本發(fā)明屬于電化學(xué)，尤其是一種基于hs-mh-moe模型和電池的電流電壓溫度預(yù)測(cè)soh的方法。

背景技術(shù)：

1、電池健康狀態(tài)（state?of?health，soh）反映了電池的健康程度和剩余使用壽命。電池soh是電池的一個(gè)重要指標(biāo)，其重要性體現(xiàn)在以下幾個(gè)方面:反映電池老化程度、指示電池更換時(shí)間、評(píng)估剩余容量、優(yōu)化電池管理、分析電池故障、評(píng)估電池安全性和預(yù)測(cè)剩余壽命。

2、預(yù)測(cè)電池soh具有很高的應(yīng)用價(jià)值。

3、電池的電流、電壓和溫度等運(yùn)行數(shù)據(jù)與soh有著密切的關(guān)系，使用電池的電流、電壓和溫度來(lái)預(yù)測(cè)soh是一個(gè)研究熱點(diǎn)。

4、通常使用電流、電壓、溫度數(shù)據(jù)訓(xùn)練機(jī)器學(xué)習(xí)模型，如神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等，學(xué)習(xí)電池soh的變化規(guī)律，并進(jìn)行預(yù)測(cè)。

5、傳統(tǒng)機(jī)器學(xué)習(xí)模型通常依賴單一模型來(lái)擬合所有數(shù)據(jù)，難以處理復(fù)雜、異質(zhì)性高的數(shù)據(jù)集。單一模型的泛化能力有限，容易過(guò)擬合。單一模型在處理大規(guī)模數(shù)據(jù)時(shí)效率較低。

6、混合專家模型（mixture?of?experts,?moe）是一種機(jī)器學(xué)習(xí)模型，它將輸入數(shù)據(jù)通過(guò)一個(gè)門(mén)控網(wǎng)絡(luò)（gating?network）分配給不同的專家模型，每個(gè)專家模型負(fù)責(zé)學(xué)習(xí)數(shù)據(jù)的一個(gè)特定部分。然后，這些專家模型的輸出被組合起來(lái)，形成最終的預(yù)測(cè)結(jié)果。稀疏混合專家模型（sparse?mixture?of?experts,?smoe）針對(duì)復(fù)雜問(wèn)題設(shè)計(jì)，通過(guò)門(mén)控網(wǎng)絡(luò)加權(quán)匯總專家子模型預(yù)測(cè)，實(shí)現(xiàn)稀疏激活，降低計(jì)算成本。多層稀疏混合專家模型（hierarchicalsparse?mixture?of?experts,?hs-moe）是smoe的擴(kuò)展，采用多層次專家和門(mén)控網(wǎng)絡(luò)，形成樹(shù)狀結(jié)構(gòu)，處理更復(fù)雜任務(wù)。

7、多頭混合專家模型（multi-head?mixture?of?experts,?mh-moe）是一種神經(jīng)網(wǎng)絡(luò)架構(gòu)，旨在提高模型的表現(xiàn)力和計(jì)算效率。mh-moe的每個(gè)門(mén)控網(wǎng)絡(luò)為一個(gè)“頭”，根據(jù)輸入數(shù)據(jù)選擇和激活適當(dāng)?shù)膶＜揖W(wǎng)絡(luò)。多個(gè)門(mén)控網(wǎng)絡(luò)（頭）可以并行處理輸入數(shù)據(jù)。mh-moe的多個(gè)門(mén)控網(wǎng)絡(luò)同時(shí)工作，每個(gè)門(mén)控網(wǎng)絡(luò)生成自己的權(quán)重分布，選擇和激活不同的專家網(wǎng)絡(luò)。多頭混合專家模型通過(guò)結(jié)合多個(gè)門(mén)控網(wǎng)絡(luò)和專家網(wǎng)絡(luò)，實(shí)現(xiàn)了高效的計(jì)算和強(qiáng)大的表現(xiàn)能力。

