本發(fā)明涉及新能源汽車電池管理，特別涉及一種基于ms-tcn-trf的鋰離子電池壽命預測方法。
背景技術(shù)：
1、鋰離子電池因其高能量密度、輕量化及長循環(huán)壽命等特點，被廣泛應用于新能源汽車等領(lǐng)域。作為電動汽車的核心動力源，鋰離子電池的安全性與可靠性成為關(guān)鍵技術(shù)問題；為實現(xiàn)電池健康監(jiān)測，多數(shù)車輛配備電池管理系統(tǒng)（battery?management?system，bms），用于估計電池健康狀態(tài)（state?of?health，soh）并預測剩余使用壽命（remaininguseful?life，rul），而soh與rul的準確評估對保障電池系統(tǒng)安全運行與提升資源利用效率具有重要意義。
2、由于鋰離子電池內(nèi)部電化學反應過程復雜、退化機理多且相互耦合，基于機理的建模方法（如電化學模型、等效電路模型等）在實際應用中往往會產(chǎn)生較大誤差，并且在不同電池類型、工況與環(huán)境條件下需要重新建模與參數(shù)辨識，導致應用成本高、通用性受限。
3、相比之下，數(shù)據(jù)驅(qū)動方法主要依賴歷史運行數(shù)據(jù)進行訓練，對先驗機理知識依賴較少，已逐漸成為電池健康管理的主流方案之一。例如，有研究通過從充放電電壓、電流、溫度等曲線中提取健康指標（his），并結(jié)合高斯過程回歸（gaussian?process?regression，gpr）實現(xiàn)rul預測；也有研究結(jié)合粒子濾波（particle?filter，pf）等方法降低樣本退化與缺失帶來的影響；此外，卷積神經(jīng)網(wǎng)絡(luò)（convolutional?neural?network,?cnn）被用于soh估計以發(fā)揮其特征提取能力，但部分方法僅關(guān)注單循環(huán)的映射關(guān)系而未充分考慮soh的時間序列特性；亦有研究構(gòu)建自適應滑動窗口的lstm網(wǎng)絡(luò)以捕捉長期依賴。
4、目前，在鋰離子電池壽命預測領(lǐng)域，部分研究提出采用變分模態(tài)分解（variational?mode?decomposition，vmd）對電池退化特征進行分解，以降低噪聲干擾并增強退化趨勢的可表征性；也有研究采用多尺度時間卷積網(wǎng)絡(luò)?(muli-scale?temporalconvolutional?network，ms-tcn)對退化序列進行特征提取，以捕捉不同時間尺度下的局部變化規(guī)律；此外，transformer模型憑借其自注意力機制在長程依賴建模方面具有優(yōu)勢，逐漸被引入用于電池soh/rul預測；同時，為提升模型對關(guān)鍵退化信息的關(guān)注能力，研究人員進一步引入注意力機制（attention）對重要特征進行自適應加權(quán)，從而提高壽命預測精度與穩(wěn)定性。
5、問題1：鋰離子電池容量退化曲線通常具有非線性、非平穩(wěn)特征，并可能出現(xiàn)局部容量回彈（容量再生）與隨機噪聲等現(xiàn)象，這些因素會掩蓋真實退化規(guī)律，使得單一模型難以準確刻畫長期退化行為，從而影響soh/rul的長期預測穩(wěn)定性與準確性。
6、問題2：在實際應用中常需從充放電過程提取多個健康指標，但不同指標之間可能存在較強相關(guān)性與信息冗余，若直接同時作為輸入，容易造成特征重疊并增加模型構(gòu)建復雜度，進而降低訓練效率與整體性能；此外，數(shù)據(jù)驅(qū)動模型對訓練數(shù)據(jù)的覆蓋范圍與質(zhì)量依賴較強，若缺乏有效的特征融合與降維處理，模型的泛化能力仍可能受到影響。
技術(shù)實現(xiàn)思路
