本發(fā)明屬于電池管理系統(tǒng)，具體涉及一種基于特征解耦的域泛化鋰電池健康狀態(tài)估計方法和系統(tǒng)。
背景技術(shù)：
1、健康狀態(tài)估計是電池管理系統(tǒng)中的核心功能，對保障電池系統(tǒng)的安全穩(wěn)定運行至關(guān)重要。由于鋰電池在服役過程中容量會逐漸衰減，通常將其實時容量與出廠容量的比值定義為健康狀態(tài)，然而該指標(biāo)無法直接測量，需借助電壓、電流等運行信號通過算法進(jìn)行估計。準(zhǔn)確的健康狀態(tài)估計能夠提升續(xù)航管理、充電策略及安全預(yù)警的可靠性，從而有效預(yù)防電池故障引發(fā)的安全問題。
2、現(xiàn)有的健康狀態(tài)估計方法主要包括基于模型的方法和基于數(shù)據(jù)驅(qū)動的方法。基于模型的方法依賴精確的電池建模與參數(shù)辨識，其在復(fù)雜多變工況下的精度和穩(wěn)定性往往受限。相比之下，數(shù)據(jù)驅(qū)動方法通過對歷史數(shù)據(jù)的學(xué)習(xí)可以實現(xiàn)更高精度的估計，其中基于深度學(xué)習(xí)的方法能夠自動提取數(shù)據(jù)中的非線性特征，避免了繁瑣的人工特征工程，因此近年來受到廣泛關(guān)注。然而，不同使用工況導(dǎo)致的電池老化行為差異，使得在實驗室條件下訓(xùn)練的模型難以直接泛化到真實應(yīng)用場景。
3、為提升模型在不同工況下的泛化能力，一些研究嘗試采用遷移學(xué)習(xí)策略，利用源域數(shù)據(jù)知識并通過微調(diào)適應(yīng)目標(biāo)域。這類方法雖能減少對目標(biāo)域標(biāo)記數(shù)據(jù)量的需求，但仍需一定量的標(biāo)記數(shù)據(jù)用于調(diào)整模型，而實際電池使用過程中獲取這類標(biāo)記數(shù)據(jù)十分困難。因此，遷移學(xué)習(xí)方法在實際應(yīng)用中的精度提升仍受到限制。
4、為進(jìn)一步降低對目標(biāo)域數(shù)據(jù)的依賴，域適應(yīng)技術(shù)被引入到健康狀態(tài)估計中。該方法利用源域標(biāo)記數(shù)據(jù)和目標(biāo)域無標(biāo)簽數(shù)據(jù)，通過特征分布對齊等方式學(xué)習(xí)域不變特征，實現(xiàn)無監(jiān)督的跨域估計。盡管域適應(yīng)方法減少了對目標(biāo)域標(biāo)記數(shù)據(jù)的需求，但仍需獲取一定量的目標(biāo)域運行數(shù)據(jù)，這在實際電池管理系統(tǒng)中往往面臨存儲與采集的困難，且在完全缺乏目標(biāo)域數(shù)據(jù)時模型性能難以保證。
技術(shù)實現(xiàn)思路
1、有鑒于此，本發(fā)明提供了一種基于特征解耦的域泛化鋰電池健康狀態(tài)估計方法和系統(tǒng)，能夠完全不依賴于任何目標(biāo)域數(shù)據(jù)，無需目標(biāo)域數(shù)據(jù)參與訓(xùn)練，顯著降低了開發(fā)不同電池管理系統(tǒng)時對實驗數(shù)據(jù)量的需求，增強(qiáng)了實際應(yīng)用的可行性。
2、為實現(xiàn)本發(fā)明的目的，提供以下技術(shù)方案。
3、本發(fā)明的一種基于特征解耦的域泛化鋰電池健康狀態(tài)估計方法，包括以下步驟：s1、采集多組鋰電池在不同環(huán)境溫度和不同充電倍率下的全生命周期運行數(shù)據(jù)，所述運行數(shù)據(jù)至少包括電壓、電流及容量序列；s2、將所述運行數(shù)據(jù)按工況條件劃分為訓(xùn)練集與測試集，其中訓(xùn)練集與測試集分別對應(yīng)互不重疊的工況組合，且所涉及的電池個體無交集；s3、構(gòu)建雙支路特征提取網(wǎng)絡(luò)，所述雙支路包括：transformer-cnn混合支路，用于提取輸入時序信號中的長程依賴關(guān)系與全局上下文信息；多層cnn支路，用于提取充放電曲線中的局部關(guān)鍵形態(tài)特征；s4、對雙支路輸出的全局特征與局部特征分別進(jìn)行通道維度上的二等分解耦，得到域不變健康特征與工況干擾特征；s5、將兩支路解耦出的健康特征進(jìn)行跨尺度融合，形成融合后的域不變健康表征，并將其輸入soh估計模塊以輸出健康狀態(tài)估計值；同時，將兩支路解耦出的工況干擾特征進(jìn)行融合后輸入工況識別模塊以輸出工況類別預(yù)測；s6、采用包含soh估計損失、工況識別損失和信息互斥損失的聯(lián)合損失函數(shù)對網(wǎng)絡(luò)進(jìn)行端到端訓(xùn)練，其中所述信息互斥損失采用infonce對比損失形式，用于最小化健康特征與工況特征之間的互信息；s7、將訓(xùn)練完成的網(wǎng)絡(luò)直接部署于目標(biāo)域，利用目標(biāo)域運行數(shù)據(jù)執(zhí)行在線soh估計，過程中不使用任何目標(biāo)域數(shù)據(jù)進(jìn)行微調(diào)或校準(zhǔn)。
