本發(fā)明涉及soh估計(jì)方法，屬于電氣工程、電化學(xué)、計(jì)算機(jī)等交叉。

背景技術(shù)：

1、隨著新能源技術(shù)的快速發(fā)展，鋰電池作為清潔能源存儲(chǔ)和轉(zhuǎn)換的關(guān)鍵組件，在電動(dòng)汽車、移動(dòng)設(shè)備、儲(chǔ)能系統(tǒng)等多個(gè)領(lǐng)域得到了廣泛應(yīng)用。然而無論是否使用，電池的容量和性能都會(huì)進(jìn)行持續(xù)的非線性退化和衰減，這給電池的高效和安全運(yùn)行帶來了巨大的挑戰(zhàn)。因此，電池的健康管理，特別是準(zhǔn)確地健康狀態(tài)估計(jì)(state?of?health，soh)，對(duì)于確保設(shè)備安全運(yùn)行、延長電池壽命以及提高能量利用效率具有決定性意義。

2、目前，鋰電池soh的估計(jì)方法主要包括基于模型的方法或基于數(shù)據(jù)驅(qū)動(dòng)的方法?；谀Ｐ偷姆椒ㄒ蕾囉陔姵氐奈锢砘瘜W(xué)過程建立數(shù)學(xué)模型，雖然理論上可以提供精確的計(jì)算，但依賴于詳細(xì)且高質(zhì)量的電池參數(shù)和復(fù)雜且耗時(shí)的計(jì)算過程。傳統(tǒng)的基于數(shù)據(jù)驅(qū)動(dòng)的方法，如機(jī)器學(xué)習(xí)，能夠從大量數(shù)據(jù)中學(xué)習(xí)電池的退化模式，但在處理高維序列數(shù)據(jù)時(shí)存在效率和泛化能力的限制。因此，基于模型驅(qū)動(dòng)方法和傳統(tǒng)的機(jī)器學(xué)習(xí)方法在精度和效率上總是矛盾的?，F(xiàn)有缺少同時(shí)兼顧精度和效率的鋰電池soh的估計(jì)方法。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是為了解決現(xiàn)有缺少同時(shí)兼顧精度和效率的鋰電池soh的估計(jì)方法的問題，提出了融合注意力機(jī)制和深度卷積的鋰電池soh估計(jì)方法。

2、融合注意力機(jī)制和深度卷積的鋰電池soh估計(jì)方法，所述方法包括以下步驟：

3、步驟1、采集鋰電池在每次充放電循環(huán)下的電壓數(shù)據(jù)、電流數(shù)據(jù)和當(dāng)前可用最大容量，根據(jù)當(dāng)前可用最大容量計(jì)算獲得soh；

4、步驟2、利用多種統(tǒng)計(jì)學(xué)方法對(duì)每次充放電循環(huán)下的電壓和電流數(shù)據(jù)進(jìn)行處理，得到多種衰退特征；

5、步驟3、衰退特征篩選：獲得同一種衰退特征與soh的皮爾遜相關(guān)系數(shù)和與soh的斯皮爾曼相關(guān)系數(shù)的平均值，作為該衰退特征的相關(guān)系數(shù)；從多種衰退特征的相關(guān)系數(shù)中選出最大值所對(duì)應(yīng)的衰退特征作為最優(yōu)衰退特征；

6、步驟4、將最優(yōu)衰退特征作為融合注意力機(jī)制和深度卷積神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)，將最優(yōu)衰退特征所對(duì)應(yīng)的soh作為融合注意力機(jī)制和深度卷積神經(jīng)網(wǎng)絡(luò)的輸出數(shù)據(jù)；

7、步驟5、利用輸入數(shù)據(jù)和輸出數(shù)據(jù)訓(xùn)練融合注意力機(jī)制和深度卷積神經(jīng)網(wǎng)絡(luò)，得到訓(xùn)練完成的深度可分離卷積神經(jīng)網(wǎng)絡(luò)融合注意力機(jī)制和深度卷積神經(jīng)網(wǎng)絡(luò)；

8、步驟6、利用多種統(tǒng)計(jì)學(xué)方法對(duì)待測鋰電池每次充放電循環(huán)下的電壓和電流數(shù)據(jù)進(jìn)行處理，得到多種衰退特征，并通過衰退特征篩選方式篩選出待測鋰電池的最優(yōu)衰退特征，并將其輸入至訓(xùn)練完成的融合注意力機(jī)制和深度卷積神經(jīng)網(wǎng)絡(luò)中，預(yù)測出該鋰電池的soh。

