1.面向智慧黄河水下航行器的锂电池SOH估计方法,其特征在于:包括以下步骤:步骤1:建立锂离子电池循环寿命测试平台,获取四种不同工况下的锂电池数据集;
步骤2:对锂电池数据集进行分析处理以构建特征库,具体为:
步骤2.1:从电池属性角度分析锂电池数据集,构建属性特征;
步骤2.2:从数据范围角度分析属性特征,构建数据范围特征;
步骤2.3:从数学统计角度分析数据范围特征,构建数学特征;
步骤2.4:将属性特征、数据范围特征、数学特征组成特征库;
步骤3:使用最高相关性搜索法从特征库中选取与SOH最高相关性特征获得模型输入特征;
步骤4:将模型输入特征送入双通道可解释性网络,获得SOH估计结果;其中,双通道可解释性网络包括全局通道、局部通道、交互注意力机制和全连接层,步骤4具体包括以下步骤:步骤4.1:将模型输入特征进行最大最小归一化,继而送入双通道可解释性网络;
步骤4.2:最大最小归一化的输出分别经全局通道与局部通道处理后均送入交互注意力机制;全局通道包括隐藏层、最大最小归一化层、B样条激活函数和正则化层;采用B样条函数作为激活函数,再通过稀疏正则化和剪枝优化模型结构,得到全局通道的输出;局部通道包括滑动窗口、多尺度卷积层、ReLU激活函数和全局池化层,滑动窗口将输入特征分割为固定长度的子序列,用于捕捉局部时序模式;使用多尺度卷积层并行提取不同时间尺度的局部模式,计算局部区域的加权和;使用ReLU激活函数将输入特征的负值置零、正值保留来关注正值区域,筛选出与电池老化强相关的局部特征;通过全局池化操作将多尺度卷积所提取内容压缩为均值来保留全局时序模式;
步骤4.3:交互注意力机制将全局通道的输出作为自身查询操作的输入来以全局退化趋势为引导,定位局部通道中与整体健康状态相关的关键时序片段;并将局部通道的输出作为自身键和值的输入来将局部动态响应映射到全局退化框架中;通过Softmax函数生成注意力权重矩阵,量化全局与局部特征的重要性;
步骤4.4:交互注意力机制的输出经全连接层后,得到SOH估计结果。
2.根据权利要求1所述的面向智慧黄河水下航行器的锂电池SOH估计方法,其特征在于:锂电池数据集从四个老化试验中采集,这四个老化试验均采用恒流恒压(CC-CV)和恒流(CC)放电方式;在恒流恒压模式下,使用指定的恒定电流将电池充电到上限截止电压,然后使用上限截止电压充电,直到电流降至0.05C以下;在恒流放电模式下,电池以指定的恒流放电到较低的截止电压,循环寿命测试将停止,直到容量降至初始容量的80%以下;老化试验包括锂离子电池的工况设置情况。
3.根据权利要求1所述的面向智慧黄河水下航行器的锂电池SOH估计方法,其特征在于:步骤2.1中,属性特征包括电压、电流、容量、能量、IC曲线、容量变化、能量变化、平均电压、欧姆内阻和极化电阻,其中,欧姆电阻,极化电阻;表示电流变化量,表示1s内的电压差,表示1s-20s内电压变化;
步骤2.2中,根据充电模式将属性特征分为三部分进行特征提取:CC阶段、CV阶段和CC-CV阶段,每个充电段作为一个电池充电数据曲线;
步骤2.3中,将每条电池充电数据曲线转换为8种统计值,即:分位数,最大值,最小值,平均值,方差、峰度、偏度和斜率,以捕获每个周期曲线的形状和位置演变;分位数通过对每个分位数位置的值进行采样来反映演化;平均值测量每条曲线在固定范围内的平均水平;方差用来评价数据流分布的不均匀性,方差越大表示分布越不均匀;偏度和峰度表征了每条曲线的形状;斜率表示电池的横向极化;
步骤2.4中,根据充电模式将10个属性特征中的每个特征属性序列划分为3个充电段,并将每个充电段转换为8种统计值,通过组合统计方法,对于所研究的电池,生成具有240个机械统计融合特征的综合特征库。
4.根据权利要求1所述的面向智慧黄河水下航行器的锂电池SOH估计方法,其特征在于:步骤3具体为以下步骤:步骤3.1:评估特征库中的特征与SOH之间的非线性相关性,并选取相关性大于第一设定阈值的特征;
步骤3.2:将选取的特征进行去中心化操作,并使特征的均值为0;
步骤3.3:计算去中心化后结果的协方差矩阵;
步骤3.4:对协方差矩阵的特征值分解和奇异值分解得到特征值和特征向量来确定方差贡献率和累积方差贡献率;
步骤3.5:选取累积方差贡献率大于第二设定阈值的特征,并通过最大梯度提升法计算这些特征的分裂增益;
步骤3.6:对特征的分裂增益进行平均,得到每个特征的重要性得分;
步骤3.7:选择重要性得分最大的若干个特征作为模型输入特征。
5.根据权利要求1所述的面向智慧黄河水下航行器的锂电池SOH估计方法,其特征在于:交互注意力机制的公式如下:(15)
其中,、和分别代表查询、键和值的线性变换,表示键的转置,代表键的维度,代表Softmax激活函数。