首页 > 资讯 > 基于LSTM+Mamba的锂电池剩余寿命和健康状态预测方法及系统与流程

基于LSTM+Mamba的锂电池剩余寿命和健康状态预测方法及系统与流程

泰然健康网
2025-08-05 04:50

本发明属于锂电池寿命与状态预测领域，更具体地，涉及一种基于lstm+mamba的锂电池剩余寿命和健康状态预测方法及系统。

背景技术：

1、在当今电力物联网的快速发展中，锂电池作为关键的储能元件，广泛应用于各种电子设备和系统中，以保障供电的连续性和设备的正常运行。锂电池因其高能量密度、宽温度适应范围以及长久的稳定性，成为了许多工业和消费应用中不可或缺的选择。然而，这些电池在长期使用过程中会逐渐退化，准确预测锂电池的剩余使用寿命(remaining usefullife,rul)和健康状态(state of health,soh)对于优化电池的管理、延长设备的使用周期以及降低维护和更换成本显得尤为重要。在实际应用中，锂电池的衰减过程受到多种因素的影响，如温度、充放电循环和负载条件等，这些因素相互作用使得预测电池的rul和soh充满了挑战。准确地评估这些参数对于提升电池性能、延长使用寿命并保障设备的稳定运行具有重要意义。

2、传统的物理建模方法尽管能够为电池的化学行为提供深入理解，但往往因其模型参数复杂且需要大量的计算资源，而在实际应用中难以实现。因此，基于数据驱动的预测方法，如机器学习和深度学习，逐渐成为锂电池剩余寿命和健康状态预测方法的研究重点。这些数据驱动方法通过对大量历史数据的挖掘和分析，能够自动学习电池的衰退模式，为电池状态评估和预测提供了更高的精度和实时性。

3、cn118759379a提出了一种基于mlp-lstm分类模型的锂电池剩余寿命预测方法及设备，包括以下步骤：对锂电池进行充放电实验获得各项电池观测数据，建立原始老化数据集；根据计算得到的电池容量去除异常的充放电观测数据，获取去除异常值的锂电池数据集；计算电池健康状态(soh)，以soh＝80％为界将数据集分为两类；使用mlp-lstm模型对数据集进行二分类训练，获取最优模型权重；利用最佳模型计算新的锂电池数据集soh＝80％时的充放电循环次数，从而得到电池剩余寿命(rul)。但是，该专利未考虑到电池充放电的后期数据对于判断锂电池剩余寿命更为重要，且使用mlp-lstm分类模型的准确率还是略低。

技术实现思路

1、为解决现有技术中存在的不足，本发明提供无监督的、效率较高、评估准确的一种基于非监督学习的电力客户诉求服务风险评估方法及系统。

2、本发明采用如下的技术方案。

3、本发明的第一方面提出了一种基于lstm+mamba的锂电池剩余寿命和健康状态预测方法，包括以下内容：

4、对锂电池进行充放电循环，采集并计算循环过程中的各种锂电池老化数据，并对其进行预处理，将预处理后的锂电池老化数据组成输入数据集；

5、构建多层神经网络，该神经网络由lstm层、多头注意力机制和mamba模块组成；将输入数据集输入lstm层提取锂电池老化数据的时间序列特征；将时间序列特征输入多头注意力层，对时间序列中的不同特征进行加权处理，融合出时间序列特征中和锂电池剩余寿命和健康状态强相关的特征；将和锂电池剩余寿命和健康状态强相关的特征输入mamba模块进行锂电池剩余寿命和健康状态预测的预测；

6、构建优化权重的组合加权损失函数训练多层神经网络；使用该多层神经网络进行锂电池剩余寿命和健康状态的预测。

7、优选地，所述预处理为将每种锂电池老化数据均进行归一化；

8、第p种锂电池老化数据中的第i个数据zpi归一化的公式为：

9、

10、其中，xpi是第p种锂电池老化数据中的第i个数据，μp是第p种锂电池老化数据的均值，σp是第p种锂电池老化数据的标准差。

11、优选地，所述使用lstm层提取锂电池老化数据的时间序列特征，具体为：

12、lstm层前向传播时依次通过遗忘门、输入门与输出门；lstm层的遗忘门的公式为：

13、ft＝σ(wf·[ht-1,xt]+bf)

14、其中，wf表示遗忘门的权重矩阵；bf表示遗忘门的偏置；ht-1表示上一个时间步的隐藏状态；σ表示遗忘门的激活函数；xt表示遗忘门当前时间步输入；t为1时，xt表示输入数据集；

15、lstm层的输入门的公式为：

16、it＝σ(wn·[ht-1,xt]+bn)

17、

18、其中，it是输入门的输出；是当前时间步候选细胞的状态；wn是输入门的权重矩阵；bn是输入门的偏置；wc是候选细胞计算的权重矩阵；bc是候选细胞计算的偏置；

19、lstm层的输出门的公式为：

20、ot＝σ(wo·[ht-1,xt]+bo)

21、ht＝ot*tanh(ct)

