1.一种融合注意力机制的混合深度网络的锂电池SOH估计方法,其特征在于,包括以下步骤:
(1)获取N块锂电池的循环老化数据:对N块锂电池进行循环充放电老化测试,并分别采集N块锂电池的老化数据;
(2)计算N块锂电池的真实SOH值并剔除异常循环得到初始数据集D1~DN:根据步骤(1)中的老化数据分别计算每块锂电池的每次放电循环的真实SOH值,并通过每块锂电池的每次放电循环的真实SOH值进行异常循环剔除,得到初始数据集D1~DN;
(3)获得N块锂电池的温差曲线:分别提取步骤(2)得到的初始数据集D1~DN中的每个充电循环采集的温度和时间,计算每个充电循环的温差值,然后使用KF滤波进行平滑处理,并以电压作为横坐标,温差值作为纵坐标得到N块锂电池的温差曲线;
(4)提取N块锂电池的老化特征:根据步骤(3)获得的N块锂电池的温差曲线,在3.3V~3.9V的电压范围内分别从N块锂电的每一条温差曲线的波峰和波谷中提取多个老化特征,老化特征包括温差值、电压和时间;
(5)构建训练集和测试集:将步骤(2)得到的N块锂电池的初始数据集D1~DN中的SOH值与步骤(4)提取的N块锂电池的老化特征一一对应起来形成N个新的数据集A1~AN,从A1~AN中任意选取一个数据集作为训练集,剩余的N-1个数据集作为测试集;
(6)建立融合注意力机制的混合深度网络的锂电池SOH估计模型:使用输入层、CNN层、GRU层、注意力机制层、Flatten层、Dense层和输出层搭建锂电池SOH估计模型并使用试错法确定锂电池SOH估计模型的超参数;
(7)训练融合注意力机制的混合深度网络的锂电池SOH估计模型:使用步骤(5)确定的训练集对步骤(6)建立的锂电池SOH估计模型进行训练,确定融合注意力机制的混合深度网络的锂电池SOH估计模型;
(8)获得SOH估计值:将步骤(5)确定的测试集输入到步骤(7)确定的锂电池SOH估计模型获得锂电池的SOH估计值。
2.根据权利要求1所述的一种融合注意力机制的混合深度网络的锂电池SOH估计方法,其特征在于,所述的步骤(1)中采集的N块锂电池的老化数据包括电压、电流、温度、容量和时间数据。
3.根据权利要求1所述的一种融合注意力机制的混合深度网络的锂电池SOH估计方法,其特征在于,所述的步骤(2)中得到初始数据集D1~DN的具体过程为:计算每块锂电池的每次放电循环所能放出的最大容量,并将所述的最大容量除以电池的标称容量再乘上百分之一百作为每块锂电池的真实SOH值,然后分别计算每块锂电池相邻两个放电循环的SOH差值,将SOH差值大于5%的放电循环及之后的充放电循环视为异常循环,将N块锂电池进行异常循环剔除后的充放电循环数据作为初始数据集D1~DN。
4.根据权利要求1所述的一种融合注意力机制的混合深度网络的锂电池SOH估计方法,其特征在于,所述的步骤(3)中计算每个充电循环的温差值的计算公式为:其中,l表示时间步,通过试错法将l设置为20。
5.根据权利要求1所述的一种融合注意力机制的混合深度网络的锂电池SOH估计方法,其特征在于,所述的步骤(6)中建立融合注意力机制的混合深度网络的锂电池SOH估计模型包括了输入层、CNN层、GRU层、注意力机制层、Flatten层、Dense层和输出层,其超参数包括CNN层数、卷积核数量、卷积核大小、GRU层数、GRU单元数、Dense层数、Dense层数神经元个数,且所述的CNN层数、卷积核数量、卷积核大小、步长、GRU层数、GRU单元数、Dense层数、Dense层数神经元个数的通过试错法分别确定为1,32,1,1,60,1,20。