开云优惠体育网页版入口

专利名称：基于元宇宙的锂电池剩余寿命预测方法及系统

专利类型：发明专利

专利申请号：CN202410588793.7

专利申请（专利权）人：淮阴工学院
权利人地址：江苏省淮安市经济技术开发区枚乘东路1号

专利发明（设计）人：吴鹏,陈浩东,孙娜,张帅,赵环宇,张楠,黄凤芝,纪捷

专利摘要：本发明公开了基于元宇宙的锂电池剩余寿命预测方法及系统，包括：获取锂电池的运行状态和环境数据；基于元宇宙构建数据空间平台，模拟锂电池多场景运行数据整合成数据集；利用DMD提取数据集隐含的细部特征；采用最大信息系数对分解后的动态模态进行特征提取并分为训练集和测试集；将训练集数据输入到非平稳Transformer预测模型中进行训练；基于淘金优化算法GRO的一体化参数寻优策略对DMD、MIC和预测模型的关键参数进行同步优化；输入测试集到训练好的预测模型中完成锂电池剩余寿命的预测。本发明结合元宇宙模拟了锂电池多场景运行数据，并对各部分关键参数进行了同步优化，提高了数据的多样性和预测的精度。

主权利要求：
1.基于元宇宙的锂电池剩余寿命预测方法，其特征在于，包括：
步骤(1)获取锂电池的历史电流、电压、温度、充放电循环次数、循环容量、循环时间多种运行状态数据，电化学成分和材料以及湿度和氧化程度以全面充分考虑影响电池寿命的变量；
步骤(2)基于元宇宙构建数据空间平台，根据获取数据模拟出更多不同使用情况和场景下的锂电池运行数据，并整合成数据集；
步骤(3)利用动态模态分解DMD将上述数据集分解成一系列动态模态，以提取原始数据更多的细部和隐含特征及信息；
步骤(4)采用最大信息系数MIC对分解后的动态模态进行特征提。崛〕鲇腼绯厥Ｓ嗍倜喙匦越细叩奶卣魇莶⒎治盗芳筒馐约
步骤(5)将训练集数据输入到非平稳Transformer预测模型中，进行训练；
步骤(6)将DMD、MIC和非平稳Transformer预测模型的关键参数组合在同一优化框架中，即对三个部分的关键参数进行编码；
步骤(7)将步骤(6)所述关键参数编码进淘金优化算法GRO的每个金矿勘探者个体位置向量中，通过解码最优解即最佳金矿位置，得到最优关键参数，实现对DMD、MIC和非平稳Transformer预测模型的关键参数的同步优化；
步骤(8)输入测试集数据到训练好的预测模型中完成锂电池剩余寿命的预测。
2.根据权利要求1所述的基于元宇宙的锂电池剩余寿命预测方法，其特征在于，所述步骤(2)基于元宇宙构建数据空间，并根据获取数据模拟出不同使用情况和场景下的锂电池数据，具体为：基于元宇宙构建一种锂电池实时运行状态数据空间平台，根据所述步骤(1)获取的锂电池数据，采取扩充和数据增强方法即通过调整模拟参数、添加噪声和引入随机变化的方式，模拟出更多不同类型和规格及不同使用情况的锂电池运行状态数据，包括对锂电池在不同的温度、负荷和充电情况下进行数据模拟，再将所有获取的数据和模拟数据整合成数据集，以供预测解决样本不足导致的预测精度不可靠问题。
3.根据权利要求1所述的基于元宇宙的锂电池剩余寿命预测方法，其特征在于，所述步骤(4)中采用最大信息系数MIC对分解后的动态模态进行特征提。咛逦：以锂电池的剩余寿命为目标变量，将各个模态离散在二维空间中，并在二维空间的x和y空间方向上分别划分出一定的方格数，形成网格，计算两个随机模态在网格中的联合概率分布和边缘概率分布，得到两个随机模态之间的最大互信息值，最大互信息值的计算式如下：式中，p(X,Y)表示模态X和模态Y的联合概率分布函数；p(X)和p(Y)分别是模态X和模态Y的边缘概率分布函数；
对最大互信息值进行归一化处理，通过对不同尺度下最大互信息值的计算和比较，选择其中的最大值作为最大信息系数MIC，归一化表达式如下：式中，c和d分别是在x和y方向上划分的格子数；E为变量；
计算各个模态之间的最大信息系数MIC，选择与锂电池剩余寿命相关性较高的MIC作为特征数据，用于非平稳Transformer预测模型的输入。
