基于深度学习时序算法的退役电池容量预测方法和装置与流程

1.本发明涉及电池容量预测技术领域，具体为一种基于深度学习时序算法的退役电池容量预测方法和装置。


背景技术：

2.目前常用电池容量预测方法有安时计量法、开路电压法(ocv)、内阻法、卡尔曼滤波法等。上述方法通过检测电池的一些参数来推断电池的剩余容量，如电压、电流、温度等参数。通过各方法计算出的容量与这些参数不是线性的而且关系式比较复杂，而其中的某一参数如电池容量与静置时间和温度有密切关系。因其在使用过程中影响电池状态的因素太多，上述方法很难完全表达出来；另一方面，需对蓄电池进行多次充放电测试，耗时比较长很难达到快速分容的目的。
3.随着国内外新能源汽车保有量的提高，动力电池的退役数量高峰即将到来，如何针对实现有效的退役电池回收利用，对于环境、资源的保护与可持续发展来说具有重要意义；现阶段，本领域对将退役的动力电池寿命预测以及后续分选利用的问题，只能满足较小数量电池的试验与粗略统计，尚无法实现在数量较大的情况下针对可能导致电池衰退的各种因素，通过执行多维度的参数指标分析来得到较为精确的预测结果；不利于提前对各电池的后期使用、退役及回收做出规划。


技术实现要素：

4.针对现有技术存在的不足，本发明目的是提供一种基于深度学习时序算法的退役电池容量预测方法和装置，可以解决现有对将退役的动力电池寿命预测以及后续分选利用的问题，只能满足较小数量电池的试验与粗略统计，尚无法实现在数量较大的情况下针对可能导致电池衰退的各种因素，通过执行多维度的参数指标分析来得到较为精确的预测结果；不利于提前对各电池的后期使用、退役及回收做出规划的问题。
5.为了实现上述目的，本发明是技术方案如下：本发明是通过如下的技术方案来实现：一种基于深度学习时序算法的退役电池容量预测方法和装置，包括s1、基于待测电池分容测试中符合预定要求的数据集，确定预测模型输入项；s2、基于自注意力机制确定深度学习模型，包括：设，表示l个维数为f的向量，深度学习模型函数表示为，并且t由n个层组成，则：其中，是由一个简单的前馈神经网络组成，是自注意力机制函数；双向点积注意力机制注意力机制计算包括：
其中，是注意力矩阵，是隐藏维度，是所有元素为1的l维列向量，是以元素的方式应用，是一个对角矩阵；s3、将所述预测模型输入项输入到所述深度学习模型函数内，进行电池容量预测；s4、对电池容量预测的效果进行评估。
6.进一步的，所述基于待测电池分容测试中符合预定要求的数据集，确定预测模型输入项，包括：s1.1、基于待测电池的规格，设置分容工步以及参数，对待测电池进行分容测试；s1.2、筛选出分容测试中符合预定要求的数据集；s1.3、对所述数据集进行处理，获得张量时间序列向量化的纵向排列；s1.4、基于通过转换、编码，获得预测模型的输入项。
7.进一步的，所述符合预定要求，包括符合设定每个电芯的充放电工况需完整且工步一致，满电放空状态下容量值需不小于充电阶段实时容量任意值，充电状态下记录数不少于50条。
8.进一步的，所述对所述数据集进行处理，获得张量时间序列向量化的纵向排列，包括：s1.31、对所述数据集张量化，并将张量时间序列切边得到；s1.32、对切片后的张量时间序列向量化，得到。
9.进一步的，所述基于通过转换、编码，获得预测模型的输入项，包括：对张量时间序列向量化的经过嵌入层转换为更高维的嵌入向量；并对输入向量进行位置编码；为了两个向量的可加性，位置编码的维数应与嵌入向量的维数相同，采用位置编码方式为正弦和余弦函数；相加后得到的向量记为。