8、將多層稀疏混合專家模型（hs-moe）和多頭混合專家模型（mh-moe）結(jié)合，可以構(gòu)建一個(gè)更強(qiáng)大的模型，能夠充分利用多層次特征提取和多頭機(jī)制的優(yōu)勢(shì)。本發(fā)明將這種結(jié)合模型稱為多層多頭稀疏混合專家模型（hierarchical?multi-head?sparse?mixture?ofexperts,?hs-mh-moe）。

9、常用的深度學(xué)習(xí)模型及其作用有：

10、卷積神經(jīng)網(wǎng)絡(luò)（convolution?neural?network，cnn）：cnn可以用于提取電流、電壓和溫度數(shù)據(jù)的空間特征。

11、長(zhǎng)短期記憶網(wǎng)絡(luò)(long?short-term?memory，lstm)：lstm可以從學(xué)習(xí)電流、電壓和溫度的時(shí)間序列變化規(guī)律。

12、綜上所述，cnn和lstm的組合可以自動(dòng)學(xué)習(xí)電流、電壓和溫度與soh之間的復(fù)雜的映射關(guān)系，可以使用以上兩種模型的組合，構(gòu)建hs-mh-moe模型，使用電池電流、電壓和溫度數(shù)據(jù)預(yù)測(cè)電池soh。

技術(shù)實(shí)現(xiàn)思路

1、為了解決上述技術(shù)問(wèn)題，本發(fā)明提出一種基于hs-mh-moe模型的電池soh預(yù)測(cè)方法，使用電池電流、電壓和溫度等電池運(yùn)行數(shù)據(jù)來(lái)預(yù)測(cè)電池soh。為了提升模型的預(yù)測(cè)精度，本發(fā)明使用了多種深度學(xué)習(xí)模型，來(lái)構(gòu)建預(yù)測(cè)模型。

2、本發(fā)明解決其技術(shù)問(wèn)題所采用的技術(shù)方案是：

3、一種基于hs-mh-moe模型和電池的電流電壓溫度預(yù)測(cè)soh的方法，包括如下實(shí)現(xiàn)步驟：

4、步驟s1.測(cè)試并采集電池電流、電壓、溫度和容量數(shù)據(jù)：采集數(shù)據(jù)時(shí)記錄電池的電流、電壓和溫度數(shù)據(jù)以及需要預(yù)測(cè)的目標(biāo)值，這里是相對(duì)應(yīng)的電池容量數(shù)據(jù)。電池管理系統(tǒng)(bms)?采集電池組的電流、電壓、溫度和容量數(shù)據(jù)。

5、具體包括如下步驟：

6、s11電流采集.bms通過(guò)檢測(cè)電池組連接端的總電流，使用hall傳感器或高精度采樣電阻進(jìn)行檢測(cè)。

7、s12電壓采集.bms通過(guò)電池隔離電路，檢測(cè)每個(gè)電池芯的電壓，從而獲得整個(gè)電池組的電壓信息。

8、s13溫度采集.bms在電池組連接端設(shè)置溫度傳感器，檢測(cè)電池的工作溫度。也會(huì)在電池芯設(shè)置溫度傳感器。

9、s14容量采集.bms會(huì)統(tǒng)計(jì)電池充放電的安培時(shí)數(shù)，結(jié)合電池電壓變化曲線，計(jì)算電池的充放電容量。

10、步驟s2.構(gòu)建hs-mh-moe模型：所述hs-mh-moe模型包括多層多頭稀疏混合專家子模型。優(yōu)選使用2層結(jié)構(gòu)，每層均包含3個(gè)專家子模型，每個(gè)子模型均是cnn-lstm模型。cnn自動(dòng)學(xué)習(xí)輸入數(shù)據(jù)的空間相關(guān)性，提取高層抽象特征。所述cnn模型提取輸入數(shù)據(jù)的空間特征；所述lstm模型提取輸入數(shù)據(jù)的時(shí)序規(guī)律。