4.根据权利要求1所述的基于元宇宙的锂电池剩余寿命预测方法，其特征在于，所述步骤(5)将训练集数据输入到非平稳Transformer预测模型中进行训练，具体包括：所述非平稳Transformer模型包括序列平稳化模块和去平稳化注意力模块；
所述序列平稳化模块用于增强输入数据的平稳性，将MIC筛选的特征数据作为训练集，对其进行时间维度上的归一化，以消除各个数据之间的尺度差异；输入模型，再对输出的数据进行反向尺度变换，实现反归一化，恢复归一化时丢失的分布信息，从而从模型外部还原了输入数据的部分非平稳性；
所述去平稳化注意力模块用于将非平稳化信息整合到模型内部，缓解过平稳化问题，通过在模块中采用多层感知机MLP，自适应地学习去平稳化因子，从而将非平稳化信息传递到模型内部，从而更好地捕捉锂电池训练集数据中的非平稳特征；
将MIC筛选的特征数据作为训练集输入到非平稳Transformer模型中进行训练。
5.根据权利要求1所述的基于元宇宙的锂电池剩余寿命预测方法，其特征在于，所述步骤(6)将DMD、MIC和非平稳Transformer预测模型的关键参数组合在同一优化框架中，即对三个部分的关键参数进行编码，具体为：将DMD、MIC和非平稳Transformer预测模型的关键参数作为淘金优化算法GRO的每个金矿勘探者个体位置，其中DMD的关键参数包括U，Σ，V三个奇异参数；MIC的关键参数包括在二维空间的x和y空间方向上划分的格子数c和d；非平稳Transformer预测模型的关键参数包括注意力头数α、隐藏层维度β和学习率γ，将这8个关键参数进行编码处理，即统一关键参数表征形式，在各自参数变化空间内生成满足条件的参数集合，有利于优化算法从锂电池寿命预测整体精度出发更高效的搜索并得到提升模型整体性能的参数最优解。
6.根据权利要求5所述的基于元宇宙的锂电池剩余寿命预测方法，其特征在于，所述步骤(7)将步骤(6)中所述关键参数编码进淘金优化算法GRO的每个金矿勘探者个体位置向量中，通过解码最优解即最佳金矿位置，得到最优关键参数，实现对DMD、MIC和非平稳Transformer预测模型的关键参数的同步优化，具体包括：将DMD的U，Σ，V三个关键参数、MIC的在二维空间的x和y空间方向上划分的格子数c和d两个关键参数和非平稳Transformer预测模型的注意力头数α、隐藏层维度β和学习率γ三个关键参数同时编码进淘金优化算法的每个金矿勘探者的个体位置向量，进行优化：首先，初始化每个金矿勘探者的位置向量，解码位置向量，将8个关键参数编码进位置向量，再组合成位置向量矩阵，然后，金矿勘探者向金矿迁移获取黄金，更新位置向量矩阵，其个体位置定义公式如下：Pnewi(t+1)＝Pi(t)+B1·D1
*
D1＝C1·P(t)?Pi(t)
*
式中，P (t)表示最佳金矿的位置即8个关键参数；Pi(t)表示随机金矿勘探者i的位置；t表示当前迭代次数；Pnewi(t+1)表示金矿勘探者i的新位置；B1和C1为矢量系数，由如下公式求得：C1＝2r1
式中，l1为收敛分量；r1、r2为[0,1]之间的随机变量；
1)金矿开采：金矿勘探者在金矿区域进行开采，以获得更多黄金，金矿勘探者的位置更新公式如下：Pnewi(t+1)＝Pr(t)+B2·D2
D2＝Pi(t)?Pr(t)
式中，Pnewi(t+1)表示金矿勘探者i的新位置即寻优后的8个关键参数；Pi(t)和Pr(t)表示随机金矿勘探者i和勘探者r的位置；t表示当前迭代次数；B2为矢量系数，其计算式如下：B2＝2l2r1?l2
式中，l2为收敛分量；
2)金矿勘探者相互协作：由随机的两个勘探者g1和g2确定想要开采的金矿区域，再由第三位勘探者i在该区域随机寻找并确定开采位置，实现团队的相互协作开采，勘探者i的位置更新公式如下：Pnewi(t+1)＝Pi(t)+r1·D3
式中，Pnewi(t+1)表示勘探者i的新位置即寻优后的8个关键参数；Pi(t)、 和分别表示勘探者i，g1和g2的位置；