1、基于數(shù)據(jù)驅(qū)動的深度學習方法在鋰離子電池壽命預測領(lǐng)域具有重要意義，該類方法能夠?qū)W習退化特征與健康狀態(tài)（soh）及剩余使用壽命（rul）之間復雜的非線性關(guān)系，但現(xiàn)有方法在退化信號噪聲與局部波動存在時難以穩(wěn)定提取有效退化信息，且對多特征輸入存在冗余、對長程依賴建模不足等問題。為了解決上述問題，本發(fā)明提出一種基于ms-tcn-trf的鋰離子電池壽命預測方法，該方法先從原始充放電數(shù)據(jù)中提取多種健康指標（hi），再利用堆疊自編碼器（sparse?autoencoder，sae）壓縮得到單一主健康特征，之后采用變分模態(tài)分解（vmd）分解主健康特征以削弱噪聲并提取趨勢分量，最后構(gòu)建ms-tcn-trf復合預測模型對分解結(jié)果進行時序建模與壽命預測，從而提升soh/rul預測精度與魯棒性，包括：
2、s1：數(shù)據(jù)預處理與健康指標提取，從原始充放電數(shù)據(jù)中提取4個健康指標hi并形成特征數(shù)據(jù)集；
3、s2：特征壓縮，采用堆疊自編碼器sae將4個hi壓縮為一維主健康特征；
4、s3：信號分解，采用變分模態(tài)分解vmd對主健康特征進行分解，得到多個模態(tài)分量及殘差信號；
5、s4：構(gòu)建ms-tcn-trf復合模型并訓練預測，得到soh預測曲線并依據(jù)閾值確定rul預測結(jié)果。
6、進一步的，所述步驟s1所提的數(shù)據(jù)預處理與健康指標提取包括：
7、s1-1：按完整循環(huán)full_cycle對數(shù)據(jù)進行分段，分別提取充電段與放電段數(shù)據(jù)，其中容量capacity由放電段獲取，并作為soh/rul標注的基礎(chǔ)數(shù)據(jù)；
8、s1-2：在充電段中，依據(jù)電壓閾值穿越時刻計算第一健康指標hi1_th，所述hi1_th為電壓由起始時刻tv0上升到上限電壓4.2v的時間差，即hi1_th=t_{vmax}-t_{v0}，其中t_{vmax}采用線性插值得到第一次從小于4.2v穿越至大于等于4.2v的時刻；
9、s1-3：在充電段中，依據(jù)電壓閾值穿越時刻計算第二健康指標hi2_tr，所述hi2_tr為電壓由3.8v上升至4.1v的時間差，即hi2_tr=t_{v=4.1}-t_{v=3.8}，其中t_{v=3.8}與t_{v=4.1}均采用線性插值得到第一次穿越對應閾值的時刻；
10、s1-4：在放電段中，計算第三健康指標hi3_tt，所述hi3_tt為放電過程中溫度達到峰值時的時刻，即hi3_tt為放電段溫度序列t的最大值對應的時間t；
11、s1-5：在放電段中，依據(jù)電壓閾值下降穿越時刻計算第四健康指標hi4_td，所述hi4_td為電壓由3.8v下降到3.4v的時間差，即hi4_td=t'3.4-t'3.8，其中t'3.8與t'3.4均采用線性插值得到第一次從大于閾值穿越至小于等于閾值的時刻；
12、s1-6：將各循環(huán)得到的hi1_th、hi2_tr、hi3_tt、hi4_td與capacity組成特征數(shù)據(jù)集，用于后續(xù)特征壓縮與壽命預測。
13、進一步的，所述步驟s2的具體內(nèi)容包括：
14、s2-1：將步驟s1得到的4維健康指標向量x=[hi1_th,hi2_tr,hi3_tt,hi4_td]作為自編碼器輸入，并對其進行標準化處理以減小量綱差異對訓練造成的影響；
15、s2-2：構(gòu)建兩級堆疊自編碼器sae，其中第一級自編碼器實現(xiàn)4維輸入到m維隱含層的編碼并重構(gòu)4維輸出，用于學習4個hi的非線性組合表示；
16、s2-3：將第一級自編碼器的隱含表示作為第二級自編碼器輸入，第二級自編碼器將其進一步編碼為1維隱含表示并重構(gòu)輸出，最終將第二級自編碼器的1維隱含層輸出作為主健康特征hi_principal，并與容量capacity共同形成后續(xù)分解與預測所需的數(shù)據(jù)序列。
17、進一步的，所述步驟s3的具體內(nèi)容包括：