10.进一步的，所述深度学习模型包括编码器-解码器结构；所述编码器包括n个层，每层包括三个子层连接结构，其中第一个子层连接结构基于输入数据，第二个子层连接结构包括一个多头自注意力子层和规范化层以及一个残差连接；第三个子层连接结构包括一个前馈全连接子层和规范化层以及一个残差连接；所述解码器包括n个层，每层与所述编中的三个子层连接结构相同，另外解码器中还插入了第四个子层连接结构，第四个子层连接结构对编码器堆栈的输出执行多头注意力机制。
11.进一步的，所述对电池容量预测的效果进行评估，其中所述评估指标包括平均绝对百分比误差mape和均方误差mse，其中：
式中，表示预测值，表示观察值，为样本数量。
12.基于深度学习时序算法的退役电池容量预测装置，包括服务器、分容预测柜、打印机，其中：服务器：所述服务器通过tcp协议和分容预测柜进行通讯，下发测试指令给中位机，实时获取分容预测柜产生的电流、电压、通道号的数据，保存测试数据至数据库并执行如上述任一所述的退役电池容量预测方法的步骤；分容预测柜：所述分容预测柜包含中位机及下位机，其中中位机用于网络连接，接收服务器的控制命令，控制下位机，传输实时数据；下位机用于接收中位机的命令，控制通道的充/放电，实时采集通道的电压、电流、容量的数据；打印机：所述打印机用于调用数据库中结果存储表为每个单体电池生成唯一可识别的身份码，身份码包含设备分区柜号、通道号、电池id、采集时间、分容结果。
13.一种电子设备，包括存储器、处理器，以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如上述任一项所述退役电池容量预测方法的步骤。
14.一种非暂态计算机可读存储介质，其上存储有计算机程序，当所述计算机程序被处理器执行时，实现如上述任一所述退役电池容量预测方法的步骤。
15.与现有技术相比，本发明的有益效果包括：本发明提出了预测方法基于深度学习模型，深度学习模型提高了张量时间序列的全局信息和结构信息的捕获能力，能够较好地分析序列之间的关系，提高了张量时间序列预测的准确度，本发明的方法通过采集部分实时充电阶段电流、电压、容量等时序数据特征实现对退役电池的容量预测；本发明突破传统方法的静态和精度瓶颈，可动态及高精度对退役电池容量预测分析，大幅减少分容工艺的时间和能耗。
附图说明
16.参照附图来说明本发明的公开内容。应当了解，附图仅仅用于说明目的，而并非意在对本发明的保护范围构成限制。其中：图1为本发明基于深度学习时序算法的退役电池容量预测方法的深度学习模型的框架示意图；图2为本发明基于深度学习时序算法的退役电池容量预测设备的连接示意图；图3为本发明基于深度学习时序算法的退役电池容量预测方法的流程示意图；图4为采用本发明预测方法预测的电池容量与实际检测的电池容量折线对比图。
具体实施方式
17.容易理解，根据本发明的技术方案，在不变更本发明实质精神下，本领域的一般技术人员可以提出可相互替换的多种结构方式以及实现方式。因此，以下具体实施方式以及附图仅是对本发明的技术方案的示例性说明，而不应当视为本发明的全部或者视为对本发
明技术方案的限定或限制。
18.本发明提供了一种基于深度学习时序算法对退役电池容量预测方法，本发明的方法通过采集部分实时充电阶段电流、电压、容量等时序数据特征实现对退役电池的容量预测；本发明突破传统方法的静态和精度瓶颈，可动态及高精度对退役电池容量预测分析，大幅减少分容工艺的时间和能耗。
19.本发明的基于深度学习时序算法对退役电池容量预测方法，如图3所示，包括以下步骤：步骤一：基于待测电池分容测试中符合预定要求的数据集，确定预测模型输入项；具体的，1.1、现场分容：选择电池规格上柜，设置分容工步及参数、启动通道；打开测试仪电源，调用测试程序；适时观察充放电曲线，打印分容结果制作标签并贴在对应电池上。其中数据集为待测电池分容测试时检测到的电流、电压和容量的数据集合。
