焦虑、避免热失控等高危风险的必由之路。

3、电池管理系统中的状态估计技术能够有效评估锂离子电池的安全性并保障其可靠运行。当今,锂离子电池的关键状态包括健康状态(state of health,soh)、荷电状态(state of charge,soc)和剩余使用寿命(remaining useful life,rul),它们在定义、功能和时间尺度上均不相同。同时,由于锂离子电池是一个动态、时变和非线性的电化学系统,致使三种状态间存在着复杂的耦合关系。因此,相比于针对单一状态的估计技术,多状态协同估计是更有前途的解决途径。

4、当前阶段,锂离子电池多状态协同估计的方法包括:定义法、基于模型的估计方法和数据驱动的估计方法。在传统的定义法中,健康状态被定义为可用容量与额定容量的比值的百分比,荷电状态被定义为当前剩余容量与可用容量的比值的百分比,剩余使用寿命被定义为从当前至预设健康阈值所剩余的循环次数,该方法的缺陷是:在工程实际中,计算健康状态和荷电状态所需的可用容量无法准确获取,而剩余使用寿命无法直接计算;基于模型的方法通过构建能够反映电池内部电化学反应机制的数学模型以估计电池状态,主要包括经验模型、等效电路模型和电化学模型,该方法的缺陷是:在灵活性、精度和动态响应上存在显著限制,导致在实际中难以稳定部署、适应性差;数据驱动的方法则无需深入了解锂离子电池内部反应机制,通过建立电池状态与输入特征之间的映射关系实现估计,该方法应用广泛、精度较高,然而,具有严苛先决条件的特征工程、模型易过拟合、协同估计精度低等问题限制了其进一步发展,因此该方法的技术手段和适用范围仍需加强。


技术实现思路

1、本专利技术为了解决上述问题,提出了一种基于大语言模型的动力电池多状态协同估计方法与系统,能够缓解工程实际中碎片化充电行为给特征工程带来的障碍,高效、灵活和可靠地提取用于健康状态估计的老化特征,并通过微调3b参数规模大语言模型建立特征与状态间映射关系。本专利技术解决了工程实际中因随机充电行为而导致的特征工程灵活性差的难题,借助大语言模型厘清锂离子电池多状态间的复杂耦合关系,进而实现多状态协同精准估计。

2、根据一些实施例,本专利技术采用如下技术方案:

3、一种基于大语言模型的动力电池多状态协同估计方法,包括以下步骤:

4、初始化大语言模型;

5、在随机充电行为下进行老化特征提取,提取窗口极值电压和累积充电量作为老化特征;

6、基于初始化后的大语言模型,根据多状态协同估计任务确定模型的输入和输出,以提取到的老化特征融合电池状态参数,共同作为输入特征,并调整输入类型;

7、基于所述模型的输入和输出,对大语言模型进行改进,为大语言模型增添输出层模块以适应多状态协同估计任务;

8、基于改进的大语言模型和实际数据集,采用低秩适应方法微调模型;

9、基于所述微调后的模型处理目标碎片化充电数据,进行多状态协同估计。

10、作为可选择的实施方式,在随机充电行为下进行老化特征提取的过程包括:

11、获取动力电池在某一循环内的碎片化充电数据,并对所述碎片化充电数据进行筛选和组合,形成电压-充电量数据;

12、基于所述电压-充电量数据,采用二维滑动窗口方法迭代计算各窗口对应的平均斜率;

13、汇总所有窗口对应的平均斜率,记录最小平均斜率及其对应的窗口信息;

14、基于所述窗口信息,提取该循环内对应的老化特征,包括窗口极值电压和累积充电量。

15、作为可选择的实施方式,获取动力电池在某一循环内的碎片化充电数据,并对所述碎片化充电数据进行筛选和组合,形成电压-充电量数据的过程包括:

16、获取动力电池的电压、电流和充电量数据,剔除其中的无关参数数据,保留电压和充电量的数据;

17、基于所述电压和充电量的数据,以充电量为x方向,电压为y方向,组合成电压-充电量二维数据。

18、作为可选择的实施方式,基于所述电压-充电量数据,采用二维滑动窗口方法迭代计算各窗口对应的平均斜率的过程包括:

19、基于所述电压-充电量数据,采用二维滑动窗口方法,以设定的电压长度δv为滑动窗口尺寸,以电压升高方向为窗口滑动方向;

20、根据设定的滑动窗口尺寸和滑动方向,窗口逐点滑动,记录每次滑动对应的窗口信息及窗口内数据点信息,直至涵盖所有数据点,滑动结束;

21、基于记录的窗口信息及窗口内数据点信息,若某个窗口包含多个数据点,在该窗口内逐点计算两点间斜率,并汇总共n-1个斜率值{m1,m2,…,mn-1},n为该窗口数据点的总数;

22、基于汇总的n-1个斜率值,计算该窗口对应的平均斜率,并据此迭代计算所有窗口对应的平均斜率;其中,第i个窗口对应的平均斜率mi定义为:

23、

24、作为可选择的实施方式,汇总所有窗口对应的平均斜率,记录最小平均斜率及其对应的窗口信息的过程包括:基于所述各窗口的平均斜率,汇总所有平均斜率{m1,m2,…};

25、提取最小平均斜率mmin及其对应的滑动窗口信息,包括该窗口内各数据点对应的电压值和充电量值。

26、作为可选择的实施方式,所述窗口极值电压为该窗口上下边界对应的最大电压值vmax和最小电压值vmin,累积充电量qc为该窗口内最后一个数据点对应的充电量值与第一个数据点对应的充电量值的差值。

27、作为可选择的实施方式,选择3b参数规模大语言模型作为大语言模型。

28、作为可选择的实施方式,根据多状态协同估计任务确定模型的输入和输出,并调整输入的过程包括:将模型输入设定为最大电压值vmax、最小电压值vmin、累积充电量qc,以及当前时刻电压值vt、当前时刻电流值it以及上一时刻健康状态估计值soht-1,将模型输出设定为健康状态、荷电状态和剩余使用寿命;

29、基于所述模型输入和输出,将输入类型调整为字符串类型,将输出类型调整为浮点数类型。

30、作为可选择的实施方式,对大语言模型进行改进的过程包括:基于模型输出类型和维度,为大语本文档来自技高网...

【技术保护点】

1.一种基于大语言模型的动力电池多状态协同估计方法,其特征是,包括以下步骤:

2.如权利要求1所述的一种基于大语言模型的动力电池多状态协同估计方法,其特征是,在随机充电行为下进行老化特征提取的过程包括:

3.如权利要求2所述的一种基于大语言模型的动力电池多状态协同估计方法,其特征是,获取动力电池在某一循环内的碎片化充电数据,并对所述碎片化充电数据进行筛选和组合,形成电压-充电量数据的过程包括:

4.如权利要求2所述的一种基于大语言模型的动力电池多状态协同估计方法,其特征是,所述窗口极值电压为该窗口上下边界对应的最大电压值Vmax和最小电压值Vmin,累积充电量Qc为该窗口内最后一个数据点对应的充电量值与第一个数据点对应的充电量值的差值。

5.如权利要求1所述的一种基于大语言模型的动力电池多状态协同估计方法,其特征是,根据多状态协同估计任务确定模型的输入和输出,并调整输入的过程包括:将模型输入设定为最大电压值Vmax、最小电压值Vmin、累积充电量Qc,以及当前时刻电压值Vt、当前时刻电流值It以及上一时刻健康状态估计值SOHt-1,将模型输出设定为健康状态、荷电状态和剩余使用寿命;

6.如权利要求1所述的一种基于大语言模型的动力电池多状态协同估计方法,其特征是,对大语言模型进行改进的过程包括:基于模型输出类型和维度,为大语言模型增加输出层模块,所述输出层模块包括多层线性层及其激活函数和归一化层,以实现维度由2048转为2,即健康状态和荷电状态;

7.如权利要求1所述的一种基于大语言模型的动力电池多状态协同估计方法,其特征是,以实际动力电池的历史获取数据为实际数据集,将实际数据集划分为训练集和测试集,训练集用于进行大语言模型的微调,测试集用于验证大语言模型的性能;

8.如权利要求1所述的一种基于大语言模型的动力电池多状态协同估计方法,其特征是,进行多状态协同估计的过程中,采用均方根误差作为评估健康状态和荷电状态估计性能的指标,采用达到预设健康阈值对应的循环次数的估计值和真实值间的差值dR作为评估剩余使用寿命预测性能的指标。

9.一种基于大语言模型的动力电池多状态协同估计系统,其特征是,包括:

10.如权利要求9所述的一种基于大语言模型的动力电池多状态协同估计系统,其特征是,所述特征提取模块,包括:

...

【技术特征摘要】

1.一种基于大语言模型的动力电池多状态协同估计方法,其特征是,包括以下步骤:

2.如权利要求1所述的一种基于大语言模型的动力电池多状态协同估计方法,其特征是,在随机充电行为下进行老化特征提取的过程包括:

3.如权利要求2所述的一种基于大语言模型的动力电池多状态协同估计方法,其特征是,获取动力电池在某一循环内的碎片化充电数据,并对所述碎片化充电数据进行筛选和组合,形成电压-充电量数据的过程包括:

4.如权利要求2所述的一种基于大语言模型的动力电池多状态协同估计方法,其特征是,所述窗口极值电压为该窗口上下边界对应的最大电压值vmax和最小电压值vmin,累积充电量qc为该窗口内最后一个数据点对应的充电量值与第一个数据点对应的充电量值的差值。

5.如权利要求1所述的一种基于大语言模型的动力电池多状态协同估计方法,其特征是,根据多状态协同估计任务确定模型的输入和输出,并调整输入的过程包括:将模型输入设定为最大电压值vmax、最小电压值vmin、累积充电量qc,以及当前时刻电压值vt、当前时刻电流值it以及上一时刻健康状态估计值soht-1,将模型输出设定为健康状态...

【专利技术属性】
技术研发人员:商云龙张震张承慧侯林飞王越
申请(专利权)人:山东大学
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1