11、進(jìn)一步的，所述cnn模型包含一個(gè)卷積層和一個(gè)最大池化層，激活函數(shù)均為relu函數(shù)，過(guò)濾器數(shù)量設(shè)置為32個(gè)，核的尺寸為1；所述lstm層的神經(jīng)元個(gè)數(shù)為32，激活函數(shù)均為relu函數(shù)。

12、進(jìn)一步的，在所述2個(gè)層級(jí)的每個(gè)層級(jí)中均包括3個(gè)門(mén)控網(wǎng)絡(luò)模型，均采用多層感知機(jī)模型，每個(gè)門(mén)控網(wǎng)絡(luò)模型均為一個(gè)3層的網(wǎng)絡(luò)結(jié)構(gòu)，輸入層接收輸入數(shù)據(jù)，中間層為32維向量，輸出層是一個(gè)3維向量，分別對(duì)應(yīng)3個(gè)專家子模型的權(quán)重，進(jìn)行加權(quán)求和，3個(gè)權(quán)重之和為1。

13、進(jìn)一步的，所述加權(quán)求和，包括如下過(guò)程：

14、第一個(gè)層級(jí)的3個(gè)專家子模型的輸出分別是output1、output2和output3，這3個(gè)輸出均是高維向量，本發(fā)明以32維為例，分別表示每個(gè)子專家模型對(duì)于輸入數(shù)據(jù)的特征表示；

15、第一層級(jí)的每個(gè)門(mén)控網(wǎng)絡(luò)模型均選取概率最高的2個(gè)專家的輸出，與對(duì)應(yīng)的權(quán)重進(jìn)行相乘并求和，得到第一層級(jí)各個(gè)門(mén)控網(wǎng)絡(luò)模型和子專家模型輸出的加權(quán)求和值；

16、然后，將第一層級(jí)各個(gè)門(mén)控網(wǎng)絡(luò)模型和子專家模型輸出的加權(quán)求和值，進(jìn)行求平均計(jì)算，得到第一層所有子專家模型的加權(quán)求和平均值；

17、之后，將第一層所有子專家模型的加權(quán)求和平均值，作為第二層級(jí)的輸入數(shù)據(jù)，分別輸入到第二層級(jí)的各個(gè)專家子模型和各個(gè)門(mén)控網(wǎng)絡(luò)模型中；

18、第二層級(jí)的3個(gè)專家子模型的輸出分別是soh_1、soh_2和soh_3，這3個(gè)輸出均是1個(gè)連續(xù)值，分別表示每個(gè)子專家模型對(duì)于soh的預(yù)測(cè)值；

19、第二個(gè)層級(jí)的3個(gè)門(mén)控網(wǎng)絡(luò)，分別獨(dú)立的計(jì)算第二層級(jí)中每個(gè)專家子模型的權(quán)重，每個(gè)門(mén)控網(wǎng)絡(luò)的輸出是一個(gè)3維向量，分別對(duì)應(yīng)3個(gè)專家子模型的權(quán)重，3個(gè)權(quán)重之和為1；

20、然后，第二層級(jí)的每個(gè)門(mén)控網(wǎng)絡(luò)模型均選取概率最高的2個(gè)專家的輸出，與對(duì)應(yīng)的權(quán)重進(jìn)行相乘并求和，得到第二層級(jí)各個(gè)門(mén)控網(wǎng)絡(luò)模型和所有子專家模型輸出的加權(quán)求和的soh預(yù)測(cè)值，此處一共得到3個(gè)soh預(yù)測(cè)值；

21、步驟s3.訓(xùn)練和校驗(yàn)hs-mh-moe模型：在keras平臺(tái)實(shí)現(xiàn)hs-mh-moe模型代碼并訓(xùn)練，訓(xùn)練數(shù)據(jù)按8：2的比例分成訓(xùn)練集合和測(cè)試集合，在訓(xùn)練集合上訓(xùn)練模型，在測(cè)試集合上校驗(yàn)?zāi)Ｐ汀?/p>