9、優(yōu)選地，步驟1中，soh表示為：

10、

11、式中，cn為當(dāng)前可用最大容量，c0為電池額定容量。

12、優(yōu)選地，步驟2中，多種衰退特征包括恒壓充電時(shí)間、恒流充電時(shí)間、恒流充電容量、恒壓充電容量、充電電壓均值、充電電流均值、電壓方差、電流方差、電壓偏度、電流偏度、電壓曲線峰度、電流曲線峰度、最大電壓值、最大電流值、最小電壓值、最小電流值、ic曲線的斜率和ic曲線的峰值。

13、優(yōu)選地，充電容量q，表示為：

14、q＝∫idt公式2，

15、式中，i為電流；

16、方差s2，表示為：

17、

18、式中，n為該次衰退循環(huán)中的電壓或電流個(gè)數(shù)，xi為一次充放電循環(huán)過程中第i個(gè)電壓或電流值，為該次衰退循環(huán)中所有電壓或電流的均值；

19、偏度skewness，表示為：

20、

21、峰度，表示為：

22、

23、優(yōu)選地，步驟2中，ic曲線的峰值為：

24、對(duì)每次充放電循環(huán)下每兩個(gè)時(shí)間點(diǎn)間的電流進(jìn)行積分，得到截止當(dāng)前的累計(jì)容量q，根據(jù)每次充放電循環(huán)下的累計(jì)容量q和對(duì)應(yīng)電壓序列，得到容量-電壓曲線段，對(duì)容量-電壓曲線求導(dǎo)得到dq/dv曲線作為ic曲線，獲得ic曲線的峰值。

25、優(yōu)選地，步驟3中，皮爾遜相關(guān)系數(shù)r，表示為：

26、

27、式中，ki為衰退特征序列的第i個(gè)值，k為衰退特征序列所有值的平均值，yi為對(duì)應(yīng)的soh序列中第i個(gè)值，為soh序列的均值；

28、斯皮爾曼相關(guān)系數(shù)ρ，表示為：

29、

30、式中，di為每種衰退特征與soh的秩序統(tǒng)計(jì)量之差。

31、優(yōu)選地，步驟4中，融合注意力機(jī)制和深度卷積神經(jīng)網(wǎng)絡(luò)包括窗口向量嵌入層、多頭自注意力層、深度可分離卷積層、多層感知機(jī)和一號(hào)全連接層；

32、窗口向量嵌入層，用于將最優(yōu)衰退特征轉(zhuǎn)換成高維度特征；

33、多頭自注意力層，用于對(duì)高維度特征依次進(jìn)行加權(quán)處理、線性變換、標(biāo)準(zhǔn)化處理和特征融合，獲得最終的融合特征；

34、深度可分離卷積層，用于對(duì)最終的融合特征進(jìn)行數(shù)據(jù)處理，得到處理后的特征，發(fā)送至多層感知機(jī)；

35、多層感知機(jī)，用于提取處理后的特征中的全局和局部信息，并對(duì)提取的全局和局部信息進(jìn)行標(biāo)準(zhǔn)化處理，得到處理后的特征，發(fā)送至一號(hào)全連接層；

36、一號(hào)全連接層，用于通過線性變換將處理后的特征映射到單一的soh估計(jì)值，輸出鋰電池的soh估計(jì)值。

37、優(yōu)選地，多頭自注意力層包括二號(hào)全連接層、三號(hào)全連接層、一號(hào)歸一化層、殘差注意力層、融合層和規(guī)范化后的點(diǎn)積注意力機(jī)制；

38、二號(hào)全連接層，用于將高維度特征進(jìn)行加權(quán)處理，得到處理后的特征；

39、規(guī)范化后的點(diǎn)積注意力機(jī)制，用于將處理后的特征投影到一個(gè)空間，該空間中有3種向量，分別為查詢向量、鍵向量和值向量，對(duì)處理后的每個(gè)特征在每個(gè)查詢向量和每個(gè)鍵向量上的投影做乘積計(jì)算，采用softmax函數(shù)對(duì)每個(gè)計(jì)算結(jié)果進(jìn)行歸一化，得到每個(gè)歸一化后的結(jié)果，對(duì)每個(gè)歸一化后的結(jié)果和處理后的對(duì)應(yīng)特征在值向量上的投影做乘積計(jì)算，對(duì)多個(gè)計(jì)算結(jié)果進(jìn)行加權(quán)和計(jì)算；

