本發明專利技術公開了一種基于鋰電池特征關系及卷積Transformer神經網絡的壽命預測方法，屬于鋰電池壽命預測技術領域，獲取鋰電池特征向量；將鋰電池特征向量劃分為訓練集、驗證集和測試集；構建使用壽命預測模型，結合卷積注意力機制和Transformer網絡得到使用壽命預測模型；利用訓練集訓練使用壽命預測模型，獲得訓練好的使用壽命預測模型；將驗證集輸入訓練好的使用壽命預測模型中進行驗證，得到驗證后的使用壽命預測模型；將測試集輸入驗證后的使用壽命預測模型，得到鋰電池的壽命預測結果。本發明專利技術有助于對鋰電池剩余使用壽命進行有效預測，實現大規模數據下鋰電池的壽命預測，更具有普遍性。
【技術實現步驟摘要】
本專利技術涉及鋰電池壽命預測，更具體的說是涉及一種基于鋰電池特征關系及卷積transformer神經網絡的壽命預測方法。
技術介紹
1、鋰電池是最為常見的動力電池之一，被廣泛應用于新能源汽車、儲能等多個領域。確保工業生產長期安全的一個重要環節就是鋰電池壽命預測。一旦鋰電池發生故障，將會引發巨大的經濟和時間損失，甚至可能導致重大事故或人員傷亡。因此，為了防范這種情況，追求一種完善的壽命預測方法顯得至關重要。在鋰電池運行過程中，容量衰減是不可避免的現象。對于電動汽車來說，當電池容量下降到一定的閾值以下時，需要對電池進行更換或維修，以防止電池失效。因此，深入挖掘鋰電池在不同時間節點上的退化特征之間的關系，成為實現鋰電池壽命預測的關鍵要素。
2、transformer神經網絡是目前被廣泛應用于數據挖掘的一種深度學習方法。它利用自注意力機制來捕獲序列中元素之間的長期依賴關系，對時序序列的關系進行了特征提取，經過神經網絡對特征的不斷學習，實現序列預測等任務。對于鋰電池的壽命預測，transformer神經網絡可以有效地提取鋰電池退化特征之間關系，實現壽命預測的任務。但現實情況下數據量是龐大的，鋰電池退化特征的關系復雜，一般的transformer神經網絡對鋰電池的壽命預測不能充分地挖掘其特征關系，達不到滿意的要求。
3、因此，如何提出一種基于鋰電池特征關系及卷積transformer神經網絡的壽命預測方法，準確預測剩余使用壽命，是本領域技術人員亟須解決的問題。
技術實現思路
1、有鑒于此，本專利技術提供了一種基于鋰電池特征關系及卷積transformer神經網絡的壽命預測方法，能夠達到精準預測鋰電池剩余使用壽命的效果。
2、為了實現上述目的，本專利技術采用如下技術方案：
3、一種基于鋰電池特征關系及卷積transformer神經網絡的壽命預測方法，包括以下步驟：
4、獲取鋰電池特征向量；
5、將所述鋰電池特征向量劃分為訓練集、驗證集和測試集；
6、構建使用壽命預測模型，結合卷積注意力機制和transformer網絡得到所述使用壽命預測模型；
7、利用所述訓練集訓練所述使用壽命預測模型，獲得訓練好的使用壽命預測模型；
8、將所述驗證集輸入所述訓練好的使用壽命預測模型中進行驗證，得到驗證后的使用壽命預測模型；
9、將所述測試集輸入所述驗證后的使用壽命預測模型，得到鋰電池的壽命預測結果。
10、優選的，獲取鋰電池特征向量，包括：
11、獲取鋰電池各個時間節點以及與各時間節點對應的退化特征，生成時間序列數據；
12、利用分段采樣方法將時間序列數據按確定的采樣間隔進行分段采樣，得到多個子序列；
13、將所述多個子序列拼接在一起，生成鋰電池特征向量。
14、優選的，鋰電池的特征為放電容量、健康指標、內阻，每個特征是由當前時間步長的時間序列變量值所構成的特征向量。
15、優選的，結合卷積注意力機制和transformer網絡得到所述使用壽命預測模型，包括：
16、將所述鋰電池特征向量使用卷積注意力機制進行處理計算得到注意力參數，根據注意力參數得到初始特征向量，對所述初始特征向量進行歸一化處理得到第二特征向量；
17、使用transformer網絡對所述第二特征向量進行全局累加得到節點特征和，通過迭代過程得到所有時間步長特征和變量特征得到最終特征向量，將所述最終特征向量輸入全連接網絡推斷得到預測序列。
18、優選的，利用所述訓練集訓練所述使用壽命預測模型，獲得訓練好的使用壽命預測模型，包括：將所述訓練集輸入所述使用壽命預測模型，得到的訓練后數據集，將訓練后數據集再次輸入所述使用壽命預測模型中，當輸入次數達到閾值停止訓練，獲得訓練好的使用壽命預測模型。
19、優選的，將所述鋰電池特征向量使用卷積注意力機制進行處理計算得到注意力參數，根據注意力參數得到初始特征向量，對所述初始特征向量進行歸一化處理得到第二特征向量，包括：
20、變量卷積注意力和時間步長卷積注意力分別通過計算處理所述鋰電池特征向量，生成三個矩陣分別為查詢、鍵、值；
21、通過點積計算查詢和鍵之間的相似度，然后對所述相似度進行縮放；
22、變量卷積注意力中，沿變量維度應用softmax函數將所述相似度轉換為第一權重；時間步長卷積注意力中，沿時間維度應用softmax函數將所述相似度轉換為第二權重；
23、根據所述第一權重對鍵進行加權求和，得到變量卷積注意力機制的輸出；根據所述第二權重對鍵進行加權求和，得到時間步長卷積注意力的輸出。
24、優選的，變量卷積注意力通過計算處理變量維度的特征向量，生成查詢矩陣、鍵矩陣、值矩陣，公式如下：
25、；
