本發(fā)明涉及鈉離子電池健康狀態(tài)估計領(lǐng)域，具體涉及基于多空間卷積門控網(wǎng)絡(luò)的鈉離子電池健康狀態(tài)估計方法。

背景技術(shù)：

1、隨著對能源需求的增長和對可再生能源的依賴度提高，儲能技術(shù)在電力系統(tǒng)和可再生能源集成中扮演著至關(guān)重要的角色。鈉離子電池因其豐富的原料資源、較低的成本以及潛在的高能量密度而作為儲能技術(shù)領(lǐng)域研究熱點。然而，鈉離子電池在長期使用中會經(jīng)歷容量衰減、循環(huán)壽命減少等問題，這些問題嚴(yán)重影響了鈉電池的性能和安全性。為了確保鈉離子電池的可靠運行和延長其壽命，對鈉電池的健康狀態(tài)（soh）進行準(zhǔn)確估計變得至關(guān)重要。健康狀態(tài)反映了電池當(dāng)前的性能和退化程度，是評估電池當(dāng)前狀態(tài)和預(yù)測未來性能的重要指標(biāo)，當(dāng)soh下降到80%失效閾值時，判定電池進入失效狀態(tài)，需啟動更換程序。

2、但是鈉離子電池老化涉及正負極材料結(jié)構(gòu)退化、電解質(zhì)界面副反應(yīng)、鈉枝晶生成等多因素耦合作用，且鈉離子電池的老化過程受運行狀態(tài)、溫度、電流密度和電壓等多因素耦合。傳統(tǒng)物理參數(shù)的模型難以從鈉離子電池數(shù)據(jù)中選取出表征電池退化水平的關(guān)鍵特征，而現(xiàn)有其它領(lǐng)域的數(shù)據(jù)驅(qū)動方法在鈉電池soh估計中存在顯著局限性：一方面，難以捕捉鈉電池容量衰減的近期趨勢與歷史依賴關(guān)系，導(dǎo)致時序建模精度不足；另一方面，跨領(lǐng)域遷移的深度學(xué)習(xí)模型無法考慮鈉電池特有的電化學(xué)特性，難以解析多源異構(gòu)數(shù)據(jù)間的非線性關(guān)聯(lián)。此外，鈉電池數(shù)據(jù)具有高維度、強噪聲、多模態(tài)特性，傳統(tǒng)網(wǎng)絡(luò)架構(gòu)因計算冗余度高、并行處理能力弱，無法有效平衡特征通道間的時序關(guān)聯(lián)性，易造成關(guān)鍵退化信息丟失。因此，亟需開發(fā)包含高相關(guān)特征、精確且穩(wěn)定的鈉電池soh估計方法。

技術(shù)實現(xiàn)思路

1、針對現(xiàn)有技術(shù)中的問題，本發(fā)明提出基于多空間卷積門控網(wǎng)絡(luò)的鈉離子電池健康狀態(tài)估計方法，目的在于解決鈉電池數(shù)據(jù)中的近期趨勢和歷史依賴關(guān)系，選取有利特征，加快網(wǎng)絡(luò)處理效率，為鈉電池soh估計領(lǐng)域提供了新的思路。

2、基于多空間卷積門控網(wǎng)絡(luò)的鈉離子電池健康狀態(tài)估計方法，包括以下步驟：

3、步驟1：建立鈉離子電池循環(huán)壽命測試平臺，獲取自建的鈉電池數(shù)據(jù)集；

4、步驟2：從鈉電池數(shù)據(jù)集中提取直接測量特征與二次計算特征來構(gòu)建多特征數(shù)據(jù)；

5、步驟3：使用迭代貢獻過濾法從多特征數(shù)據(jù)中選取最高相關(guān)性特征獲得特征數(shù)據(jù)；

6、步驟4：將得到的特征數(shù)據(jù)經(jīng)過最小-最大歸一化操作后送入多空間卷積門控網(wǎng)絡(luò)獲得第一網(wǎng)絡(luò)數(shù)據(jù)和第二網(wǎng)絡(luò)數(shù)據(jù)，多空間卷積門控網(wǎng)絡(luò)包括子空間分割機制、雙卷積網(wǎng)絡(luò)、雙門控制單元模塊、全連接層模塊和快捷連接模塊；

