1.一种基于迁移学习的电动车电池全生命周期寿命评估方法,其特征在于,包括:根据多个源域电池在服役期内的循环次数和SOH值关联曲线构建源数据集;根据需要进行SOH评估的目标电池在服役期早期的循环次数和SOH值关联曲线构建目标数据集;
根据电动车充电起始时刻的SOC分布区间,确定每个循环中提取充电片段特征的电池电压区间;
对预先选取的备选特征和电池SOH值进行相关性分析以确定用于电池SOH值预测的充电片段特征;
将每个循环的电池电压区间内的充电片段特征作为输入特征,该循环对应的SOH值作为输出标签,根据所述源数据集和目标数据集分别构建源训练集和目标训练集;
利用源训练集对预先构建的SOH评估模型进行预训练,利用目标训练集对预训练后的SOH评估模型进行微调;
使用微调后的SOH评估模型对目标电池进行服役期后期以及梯次利用期的SOH评估;
根据电动车充电起始时刻的SOC分布区间,确定每个循环中提取充电片段特征的电池电压区间之中,所确定的电池电压区间为3.5V-4.2V;
所述充电片段特征包括:
VIT特征,表示恒流充电环节中电池的充电电压由3.8V到4.0V所需的时间;
ST特征,表示从电池开始充电到恒流充电与恒压充电转换节点的时间;
CIT特征,表示恒压充电环节中电池的充电电流由2.5A到0.8A所需的时间。
2.根据权利要求1所述的基于迁移学习的电动车电池全生命周期寿命评估方法,其特征在于,所述多个源域电池的循环次数和SOH值关联曲线分别在预设的不同运行工况参数下获取,所述运行工况参数包括环境温度、充电电流、放电电流和SOH值寿命终点。
3.根据权利要求1所述的基于迁移学习的电动车电池全生命周期寿命评估方法,其特征在于,所述目标电池在服役期早期的循环次数和SOH值关联曲线表示目标电池由100%SOH到90%SOH的循环次数和SOH值关联曲线。
4.根据权利要求1所述的基于迁移学习的电动车电池全生命周期寿命评估方法,其特征在于,对预先选取的备选特征和电池SOH值进行相关性分析基于肯德尔相关性分析以进行。
5.根据权利要求1所述的基于迁移学习的电动车电池全生命周期寿命评估方法,其特征在于,所述SOH评估模型包括Transformer-BiLSTM模型结构。
6.根据权利要求5所述的基于迁移学习的电动车电池全生命周期寿命评估方法,其特征在于,所述Transformer-BiLSTM模型结构包括依次串联的BiLSTM模块、Transformer编码器、Transformer解码器和输出模块;其中,BiLSTM模块,用于将输入特征的时序数据处理得到增强时序数据;所述BiLSTM模块包括依次串联的前馈LSTM单元层和反馈LSTM单元层和线性化单元层,所述前馈LSTM单元层和反馈LSTM单元层均包括LSTM单元,所述LSTM单元包括输入门、遗忘门、输出门以及单元状态,BiLSTM模块输出的增强时序数据表示为:其中,表示前馈LSTM单元层在时间步t的隐藏状态,表示反馈LSTM单元层在时间步t的隐藏状态;
Transformer编码器,包括依次串联的多头注意力层和前馈网络层,所述多头注意力层和前馈网络层的输出均连接有残差连接和层归一化单元,所述多头注意力层包括多个并行的单头注意力机制头,所述单头注意力机制头用于将BiLSTM模块输出的增强时序数据作为输入序列并映射为嵌入向量,将嵌入向量加上位置编码形成融合矩阵,其中是序列长度,是嵌入维度,所述融合矩阵分别乘以查询权重矩阵,键权重矩阵和值权重矩阵得到查询向量、键向量和值向量,表达式为:所述多头注意力层的输出表示为:
其中表示多头注意力层的输出,表示第i个单头注意力机制头的输出,表示注意力头数,、和分别为第i个单头注意力机制头的查询权重矩阵,键权重矩阵和值权重矩阵,表示输出变换矩阵,表示键向量的转置,表示相似度矩阵,表示缩放因子,Softmax用于将相似度值归一化为概率;
多头注意力层的输出经过前馈网络层后输出编码器生成序列;
Transformer解码器,包括依次串联的隐藏注意力层、交叉注意力层和前馈网络层;所述隐藏注意力层、交叉注意力层和前馈网络层的输出均连接有残差连接和层归一化单元;所述Transformer解码器用于根据所述编码器生成序列和包括SOH真实值的目标输入Y经过隐藏注意力层、交叉注意力层和前馈网络层生成预测结果,预测结果表示为:输出模块,包括前馈网络层,Transformer解码器输出的预测结果经过输出模块的前馈网络层最终输出所述Transformer-BiLSTM模型结构的SOH预测值。
7.根据权利要求6所述的基于迁移学习的电动车电池全生命周期寿命评估方法,其特征在于,利用源训练集对预先构建的SOH评估模型进行预训练时开放所述Transformer-BiLSTM模型结构的所有神经网络层;
利用目标训练集对预训练后的SOH评估模型进行微调时,开放BiLSTM模块的线性化单元、Transformer 解码器中的交叉注意力层以及输出层的前馈网络层,冻结其余神经网络层。
8.根据权利要求6所述的基于迁移学习的电动车电池全生命周期寿命评估方法,其特征在于,所述LSTM单元的遗忘门的表达式为:其中,表示时间步,表示当前时间步的输入,表示前一个时间步的隐藏状态,表示遗忘门的权重矩阵,表示Sigmoid激活函数,表示偏置项,表示遗忘门的输出;
所述LSTM单元的输入门的表达式为:
其中,、分别是输入门、候选神经元状态的权重矩阵,和分别表示输入门和候选神经元状态的偏置项,表示激活函数,表示比例参数,表示备选单元状态;
所述LSTM单元的单元状态通过遗忘门和输入门的输出合并更新,表示为:
其中,是前一个时间步的单元状态,是当前时间步的单元状态;
所述LSTM单元的输出门表达式为:
其中,是输出门的权重矩阵,是输出门的偏置项,是输出门的输出,是LSTM单元的输出。