18、s3-1：對主健康特征序列hi_principal進行鏡像延拓以降低邊界效應，并將延拓后的序列轉(zhuǎn)換至頻域；
19、s3-2：設(shè)置vmd分解參數(shù)，包含懲罰因子α=2000、更新率參數(shù)τ=0.25、模態(tài)數(shù)k=4、收斂閾值tol=1e-7及最大迭代次數(shù)max_iter=5000，并在頻域采用交替方向乘子法對各模態(tài)分量及其中心頻率進行迭代更新；
20、s3-3：迭代收斂后將頻域模態(tài)分量通過逆傅里葉變換恢復至時域，得到k個模態(tài)分量，并按中心頻率從低到高進行排序，將最低中心頻率對應分量定義為殘差信號residual，其余分量依次記為imf1、imf2、imf3，輸出用于后續(xù)壽命預測。
21、進一步的，所述步驟s4的具體內(nèi)容包括：
22、s4-1：構(gòu)建壽命預測所需的監(jiān)督學習標簽，首先從容量序列capacity計算健康狀態(tài)soh，所述soh定義為當前循環(huán)容量與初始循環(huán)容量之比：
23、，
24、并設(shè)定壽命終止閾值為eol_soh=0.8，當soh首次滿足soh(t)≤eol_soh時對應的循環(huán)序號記為壽命終止點eol，同時將剩余使用壽命rul定義為eol與當前循環(huán)時刻t的差值：
25、，
26、從而得到各循環(huán)時刻對應的soh真實值與rul真實值，作為模型訓練與測試的評價基準；
27、s4-2：為提高預測模型訓練穩(wěn)定性，對步驟s3得到的殘差信號residual進行標準化處理，計算residual的均值μ與標準差σ，并按如下方式得到歸一化序列residual_norm：
28、，
29、同時保存μ與σ用于后續(xù)預測結(jié)果的反歸一化恢復；
30、s4-3：采用滑動窗口方式構(gòu)建訓練樣本，定義歷史窗口長度lookback與預測步長horizon，其中l(wèi)ookback表示模型輸入使用的歷史時間步數(shù)量，horizon表示模型輸出預測的未來時間步數(shù)量；遍歷residual_norm序列，從t=lookback開始至t=len(residual_norm)-horizon結(jié)束，在每一時刻t提取區(qū)間[t-lookback,t)作為輸入樣本x，并提取區(qū)間[t,t+horizon)作為輸出標簽y，從而構(gòu)建樣本對（x，y）；其中輸入樣本x的形狀為（n，lookback，1），輸出標簽y的形狀為（n，horizon，1），n為樣本數(shù)量；
31、s4-4：構(gòu)建ms-tcn-trf復合預測模型并進行前向預測，所述模型包括ms-tcn模塊、transformer編碼器模塊、注意力池化模塊與全連接預測模塊；其中ms-tcn模塊由多分支膨脹一維卷積構(gòu)成，各分支采用不同膨脹率d提取多尺度局部退化特征，并通過特征拼接與1×1卷積進行融合投影得到統(tǒng)一維度的時序特征；隨后transformer編碼器模塊通過多頭自注意力機制建立序列各時間步之間的全局關(guān)聯(lián)關(guān)系，提取長期依賴特征；注意力池化模塊對transformer輸出特征進行自適應加權(quán)匯聚，得到全局退化表示向量，并輸入全連接層輸出未來horizon步residual_norm預測序列；
32、所述ms-tcn模塊包括膨脹卷積分支，所述膨脹卷積分支的計算公式如下：
33、，其中，?表示輸入退化特征序列在時間步處的取值，表示在膨脹率為的卷積分支中時間步對應的輸出特征；為一維卷積核的大小，為膨脹率；與?分別表示該膨脹卷積分支中第個卷積核權(quán)重參數(shù)與偏置項，表示非線性激活函數(shù)；
34、所述transformer編碼器的自注意力計算公式如下：
35、，其中，和??分別表示由輸入特征線性映射得到的查詢矩陣、鍵矩陣和值矩陣，表示查詢矩陣與鍵矩陣轉(zhuǎn)置的點積運算，表示鍵向量的維度，用于將相關(guān)性得分歸一化為注意力權(quán)重；
