【技术实现步骤摘要】
本专利技术属于锂离子电池状态预测，具体涉及基于transformer的锂电池健康状态估计方法。
技术介绍
1、在众多储能技术中，电池储能系统（bess）市场占比已超过30%，尤其在电网规模和分布式能源存储应用中，这一比例持续增长。锂离子电池因其高能量密度、长使用寿命、快速充放电能力和低自放电率等优势，以及较低的维护成本，被广泛应用于电动汽车充电站、可再生能源平滑供应和电网频率与电压调节等领域，全球bess市场中锂离子电池的占比已超过80%，成为主流选择。
2、目前，常用的锂离子电池soh估计方法主要包括两大类：基于模型的方法和基于数据驱动的方法。基于模型的方法包括电化学模型、等效电路模型等，但这些方法需建立复杂模型，并不能完全捕捉电池的非线性行为，其估计精度往往依赖于模型参数的准确性。随着人工智能技术的发展，越来越多的学者开始使用基于数据驱动的方法估计电池soh。这类方法无需构建物理模型，而是直接利用电池的充放电电压、电流和温度数据进行学习，能够揭示soh与特征因子间的复杂非线性关系，具备较强的适应性和高实时性。数据驱动的方法通常包括回归模型、支持向量机（svm）、极限学习机（elm）、贝叶斯网络以及神经网络等。然而，神经网络在处理长序列时容易出现长依赖性问题，难以捕捉长距离信息。其特征提取能力相对较弱，可能无法充分捕捉复杂的模式和关系。同时，神经网络在扩展时可能面临梯度消失或爆炸的问题。
技术实现思路
1、为了解决现有技术中存在的问题，本专利技术提供基于transfo
2、为实现上述目的，本专利技术提供了如下方案：
3、基于transformer的锂电池健康状态估计方法，所述方法包括：
4、基于锂离子电池的基本结构以及工作特性，建立锂离子电池老化数据集；
5、对所述锂离子电池老化数据集进行异常值处理以及特征提取，获得特征因子；
6、计算所述特征因子与锂离子电池的原始容量序列之间的相关度，获得满足预设相关度阈值的特征因子；
7、基于完全自适应噪声集合经验模态分解算法分解所述原始容量序列，获得不同频率的本征模态函数；
8、将满足预设相关阈值的特征因子作为transformer模型的输入序列，将所述本征模态函数作为变压器模的预测序列，训练transformer模型；
9、结合sin混沌映射、自适应动态权重因子及反向学习-柯西交替变异策略改进麻雀搜索算法，并利用改进后的麻雀搜索算法优化训练好的transformer模型，获得锂离子电池健康状态估计模型；
10、基于锂离子电池健康状态估计模型，对待估计锂离子电池健康状态进行估计，获得锂离子电池健康状态估计值。
11、可选的，获得不同频率的本征模态函数的方法包括：
12、向原始容量序列中加入白噪声，获得加噪容量序列；
13、对所述加噪容量序列进行经验模态分解，获得第一个本征模态函数；
14、对第一个本征模态函数进行平均，获得原始容量序列经过完全自适应噪声集合经验模态分解的第一个模态分量；
15、去除原始容量序列中的第一个模态分量，获得第一残差序列；
16、向所述第一残差序列加入新的白噪声，获得加噪残差序列；
17、对所述加噪残差序列进行经验模态分解，获得原始容量序列的第二个模态分量；
18、在所述第一残差序列中去除所述第二个模态分量，获得第二残差序列；
19、重复提取残差序列的模态分量，直至剩余残差序列满足预设要求，获得不同频率的本征模态函数。
20、可选的，所述transformer模型包括输入块、编码器、解码器以及输出块；其中，编码器与解码器均包括多个堆叠的注意力层和前馈网络，解码器还包括掩码多头注意力层。
21、可选的，改进麻雀搜索算法的方法包括：
22、基于映射折叠次数无限的sin混沌映射对麻雀搜索算法进行种群初始化，获得映射后的种群个体位置；
23、基于预设的适应度函数，将种群个体划分为发现者和追随者；其中，发现者用于探索全局最优解所在位置的发现者，追随者用于围绕发现者进行局部搜索；
24、引入自适应动态权重因子，更新发现者和追随者的位置，获得当前全局最优解；
25、基于反向学习-柯西交替变异策略，对当前全局最优解进行扰动，获得新的解；
26、基于精英原则，比较新的解与所述当前全局最优解的位置的适应度值，并基于所述适应度值，判断是否更新当前全局最优解所在的位置。
