本發(fā)明屬于鋰電池溫度預(yù)測(cè)領(lǐng)域，涉及一種基于gru-sam模型的動(dòng)力鋰電池溫度預(yù)測(cè)方法。

背景技術(shù)：

1、動(dòng)力鋰電池具有高作業(yè)電壓、大能量密度、強(qiáng)充放電功率、低環(huán)境污染等優(yōu)異性能，被廣泛應(yīng)用于新能源汽車、智能電網(wǎng)、車聯(lián)網(wǎng)等眾多關(guān)鍵戰(zhàn)略領(lǐng)域的儲(chǔ)能裝置。隨著動(dòng)力鋰電池的廣泛使用，對(duì)動(dòng)力鋰電池進(jìn)行安全管理越來越重要。動(dòng)力鋰電池的性能和安全受電池溫度的影響。一方面，在充放電過程中，由于放熱反應(yīng)和內(nèi)阻，鋰電池內(nèi)部會(huì)產(chǎn)生大量熱，如果熱量不能及時(shí)散發(fā)，將導(dǎo)致溫度持續(xù)上升，嚴(yán)重時(shí)就會(huì)發(fā)生熱失控，鋰電池會(huì)隨著溫度和壓力的升高而破裂甚至爆炸。另一方面，在極高和極低的溫度下，鋰離子電池的容量會(huì)嚴(yán)重下降，導(dǎo)致soh不良。同時(shí)許多研究表明，各種電池故障都會(huì)導(dǎo)致溫度異常。因此，提供及時(shí)警告的實(shí)時(shí)溫度預(yù)報(bào)對(duì)于確保鋰電池的正常運(yùn)行和安全至關(guān)重要。

2、然而動(dòng)力鋰電池的復(fù)雜性、非線性和耦合效應(yīng)使得溫度預(yù)測(cè)成為一項(xiàng)困難的任務(wù)，現(xiàn)有的動(dòng)力鋰電池溫度預(yù)測(cè)技術(shù)，仍存在一些問題和挑戰(zhàn)：

3、(1)在溫度預(yù)測(cè)領(lǐng)域有許多模擬熱場(chǎng)的物理模型，如newman模型和bernardi模型。但物理模型在應(yīng)用中也有其局限性，在面對(duì)不同的電池類型、使用環(huán)境和負(fù)載條件時(shí)，由于物理模型不具有通用性，模擬方法必須對(duì)每種情況進(jìn)行計(jì)算，這將造成很大的工作量。

4、(2)隨著大數(shù)據(jù)和人工智能技術(shù)的發(fā)展，越來越多的研究開始采用數(shù)據(jù)驅(qū)動(dòng)的方法來進(jìn)行溫度預(yù)測(cè)，基于rnn框架如lstm、gru等模型能有效預(yù)測(cè)時(shí)序數(shù)據(jù)，在電池溫度預(yù)測(cè)方面有著很大優(yōu)勢(shì)，然而rnn的結(jié)構(gòu)導(dǎo)致其無法處理遠(yuǎn)距離數(shù)據(jù)，會(huì)遺忘長期信息，因此它們只能在短時(shí)間內(nèi)進(jìn)行準(zhǔn)確的參數(shù)預(yù)測(cè)，導(dǎo)致預(yù)測(cè)窗口長度不足。

5、(3)鋰電池內(nèi)部多變量深度耦合，鋰電池在不同工作狀態(tài)下輸入與輸出之間的映射會(huì)有所不同。在實(shí)際應(yīng)用中，有時(shí)僅用一個(gè)模型可能很難準(zhǔn)確預(yù)測(cè)電池溫度。

6、(4)動(dòng)力鋰電池溫度預(yù)測(cè)的準(zhǔn)確性很大程度上依賴于輸入數(shù)據(jù)的質(zhì)量和可靠性。然而，現(xiàn)實(shí)中采集的電池?cái)?shù)據(jù)可能存在噪聲、缺失值和異常值等問題，這會(huì)影響模型的訓(xùn)練和預(yù)測(cè)效果。

技術(shù)實(shí)現(xiàn)思路

1、有鑒于此，本發(fā)明的目的在于提供一種基于gru-sam模型的動(dòng)力鋰電池溫度預(yù)測(cè)方法，以提高溫度預(yù)測(cè)模型的準(zhǔn)確性、泛化性和魯棒性。

