基于多特征融合LSTM网络的锂电池RUL估计方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115980584A(43)申请公布日2023.04.18(21)申请号202310081931.8G01R31/385(2019.01)(22)申请日2023.02.08G01R31/392(2019.01)G01R31/396(2019.01)(71)申请人合肥工业大学G06F18/25(2023.01)地址230009安徽省合肥市包河区屯溪路G06N3/0442(2023.01)193号G06N3/08(2023.01)申请人天津华致能源科技有限公司(72)发明人王晓华倪南冰周安如尹陆军戴科(74)专利代理机构安徽省合肥新安专利代理有限责任公司34101专利代理师陆丽莉何梅生(51)Int.Cl.G01R31/36(2020.01)G01R31/367(2019.01)G01R31/378(2019.01)权利要求书3页说明书8页附图2页(54)发明名称基于多特征融合LSTM网络的锂电池RUL估计方法(57)摘要本发明公开了一种基于多特征融合LSTM网络的锂电池RUL估计方法，包括：1.获取实验室环境下的电池充放电数据集以及自然环境下的数据集；2.建立多特征融合模块，实现高维数据降维、特征融合以及多特征重加权；3.建立基于局部和全局特征联合的LSTM网络，提取时序之间的局部特征以及数据整体趋势的全局特征；并将局部去全局特征融合计算得到下一时刻预测值；4.构建均方损失函数，优化模型参数。本发明充分考虑了电池的容量特征以及电流、电压、温度等辅助特征对电池容量预测的影响，提高了电池RUL预测精度；从而能对工业生产以及电池储能相关行业有更好的辅助作用，保证电池数据的可靠性，提高生产效率。CN115980584ACN115980584A权利要求书1/3页1.一种基于多特征融合LSTM网络的锂电池RUL估计方法，其特征在于，包括以下步骤：步骤S1、获取室内环境下电池在K次放电过程中的电压、电流、温度以及放电结束时的电池容量并构成电池放电数据集；将所述电池充放电数据集中第k次放电过程第i时刻的电压序列记为记第k次放电过程第i时刻的电流记为第k次放电过程中第i时刻的温度序列记为第k次放电结束时的电池容量记为Ck；其中，表示第k次放电过程中第i时刻的电压；表示第k次放电过程中第i时刻的电流；表示表示第k次放电过程中第i时刻的温度；步骤S2、建立基于卷积神经网络的多特征融合网络，包括：高维特征降维模块、特征融合模块和重加权模块；步骤S2.1、所述高维特征降维模块是基于一维卷积神经网络，并依次包括：第一卷积块、第二卷积块、第三卷积块、第四特征计算块；其中，所述第四特征计算块由一个平均池化层和全连接层构成；将第k次放电过程中的电压序列电流序列温度序列输入所述高维特征降维模块中进行特征提取，得到第k次放电过程中的特征向量其中，表示第k次放电过程中的电压特征向量，表示第k次放电过程中的电流特征向量，表示第k次放电过程中的温度特征向量；步骤S2.2、所述特征融合模块将所述的特征向量V′k与Ck拼接后构成第k次放电过程中的输入特征向量，对第k次放电过程中的输入特征向量进行均值方差的归一化处理，得到归一化后的第k次放电过程中的融合特征向量其中，表示电压融合特征向量，表示电流融合特征向量，表示温度融合特征向量，表示容量融合特征向量；步骤S2.3、所述重加权模块包括一个全连接层和一个softmax层；将所述第k次放电过程中的融合特征向量Vk通过tanh函数的处理后，得到临时向量将依次通过全连接层、softmax层的计算后得到第k次放电过程中的重加权向量其中，到分别为到的重加权因子；将重加权向量Rk和特征向量Vk进行按位相乘，从而得到第k次放电过程中的多特征融合向量其中，代表第k次放电过程中的电压多特征融合向量，代表第k次放电过程中的电流多特征融合向量，代表第k次放电过程中的温度多特征融合向量，代表容量多特征融合向量，进而得到K次放电过程中的多特征融合向量所构成的多特征融合矩阵D＝{(D1)T,(D2)T,...,(Dk)T,...,(DK)T}，其中，符号T代表矩阵的转置；步骤S3、构建基于局部和全局特征联合的LSTM网络，包括：长短期记忆网络LSTM、局部注意力模块、全局注意力模块和局部全局特征融合模块；步骤S3.1、所述长短期记忆网络LSTM，包括：E个记忆细胞，用于对多特征融合矩阵D进行上下文相关知识的训练学习；设置滑动窗口的长度为E，并对多特征融合矩阵D进行滑窗处理，得到M个不同滑动窗口2CN115980584A权利要求书2/3页下的多特征融合序列；将第m个滑动窗口下的多特征融合序列输入所述长短期记忆网络LSTM中进行处理，从而由E个记忆细胞输出第m个滑动窗口中的隐藏层输出向量集合其中，