3)金矿勘探者迁移：勘探者为获取更多的黄金，而选择是留在原开采区域继续开采还是迁移至下个区域开采，其位置也会随之更新，更新公式如下：Pi(t+1)＝Pnewi(t+1)iff(Pnewi(t+1))＜f(Pi(t))每个勘探者在每次迭代中使用上述的一种行为进行位置更新，此过程一直持续到迭代结束，迭代中所找到的最佳金矿位置即为最优解，通过对最佳金矿位置进行解码获得最优的8个关键参数即DMD的U，Σ，V三个奇异参数，MIC的在二维空间的x和y空间方向上划分的格子数c和d和非平稳Transformer预测模型的注意力头数α、隐藏层维度β和学习率γ；
经过上述步骤，实现DMD、MIC和非平稳Transformer预测模型的关键参数的同步优化。
7.基于元宇宙的锂电池剩余寿命预测系统，其特征在于，包括：数据获取整合模块、数据预处理模块、特征提取模块和优化预测模块；
所述数据获取整合模块，用于采用传感器及监测设备获取锂电池的获取锂电池的历史电流、电压、温度、充放电循环次数、循环容量、循环时间多种运行状态数据，电化学成分和材料以及湿度和氧化程度，再与元宇宙模拟出的锂电池的多场景运行数据一起整合成数据集；
所述数据预处理模块，用于对数据获取整合模块的数据集进行动态模态分解处理；
所述特征提取模块，用于利用最大信息系数对模态分解后的数据进行特征提。崛〕鲇腼绯厥Ｓ嗍倜喙匦越细叩奶卣魇，并将其分成训练集和测试集输入优化预测模块；
所述优化预测模块，用于利用训练集的数据对非平稳Transformer预测模型进行训练，并采用淘金优化算法GRO对所述数据预处理模块、特征提取模块和预测模型的关键参数进行同步优化，最后将测试集数据输入训练好的模型中完成预测。 说明书 : 基于元宇宙的锂电池剩余寿命预测方法及系统技术领域[0001] 本发明涉及锂电池剩余寿命预测技术领域，具体涉及基于元宇宙的锂电池剩余寿命预测方法与系统。背景技术[0002] 锂电池具有输出电压高、放电稳定、充电速度快、寿命长等特点，广泛应用于各个领域。随着锂电池的使用，充电循环次数的增加和复杂的使用情况，锂电池的锂离子活性也会下降，功率等也会随之下降，从而缩短锂电池的使用寿命。直接导致装载锂电池的设备工作效率降低，甚至无法工作，严重还会存在安全隐患。因此锂电池剩余寿命的预测有助于提高电池供电设备的安全性。[0003] 锂电池的放电行为是非线性行为，且其数据也会由于复杂的工况和电池自身情况，包含许多的不确定性，从而使电池的预测很困难，从而电池数据的采集也相对困难。并且锂电池的数据是非平稳的时序数据，以往的预测模型对于这类数据处理会专注于平稳化数据，导致出现数据过平稳化，产生平稳性过高的预测输出与较大的预测误差，从而是的预测的结果不如意。[0004] 本发明基于元宇宙，构建了数据空间平台，根据获取数据模拟出了更多不同使用情况和场景下的锂电池运行状态数据，降低了数据采集的难度，提高了数据的多样性。采用了非平稳Transformer预测模型实现预测，不仅增强了输入数据的平稳性，还添加了非平稳性信息，有效缓解了过平稳化的问题，并且利用优化算法对动态模态分解、最大信息系数和预测模型三部分的关键参数进行了同步优化，提高了预测精度。发明内容[0005] 发明目的：本发明提供了一种基于元宇宙的锂电池剩余寿命预测方法及系统，以解决背景技术中存在的问题。[0006] 技术方案：本发明公开了一种基于元宇宙的锂电池剩余寿命预测方法，包括：[0007] 步骤(1)获取锂电池的历史电流、电压、温度、充放电循环次数、循环容量、循环时间多种运行状态数据，电化学成分和材料以及湿度和氧化程度以全面充分考虑影响电池寿命的变量；[0008] 步骤(2)基于元宇宙构建数据空间平台，根据获取数据模拟出更多不同使用情况和场景下的锂电池运行数据，并整合成数据集；[0009] 步骤(3)利用动态模态分解DMD将上述数据集分解成一系列动态模态，以提取原始数据更多的细部和隐含特征及信息；[0010] 步骤(4)采用最大信息系数MIC对所述分解后的动态模态进行特征提。