本發(fā)明屬于鋰電池，尤其涉及一種基于深度學(xué)習(xí)的鋰電池性能預(yù)測方法、裝置、設(shè)備及介質(zhì)。

背景技術(shù)：

1、鋰電池被廣泛地應(yīng)用于各種3c產(chǎn)品之中，是應(yīng)用最多的移動儲能體系之一。鋰電池通過鋰離子在電池正負(fù)極之間的嵌入和脫嵌實現(xiàn)能量的釋放和存儲。然而，這一化學(xué)過程并非是完全可逆的，隨著電池循環(huán)次數(shù)增加，正負(fù)極的微觀結(jié)構(gòu)會發(fā)現(xiàn)不可逆變化，造成宏觀上鋰電池容量的永久退化，直到達(dá)到電池的失效閾值。電池的意外失效不但可能造成用電器的永久損傷，還有可能造成安全問題，因此，提前預(yù)測鋰電池的剩余使用壽命(remaining?useful?life，rul)與健康狀態(tài)(state?ofhealth，soh)非常必要。

2、目前，鋰電池的主要預(yù)測方法分為物理化學(xué)模型方法與數(shù)據(jù)驅(qū)動方法。對于物理化學(xué)模型方法，大部分工作基于電池的電化學(xué)模型、等效電路模型、經(jīng)驗?zāi)Ｐ瓦@三種傳統(tǒng)方法。這些方法從電池的物理化學(xué)性質(zhì)出發(fā)，根據(jù)電池的循環(huán)表現(xiàn)捕捉模型參數(shù)，從而進(jìn)行預(yù)測，因此具有較好的可解釋性。然而，這些模型本身非常復(fù)雜，而且實驗參數(shù)的確定往往需要大量的實驗，模型的準(zhǔn)確度較低。對于數(shù)據(jù)驅(qū)動的方法，由于其往往僅關(guān)注電池的真實循環(huán)數(shù)據(jù)，而不要求特別的額外實驗來確定特定參數(shù)，節(jié)省了時間和效率，并且預(yù)測精度較高，因此正慢慢成為目前的熱點。常見的數(shù)據(jù)驅(qū)動方法主要由特征制作、特征采樣、時序建模三個步驟組成。severson等人提取了電池循環(huán)中第十圈和第一百圈的數(shù)據(jù)制作成特征，并通過皮爾森相關(guān)系數(shù)證明這些特征與電池的剩余使用壽命有很強(qiáng)的相關(guān)性。wang等人使用多元長短期記憶網(wǎng)絡(luò)(multivariate?long?short-term?memory，multivariate?lstm)捕捉電池的退化信息，實現(xiàn)了比lstm等網(wǎng)絡(luò)更好的預(yù)測效果。然而，這些工作強(qiáng)烈依賴于對電池領(lǐng)域知識的了解，特征制作的效果會直接影響預(yù)測結(jié)果。另外，severson等人使用的機(jī)器學(xué)習(xí)方法往往只能端到端地給出剩余使用壽命的點估計，而無法實現(xiàn)電池容量退化軌跡的預(yù)測，無法準(zhǔn)確掌握電池的退化信息。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于深度學(xué)習(xí)的鋰電池性能預(yù)測方法、裝置、設(shè)備及存儲介質(zhì)，旨在解決由于現(xiàn)有技術(shù)無法實現(xiàn)鋰電池容量退化軌跡的預(yù)測，導(dǎo)致鋰電池性能預(yù)測效果不佳的問題。

2、一方面，本發(fā)明提供了一種基于深度學(xué)習(xí)的鋰電池性能預(yù)測方法，所述方法包括下述步驟：

3、利用目標(biāo)電池的早期循環(huán)數(shù)據(jù)對訓(xùn)練好的鋰電池性能預(yù)測模型進(jìn)行微調(diào)訓(xùn)練；