22、進(jìn)一步的，訓(xùn)練時(shí)訓(xùn)練次數(shù)為100，批次樣本數(shù)量為32。模型訓(xùn)練的優(yōu)化器optimizer為adam算法，損失函數(shù)均方誤差。

23、步驟s4.預(yù)測(cè)電池soh：在hs-mh-moe模型訓(xùn)練完畢之后，在模型效果良好的前提下，部署hs-mh-moe模型，并使用hs-mh-moe對(duì)電池的soh進(jìn)行預(yù)測(cè)。

24、將3個(gè)soh預(yù)測(cè)值連接到一個(gè)線性回歸層，輸出最終的soh預(yù)測(cè)值，激活函數(shù)為linear函數(shù)。

25、進(jìn)一步的，模型的損失函數(shù)為均方誤差；優(yōu)化為adam；評(píng)估指標(biāo)為平均絕對(duì)誤差，即目標(biāo)值和預(yù)測(cè)值之差的絕對(duì)值之和。

26、本發(fā)明有益效果是

27、本發(fā)明基于cnn-lstm的混合專家模型hs-mh-moe，在預(yù)測(cè)電池soh時(shí)，能夠提升模型的表達(dá)能力和預(yù)測(cè)精度，提高了整體模型的魯棒性和泛化能力，減少了過(guò)擬合風(fēng)險(xiǎn)。

28、具體如下：

29、1.多層結(jié)構(gòu)：多個(gè)模塊堆疊在一起，每層的輸出作為下一層的輸入，捕捉數(shù)據(jù)的多層次特征。模型的多層結(jié)構(gòu)使得每個(gè)專家可以從輸入數(shù)據(jù)中提取更加復(fù)雜和抽象的特征。對(duì)于電池?cái)?shù)據(jù)，這意味著模型可以捕捉到不同層次的電流、溫度和電壓特征，并關(guān)聯(lián)到soh的變化。電池的健康狀態(tài)與電流、溫度和電壓之間往往存在復(fù)雜的非線性關(guān)系。多層專家能夠更好地建模這些非線性關(guān)系，從而提高預(yù)測(cè)精度。

30、2.多頭結(jié)構(gòu)：每層有多個(gè)門(mén)控網(wǎng)絡(luò)，每個(gè)門(mén)控網(wǎng)絡(luò)負(fù)責(zé)一個(gè)“頭”，根據(jù)輸入數(shù)據(jù)選擇激活適當(dāng)?shù)膶＜揖W(wǎng)絡(luò)。多頭結(jié)構(gòu)允許模型在每個(gè)頭上關(guān)注不同的特征組合和數(shù)據(jù)模式。這使得模型能夠同時(shí)考慮電流、溫度和電壓之間的不同交互關(guān)系，更全面地預(yù)測(cè)soh。多頭機(jī)制可以增強(qiáng)模型的穩(wěn)定性，因?yàn)槎鄠€(gè)頭可以獨(dú)立學(xué)習(xí)不同的特征組合，減少單一特征組合學(xué)習(xí)不充分導(dǎo)致的偏差。

31、3.稀疏激活：稀疏激活意味著在每次預(yù)測(cè)時(shí)，只有少部分專家被激活。這不僅可以減少計(jì)算開(kāi)銷(xiāo)，還可以避免過(guò)擬合，使得模型在面對(duì)未見(jiàn)過(guò)的數(shù)據(jù)時(shí)表現(xiàn)更好。稀疏激活使得模型能夠根據(jù)輸入數(shù)據(jù)的特性，動(dòng)態(tài)選擇最有用的專家來(lái)進(jìn)行預(yù)測(cè)，從而提高了預(yù)測(cè)的精確度。

32、4.cnn-lstm組合模型構(gòu)成專家模型：cnn提取電流、電壓、溫度的空間特征；lstm提取電流、電壓和溫度的時(shí)序特征；cnn-lstm組合模型的特征提取能力和魯棒性更強(qiáng)。