崛〕鲇腼绯厥Ｓ嗍倜喙匦越细叩奶卣魇莶⒎治盗芳筒馐约籟0011] 步骤(5)将训练集数据输入到非平稳Transformer预测模型中，进行训练；[0012] 步骤(6)将DMD、MIC和非平稳Transformer预测模型的关键参数组合在同一优化框架中，即对三个部分的关键参数进行编码；[0013] 步骤(7)将步骤(6)所述关键参数编码进淘金优化算法GRO的每个金矿勘探者个体位置向量中，通过解码最优解即最佳金矿位置，得到最优关键参数，实现对DMD、MIC和非平稳Transformer预测模型的关键参数的同步优化；[0014] 步骤(8)输入测试集数据到训练好的预测模型中完成锂电池剩余寿命的预测。[0015] 进一步地，所述步骤(2)基于元宇宙构建数据空间，并根据获取数据模拟出不同使用情况和场景下的锂电池数据，具体为：[0016] 基于元宇宙构建一种锂电池实时运行状态数据空间平台，根据所述步骤(1)获取的锂电池数据，采取扩充和数据增强方法即通过调整模拟参数、添加噪声和引入随机变化的方式，模拟出更多不同类型和规格及不同使用情况的锂电池运行状态数据，包括对锂电池在不同的温度、负荷和充电情况下进行数据模拟，再将所有获取的数据和模拟数据整合成数据集，以供预测解决样本不足导致的预测精度不可靠问题。[0017] 进一步地，所述步骤(3)中利用动态模态分解DMD对数据集进行模态分解，具体为：[0018] 将N条时间长度为M的锂电池数据构建成N×M维数据矩阵S，在t时刻，其动态模态分解的表达式如下：[0019] st＝Ast?1+òt[0020] 式中，A表示维度为N×N的系数矩阵；[0021] 从数据矩阵S中构建延迟数据矩阵S1和S2：[0022][0023] 则动态模态分解的表达式可以写为：[0024] S2≈AS1[0025] 对矩阵S1进行奇异值分解：[0026] S1＝UΣV[0027] 式中，U，Σ，V均为S1的截断奇异值；[0028] 可得近似矩阵[0029][0030] 式中，Ur，，Σr，Vr分别为U，Σ，V的截断矩阵；[0031] 求解 的特征值和特征向量，即：[0032][0033] 式中，Φ为对角矩阵，矩阵Q由特征向量组成；[0034] 所述矩阵Q的特征向量则为锂电池数据集分解后的动态模态，每个模态都有其对应的频率和振幅，表征锂电池的振动模式和动态特征，动态特征包括锂电池的频率响应、动态稳定性、动态响应和失效特征。[0035] 进一步地，所述步骤(4)中采用最大信息系数MIC对分解后的动态模态进行特征提。咛逦：[0036] 以锂电池的剩余寿命为目标变量，将各个模态离散在二维空间中，并在二维空间的x和y空间方向上分别划分出一定的方格数，形成网格，计算两个随机模态在网格中的联合概率分布和边缘概率分布，得到两个随机模态之间的最大互信息值，最大互信息值的计算式如下：[0037][0038] 式中，p(X,Y)表示模态X和模态Y的联合概率分布函数；p(X)和p(Y)分别是模态X和模态Y的边缘概率分布函数；[0039] 对最大互信息值进行归一化处理，通过对不同尺度下最大互信息值的计算和比较，选择其中的最大值作为最大信息系数MIC，归一化表达式如下：[0040][0041] 式中，c和d分别是在x和y方向上划分的格子数；E为变量；[0042] 计算各个模态之间的最大信息系数MIC，选择与锂电池剩余寿命相关性较高的MIC作为特征数据，用于非平稳Transformer预测模型的输入。[0043] 进一步地，所述步骤(5)将训练集数据输入到非平稳Transformer预测模型中进行训练，具体包括：[0044] 所述非平稳Transformer模型包括序列平稳化模块和去平稳化注意力模块；[0045] 所述序列平稳化模块用于增强输入数据的平稳性，将MIC筛选的特征数据作为训练集，对其进行时间维度上的归一化，以消除各个数据之间的尺度差异；输入模型，再对输出的数据进行反向尺度变换，实现反归一化，恢复归一化时丢失的分布信息，从而从模型外部还原了输入数据的部分非平稳性；[0046] 所述去平稳化注意力模块用于将非平稳化信息整合到模型内部，缓解过平稳化问题，通过在模块中采用多层感知机MLP，自适应地学习去平稳化因子，从而将非平稳化信息传递到模型内部，从而更好地捕捉锂电池训练集数据中的非平稳特征；[0047] 将MIC筛选的特征数据作为训练集输入到非平稳Transformer模型中进行训练。