4、使用微調(diào)訓(xùn)練完成的所述鋰電池性能預(yù)測模型對所述目標(biāo)電池的性能進(jìn)行在線預(yù)測，得到所述目標(biāo)電池的剩余使用壽命和健康狀態(tài)；

5、其中，所述鋰電池性能預(yù)測模型通過以下方式訓(xùn)練得到：

6、采用樣本篩選策略對預(yù)設(shè)的電池樣本數(shù)據(jù)集進(jìn)行篩選，得到訓(xùn)練樣本集；

7、利用所述訓(xùn)練樣本集對預(yù)先構(gòu)建的鋰電池性能預(yù)測模型進(jìn)行離線訓(xùn)練，以得到訓(xùn)練好的鋰電池性能預(yù)測模型。

8、優(yōu)選地，所述鋰電池性能預(yù)測模型包括雙通道特征提取模塊、特征聚合模塊以及時序處理與預(yù)測模塊，其中，所述雙通道特征提取模塊包括第一通道模塊和第二通道模塊，且所述第一通道模塊和所述第二通道模塊均嵌入了通道注意力和空間注意力模塊，所述特征聚合模塊包括展平層和拼接層，所述時序處理與預(yù)測模塊包括長短期記憶網(wǎng)絡(luò)、兩個全連接層和一個時序注意力模塊。

9、優(yōu)選地，所述第一通道模塊和所述第二通道模塊均包含兩層卷積層，且每層卷積層后均連接一層最大池化層，同時，在每層卷積層和最大池化層之間均嵌入了一個所述通道注意力和空間注意力模塊。

10、優(yōu)選地，利用所述訓(xùn)練樣本集對預(yù)先構(gòu)建的鋰電池性能預(yù)測模型進(jìn)行離線訓(xùn)練的步驟，包括：

11、根據(jù)所述訓(xùn)練樣本集，構(gòu)建所述訓(xùn)練樣本集中電池樣本的準(zhǔn)格拉姆角場矩陣和退化矩陣；

12、使用所述準(zhǔn)格拉姆角場矩陣和所述退化矩陣對所述鋰電池性能預(yù)測模型進(jìn)行離線訓(xùn)練。

13、優(yōu)選地，采用樣本篩選策略對預(yù)設(shè)的電池樣本數(shù)據(jù)集進(jìn)行篩選的步驟，包括：

14、根據(jù)預(yù)設(shè)的容量跌落閾值對所述電池樣本數(shù)據(jù)集進(jìn)行數(shù)據(jù)清洗，得到剩余樣本數(shù)據(jù)集；

15、根據(jù)所述剩余樣本數(shù)據(jù)集，提取所述剩余樣本數(shù)據(jù)集中所有電池樣本的容量退化矩陣；

16、采用主成分分析對所述容量退化矩陣進(jìn)行降維處理，得到容量降維矩陣；

17、使用無監(jiān)督學(xué)習(xí)算法對所述容量降維矩陣進(jìn)行聚類處理，得到聚類結(jié)果；

18、基于預(yù)設(shè)的先驗特征和所述聚類結(jié)果，對所述剩余樣本數(shù)據(jù)集進(jìn)行篩選，得到所述訓(xùn)練樣本集。

19、另一方面，本發(fā)明提供了一種基于深度學(xué)習(xí)的鋰電池性能預(yù)測裝置，所述裝置包括：

20、模型微調(diào)單元，用于利用目標(biāo)電池的早期循環(huán)數(shù)據(jù)對訓(xùn)練好的鋰電池性能預(yù)測模型進(jìn)行微調(diào)訓(xùn)練；

21、性能預(yù)測單元，用于使用微調(diào)訓(xùn)練完成的所述鋰電池性能預(yù)測模型對所述目標(biāo)電池的性能進(jìn)行在線預(yù)測，得到所述目標(biāo)電池的剩余使用壽命和健康狀態(tài)；