20.1.2、数据清洗以得到符合预定要求的数据集：通过设定每个电芯的充放电工况需完整且工步一致、满电放空状态下容量值需不小于充电阶段实时容量任意值、充电状态下记录数不少于50条等筛选条件，筛选符合该预定要求的数据集。
21.1.3、数据处理：对清洗后（筛选后）的数据集张量化，并将张量时间序列切片，得到，详述如下：张量时间序列是一个-模的张量，表示为或，其中第模是时间维度，维数为t，张量时间序列在时间维度t时刻的切片是一个n阶张量，包含个时间序列。当n=1时，是一个多元时间序列矩阵，包含个时间序列；当n=1时,是常见的三阶张量。因为时间t放在最后一个维度，即表示为一个时间序列，对应的是正面切片，表示t时刻所有时间序列数据，是一个维矩阵。
22.张量时间序列的预测是指用预测，其中，是需要训练的预测函数，是预测步长，是第时刻张量切片的预测。
23.由于模型的数据输入是向量形式，为了使模型能够捕获张量时间序列的全局特征并进行预测，需要对切片后的张量时间序列向量化，得到，详述如下：n阶张量的列向量化是将张量，排列成一个列向量x的运算，记作；n阶张量的行向量化则是将张量排列成行向量的运算，用符号表示；三阶张量的向量化通常定义为正面切片矩阵的列向量化的纵向排列：。
24.1.4、确定模型输入量：将张量时间序列向量化的经过嵌入层（embedding）转换为更高维的嵌入向量；由于这种嵌入向量不具备序列的位置信息，因此还
需要对输入向量进行位置编码；为了两个向量的可加性，位置编码的维数应与嵌入向量的维数相同，一般采用的位置编码方式为正弦和余弦函数；相加后得到的向量记为；然后将作为模型的输入项进行预测。
25.步骤二、基于自注意力机制确定深度学习模型，包括：时序预测模型是完全基于注意力机制的深度学习模型，一般具有编码器-解码器（encoder-decoder）结构；编码器（encoder）由n个层组成，每层由三个子层连接结构组成，第一个子层连接结构基于输入数据，有效的选择最显著的特征，第二个子层连接结构包括一个多头自注意力子层和规范化层以及一个残差连接；第三个子层连接结构包括一个前馈全连接子层和规范化层以及一个残差连接；解码器（decoder）也由n个层组成，每层除了编码器层中的三个子层连接结构外，解码器中还插入了第四个子层连接结构，该子层连接结构对编码器堆栈的输出执行多头注意力机制。
26.解码器结构基本与编码器中的结构相似，都包括注意力机制，注意力机制计算如下：设，表示l个维数为f的向量，深度学习模型函数表示为，并且t由n个层组成，则：其中，一般是由一个简单的前馈神经网络组成，是自注意力机制函数；双向点积注意力机制注意力机制计算包括：计算包括：其中，是注意力矩阵，是隐藏维度，是所有元素为1的l维列向量，这里以元素的方式应用，是一个对角矩阵；步骤三、将所述预测模型输入项输入到所述深度学习模型函数内，进行电池容量预测；步骤四、对电池容量预测的效果进行评估；选择平均绝对百分比误差mape和均方误差mse最为评估指标：误差mse最为评估指标：式中，表示预测值，表示观察值，为样本数量。
27.图1示出了本发明容量预测深度学习模型的框架示意图，如图1所示数据集（其通过位置（location）、时间（time）、类型（type）构成），基于时间序列（time维）进行切片，得到；对切片后的张量时间序列向量化得到；张量时间序列向量化的进行位置编码转换为更高维的嵌入向量经编码器层、解码器层后经过线性
层输出得到指定维度的输出, 然后经过softmax层（逻辑回归层）使最后一维的向量中的数字缩放到0-1的概率值域内，并满足他们的和为1。