[0048] 进一步地，所述步骤(6)将DMD、MIC和非平稳Transformer预测模型的关键参数组合在同一优化框架中，即对三个部分的关键参数进行编码，具体为：[0049] 将DMD、MIC和非平稳Transformer预测模型的关键参数作为淘金优化算法GRO的每个金矿勘探者个体位置，其中DMD的关键参数包括U，Σ，V三个奇异参数；MIC的关键参数包括在二维空间的x和y空间方向上划分的格子数c和d；非平稳Transformer预测模型的关键参数包括注意力头数α、隐藏层维度β和学习率γ，将这8个关键参数进行编码处理，即统一关键参数表征形式，在各自参数变化空间内生成满足条件的参数集合，有利于优化算法从锂电池寿命预测整体精度出发更高效的搜索并得到提升模型整体性能的参数最优解。[0050] 进一步地，所述步骤(7)将步骤(6)中所述关键参数编码进淘金优化算法GRO的每个金矿勘探者个体位置向量中，通过解码最优解即最佳金矿位置，得到最优关键参数，实现对DMD、MIC和非平稳Transformer预测模型的关键参数的同步优化，具体包括：[0051] 将DMD的U，Σ，V三个关键参数、MIC的在二维空间的x和y空间方向上划分的格子数c和d两个关键参数和非平稳Transformer预测模型的注意力头数α、隐藏层维度β和学习率γ三个关键参数同时编码进淘金优化算法的每个金矿勘探者的个体位置向量，进行优化：[0052] 首先，初始化每个金矿勘探者的位置向量，解码位置向量，将8个关键参数编码进位置向量，再组合成位置向量矩阵，然后，金矿勘探者向金矿迁移获取黄金，更新位置向量矩阵，其个体位置定义公式如下：[0053] Pnewi(t+1)＝Pi(t)+B1·D1[0054] D1＝C1·P*(t)?Pi(t)[0055] 式中，P*(t)表示最佳金矿的位置即8个关键参数；Pi(t)表示随机金矿勘探者i的位置；t表示当前迭代次数；Pnewi(t+1)表示金矿勘探者i的新位置；B1和C1为矢量系数，由如下公式求得：[0056] C1＝2r1[0057][0058] 式中，l1为收敛分量；r1、r2为[0,1]之间的随机变量；[0059] 1)金矿开采：金矿勘探者在金矿区域进行开采，以获得更多黄金，金矿勘探者的位置更新公式如下：[0060] Pnewi(t+1)＝Pr(t)+B2·D2[0061] D2＝Pi(t)?Pr(t)[0062] 式中，Pnewi(t+1)表示金矿勘探者i的新位置即寻优后的8个关键参数；Pi(t)和Pr(t)表示随机金矿勘探者i和勘探者r的位置；t表示当前迭代次数；B2为矢量系数，其计算式如下：[0063] B2＝2l2r1?l2[0064] 式中，l2为收敛分量；[0065] 2)金矿勘探者相互协作：由随机的两个勘探者g1和g2确定想要开采的金矿区域，再由第三位勘探者i在该区域随机寻找并确定开采位置，实现团队的相互协作开采，勘探者i的位置更新公式如下：[0066] Pnewi(t+1)＝Pi(t)+r1·D3[0067][0068] 式中，Pnewi(t+1)表示勘探者i的新位置即寻优后的8个关键参数；Pi(t)、 和分别表示勘探者i，g1和g2的位置；[0069] 3)金矿勘探者迁移：勘探者为获取更多的黄金，而选择是留在原开采区域继续开采还是迁移至下个区域开采，其位置也会随之更新，更新公式如下：[0070] Pi(t+1)＝Pnewi(t+1)iff(Pnewi(t+1))＜f(Pi(t))[0071] 每个勘探者在每次迭代中使用上述的一种行为进行位置更新，此过程一直持续到迭代结束，迭代中所找到的最佳金矿位置即为最优解，通过对最佳金矿位置进行解码获得最优的8个关键参数即DMD的U，Σ，V三个奇异参数，MIC的在二维空间的x和y空间方向上划分的格子数c和d和非平稳Transformer预测模型的注意力头数α、隐藏层维度β和学习率γ；[0072] 经过上述步骤，实现DMD、MIC和非平稳Transformer预测模型的关键参数的同步优化。