36、所述注意力池化模塊對時序特征的加權(quán)匯聚方式如下：
37、，其中，表示?transformer?編碼器在時間步輸出的特征向量，為可學習的權(quán)重參數(shù)向量，表示對應時間步的注意力權(quán)重，為輸入序列的時間步長度，為加權(quán)匯聚后的全局特征向量；
38、s4-8：采用均方誤差損失函數(shù)對預測序列與真實序列誤差進行約束，并通過反向傳播更新網(wǎng)絡(luò)參數(shù)，其損失函數(shù)計算公式如下：
39、，
40、其中，?為模型輸出的未來horizon步residual_norm預測序列，?為真實residual_norm序列；
41、s4-9：對模型輸出的residual_norm預測序列進行反歸一化恢復，得到residual預測序列residual_pred：
42、，
43、并采用線性映射方式將residual_pred轉(zhuǎn)換為未來soh預測曲線，所述線性映射關(guān)系如下：
44、，
45、其中a與b通過最小二乘擬合方法在訓練樣本對應時刻處求解得到；
46、s4-10：根據(jù)未來soh預測曲線計算rul預測值，在未來horizon步的soh預測序列中搜索首次滿足soh≤eol_soh的位置δt，當存在該位置時將δt作為預測rul；當未來horizon步內(nèi)未出現(xiàn)閾值穿越時，將horizon作為預測rul輸出，從而實現(xiàn)鋰離子電池剩余使用壽命預測；
47、s4-11：輸出并保存預測結(jié)果及評價指標，計算rul預測的平均絕對誤差mae與均方根誤差rmse，同時計算未來soh曲線預測誤差作為soh預測精度指標，并將預測結(jié)果保存為csv文件與參數(shù)及指標保存為文本文件，便于后續(xù)分析與對比驗證。
48、進一步的，所述步驟s4-4中ms-tcn模塊的網(wǎng)絡(luò)結(jié)構(gòu)包括：
49、ms-tcn模塊采用多分支并行結(jié)構(gòu)，每一分支均包含一層一維膨脹卷積層、relu激活層以及dropout層，用于提取不同時間尺度下的局部退化特征；各分支卷積層的膨脹率d分別設(shè)置為dilations=(1,2,4,8)，以形成不同尺度感受野，從而同時捕捉退化序列的短期波動規(guī)律與中期變化趨勢；隨后將各分支輸出在通道維進行拼接，并通過1×1卷積層將拼接后的高維特征映射至統(tǒng)一維度d_model，實現(xiàn)多尺度特征融合并降低后續(xù)transformer模塊的計算復雜度。
50、進一步的，所述步驟s4-4中transformer編碼器模塊的網(wǎng)絡(luò)結(jié)構(gòu)包括：
51、transformer編碼器由若干層transformerencoderlayer堆疊形成，每一層包括多頭自注意力子層與前饋神經(jīng)網(wǎng)絡(luò)子層；其中多頭注意力頭數(shù)設(shè)置為nhead，隱藏特征維度設(shè)置為d_model，并要求d_model能夠被nhead整除；前饋網(wǎng)絡(luò)層維度設(shè)置為4×d_model，并在子層之間引入dropout以增強泛化能力；同時采用殘差連接與層歸一化機制，使網(wǎng)絡(luò)在長序列訓練過程中保持穩(wěn)定收斂，提高對長期退化依賴關(guān)系的表達能力。
52、進一步的，所述步驟s4-4中注意力池化模塊的結(jié)構(gòu)包括：
53、注意力池化模塊包含一層線性映射層，將transformer輸出的時序特征映射為標量權(quán)重得分，通過softmax函數(shù)得到各時間步注意力權(quán)重，并對所有時間步特征進行加權(quán)求和得到全局退化表示向量；該結(jié)構(gòu)能夠自適應突出對壽命預測貢獻更大的關(guān)鍵退化片段，使模型在輸出未來退化趨勢時具有更強的特征選擇能力與抗噪能力。