28.本发明还提供一种基于深度学习时序算法对退役电池容量预测设备，如图2所示；包括：服务器：通过tcp协议和分容预测柜进行通讯，下发测试指令给中位机，实时获取分容预测柜产生的电流、电压、通道号等数据，保存测试数据至数据库并执行算法分析。
29.分容预测柜：包含中位机及下位机，其中中位机实现网络连接，接收服务器的控制命令，控制下位机，传输实时数据。下位机：接收中位机的命令，控制通道的充/放电，实时采集通道的电压、电流、容量等数据。
30.打印机：调用数据库中结果存储表为每个单体电池生成唯一可识别的身份码，身份码包含设备分区柜号、通道号、电池id、采集时间、分容结果等。后期用户可通过电池条码快速查询对应测试数据详细，确保电池测试数据的可追溯性。
31.常规的分容技术通常工步设置需要多次的充电-静置-放电循环，耗时较长且受设备精度、空间环境等因素的影响分容结果的准确度无法保证。本发明的容量预测技术利基于经典张量时间序列预测方法与深度学习的多元时间序列预测方法基础上，提出了 deeptp（深度学习）模型，该模型的特点是利用张量代数运算保留了张量时间序列的全局信息；利用自注意力机制对数据进行encoder-decoder，捕获张量时间序列的整体性和随着时间变化协同演化的特征信息。首先将张量时间序列数据切片和向量化，然后将经过编码的向量序列作为模型的输入对张量时间序列进行预测。我们提出的模型取得了显著的性能改进和精度提高。deeptp 模型提高了张量时间序列的全局信息和结构信息的捕获能力，能够较好地分析序列之间的关系，提高了张量时间序列预测的准确度。
32.图4为编号为1-510的电池进行容量检测和预测的实验数据形成的折线图，其中系列1为通过本发明的方法进行预测的电池容量，系列2为实际检测的真实电池容量，由图4可以看出，本发明预测模型预测的电池容量预测平均误差≤1%，因此本发明提出的模型取得了显著的性能改进和精度提高。
33.本发明的技术范围不仅仅局限于上述说明中的内容，本领域技术人员可以在不脱离本发明技术思想的前提下，对上述实施例进行多种变形和修改，而这些变形和修改均应当属于本发明的保护范围内。

技术特征：
1.基于深度学习时序算法的退役电池容量预测方法，其特征在于：包括s1、基于待测电池分容测试中符合预定要求的数据集，确定预测模型输入项；s2、基于自注意力机制确定深度学习模型，包括：设 ，表示l个维数为f的向量，深度学习模型函数表示为，并且t由n个层组成，则：其中，是由一个简单的前馈神经网络组成，是自注意力机制函数；双向点积注意力机制注意力机制计算包括：计算包括：其中，是注意力矩阵，是隐藏维度，是所有元素为1的l维列向量，是以元素的方式应用，是一个对角矩阵；s3、将所述预测模型输入项输入到所述深度学习模型函数内，进行电池容量预测；s4、对电池容量预测的效果进行评估。2.根据权利要求1所述的基于深度学习时序算法的退役电池容量预测方法，其特征在于：所述基于待测电池分容测试中符合预定要求的数据集，确定预测模型输入项，包括：s1.1、基于待测电池的规格，设置分容工步以及参数，对待测电池进行分容测试；s1.2、筛选出分容测试中符合预定要求的数据集；s1.3、对所述数据集进行处理，获得张量时间序列向量化的纵向排列；s1.4、基于通过转换、编码，获得预测模型的输入项。3.根据权利要求2所述的基于深度学习时序算法的退役电池容量预测方法，其特征在于：所述符合预定要求，包括符合设定每个电芯的充放电工况需完整且工步一致，满电放空状态下容量值需不小于充电阶段实时容量任意值，充电状态下记录数不少于50条。4.