2、為達(dá)到上述目的，本發(fā)明提供如下技術(shù)方案：

3、一種基于gru-sam模型的動(dòng)力鋰電池溫度預(yù)測(cè)方法，其包括：

4、s1、采集動(dòng)力鋰電池充放電數(shù)據(jù)，并建立訓(xùn)練樣本集和測(cè)試樣本集；

5、s2、利用k-means聚類算法，對(duì)所述訓(xùn)練樣本集的特征數(shù)據(jù)進(jìn)行分簇，得到體現(xiàn)鋰電池不同工作狀態(tài)的訓(xùn)練樣本子集；

6、s3、建立并訓(xùn)練去噪自編碼器dae，采用訓(xùn)練好的去噪自編碼器dae處理步驟s2中分簇的訓(xùn)練樣本子集，獲得不同簇的去噪后的樣本集；

7、s4、構(gòu)建基于一維卷積層和gru-sam模型的溫度預(yù)測(cè)模型，通過步驟s3中獲得的樣本集訓(xùn)練所述溫度預(yù)測(cè)模型；

8、s5、將經(jīng)過聚類分析和降噪后的測(cè)試樣本集輸入到訓(xùn)練好的溫度預(yù)測(cè)模型對(duì)鋰電池溫度進(jìn)行預(yù)測(cè)。

9、進(jìn)一步的，步驟s1包括：

10、s11、對(duì)鋰電池進(jìn)行循環(huán)充放電測(cè)試，直到鋰電池的放電容量低于標(biāo)稱容量的80％或鋰電池發(fā)生熱失控而報(bào)廢，并實(shí)時(shí)記錄鋰電池充放電過程中的充放電數(shù)據(jù)，其中，所述充放電數(shù)據(jù)包括電流、電壓和溫度時(shí)序數(shù)據(jù)；

11、s12、確定輸入數(shù)據(jù)時(shí)間步長n以及預(yù)測(cè)溫度時(shí)序長度l；將前n個(gè)時(shí)間步的電流、電壓和溫度序列作為一個(gè)樣本的特征數(shù)據(jù)，后l個(gè)時(shí)間步的溫度序列作為一個(gè)樣本的標(biāo)簽數(shù)據(jù)；基于確定的參數(shù)對(duì)充放電數(shù)據(jù)沿時(shí)間軸方向切片，得到樣本數(shù)據(jù)集，并按比例隨機(jī)劃分訓(xùn)練樣本集和測(cè)試樣本集。

12、進(jìn)一步的，步驟s2包括：

13、s21、提取所述訓(xùn)練樣本集中特征數(shù)據(jù)各特征序列的平均值、最大值、最小值、標(biāo)準(zhǔn)差和偏度，用于k-means聚類算法；

14、s22、樣本之間的距離度量采用歐氏距離，每個(gè)樣本被劃分到與其距離最近的簇中心所在的簇中；重復(fù)更新簇中心直到中心不再移動(dòng)。

15、進(jìn)一步的，步驟s3中，所述去噪自編碼器dae包括依次連接輸入層、歸一化層、編碼器、解碼器和輸出層；

16、其訓(xùn)練過程包括：隨機(jī)將訓(xùn)練樣本各特征序列的m個(gè)數(shù)據(jù)設(shè)置為零，并加入高斯噪聲，得到損壞的輸入數(shù)據(jù)xc，將xc輸入去噪自編碼器dae中進(jìn)行訓(xùn)練；訓(xùn)練過程中，利用梯度下降和反向傳播算法更新去噪自編碼器dae的權(quán)重和偏置直至收斂。

17、進(jìn)一步的，步驟s4中，構(gòu)建所述溫度預(yù)測(cè)模型時(shí)，需要針對(duì)每一個(gè)所述訓(xùn)練樣本子集構(gòu)建一個(gè)對(duì)應(yīng)的溫度預(yù)測(cè)模型。

18、溫度預(yù)測(cè)模型的訓(xùn)練過程包括：

19、s41、選擇步驟s3中得到的不同簇的去噪后的樣本集，分別訓(xùn)練各樣本集對(duì)應(yīng)的溫度預(yù)測(cè)模型；

20、對(duì)于其中的樣本i，其輸入數(shù)據(jù)αi和對(duì)應(yīng)標(biāo)簽數(shù)據(jù)γi分別表示為：

21、

22、γi＝(tn+1，tn+2，…，tn+l)

