本發明涉及鋰離子電池數據分析，尤其涉及一種具有泛化性的鋰離子電池狀態預測方法和系統。
背景技術：
1、鋰離子電池作為當今社會最重要的能量存儲設備之一，廣泛應用于便攜式電子設備、電動汽車以及電網儲能等領域。隨著全球能源轉型的加速，鋰離子電池的需求和應用場景不斷擴展，對其性能、安全性和使用壽命的要求也越來越高。準確地分析和預測電池的健康狀態(soh)、剩余使用壽命(rul)以及充放電性能對于優化電池管理系統、降低運營成本和提高安全性具有重要意義。
2、傳統的鋰離子電池建模方法主要分為物理模型和數據驅動模型兩大類。物理模型如偽二維模型(p2d)和等效電路模型(ecm)，通過建立電極、電解液和界面反應的物理方程來描述電池的內部過程。這些模型在理論上具有較高的準確性，但由于電池內部過程的復雜性，模型參數的識別和校準往往需要大量的實驗數據，并且計算復雜度較高，難以實時應用。
3、數據驅動模型則利用機器學習和深度學習算法，從歷史數據中學習電池的輸入輸出關系。近年來，隨著深度學習技術的發展，基于神經網絡的電池建模方法取得了顯著進展。這些方法能夠自動從大量數據中提取特征，構建非線性映射關系，具有較高的預測精度和適應性。然而，現有的數據驅動模型大多針對特定類型的電池或特定的操作條件進行優化，泛化能力有限。當面對不同化學體系的電池(如nmc-811和lfp)或不同的操作場景(如快速充電、慢速放電或變化的溫度環境)時，模型的性能往往會出現顯著下降。
4、此外，電池數據通常具有采樣頻率不均勻、時間序列不規則的特點。在實際應用中，由于電池的動態特性，采樣率會隨著電池狀態的變化而變化，例如在充電初期采樣頻率較低，而在放電階段電壓快速下降時采樣頻率較高。這種不規則的時間序列對傳統的時間序列分析方法提出了挑戰，常規的時間序列模型通常假設數據是均勻采樣的，無法有效處理采樣頻率變化帶來的信息丟失和時間混疊問題。
技術實現思路
1、為了解決上述問題，本發明提出了一種具有泛化性的鋰離子電池狀態預測方法和系統，通過物理感知的預訓練任務和不規則時間序列建模，實現對鋰離子電池多數據集的統一預訓練，提升電池數據分析的泛化能力和適應性，同時有效處理不規則時間序列數據。
2、為了實現上述目的，本發明采用的技術方案如下：
3、第一方面，本發明提出了一種具有泛化性的鋰離子電池狀態預測方法，包括以下步驟：
4、(1)獲取含不同電池化學體系和操作條件的多源異構鋰離子電池數據，每一條電池數據為連續時間序列，由電流值、電壓值和非均勻時間戳構成，標記最后一個時間戳對應的電池狀態；
5、(2)按時間跨度將每一條電池數據序列分割為n個時間片段序列，每一個時間片段序列內的時間跨度相同，對數據點較少的時間片段序列末尾補0以統一全部的時間片段序列長度，每個片段序列內數據點保留原始時間戳分布，并引入自然采樣掩碼向量用于標記有效數據點；
6、(3)采用基于雙尺度編碼器的鋰離子電池基座模型提取每一條電池數據序列的最終表示，聯合執行混合掩碼重建任務與庫侖積分回歸任務，對鋰離子電池基座模型進行預訓練；
7、(4)在鋰離子電池基座模型之后拼接回歸頭，凍結鋰離子電池基座模型參數，以每一條電池數據序列中最后一個時間戳對應的電池狀態為標簽，結合回歸頭預測的電池狀態與標簽之間的損失，微調回歸頭；
8、(5)結合預訓練后的鋰離子電池基座模型和微調后的回歸頭預測鋰離子電池狀態。
9、進一步地，步驟(1)中的多源異構鋰離子電池數據對應的電池化學體系包括licoo2、nmc、lfp、nca，操作條件包括快充和慢放，電池狀態包括電池健康狀態、剩余使用壽命和內阻。
10、進一步地，步驟(2)中，第i個時間片段對應的數據戳范圍為[(i-1)×ts,i×ts]，自然采樣掩碼向量表示為tm＝[1,…,1,0,…,0]，其中ts表示時間跨度，tm中的1表示有效位，0表示無效位，通過引入自然采樣掩碼向量將每一個時間片段填充為相同的序列長度。
11、進一步地，所述鋰離子電池基座模型包括：