[0073] 本发明还公开基于元宇宙的锂电池剩余寿命预测系统，包括：数据获取整合模块、数据预处理模块、特征提取模块和优化预测模块；[0074] 所述数据获取整合模块，用于采用传感器及监测设备获取锂电池的获取锂电池的历史电流、电压、温度、充放电循环次数、循环容量、循环时间多种运行状态数据，电化学成分和材料以及湿度和氧化程度，再与元宇宙模拟出的锂电池的多场景运行数据一起整合成数据集；[0075] 所述数据预处理模块，用于对数据获取整合模块的数据集进行动态模态分解处理；[0076] 所述特征提取模块，用于利用最大信息系数对模态分解后的数据进行特征提。崛〕鲇腼绯厥Ｓ嗍倜喙匦越细叩奶卣魇，并将其分成训练集和测试集输入优化预测模块；[0077] 所述优化预测模块，用于利用训练集的数据对非平稳Transformer预测模型进行训练，并采用淘金优化算法GRO对所述数据预处理模块、特征提取模块和预测模型的关键参数进行同步优化，最后将测试集数据输入训练好的模型中完成预测。[0078] 有益效果：[0079] 1、本发明基于元宇宙构建了数据空间并根据采集的数据模拟出了更多不同使用情况和场景的锂电池数据，包含了更多工况的锂电池数据，降低了锂电池数据采集的难度，提高了数据的多样性和预测模型精度。[0080] 2、本发明的对锂电池剩余寿命的预测采用了非平稳Transformer预测模型，较于以往预测模型的对于非平稳时序数据存在的过平稳化问题，本发明所用模型不仅增强了输入数据的平稳性，并且在模型中添加了非平稳化信息，有效缓解了过平稳化问题，对于长序列的时间序列数据也有很好的处理能力，提高了本发明预测的精度。[0081] 3、本发明设计了基于淘金优化算法的一体化优化策略对DMD、MIC和非平稳Transformer预测模型的关键参数进行了同步优化，加快了优化算法的收敛速度，降低了耦合度，提高了预测系统的鲁棒性和整体预测精度。附图说明[0082] 图1为本发明方法的流程图。[0083] 图2为8个关键参数的编码策略图。具体实施方式[0084] 下面结合附图对本发明的技术方案作进一步说明。[0085] 本实施案例提供了一种基于元宇宙的锂电池剩余寿命预测方法，如附图1所示，包括：[0086] (1)利用传感器、监测设备全面充分考虑影响电池寿命的变量，获取包括且不限于锂电池的历史电流、电压、温度、充放电循环次数、循环容量、循环时间多种运行状态数据，电化学成分和材料以及湿度和氧化程度以全面充分考虑影响电池寿命的变量。[0087] (2)基于元宇宙构建数据空间平台，根据获取数据模拟出更多不同使用情况和场景下的锂电池运行数据，并整合成数据集。[0088] 基于元宇宙构建一种锂电池实时运行状态数据空间平台，根据所述步骤(1)获取的锂电池数据，采取扩充和数据增强方法即通过调整模拟参数、添加噪声和引入随机变化的方式，模拟出更多不同类型和规格及不同使用情况的锂电池运行状态数据，包括对锂电池在不同的温度、负荷和充电情况下进行数据模拟，再将所有获取的数据和模拟数据整合成数据集，以供预测解决样本不足导致的预测精度不可靠问题。[0089] (3)利用动态模态分解DMD对上述数据集进行模态分解，以提取原始数据更多的细部和隐含特征及信息，具体为：[0090] 将N条时间长度为M的锂电池数据构建成N×M的数据矩阵S，在t时刻时，其动态模态分解的表达式如下：[0091] st＝Ast?1+òt[0092] 式中，A表示维度为N×N的系数矩阵；[0093] 从数据矩阵S中构建延迟数据矩阵S1和S2：[0094][0095] 则动态模态分解的表达式可以写为：[0096] S2≈AS1[0097] 对矩阵S1进行奇异值分解：[0098] S1＝UΣV[0099] 式中，U，Σ，V均为S1的截断奇异值。