23、式中，dn為樣本i中鋰電池第n個(gè)時(shí)間步的數(shù)據(jù)；in、vn、tn分別為第n個(gè)時(shí)間步的電流、電壓和溫度；

24、s42、將輸入數(shù)據(jù)αi經(jīng)過一維卷積層擴(kuò)充特征得到二維張量βi，βi輸入gru網(wǎng)絡(luò)中并逐步輸出各個(gè)時(shí)間步的隱藏狀態(tài)；

25、s43、每個(gè)時(shí)間步的隱藏狀態(tài)均組成二維張量h，通過sam模塊并行處理gru網(wǎng)絡(luò)輸出的隱藏狀態(tài)，如下式所示：

26、q＝hwq，k＝hwk，v＝hwv

27、式中，q、k、v分別表示由query向量、key向量、value向量組成的矩陣，wq、wk、wv表示權(quán)重矩陣；

28、得到sam模塊的輸出張量o為；

29、

30、取o中最后一個(gè)時(shí)間步輸出的向量，通過線性激活層得到溫度預(yù)測(cè)值；

31、s44、使用adam優(yōu)化算法對(duì)溫度預(yù)測(cè)模型的訓(xùn)練過程進(jìn)行優(yōu)化直至溫度預(yù)測(cè)模型收斂。

32、進(jìn)一步的，步驟s5中，預(yù)測(cè)鋰電池溫度時(shí)，需先對(duì)鋰電池?cái)?shù)據(jù)進(jìn)行聚類分簇和降噪，然后將分好簇的數(shù)據(jù)輸入到訓(xùn)練好的對(duì)應(yīng)的溫度預(yù)測(cè)模型中進(jìn)行溫度預(yù)測(cè)。

33、本發(fā)明的有益效果在于：

34、(1)本發(fā)明是基于數(shù)據(jù)驅(qū)動(dòng)的方法，擁有很強(qiáng)的適應(yīng)性和實(shí)際應(yīng)用潛力。

35、(2)本發(fā)明利用k-means聚類算法對(duì)特征數(shù)據(jù)分簇，得到體現(xiàn)鋰電池不同工作狀態(tài)的數(shù)據(jù)樣本子集，屬于同一聚類的數(shù)據(jù)具有相似的內(nèi)部特征，在基于劃分好的子集進(jìn)行分類建模時(shí)，能夠有效提高模型的效果和表現(xiàn)。

36、(3)本發(fā)明采用去噪自編碼器dae對(duì)輸入數(shù)據(jù)進(jìn)行去噪，現(xiàn)實(shí)中采集的電池?cái)?shù)據(jù)可能存在噪聲、缺失值和異常值等問題，如果將未經(jīng)去噪的原始數(shù)據(jù)直接輸入神經(jīng)網(wǎng)絡(luò)，將嚴(yán)重破壞網(wǎng)絡(luò)模型的預(yù)測(cè)精度。dae訓(xùn)練時(shí)會(huì)對(duì)輸入數(shù)據(jù)人為地進(jìn)行損壞并嘗試復(fù)原數(shù)據(jù)，這有助于提高模型對(duì)于噪聲和干擾的魯棒性。

37、(4)本發(fā)明使用一維卷積層對(duì)時(shí)序數(shù)據(jù)的特征進(jìn)行擴(kuò)充，從輸入序列中提取更豐富的特征表示，增強(qiáng)模型的表達(dá)能力。

38、(5)本發(fā)明的溫度預(yù)測(cè)方法基于gru-sam模型，即采用門控循環(huán)單元gru與自注意力機(jī)制sam相結(jié)合的神經(jīng)網(wǎng)絡(luò)，自注意力機(jī)制sam會(huì)同時(shí)考慮序列所有位置的信息，能夠捕捉長距離的依賴關(guān)系，因此將gru與自注意力機(jī)制結(jié)合能夠更好地整合其相對(duì)短期的輸出數(shù)據(jù)，改善rnn結(jié)構(gòu)的長期記憶力不足的問題，提高模型的精度。

39、本發(fā)明的其他優(yōu)點(diǎn)、目標(biāo)和特征在某種程度上將在隨后的說明書中進(jìn)行闡述，并且在某種程度上，基于對(duì)下文的考察研究對(duì)本領(lǐng)域技術(shù)人員而言將是顯而易見的，或者可以從本發(fā)明的實(shí)踐中得到教導(dǎo)。本發(fā)明的目標(biāo)和其他優(yōu)點(diǎn)可以通過下面的說明書來實(shí)現(xiàn)和獲得。