7、特征數(shù)據(jù)在多空間卷積門控網(wǎng)絡(luò)中的處理過程包括以下步驟：

8、步驟4.1：通過子空間分割機制將特征數(shù)據(jù)分割到不同子空間并賦予不同子空間的不同權(quán)重，以獲得分割數(shù)據(jù)；

9、步驟4.2：分割數(shù)據(jù)經(jīng)雙卷積網(wǎng)絡(luò)后進行最小-最大歸一化操作來獲得卷積數(shù)據(jù)；

10、步驟4.3：將卷積數(shù)據(jù)送入雙門控制單元后獲得第一網(wǎng)絡(luò)數(shù)據(jù)；

11、步驟4.4：特征數(shù)據(jù)經(jīng)快捷連接模塊后獲得第二網(wǎng)絡(luò)數(shù)據(jù)；

12、步驟5：將第一網(wǎng)絡(luò)數(shù)據(jù)和第二網(wǎng)絡(luò)數(shù)據(jù)通過全連接層后獲得soh估計結(jié)果。

13、進一步為：子空間分割機制的公式為：

14、??（11）

15、其中，代表輸入，w代表權(quán)重，、和分別代表輸入的不同線性變換；

16、??（12）

17、其中，表示對的轉(zhuǎn)置；代表比例因子，它控制子空間得分保持在一個穩(wěn)定的梯度；用于計算注意力權(quán)重，代表每個子空間中的注意力權(quán)重；用于合并各子空間；是子空間的個數(shù)；為分割數(shù)據(jù)。

18、進一步為：雙卷積網(wǎng)絡(luò)包含因果卷積與膨脹卷積，因果卷積的卷積核的權(quán)重僅在當(dāng)前時間步及之前的時間步上進行卷積操作，使得時間的輸出僅依賴于時間或更早的上層元素；公式如下：

19、??（13）

20、其中，是時間步時的輸出，濾波器，表示時間步時的輸入，是內(nèi)核大??；

21、膨脹卷積的操作如公式14：

22、??（14）

23、膨脹因子表示卷積核中兩個元素之間的距離，的大小隨卷積層數(shù)呈指數(shù)型增長，是膨脹卷積的輸出。

24、進一步為：雙門控制單元中僅包含更新門和重置門，更新門的輸出值介于0和1之間，更新門的計算公式為：

25、??（15）

26、其中，和是權(quán)重和偏置向量，是前一時間步的隱藏狀態(tài)，是sigmoid激活函數(shù)；

27、重置門的計算公式為：

28、??（16）

29、其中，和是重置門的權(quán)重和偏置向量；

30、在每一個時間步中，雙門控制單元通過以下步驟進行信息處理：

31、步驟4.3.1：計算更新門和重置門，更新門和重置門的輸出用于控制隱藏狀態(tài)的更新和歷史信息的保留程度；

32、步驟4.3.2：通過重置門控制對先前隱藏狀態(tài)的依賴程度，計算出候選隱藏狀態(tài)，如公式17所示：

33、??（17）

34、其中，表示前一個時間步的隱藏狀態(tài)與重置門結(jié)合來控制其影響程度，和是權(quán)重和偏置向量；

35、步驟4.3.3：通過更新門來計算當(dāng)前的隱藏狀態(tài)：

36、??（18）

37、其中，表示保留的歷史信息，表示新的信息。

38、進一步為：快捷連接操作的公式如下：

39、??（19）

40、其中，表示特征數(shù)據(jù)，表示激活函數(shù)，表示上一時間步雙門控制單元的輸出。

41、進一步為：鈉電池數(shù)據(jù)集包括在工況a下獲得的數(shù)據(jù)集a以及在工況b下獲得的數(shù)據(jù)集b；

42、工況a：選取s01-s08八塊電池，開始以1c恒定電流對電池充電，直到電池電壓達到3.95v；繼而以0.5c恒流對電池充電，直到電池電壓再達到3.95v，繼續(xù)以3.95v恒壓充電直到電流降至0.05c；擱置1h后以1c的倍率恒流放電，直到電壓降至1.5v的截止電壓，最后擱置1個小時，獲得鈉電池充放電過程中的數(shù)據(jù)集a；

