1.一种锂离子电池的SOH预测方法,其特征在于,包括:步骤S1,获取训练用锂离子电池的充放电循环的电池数据,以构建原始数据集,所述原始数据集包括训练用锂离子电池在充放电循环中的电压、电流、温度和时间;
步骤S2,计算训练用锂离子电池的SOH,在原始数据集中选择恒流充电相位数据提取多物理场特征,构建多物理场特征数据集,所述多物理场特征数据集包括以不同周期恒流充电阶段的电池平均温度得到的热特征、以不同周期恒流充电阶段的电池电压时域轨迹长度得到的时间特征、以不同周期恒流充电阶段的电池增量能量得到的电特征;
步骤S3,构建基于i-transformer算法的预测模型,以多物理场特征数据集为输入值,训练用锂离子电池的SOH为输出值,对基于i-transformer算法的预测模型进行训练,定义优化器,调整损失函数,从而得到训练完成的预测模型;
步骤S4,通过训练完成的预测模型输出待预测的锂离子电池的SOH;
步骤S2具体包括:
采用下式计算训练用锂离子电池的SOH:
;
其中,表示训练用锂离子电池的SOH,Cactual为训练用锂离子电池的当前实际容量,Crated为训练用锂离子电池的额定容量;
在训练用锂离子电池的充放电循环过程中,通过电池测试系统中的热电偶传感器测量电池的温度,并提取出不同周期恒流充电阶段的电池平均温度作为热特征,,其中Ts为时间步的总数,M1、M2、分别为第1个时间步、第2个时间步、第Ts个时间步温度;
绘制训练用锂离子电池在恒流充电阶段的电压时域轨迹曲线,提取不同周期恒流充电阶段的电池电压时域轨迹长度作为时间特征,,其中,t1和t2分别表示电池电压在时域轨迹中的起始时间和结束时间,表示电池电压变化的速率,x表示充放电循环次数,dx为x的积分;
通过计算训练用锂离子电池在恒流充电阶段的增量能量得到每个充放电循环的增量能量变化曲线,并提取不同周期恒流充电阶段的电池增量能量作为电特征,,其中,Estart为电池恒流充电阶段的初始能量水平,Eend为电池恒流充电阶段的最终能量水平;
构建多物理场特征数据集,,其中,i的取值为1或2或3,当i=1时,X1表示热特征,当i=2时,X2表示时间特征,当i=3时,X3表示电特征,、、分别表示第1个时间步、第2个时间步、第Ts个时间步的特征值。
2.根据权利要求1所述的锂离子电池的SOH预测方法,其特征在于,步骤S3中,构建的基于i-transformer算法的预测模型包括基于变量令牌的全系列嵌入模块、集成多头注意力机制和前馈网络的i-transformer模块、以及基于多层感知机的输出模块;
所述基于变量令牌的全系列嵌入模块满足下式:
;
其中,为包含每个时间步的变量信息特征的变量令牌,Embedding表示嵌入操作;
所述集成多头注意力机制和前馈网络的i-transformer模块包括L个块,每个块由多头自注意力模块、层规范化模块和前馈网络组成,所述集成多头注意力机制和前馈网络的i-transformer模块满足下式:;
其中,为第层的待增强序列R,,r1、r2、r3分别为i取1、2、3时的,为输出的特征增强序列,iTransformer Block表示特征增强处理;
所述多头自注意力模块满足下式:
;
其中,bh表示第h个头的注意力输出,softmax为归一化函数,qh为第h个头的查询矩阵,kh为第h个头的键矩阵,T表示转置,dk为投影维数,vh为第h个头的值矩阵;
将所有头的注意力输出拼接起来,形成多头注意力向量,表达式为:;
其中,为多头注意力向量,表示拼接,H表示注意力头的数量;
所述层规范化模块满足下式:
;
其中,为经过规范化后的特征增强序列,Mean表示取均值,Var表示取方差;
所述前馈网络满足下式:
;
其中,为前馈网络的输出,为激活函数,Dropout为正则化操作,表示概率,W1和W2为权重矩阵,d1和d2为偏置向量;
所述基于多层感知机的输出模块满足下式:
;
其中,output为预测模型的最终输出,MLP为多层感知机。
3.根据权利要求2所述的锂离子电池的SOH预测方法,其特征在于,步骤S3中,对基于i-transformer算法的预测模型进行训练时,优化器使用Adam,学习率设置为0.0001,训练过程满足下式:;
;
其中,mt和mt-1分别是当前和上一轮迭代的一阶矩估计,vt和vt-1分别是当前和上一轮迭代的二阶矩估计,为当前梯度,和是衰减率。
4.根据权利要求3所述的锂离子电池的SOH预测方法,其特征在于,基于i-transformer算法的预测模型的损失函数的表达式为:;
其中,MAE表示损失函数,是第j个样本的真实值,是第j个样本的预测值,J是样本数量。