22、其中，所述鋰電池性能預(yù)測模型通過以下方式訓(xùn)練得到：

23、采用樣本篩選策略對預(yù)設(shè)的電池樣本數(shù)據(jù)集進(jìn)行篩選，得到訓(xùn)練樣本集；

24、利用所述訓(xùn)練樣本集對預(yù)先構(gòu)建的鋰電池性能預(yù)測模型進(jìn)行離線訓(xùn)練，以得到訓(xùn)練好的鋰電池性能預(yù)測模型。

25、優(yōu)選地，所述鋰電池性能預(yù)測模型包括雙通道特征提取模塊、特征聚合模塊以及時序處理與預(yù)測模塊，其中，所述雙通道特征提取模塊包括第一通道模塊和第二通道模塊，且所述第一通道模塊和所述第二通道模塊均嵌入了通道注意力和空間注意力模塊，所述特征聚合模塊包括展平層和拼接層，所述時序處理與預(yù)測模塊包括長短期記憶網(wǎng)絡(luò)、兩個全連接層和一個時序注意力模塊。

26、優(yōu)選地，所述樣本篩選單元包括：

27、數(shù)據(jù)清洗單元，用于根據(jù)預(yù)設(shè)的容量跌落閾值對所述電池樣本數(shù)據(jù)集進(jìn)行數(shù)據(jù)清洗，得到剩余樣本數(shù)據(jù)集；

28、矩陣提取單元，用于根據(jù)所述剩余樣本數(shù)據(jù)集，提取所述剩余樣本數(shù)據(jù)集中所有電池樣本的容量退化矩陣；

29、矩陣降維單元，用于采用主成分分析對所述容量退化矩陣進(jìn)行降維處理，得到容量降維矩陣；

30、矩陣聚類單元，用于使用無監(jiān)督學(xué)習(xí)算法對所述容量降維矩陣進(jìn)行聚類處理，得到聚類結(jié)果；

31、樣本篩選子單元，用于基于預(yù)設(shè)的先驗特征和所述聚類結(jié)果，對所述剩余樣本數(shù)據(jù)集進(jìn)行篩選，得到所述訓(xùn)練樣本集。

32、另一方面，本發(fā)明還提供了一種電子設(shè)備，包括存儲器、處理器以及存儲在所述存儲器中并可在所述處理器上運(yùn)行的計算機(jī)程序，所述處理器執(zhí)行所述計算機(jī)程序時實現(xiàn)如上述基于深度學(xué)習(xí)的鋰電池性能預(yù)測方法所述的步驟。

33、另一方面，本發(fā)明還提供了一種計算機(jī)可讀存儲介質(zhì)，所述計算機(jī)可讀存儲介質(zhì)存儲有計算機(jī)程序，所述計算機(jī)程序被處理器執(zhí)行時實現(xiàn)如上述基于深度學(xué)習(xí)的鋰電池性能預(yù)測方法所述的步驟。

34、本發(fā)明利用目標(biāo)電池的早期循環(huán)數(shù)據(jù)對訓(xùn)練好的鋰電池性能預(yù)測模型進(jìn)行微調(diào)訓(xùn)練，使用微調(diào)訓(xùn)練完成的鋰電池性能預(yù)測模型對目標(biāo)電池的性能進(jìn)行在線預(yù)測，得到目標(biāo)電池的剩余使用壽命和健康狀態(tài)，其中，在對鋰電池性能預(yù)測模型進(jìn)行微調(diào)訓(xùn)練之前，采用樣本篩選策略對預(yù)設(shè)的電池樣本數(shù)據(jù)集進(jìn)行篩選，得到訓(xùn)練樣本集，利用訓(xùn)練樣本集對預(yù)先構(gòu)建的鋰電池性能預(yù)測模型進(jìn)行離線訓(xùn)練，以得到訓(xùn)練好的鋰電池性能預(yù)測模型，從而提高了對鋰電池性能預(yù)測的預(yù)測精度和預(yù)測效果，并實現(xiàn)了對鋰電池容量退化軌跡的準(zhǔn)確預(yù)測。