43、工況b：選取s09-s16八塊電池，開始以0.5c恒流電流對電池充電，直到電池電壓達到3.95v；繼續(xù)以3.95v恒壓充電直到電流降至0.05c；擱置1小時后以1c的倍率恒流放電，直到電壓降至1.5v的截止電壓，最后擱置1個小時，獲得鈉電池充放電過程中的數(shù)據(jù)集b。

44、進一步為：從鈉電池數(shù)據(jù)集的鈉離子電池充放電實驗曲線中提取12個原始直接測量特征和16個二次計算特征，直接測量特征具體如表1所示，二次計算特征具體如表2所示：

45、表1?直接測量特征

46、

47、表2?二次計算特征

48、

49、其中，在恒流放電條件下，ic曲線的公式為：

50、??（2）

51、其中，表示電壓從變化到時的容量變化，表示采樣次數(shù)，表示采樣時間，是電流，代表微分；工況a和工況b的ic曲線均有兩個峰值，峰值的位置出現(xiàn)在較高的電壓處，2.6v-2.9v出現(xiàn)峰值1，3.2v-3.6v出現(xiàn)峰值2。

52、進一步為：步驟3具體為：

53、步驟3.1：評估特征庫中的特征與soh之間的相關(guān)性，并選取相關(guān)性大于第一設(shè)定閾值的特征；

54、步驟3.2：將選取的特征進行去中心化操作，并使特征的均值為0；

55、步驟3.3：計算去中心化后結(jié)果的協(xié)方差矩陣；

56、步驟3.4：對協(xié)方差矩陣的特征值分解和奇異值分解得到特征值和特征向量來確定方差貢獻率和累積方差貢獻率；

57、步驟3.5：選取累積方差貢獻率大于第二設(shè)定閾值的特征，并通過迭代消除法消除權(quán)重較小的特征，以選取最高相關(guān)性特征。

58、進一步為：迭代消除法操作過程如下：

59、步驟3.5.1：選用隨機森林作為基網(wǎng)絡(luò)，對于每個特征，通過樹結(jié)構(gòu)選擇最佳特征及其分割值，使用交叉驗證訓(xùn)練隨機森林網(wǎng)絡(luò)，并使用均方根誤差評估性能；

60、步驟3.5.2：在每一輪迭代中，通過隨機森林網(wǎng)絡(luò)的特征重要性值來移除貢獻最小的特征，特征重要性值為:

61、??（9）

62、其中，隨機森林網(wǎng)絡(luò)共有棵樹，表示樹中與特征相關(guān)的分裂，是通過特征進行分裂所帶來的不純度減少；

63、步驟3.5.3：隨著遞歸特征消除的進行，不斷減少特征數(shù)量，并在每輪訓(xùn)練后計算隨機森林網(wǎng)絡(luò)的均方根誤差，選擇均方根誤差最小的特征子集作為最終的特征集，即特征數(shù)據(jù)：

64、??（10）

65、其中，均方根誤差rmse為：，是第輪中的特征子集，是真實值，是預(yù)測值。

66、本發(fā)明的有益效果：本發(fā)明能夠有效減少數(shù)據(jù)冗余輸入，提取高相關(guān)性特征，解決鈉電池數(shù)據(jù)中的近期趨勢和歷史依賴關(guān)系問題，具有高準(zhǔn)確性、高穩(wěn)定性與泛化能力，且并行處理速度加快、計算效率增高，為鈉離子電池soh估計領(lǐng)域提供了新的見解。