(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211018092.7 (22)申请日 2022.08.24 (71)申请人 广州大学 地址 510006 广东省广州市大 学城外环西 路230号 (72)发明人 杨伟　庞晓贤　王昱杰　潘卉楠　 刘芝婷　范浩森　郑文芝　 (74)专利代理 机构 广州高炬知识产权代理有限 公司 44376 专利代理师 孔令环 (51)Int.Cl. G06F 30/20(2020.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06F 119/04(2020.01) G06F 111/08(2020.01) (54)发明名称 一种锂离 子电池剩余使用寿 命预测方法 (57)摘要 本发明涉及锂离子电池容量检测领域， 公开 了一种锂离子电池剩余使用寿命 预测方法， 其包 括如下步骤： 分别提取每个电池充电过程中的V、 I和T数据， 处理成两个子网所需的矩阵形状； 将 数据输入到AFSC子网， 为每一张充电特征谱图中 的每一个元素 都自适应地赋予了一个权重； 第三 步： 将数据输入ConvLSTM子网中， 得到特征谱图 融合20种循环状态的隐藏信息； 两个子网的贡献 通过两个多层感知器进行融合， 提供高准确度的 寿命早期预测值， 并指导预测器进行 RUL预测； 寿 命预测器 保持缄默， 直至百分比剩余使用寿命到 阈值， 预测器被激活进行剩余使用寿命的预测。 本发明提升了模 型识别电池老化特征的能力， 提 供了高精度的电池剩余使用寿 命预测。 权利要求书3页 说明书8页 附图6页 CN 115510612 A 2022.12.23 CN 115510612 A 1.一种锂离 子电池剩余使用寿命预测方法， 其特 征在于， 包括以下步骤： 第一步： 分别提取每个电池充电过程中的V、 I和T数据作为衡量电池老化趋势的HI， 将 数据处理成两个子网所需的矩阵形状； 第二步： 将数据输入到AFSC子 网， 分别经过深度卷积、 全局注意、 点卷积和局部注意， 自 适应调整V、 I和T对模型的贡献度并赋予相应的权重， 局部注意力机制遍历同一特征下不同 循环的采样数据， 为每一张充电特 征谱图中的每一个元 素都自适应地赋予了一个权 重； 第三步： 将数据输入ConvLSTM子网中， 先通过深度卷积对数据进行初步处理， 全局注意 自适应调整在20种循环状态下特征数据的输入权重， 在局 部注意力嵌入前， ConvLSTM通过 “门”结构决定输入的时间序列中特征的保留、 遗忘以及输出， 得到的特征谱图融合了20种 循环状态的隐藏信息； 第四步： 两个子网的贡献通过两个多层感知器进行融合， 提供高准确度的寿命早期预 测值NEOL， 并指导预测器进行RUL预测； 第五步： 寿命预测器保持缄默， 直至百分 比剩余使用寿命XRUL,％到10％、 7.5％、 5％或 2.5％的阈值， 预测器 被激活进行剩余使用寿命的预测。 2.根据权利要求1所述的锂离子电池剩余使用寿命预测方法， 其特征在于： 所述第 一步 具体按照以下步骤实施： S1： 设置由包含124块商业磷酸铁锂/石墨电池组成， 额定容量为1.1Ah， 额定电压为 3.3V的实验数据集； S2： 在48通道的Abin充放电柜和30℃的恒温箱中， 在72种充电策略和固定 的放电倍率 下循环至失效； S3： 按照8： 2的比例被随机划分为训练集与测试集； S4： 每个电池的前5个循环被当作是电池最健康时衡量标准， 记为初始状态， 将预测起 点前的15个 循环的数据记为实时状态。 3.根据权利要求1所述的锂离子电池剩余使用寿命预测方法， 其特征在于： 所述第 二步 的具有步骤如下： S1： 对原始的3维矩阵进行深度卷积， 一个卷积核负责一个通道， 取其中一个通道做说 明， 记为X(i,V)， 对X(i,V)进行补零。 从X(i,V)取出被卷积的子矩阵， 记为X(i,V)(n)， 其卷积过程可 以表示为： 其中， 和 分别是来自第k1个2‑D卷积核的权重和偏置， ⊙为哈达玛积， 为X (i,V)(n)与第k1个卷积核的运算结果， 为了对每条曲线进行单独卷积， 卷积核的宽度和步进 被设为1， 每次卷积的卷积核的数量为1， 而X(i,V)(n)与卷积核的形状相同， 输出的第k1个2‑D 特征映射可以表示 为： 对I和T通道进行相同的操作， 输出结果将进行批次标准化、 最大池化和Leaky   Rectified  Linear Unit激活， 四个层通常被当作一个卷积单元操作， Leaky  ReLU激活函数 ( α ＝0.05)如下：权　利　要　求　书 1/3 页 2 CN 115510612 A 2S2： 将输出卷定义为V， 全局平均池 化层被用于获取三个通道的注意力得分sn， 以自适应 调整它们对模型的贡献， 取V中的第n个通道的特 征映射记为Vn， sn计算如下： 对的所得的注意力得分进行归一化， 得到最终的全局权重因子 利用全局权重因子 自适应赋予了模型对不同特征映射的权重， 使得模型能专注在重要变量的特征提取上， 计 算如下所示： 通过连接gn(n＝1,2,…,K)将得到赋予了 权重的输出 卷 S3： 对 进行补零中并取第m个卷积核大小的子矩阵记为 则点卷积的卷积结 果可表示 为： 是 与第k2个卷积核的运算结果， 卷积前后形状相同， 和 分别是来 自第k2个3‑D卷积核的权 重和偏置， 输出的第k2个2‑D特征映射可以表示 为： S4： 将前一个卷积层的输出卷表示为F， 定义一个与F具有相同形状的矩阵A， A中的元素 Ai,j为对应特征映射中的元素 的注意力权值， 通过两个全连接层生成注 意力权重矩阵A， 对应的元 素Ai,j可表示为： 其中， δ和ω为权重， b和c为偏置， nFc为神经元数目， 下角标为元素在矩阵中的索引， g (·)和f(·)分别代表双曲正切函数和Sigmo id函数， 分别表示如下： Sigmoid函数将权重矩阵的元素控制 在0‑1以内， 通过两矩阵的哈达玛积控制进入下一 层网络的信息流大小， 输出的输出 卷Ll如下所示： Ll＝A⊙Fl。 4.根据权利要求1所述的锂离子电池剩余使用寿命预测方法， 其特征在于： 所述第 三步 中局部注意力是对 卷积LSTM处理后的特征谱图进一步提取有用的信息， 使 得模型集中注 意 在所有数据帧都具有的共同特 征上。 5.根据权利要求1所述的锂离子电池剩余使用寿命预测方法， 其特征在于： 所述第 三步 的具体步骤如下： 输入的矩阵先经过两次深度 卷积单元操作后嵌入全局 注意力机制， 将获得的输入卷增权　利　要　求　书 2/3 页 3 CN 115510612 A 3