[0100] 可得近似矩阵[0101][0102] 式中，Ur，，Σr，Vr分别为U，Σ，V的截断矩阵。[0103] 求解 的特征值和特征向量，即：[0104][0105] 式中，Φ为对角矩阵，矩阵Q由特征向量组成。[0106] 矩阵Q的特征向量则为数据集分解后的动态模态，每个模态都有其对应的频率和振幅，表征锂电池的振动模式和动态特征，动态特征包括锂电池的频率响应、动态稳定性、动态响应和失效特征。[0107] (4)采用最大信息系数MIC对所述分解后的动态模态进行特征提。崛〕鲇腼绯厥Ｓ嗍倜喙匦越细叩奶卣魇莶⒎治盗芳筒馐约。具体为：[0108] 以锂电池的剩余寿命为目标变量，将各个模态离散在二维空间中，并在二维空间的x和y空间方向上分别划分出一定的方格数，形成网格，计算两个随机模态在网格中的联合概率分布和边缘概率分布，得到两个随机模态之间的最大互信息值，最大互信息值的计算式如下：[0109][0110] 式中，p(X,Y)表示模态X和模态Y的联合概率分布函数；p(X)和p(Y)分别是模态X和模态Y的边缘概率分布函数。[0111] 对最大互信息值进行归一化处理，就是通过对不同尺度下最大互信息值的计算和比较，选择其中的最大值作为最大信息系数MIC，归一化表达式如下：[0112][0113] 式中，c和d分别是在x和y方向上划分的格子数；E为变量。[0114] 计算各个模态之间的最大信息系数MIC，选择与锂电池剩余寿命相关性较高的MIC作为特征数据，用于非平稳Transformer预测模型的输入。[0115] (5)将训练集数据输入到非平稳Transformer预测模型中，进行训练。具体为：[0116] 非平稳Transformer模型包括序列平稳化模块和去平稳化注意力模块；[0117] 序列平稳化模块用于增强输入数据的平稳性，将MIC筛选的特征数据作为训练数据集，对其进行时间维度上的归一化，以消除各个数据之间的尺度差异；输入模型，再对输出的数据进行反向尺度变换，实现反归一化，恢复归一化时丢失的分布信息，从而从模型外部还原了输入数据的部分非平稳性。[0118] 去平稳化注意力模块用于将非平稳化信息整合到模型内部，缓解过平稳化问题，通过在模块中采用多层感知机MLP，自适应地学习去平稳化因子，从而将非平稳化信息传递到模型内部，从而更好地捕捉锂电池训练集数据中的非平稳特征。[0119] 将MIC筛选的特征数据作为训练集输入到非平稳Transformer模型中进行训练。[0120] (6)将DMD、MIC和非平稳Transformer预测模型的关键参数组合在同一优化框架中，即对三个部分的关键参数进行编码，具体为：[0121] 如图2所示，将DMD、MIC和非平稳Transformer预测模型的关键参数作为淘金优化算法GRO的每个金矿勘探者个体位置，其中DMD的关键参数包括U，Σ，V三个奇异参数；MIC的关键参数包括在二维空间的x和y空间方向上划分的格子数c和d；非平稳Transformer预测模型的关键参数包括注意力头数α、隐藏层维度β和学习率γ，将这8个关键参数进行编码处理，编码策略如图所示，即统一关键参数表征形式，在各自参数变化空间内生成满足条件的参数集合，有利于优化算法从锂电池寿命预测整体精度出发更高效的搜索并得到提升模型整体性能的参数最优解。