26、其中，表示時間步長的核與適當填充的核大小的因果卷積，是可訓練參數，，是輸入維度，n是鋰電池的退化特征數，h是時間序列長度，c是時間序列劃分的子序列個數；
27、時間步長卷積注意力通過計算處理時間維度的特征向量，生成查詢矩陣、鍵矩陣、值矩陣，公式如下：
28、；
29、其中，是可訓練參數，，t表示預測時間步長。
30、優選的，將所述最終特征向量輸入全連接網絡推斷得到預測序列，包括：
31、使用損失函數完成序列的預測，損失函數表達式如下：
32、；
33、其中，是模型的預測結果，是真實的數據，n表示鋰電池的退化特征數，t表示預測時間步長，表示loss的權重，表示模型對第i步預測結果的置信度，表示為模型對第t個時間步動態預測的不確定性估計。
34、經由上述的技術方案可知，與現有技術相比，本專利技術公開提供了一種基于鋰電池特征關系及卷積transformer神經網絡的壽命預測方法，具有以下有益效果：
35、1.?本專利技術建立了一個卷積transformer神經網絡模型，專注于預測鋰電池的剩余使用壽命，將原始的數據結構轉換成時序特征向量，以反映各個時間步長之間的數據關系；通過卷積transformer神經網絡對特征向量進行學習，成功挖掘了鋰電池特征在不同時間步長之間的關聯，從而實現了對壽命的有效預測。
36、2.?本專利技術利用自注意力機制挖掘了鋰電池各時間節點退化特征相互之間的關系，利用改進的transformer方法實現鋰電池的壽命預測；首先變量編碼層利用卷積關注意力機制沿特征維度識別退化特征的重要性，時間編碼層采用自注意機制沿時間維度捕獲信息，兩層通過并行結構協同處理特征向量中不同特征的信息，然后對每個退化特征在不同時間步長設定了新的權重，這樣不僅可以更有效的捕獲不同時間步長之間的關系，而且可以減小噪聲的影響；其次，通過改進的transformer網絡，分別使用時間注意力和變量注意力來探索特征向量，這樣更準確的聚合了每個多集本文檔來自技高網
...
【技術保護點】
1.一種基于鋰電池特征關系及卷積Transformer神經網絡的壽命預測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于鋰電池特征關系及卷積Transformer神經網絡的壽命預測方法，其特征在于，獲取鋰電池特征向量，包括：
3.根據權利要求1所述的一種基于鋰電池特征關系及卷積Transformer神經網絡的壽命預測方法，其特征在于，鋰電池的特征為放電容量、健康指標、內阻，每個特征是由當前時間步長的時間序列變量值所構成的特征向量。
4.根據權利要求2所述的一種基于鋰電池特征關系及卷積Transformer神經網絡的壽命預測方法，其特征在于，結合卷積注意力機制和Transformer網絡得到所述使用壽命預測模型，包括：
5.根據權利要求1所述的一種基于鋰電池特征關系及卷積Transformer神經網絡的壽命預測方法，其特征在于，利用所述訓練集訓練所述使用壽命預測模型，獲得訓練好的使用壽命預測模型，包括：將所述訓練集輸入所述使用壽命預測模型，得到的訓練后數據集，將訓練后數據集再次輸入所述使用壽命預測模型中，當輸入次數達到閾值停止訓練，獲得訓練好的使用壽命預測模型。
6.根據權利要求4所述的一種基于鋰電池特征關系及卷積Transformer神經網絡的壽命預測方法，其特征在于，將所述鋰電池特征向量使用卷積注意力機制進行處理計算得到注意力參數，根據注意力參數得到初始特征向量，對所述初始特征向量進行歸一化處理得到第二特征向量，包括：
7.根據權利要求6所述的一種基于鋰電池特征關系及卷積Transformer神經網絡的壽命預測方法，其特征在于，變量卷積注意力通過計算處理變量維度的特征向量?，生成查詢矩陣、鍵矩陣、值矩陣，公式如下：
8.根據權利要求4所述的一種基于鋰電池特征關系及卷積Transformer神經網絡的壽命預測方法，其特征在于，將所述最終特征向量輸入全連接網絡推斷得到預測序列，包括：
...
【技術特征摘要】
1.一種基于鋰電池特征關系及卷積transformer神經網絡的壽命預測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于鋰電池特征關系及卷積transformer神經網絡的壽命預測方法，其特征在于，獲取鋰電池特征向量，包括：
3.根據權利要求1所述的一種基于鋰電池特征關系及卷積transformer神經網絡的壽命預測方法，其特征在于，鋰電池的特征為放電容量、健康指標、內阻，每個特征是由當前時間步長的時間序列變量值所構成的特征向量。
4.根據權利要求2所述的一種基于鋰電池特征關系及卷積transformer神經網絡的壽命預測方法，其特征在于，結合卷積注意力機制和transformer網絡得到所述使用壽命預測模型，包括：
5.根據權利要求1所述的一種基于鋰電池特征關系及卷積transformer神經網絡的壽命預測方法，其特征在于，利用所述訓練集訓練所述使用壽命預測模型，獲得訓練好的使...
【專利技術屬性】
技術研發人員：李岳煬，張淑榮，崔忠瑞，杜艷，張勤，
申請(專利權)人：濟南大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。