54、進一步的，所述步驟s4-4中全連接預測模塊的結(jié)構(gòu)包括：
55、將注意力池化得到的全局特征向量輸入至全連接預測模塊，所述預測模塊包含兩層線性映射，其中第一層將特征維度映射至d_model并經(jīng)過relu激活與dropout操作，第二層輸出長度為horizon的預測向量，從而得到未來horizon步的residual_norm預測序列，實現(xiàn)多步退化趨勢預測。
56、進一步的，所述步驟s4-2中residual序列歸一化的目的包括：
57、由于residual序列存在不同電池與不同工況下的數(shù)值尺度差異，直接輸入模型會造成梯度更新不穩(wěn)定及訓練收斂緩慢，因此本發(fā)明采用均值μ與標準差σ進行標準化處理，使輸入序列具有零均值與單位方差分布，從而提升網(wǎng)絡(luò)訓練穩(wěn)定性，并避免個別異常值對預測結(jié)果產(chǎn)生過大影響。
58、進一步的，所述步驟s4-3中滑動窗口樣本構(gòu)建的意義包括：
59、通過滑動窗口方式將單變量退化序列重構(gòu)為監(jiān)督學習樣本對（x，y），其中輸入x包含lookback個歷史時間步，標簽y包含未來horizon個時間步，從而使模型能夠在學習歷史退化規(guī)律的基礎(chǔ)上輸出未來一段時間的退化趨勢預測結(jié)果，避免僅進行單步預測導致誤差逐步累積的問題。
60、進一步的，所述步驟s4的訓練集、驗證集與測試集劃分方式包括：
61、將構(gòu)建得到的全部監(jiān)督樣本按時間順序劃分為訓練集、驗證集與測試集，其中訓練集比例為0.7，驗證集比例為0.15，測試集比例為0.15；訓練集用于模型參數(shù)學習，驗證集用于超參數(shù)尋優(yōu)過程的性能評價，測試集用于最終預測精度評估，從而保證壽命預測結(jié)果的可靠性與客觀性。
62、進一步的，所述步驟s4的優(yōu)化算法包括：
63、所述方法引入鯨魚優(yōu)化算法woa對所述ms-tcn-trf復合模型的關(guān)鍵超參數(shù)進行自動尋優(yōu)，所述關(guān)鍵超參數(shù)包括：lookback、horizon、d_model、nhead、num_layers、dropout、lr、batch_size；其中，所述transformer模塊包括transformer結(jié)構(gòu)，所述transformer結(jié)構(gòu)滿足以下約束條件：模型維度?d_model?能被注意力頭數(shù)?nhead?整除；并以驗證集剩余使用壽命rul誤差為主、結(jié)合健康狀態(tài)soh誤差構(gòu)建適應度函數(shù)。
64、本發(fā)明具有如下有益效果：
65、（1）通過從充放電過程提取多種健康指標，并利用sae進行非線性特征融合與壓縮，有效降低多特征之間的冗余性，提高特征表達的緊湊性與有效性；
66、（2）通過引入vmd對主健康特征進行分解，能夠有效抑制噪聲干擾并分離不同尺度的退化信息，從而增強退化趨勢的可表征性；
67、（3）通過構(gòu)建包含ms-tcn與transformer的復合模型，充分利用ms-tcn對多尺度局部時序特征的提取能力以及transformer對長程依賴關(guān)系的建模能力，提高對電池退化過程的刻畫能力；
68、（4）通過引入attention對關(guān)鍵退化特征進行自適應加權(quán)，增強模型對重要信息的關(guān)注能力，從而提升預測結(jié)果的準確性；
69、（5）通過融合多種模型與信號處理方法，并結(jié)合woa對關(guān)鍵超參數(shù)進行自動尋優(yōu)，進一步提升模型在不同工況下的預測精度與穩(wěn)定性；
70、（6）本發(fā)明方法能夠同時實現(xiàn)soh與rul的聯(lián)合預測，在復雜非線性退化環(huán)境下仍具有較好的魯棒性與泛化能力。