[0122] (7)将步骤(6)中所述关键参数编码进淘金优化算法GRO的每个金矿勘探者个体位置向量中，通过解码最优解即最佳金矿位置，得到最优关键参数，实现对DMD、MIC和非平稳Transformer预测模型的关键参数的同步优化，具体为：[0123] 将DMD的U，Σ，V三个关键参数、MIC的在二维空间的x和y空间方向上划分的格子数c和d两个关键参数和非平稳Transformer预测模型的注意力头数α、隐藏层维度β和学习率γ三个关键参数同时编码进淘金优化算法的每个金矿勘探者的个体位置向量，进行优化：[0124] 首先，初始化每个金矿勘探者的位置向量，解码位置向量，将8个关键参数编码进位置向量，再组合成位置向量矩阵，然后，金矿勘探者向金矿迁移获取黄金，更新位置向量矩阵，其个体位置定义公式如下：[0125] Pnewi(t+1)＝Pi(t)+B1·D1[0126] D1＝C1·P*(t)?Pi(t)[0127] 式中，P*(t)表示最佳金矿的位置即8个关键参数；Pi(t)表示随机金矿勘探者i的位置；t表示当前迭代次数；Pnewi(t+1)表示金矿勘探者i的新位置；B1和C1为矢量系数，由如下公式求得：[0128] C1＝2r1[0129][0130] 式中，l1为收敛分量；r1、r2为[0,1]之间的随机变量。[0131] 1)金矿开采：金矿勘探者在金矿区域进行开采，以获得更多黄金，金矿勘探者的位置更新公式如下：[0132] Pnewi(t+1)＝Pr(t)+B2·D2[0133] D2＝Pi(t)?Pr(t)[0134] 式中，Pnewi(t+1)表示金矿勘探者i的新位置即寻优后的8个关键参数；Pi(t)和Pr(t)表示随机金矿勘探者i和勘探者r的位置；t表示当前迭代次数；B2为矢量系数，其计算式如下：[0135] B2＝2l2r1?l2[0136] 式中，l2为收敛分量。[0137] 2)金矿勘探者相互协作：由随机的两个勘探者g1和g2确定想要开采的金矿区域，再由第三位勘探者i在该区域随机寻找并确定开采位置，实现团队的相互协作开采，勘探者i的位置更新公式如下：[0138] Pnewi(t+1)＝Pi(t)+r1·D3[0139][0140] 式中，Pnewi(t+1)表示勘探者i的新位置即寻优后的8个关键参数；Pi(t)、 和分别表示勘探者i，g1和g2的位置。[0141] 3)金矿勘探者迁移：勘探者为获取更多的黄金，而选择是留在原开采区域继续开采还是迁移至下个区域开采，其位置也会随之更新，更新公式如下：[0142] Pi(t+1)＝Pnewi(t+1)iff(Pnewi(t+1))＜f(Pi(t))[0143] 每个勘探者在每次迭代中使用上述的一种行为进行位置更新，此过程一直持续到迭代结束，迭代中所找到的最佳金矿位置即为最优解，通过对最佳金矿位置进行解码获得最优的8个关键参数即DMD的U，Σ，V三个奇异参数，MIC的在二维空间的x和y空间方向上划分的格子数c和d和非平稳Transformer预测模型的注意力头数α、隐藏层维度β和学习率γ。[0144] 经过上述步骤，实现DMD、MIC和非平稳Transformer预测模型的关键参数的同步优化。[0145] 针对上述的基于元宇宙的锂电池剩余寿命预测方法，其对应的基于元宇宙的锂电池剩余寿命预测系统，包括：数据获取整合模块、数据预处理模块、特征提取模块和优化预测模块。[0146] 数据获取整合模块，用于采用传感器及监测设备获取锂电池的获取不限于锂电池的历史电流、电压、温度、充放电循环次数、循环容量、循环时间多种运行状态数据，电化学成分和材料以及湿度和氧化程度，再与元宇宙模拟出的锂电池的多场景运行数据一起整合成数据集；[0147] 数据预处理模块，用于对数据获取整合模块的数据集进行动态模态分解处理；[0148] 特征提取模块，用于利用最大信息系数对模态分解后的数据进行特征提。崛〕鲇腼绯厥Ｓ嗍倜喙匦越细叩奶卣魇，并将其分成训练集和测试集输入优化预测模块；[0149] 优化预测模块，用于利用训练集的数据对非平稳Transformer预测模型进行训练，并采用淘金优化算法GRO对所述数据预处理模块、特征提取模块和预测模型的关键参数进行同步优化，最后将测试集数据输入训练好的模型中完成预测。[0150] 以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。

专利地区：江苏

专利申请日期：2024-05-13

专利公开日期：2024-11-29

专利公告号：CN118362902B