40、融合層，用于將規(guī)范化后的點(diǎn)積注意力機(jī)制輸出的計(jì)算結(jié)果與高維度特征進(jìn)行融合，得到融合后的特征；

41、三號(hào)全連接層，用于對(duì)融合后的特征進(jìn)行線性變換，生成變換后的特征；

42、一號(hào)歸一化層，用于對(duì)變換后的特征進(jìn)行標(biāo)準(zhǔn)化處理，生成具有全局性和細(xì)節(jié)性的特征；

43、殘差注意力層，用于對(duì)高維度特征進(jìn)行殘差連接處理，得到經(jīng)過殘差連接處理的特征；

44、對(duì)具有全局性和細(xì)節(jié)性的特征和經(jīng)過殘差連接處理的特征進(jìn)行融合，輸出最終的融合特征。

45、優(yōu)選地，深度可分離卷積層包括一號(hào)點(diǎn)卷積層、深度卷積層、二號(hào)點(diǎn)卷積層和二號(hào)歸一化層；

46、一號(hào)點(diǎn)卷積層，用于采用逐點(diǎn)卷積操作壓縮最終的融合特征維度，得到壓縮后的特征；

47、深度卷積層，用于對(duì)壓縮后的特征進(jìn)行逐通道的空間卷積操作，提取每個(gè)通道的空間特征；

48、二號(hào)點(diǎn)卷積層，用于通過逐點(diǎn)卷積操作將各通道的空間特征整合，得到整合后的特征；

49、二號(hào)歸一化層，用于對(duì)整合后的特征進(jìn)行標(biāo)準(zhǔn)化處理，得到處理后的特征。

50、優(yōu)選地，多層感知機(jī)包括四號(hào)全連接層、五號(hào)全連接層和三號(hào)歸一化層；

51、四號(hào)全連接層，用于通過全連接操作提取處理后的特征，得到提取后的特征；

52、五號(hào)全連接層，用于對(duì)提取后的特征進(jìn)行特征提取，得到全局和局部信息；

53、三號(hào)歸一化層，用于對(duì)全局和局部信息進(jìn)行標(biāo)準(zhǔn)化處理，得到處理后的特征。

54、本發(fā)明的有益效果是：

55、本發(fā)明采用皮爾遜相關(guān)系數(shù)和斯皮爾曼相關(guān)系數(shù)取平均值的方式，提取對(duì)電池衰退影響顯著的特征，作為最優(yōu)特征，從而減少模型計(jì)算負(fù)擔(dān)。

56、本發(fā)明首次創(chuàng)造性地結(jié)合兩種最前沿的深度學(xué)習(xí)技術(shù)和殘差注意力機(jī)制并精簡了模型結(jié)構(gòu)，將其成功應(yīng)用于soh估計(jì)領(lǐng)域，具體為利用了深度可分離卷積結(jié)構(gòu)對(duì)于局部差異特征的敏感性以及transformer模型中多頭自注意力機(jī)制對(duì)于長期特征的強(qiáng)大捕捉能力以及并行計(jì)算能力，以此來在提高模型預(yù)測精度的同時(shí)大大減少了計(jì)算所需時(shí)間和計(jì)算空間資源，使其能夠部署在資源受限的移動(dòng)設(shè)備上。本發(fā)明的方法通過輕量化網(wǎng)絡(luò)結(jié)構(gòu)并組合多頭自注意力機(jī)制和深度可分離卷積模塊來實(shí)現(xiàn)更高效的電池健康狀態(tài)預(yù)測。

57、因此，本發(fā)明實(shí)現(xiàn)了對(duì)電池健康狀態(tài)(soh)的高精度預(yù)測，同時(shí)顯著降低對(duì)計(jì)算資源的需求。這一目標(biāo)對(duì)于將人工智能(ai)技術(shù)集成到電池管理系統(tǒng)(bms)中至關(guān)重要，它將使bms能夠以更高效和精確的方式進(jìn)行電池健康管理，優(yōu)化電池的使用壽命，提高能源利用效率，并確保電池在各種應(yīng)用場景中的安全性和可靠性。

58、本發(fā)明不僅在技術(shù)上具有創(chuàng)新性，而且在提高電池管理系統(tǒng)性能、降低能耗和推動(dòng)新能源技術(shù)應(yīng)用方面具有顯著的社會(huì)效益和市場應(yīng)用潛力。