4、其中，所述輸入時序信號為重采樣至固定長度的多變量序列，包括電壓序列與容量增量序列。
5、其中，所述transformer-cnn混合支路依次包含多個transformer編碼器和卷積層，每個卷積層由卷積算子、批歸一化層和激活函數(shù)構(gòu)成，最終通過全局平均池化生成全局特征；所述多層cnn支路包含多個二維卷積層，結(jié)構(gòu)同上，用于生成局部形態(tài)特征。
6、其中，所述域不變健康特征與工況干擾特征均為8維向量，通過對16維原始特征沿通道維度均分獲得。
7、其中，所述soh估計模塊為包含兩個隱藏層的全連接神經(jīng)網(wǎng)絡(luò)，每層包含8個神經(jīng)元，激活函數(shù)為relu，損失函數(shù)為均方誤差；所述工況識別模塊為無隱藏層的全連接分類器，損失函數(shù)為交叉熵?fù)p失。
8、其中，所述聯(lián)合損失函數(shù)中各子損失項的權(quán)重通過gradnorm算法動態(tài)自適應(yīng)調(diào)整，以平衡多任務(wù)學(xué)習(xí)過程。
9、本發(fā)明還提供了一種基于特征解耦的域泛化鋰電池健康狀態(tài)估計系統(tǒng)，包括：
10、數(shù)據(jù)采集模塊，用于獲取不同溫度與充電倍率下鋰電池的全生命周期運行數(shù)據(jù)；
11、數(shù)據(jù)劃分模塊，用于將所述運行數(shù)據(jù)按工況劃分為無交集的訓(xùn)練集與測試集；
12、雙支路特征提取模塊，集成transformer-cnn混合支路與多層cnn支路，分別提取全局時序特征與局部形態(tài)特征；
13、特征解耦與融合模塊，用于將全局與局部特征分別解耦為健康特征與工況特征，并對同類特征進(jìn)行跨支路融合；
14、下游任務(wù)模塊，包括soh估計子模塊和工況識別子模塊，分別基于融合后的健康特征和工況特征執(zhí)行回歸與分類任務(wù)；
15、訓(xùn)練優(yōu)化模塊，配置有包含soh估計損失、工況識別損失和infonce信息互斥損失的聯(lián)合損失函數(shù)，并采用gradnorm算法動態(tài)調(diào)整損失權(quán)重；
16、在線推理模塊，用于在不訪問目標(biāo)域數(shù)據(jù)的前提下，直接對目標(biāo)域電池運行數(shù)據(jù)進(jìn)行soh實時估計。
17、其中，所述系統(tǒng)部署于電池管理系統(tǒng)中，無需存儲或采集目標(biāo)應(yīng)用場景下的先驗數(shù)據(jù)；訓(xùn)練階段僅使用源域工況數(shù)據(jù)，測試階段泛化至未見過的溫度、充電倍率組合，且不要求目標(biāo)域提供任何標(biāo)記或未標(biāo)記數(shù)據(jù)。
18、有益效果
19、1，本發(fā)明方法解決了現(xiàn)有跨域soh估計方法的局限性，完全不依賴目標(biāo)域數(shù)據(jù)，不同于傳統(tǒng)的域遷移和域適應(yīng)方法，不需要訪問目標(biāo)域數(shù)據(jù)，從而避免了為bms增加額外的存儲開銷。本發(fā)明方法的核心在于通過特征解耦技術(shù)將域一致性特征（即不變性健康特征）與域私有特征（即工況干擾性特征）分離開來，保證在不同域中提取出一致性特征，其中一致性特征用于soh估計，私有特征用于有效識別電池的工作條件，本發(fā)明方法引入了不變性健康特征和工況干擾性特征之間互信息的約束，從而強(qiáng)化了特征解耦的效果。
20、2，本發(fā)明方法提出了一個transformer-cnn雙支路模型，其中transformer模塊用于提取序列數(shù)據(jù)中的長程依賴信息和全局信息，cnn模塊則提取局部關(guān)鍵形態(tài)特征；該方法通過結(jié)合transformer和cnn的優(yōu)勢，顯著增強(qiáng)了時序特征的捕捉能力，進(jìn)一步提高了soh估計的準(zhǔn)確性。本發(fā)明方法基于雙支路特征提取模塊加強(qiáng)了特征挖掘能力，能實現(xiàn)從原始數(shù)據(jù)中直接提取健康特征。該方法在下游任務(wù)和互信息的約束下，有效的分離域不變健康特征和域私有的工況相關(guān)特征。最終該方法能夠極大地提升soh估計的泛化能力。
21、3，本發(fā)明方法綜合考慮了多種不同的工作條件場景下的soh估計，包括但不限于不同充電倍率的場景、處于不同溫度環(huán)境的場景等，并且不需要任何目標(biāo)域的數(shù)據(jù)即可實現(xiàn)域泛化，這極大地降低了對數(shù)據(jù)量的需求，能夠提升soh估計方法在不同工況下的適用性而無需目標(biāo)域的數(shù)據(jù)，顯著減少開發(fā)不同bms產(chǎn)品中soh估計方法所需的實驗數(shù)據(jù)量。