1.一种基于HHO优化融合注意力机制和TCN-GRU的锂离子电池SOH估计方法,其特征在于,包含以下步骤:步骤1:采集锂电池在每次充放电循环下的电压数据、电流数据、电池表面温度和当前容量,根据当前容量计算获得SOH值;
步骤2:对每次充放电循环下的数据进行处理,得到多种电池衰退特征序列;利用皮尔逊相关系数计算不同衰退特征与SOH值的关联系数,将关联系数符合预期阈值的衰退特征序列选出,获得新的衰退特征序列;
步骤3:将步骤2中获得的新的衰退特征序列和步骤1中SOH值序列组合成新的数据集,并按一定比例划分为训练集和测试集;
步骤4:将训练集中的衰退特征序列和对应的SOH值序列输入至融合注意力机制和TCN-GRU模型中,得到初步训练完成的模型一;
步骤5:将测试集中的衰退特征序列输入至步骤4初步训练完成的模型一中,得到与测试集中的衰退特征序列长度相等的预测SOH值序列;
步骤6:根据步骤5获得的预测SOH值序列和步骤3测试集中的SOH值序列,计算平均绝对标度误差MASE作为损失函数;
步骤7:设置融合注意力机制和TCN-GRU模型的神经元个数范围、注意力机制的键值范围、正则化参数范围和学习率范围,设置HHO算法的内部参数,设置初始种群规模和最大进化代数,使用均匀随机初始化技术生成初始种群;
步骤8:将步骤7得到的初始种群中的神经元个数、注意力机制的键值、正则化参数和学习率作为HHO算法的搜索起点,将步骤6得到的损失函数作为HHO算法的目标函数进行迭代优化,得到最小损失值对应的神经元、注意力机制的键值、正则化参数及学习率作为最优解,并将该最优解对应的融合注意力机制和TCN-GRU模型作为训练完成的模型二;模型2作为训练完成的锂离子电池SOH估计模型;
步骤9:使用训练完成的锂离子电池SOH估计模型对待测测锂电池的SOH进行预测。
2.根据权利要求1所述的基于HHO优化融合注意力机制和TCN-GRU的锂离子电池SOH估计方法,其特征在于,所述的步骤1中,锂电池SOH值表示为:式中,Qt为电池当前可用最大容量,Qn为电池出厂额定容量。
3.根据权利要求1所述的基于HHO优化融合注意力机制和TCN-GRU的锂离子电池SOH估计方法,其特征在于,所述的步骤2中,锂电池的多种衰退特征,包括恒流充电时间、恒流充电容量、恒压充电时间、恒压充电容量、充电过程最大温度、相同时间电压变化量、IC曲线的峰值及IC曲线的峰值对应的电压。
4.根据权利要求3所述的基于HHO优化融合注意力机制和TCN-GRU的锂离子电池SOH估计方法,其特征在于,所述的锂电池的多种衰退特征的具体采集方法为:步骤2.1、收集锂电池每次充放电循环下以1.5A恒定电流充电阶段时的总时间,所有总时间组成衰退特征序列一;
步骤2.2、收集锂电池每次充放电循环下以1.5A恒定电流充电阶段时的充电容量,所有充电容量组成衰退特征序列二;
步骤2.3、收集锂电池每次充放电循环下以4.2V恒定电压充电阶段时的总时间,所有总时间组成衰退特征序列三;
步骤2.4、收集锂电池每次充放电循环下以4.2V恒定电压充电阶段时的充电容量,所有充电容量组成衰退特征序列四;
步骤2.5、收集锂电池每次充放电循环下电池表面最大温度,所有温度最大值组成衰退特征序列五;
步骤2.6、收集锂电池每次充放电循环下恒定电流放电阶段时电压从3.8V到3.2V变化的时间间隔,所有时间间隔组成特征序列六;
步骤2.7、收集锂电池每次充放电循环下恒定电流放电阶段时IC曲线的峰值,所有峰值组成特征序列七;
步骤2.8、收集锂电池每次充放电循环下恒定电流放电阶段时IC曲线峰值对应的放电电压,所有电压值组成特征序列八。
5.根据权利要求4所述的基于HHO优化融合注意力机制和TCN-GRU的锂离子电池SOH估计方法,其特征在于,所述的步骤2.2和步骤2.4中充电容量Q表示为:式中,Q为电池充电容量,t1为充电起始时间,t2为充电结束时间,I为电流。
6.根据权利要求4所述的基于HHO优化融合注意力机制和TCN-GRU的锂离子电池SOH估计方法,其特征在于,所述的步骤2.7中,IC曲线的计算公式为:式中,ΔQ为某一时间段内对电流进行积分得到的累计容量,ΔV为该时间段内电压的变化量。
7.根据权利要求1所述的基于HHO优化融合注意力机制和TCN-GRU的锂离子电池SOH估计方法,其特征在于,所述的步骤2中皮尔逊相关系数r表示为:其中,式中xi和yi分别表示衰退特征序列和SOH值序列的第i个值,和分别表示衰退特征序列和SOH值序列的平均值;
所述的步骤2中预期阈值是关联系数的绝对值取值范围在0.8到1.0内。
8.根据权利要求1所述的基于HHO优化融合注意力机制和TCN-GRU的锂离子电池SOH估计方法,其特征在于,所述的步骤4中融合注意力机制和TCN-GRU模型从上向下包括输入层、TCN层、GRU层、多头注意力层和输出层;
其中,TCN层,包含两个卷积残差模块,每个卷积残差模块包含两个卷积层、两个Dropout层、两个归一化层、一个激活层和一个残差连接层;
其中,输出层包括全连接层和回归输出层。
9.根据权利要求1所述的基于HHO优化融合注意力机制和TCN-GRU的锂离子电池SOH估计方法,其特征在于,所述的步骤6中,平均绝对标度误差MASE表示为:其中,yi为测试集中的SOH值序列的第i个真实值,yi,sim为预测SOH值序列的第i个预测值,N是样本的数量。
10.根据权利要求1所述的基于HHO优化融合注意力机制和TCN-GRU的锂离子电池SOH估计方法,其特征在于,所述的步骤7中,神经元个数范围设定为18-72,注意力机制的键值范围30-60,正则化参数范围设定为0.001-0.01,学习率范围设定为0.0001-0.001;
所述的步骤7中,初始种群规模设定为100,最大进化代数设定为10。