根据权利要求2所述的基于深度学习时序算法的退役电池容量预测方法，其特征在于：所述对所述数据集进行处理，获得张量时间序列向量化的纵向排列，包括：s1.31、对所述数据集张量化，并将张量时间序列切边得到；s1.32、对切片后的张量时间序列向量化，得到。5.根据权利要求2所述的基于深度学习时序算法的退役电池容量预测方法，其特征在于：所述基于通过转换、编码，获得预测模型的输入项，包括：对张量时间序列向量化的经过嵌入层转换为更高维的嵌入向量；并对输入向量进行位置编码；为了两个向量的可加性，位置编码的维数应与嵌入向量的维数相同，采用位置编码方式为正弦和余弦函数；相加后得到的向量记为。
6.根据权利要求1所述的基于深度学习时序算法的退役电池容量预测方法，其特征在于：所述深度学习模型包括编码器-解码器结构；所述编码器包括n个层，每层包括三个子层连接结构，其中第一个子层连接结构基于输入数据，第二个子层连接结构包括一个多头自注意力子层和规范化层以及一个残差连接；第三个子层连接结构包括一个前馈全连接子层和规范化层以及一个残差连接；所述解码器包括n个层，每层与所述编中的三个子层连接结构相同，另外解码器中还插入了第四个子层连接结构，第四个子层连接结构对编码器堆栈的输出执行多头注意力机制。7.根据权利要求1所述的基于深度学习时序算法的退役电池容量预测方法，其特征在于：所述对电池容量预测的效果进行评估，其中，评估时的指标包括平均绝对百分比误差mape和均方误差mse，其中：其中：式中，表示预测值， 表示观察值，为样本数量。8.基于深度学习时序算法的退役电池容量预测装置，其特征在于：包括服务器、分容预测柜、打印机，其中：服务器：所述服务器通过tcp协议和分容预测柜进行通讯，下发测试指令给中位机，实时获取分容预测柜产生的电流、电压、通道号的数据，保存测试数据至数据库并执行如权利要求1-7任一所述的退役电池容量预测方法的步骤；分容预测柜：所述分容预测柜包含中位机及下位机，其中中位机用于网络连接，接收服务器的控制命令，控制下位机，传输实时数据；下位机用于接收中位机的命令，控制通道的充/放电，实时采集通道的电压、电流、容量的数据；打印机：所述打印机用于调用数据库中结果存储表为每个单体电池生成唯一可识别的身份码，身份码包含设备分区柜号、通道号、电池id、采集时间、分容结果。9.一种电子设备，包括存储器、处理器，以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现如权利要求1-7任一项所述退役电池容量预测方法的步骤。10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，当所述计算机程序被处理器执行时，实现如权利要求1-7任一所述退役电池容量预测方法的步骤。

技术总结
本发明提供一种基于深度学习时序算法的退役电池容量预测方法和装置，包括S1、基于待测电池分容测试中符合预定要求的数据集，确定预测模型输入项；S2、基于自注意力机制确定深度学习模型，S3、将所述预测模型输入项输入到所述深度学习模型函数内，进行电池容量预测；S4、对电池容量预测的效果进行评估。本发明的深度学习模型提高了张量时间序列的全局信息和结构信息的捕获能力，能够较好地分析序列之间的关系，提高了张量时间序列预测的准确度，本发明的方法通过采集部分实时充电阶段电流、电压、容量等时序数据特征实现对退役电池的容量预测；本发明突破传统方法的静态和精度瓶颈，可动态及高精度对退役电池容量预测分析。可动态及高精度对退役电池容量预测分析。可动态及高精度对退役电池容量预测分析。


技术研发人员：罗刚 马壮 张颖
受保护的技术使用者：安徽国麒科技有限公司
技术研发日：2023.07.12
技术公布日：2023/8/9