27、可选的，获得映射后的种群个体位置方法包括：
28、基于映射折叠次数无限的sin混沌映射，生成混沌序列：
29、，
30、将生成的混沌序列线性映射于搜索空间：
31、，
32、其中，为混沌序列，xn为sin混沌映射中的一个变量，表示混沌序列中的第n个值，和分别是搜索变量的下限与上限，为混沌序列的第个值，为映射后的种群个体位置。
33、可选的，引入自适应动态权重因子，更新发现者和追随者的位置的方法包括：
34、基于自适应动态权重因子以及位置更新迭代过程中产生的全局最优解，对发现者位置进行更新，更新公式如下：
35、
36、式中，表示在第次迭代中第个发现者个体在维的位置；表示第次迭代中的全局最优解；是服从[0,1]正态分布的随机数，f为预警值，s为安全值；rand为随机生成函数，用于生成随机数；为自适应动态权重因子；表示最大迭代次数；
37、基于发现者的位置以及当前全局最差个体，对追随者位置进行更新，更新公式如下：
38、，
39、式中，表示当前全局最差个体；是第个发现者的位置；用于调节位移方向；为的矩阵，矩阵内每个元素均为1，m是麻雀搜索算法中个体的总数。
40、可选的，利用改进后的麻雀搜索算法优化训练好的transformer模型包括优化transformer模型的注意力机制头数、初始学习率以及l2正则化系数。
41、与现有技术相比，本专利技术的有益效果为：
42、1.利用ceemdan分解并剔除包含容量再生噪声的高频imfs，从而确保输入模型的特征序列更为干净。这种噪声剔除机制提高了模型的预测精度，减少了噪声引起的误差，同时在保持空间复杂度不变的情况下，有效降低了算法的时间复杂度，增强了模型的收敛性和鲁棒性。
43、2.采用sin混沌映射替代随机初始化种群，降低了算法陷入局部最优解的风险。引入时变权重因子到个体位置更新公式中，扩大搜索范围并实现局部精准开发。反向学习-柯西变异交替变异策略平衡了全局探索与局部开发能力，利用多策略融合的ssa优化transformer模型的参数设置，提高模本文档来自技高网...
【技术保护点】
1.基于Transformer的锂电池健康状态估计方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于Transformer的锂电池健康状态估计方法，其特征在于，获得不同频率的本征模态函数的方法包括：
3.根据权利要求1所述的基于Transformer的锂电池健康状态估计方法，其特征在于，所述Transformer模型包括输入块、编码器、解码器以及输出块；其中，编码器与解码器均包括多个堆叠的注意力层和前馈网络，解码器还包括掩码多头注意力层。
4.根据权利要求1所述的基于Transformer的锂电池健康状态估计方法，其特征在于，改进麻雀搜索算法的方法包括：
5.根据权利要求4所述的基于Transformer的锂电池健康状态估计方法，其特征在于，获得映射后的种群个体位置方法包括：
6.根据权利要求4所述的基于Transformer的锂电池健康状态估计方法，其特征在于，引入自适应动态权重因子，更新发现者和追随者的位置的方法包括：
7.根据权利要求4所述的基于Transformer的锂电池健康状态估计方法
...【技术特征摘要】
1.基于transformer的锂电池健康状态估计方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于transformer的锂电池健康状态估计方法，其特征在于，获得不同频率的本征模态函数的方法包括：
3.根据权利要求1所述的基于transformer的锂电池健康状态估计方法，其特征在于，所述transformer模型包括输入块、编码器、解码器以及输出块；其中，编码器与解码器均包括多个堆叠的注意力层和前馈网络，解码器还包括掩码多头注意力层。
4.根据权利要求1所述的基于transformer的锂电池健康状态估计方法，其特征在...
【专利技术属性】
技术研发人员：时浩添，李杨，黄琦，陈蕾，刘春梅，李浩然，朱玉玉，李珂，范永存，曹文，聂诗良，于春梅，
申请(专利权)人：西南科技大学，
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。