12、塊內不規則處理模塊，以預處理后的時間片段序列、時間戳序列和自然采樣掩碼向量為輸入，基于旋轉位置編碼和多頭注意力機制生成每一個時間片段序列的塊內嵌入向量；其中旋轉位置編碼中以時間戳作為旋轉角度參數；
13、塊間規則處理模塊，以每一條電池數據序列對應的各片段的塊內嵌入向量拼接結果為輸入，基于編碼網絡提取各片段的最終表示，拼接后得到每一條電池數據序列的最終表示。
14、進一步地，時間片段序列、時間戳序列和自然采樣掩碼向量的預處理過程包括：
15、對每一個時間片段序列第一位引入一個嵌入令牌并初始化為零，對時間戳序列的開頭引入額外的零位，標記為0；
16、對每一個時間戳序列，除第一位之外，其余每一位減去(i-1)*ts進行重新初始化，其中i表示時間片段序列的編號，ts表示時間跨度；
17、對每一個自然采樣掩碼向量中的開頭引入額外的零位，標記為1。
18、進一步地，塊內不規則處理模塊對每一個時間片段序列單獨計算，計算過程包括：
19、將時間片段序列內的每個數據點線性映射以獲得查詢、鍵和值，分別表示為q、k和v，對每一個位置j處的查詢值qj和鍵值kj進行位置編碼：
20、
21、其中，θ為預先定義的衰減系數，tj為第j位的時間戳，i為時間片段序列的編號，q′j、k′j為編碼后的查詢值和鍵值；
22、根據原始值、編碼后的查詢值和鍵值計算多頭自注意力值，計算時根據自然采樣掩碼向量，只計算有效位數據，將多頭自注意力值中對應嵌入令牌位置的結果進一步輸入前饋神經網絡，生成塊內嵌入向量。
23、進一步地，塊間規則處理模塊的計算過程包括：
24、以每一條電池數據序列對應的各片段的塊內嵌入向量拼接，輸入堆疊的transformer編碼器層；
25、將最后一層transformer編碼器層的輸出通過一個線性層生成各片段的最終表示；
26、各片段的最終表示拼接后得到每一條電池數據序列的最終表示。
27、進一步地，混合掩碼重建任務如下：
28、對每一條電池數據序列對應的各片段執行跨通道掩碼和跨時間掩碼，其中跨通道掩碼是指隨機對電流或電壓通道進行掩碼處理，僅保留一個通道數據；跨時間掩碼是指隨機對多個片段進行隨機掩碼；
29、將掩碼后的時間片段序列、時間戳序列和自然采樣掩碼向量輸入鋰離子電池基座模型，生成掩碼后的最終表示，利用掩碼后的最終表示反向重建原始電池數據序列，根據掩碼部分的重建值與實際值之間的差異計算重建損失；每一個片段需要計算重建損失的掩碼部分表示為其中，tm中的1表示有效位，pm中的0是跨通道掩碼部分，cm中的0是跨時間掩碼部分，分別是對pm、cm中的0和1取反；
30、反向重建原始電池數據序列的過程采用與鋰離子電池基座模型對稱的網絡結構實現，先將掩碼后的最終表示輸入一個新的塊間規則處理模塊，將生成結果視為塊內嵌入向量，再將處理后的塊內嵌入向量、時間戳序列和自然采樣掩碼向量輸入一個新的塊內不規則處理模塊，生成結果視為片段的重建結果。
31、進一步地，庫侖積分回歸任務如下：
32、對于每一條電池數據序列，根據電流數據計算序列中每一位的實際電荷累積量：
33、將序列對應的未掩碼的最終表示反向預測電荷累積量，僅取有效位后拼接形成完整序列的預測電荷累積量結果，將序列中每一位的預測電荷累積量與實際電荷累積量之間的差異計算回歸預測損失；
34、反向預測電荷累積量的過程采用與鋰離子電池基座模型對稱的網絡結構實現，先將未掩碼的最終表示輸入一個新的塊間規則處理模塊，將生成結果視為塊內嵌入向量，再將處理后的塊內嵌入向量、時間戳序列和自然采樣掩碼向量輸入一個新的塊內不規則處理模塊，生成結果視為片段的預測電荷累積量結果。
35、第二方面，本發明提出了一種具有泛化性的鋰離子電池狀態預測系統，用于實現上述的鋰離子電池狀態預測方法。
36、本發明具備的有益效果是：
37、本發明通過引入物理感知的預訓練任務和不規則時間序列建模，顯著提升了鋰離子電池數據分析的準確性和泛化能力。在多個下游任務中的應用表明，鋰離子電池基座模型能夠有效處理電池數據的復雜性和不規律性，為電池性能優化、安全管理和可持續生命周期管理提供強大的建模支持。