22、其中，ot是当前时间步的输出门的输出；ht表示当前时间步的隐藏状态；ct是当前时间步的细胞的状态；wo是输出门的权重矩阵；bo是输出门的偏置；

23、lstm细胞状态更新的公式为：

24、

25、其中，ft是遗忘门的输出；ct-1是上一个时间步的细胞状态。

26、优选地，所述将时间序列特征输入多头注意力层，对该序列中的不同特征进行加权处理，融合出时间序列特征中和锂电池剩余寿命和健康状态强相关的特征，具体为：

27、在进行基于每个头的注意力分数矩阵，其计算公式为：

28、qe＝xweq,ke＝xwek,ve＝xwev

29、

30、heade＝σ′(ae)ve

31、其中，ae为第e个头的注意力分数矩阵，σ′(·)为多头注意力层的激活函

32、数；qe、ke、ve分别为第e个头的查询矩阵、键矩阵、值矩阵；deq为第e个头的值向量的向量维度；heade为第e个头的输出；weq、wek、wev分别为qe、ke、ve的权重矩阵；x为输入多头注意力层的时间序列特征组成的矩阵；

33、所述融合出时间序列特征中和锂电池剩余寿命和健康状态强相关的特征，具体为：

34、mh＝concat(head1,…,heade)wo

35、其中，wo为多头注意力的权重矩阵，e为设置的头数量。

36、优选地，所述mamba模块，具体为：

37、mamba模块的公式为：

38、

39、yt′＝mt′ht′

40、其中，xt′表示当前时间步的mamba模块的输入；gt′、bt′、mt′、i分别表示大小为d×n、b×l×n、b×l×n、b×l×n的参数矩阵；δ表示大小为b×l×d的拉普拉斯矩阵；b表示批次大小，l表示时间步长，d表示xt′的维度，n表示设定的维度；分别表示对gt′、bt′进行离散化的结果；ht′、ht′-1表示mamba模型内的当前时间步的隐藏状态，yt′表示当前时间步的输出；yt′为一个二维向量，每个向量分别表示预测的锂电池剩余寿命和健康状态。

41、

42、优选地，所述构建组合加权损失函数，具体为：

43、lc＝αlsl1+βlwmse

44、

45、其中，ωj表示训练样本中的第j个数据的权重；yj表示训练样本中的第j个数据的真实标签；表示训练样本中的第j个数据的预测值；m表示训练样本中的数据总数；α、β分别表示两种损失函数lsl1和lwmse的权重，α+β＝1。

46、优选地，所述训练样本中的第j个数据的权重ωj，具体为：

47、将锂电池进行充放电循环，循环超过800后采集的锂电池老化数据定义为后期数据，其他为前期数据；对所有前期数据和后期数据分别设置取值在0-1之间的重要度；所有前期数据的重要度均为0.4，所有后期数据的重要度的取值大于等于0.6，且充放电循环次数越大，重要度取值越大，将所有重要度归一化则为对应的权重。

48、优选地，所述两种损失函数lsl1和lwmse的权重α和β，具体为：

49、α设定范围在0.25-0.4之间，则β设定的范围对应在0.6-0.75之间；以设定的步长依次选取该范围内的权重进行预测，计算预测的锂电池剩余寿命和健康状态的均方误差mse、均方根误差rmse、平均绝对误差mae、决定系数r2，计算每种权重的评估指标分数公式：

50、

51、其中，fa表示第a种权重对应的评估指标分数；fφ,a1、fφ,a2分别为预测的锂电池剩余寿命、健康状态的第φ种指标，φ＝{1,2,3,4}；φ从1-4分别代表的指标为均方误差mse、均方根误差rmse、平均绝对误差mae、决定系数r2；

52、选取最小的fa对应的两种损失函数lsl1和lwmse的权重作为最终的权重。

53、本发明的第二方面提出了一种使用本发明第一方面所述预测方法的基于lstm+mamba的锂电池剩余寿命和健康状态预测系统，包括采集模块、多层神经网络构建模块、损失函数构建模块、预测模块，具体为：

54、采集模块：用于对锂电池进行充放电循环，采集循环过程在的各种锂电池老化数据，并对其进行预处理；

55、多层神经网络构建模块：用于构建多层神经网络，该神经网络由lstm层、多头注意力机制和mamba模块组成；使用lstm层提取锂电池老化数据的时间序列特征；将时间序列特征输入多头注意力层，对该序列中的不同特征进行加权处理，融合出时间序列特征中和锂电池剩余寿命和健康状态强相关的特征；将和锂电池剩余寿命和健康状态强相关的特征输入mamba模块进行锂电池剩余寿命和健康状态预测的预测；

56、损失函数构建模块：用于构建优化权重的组合加权损失函数训练多层神经网络；

57、预测模块：用于使用训练好的多层神经网络进行锂电池剩余寿命和健康状态的预测。

58、本发明的有益效果在于，与现有技术相比，通过设计lstm层、多头注意力机制和mamba模块结合的混合网络模型；lstm层能够捕捉电池充放电过程中的动态变化模式，有效捕捉锂电池在老化过程中的动态特征；多个注意力头从不同角度对输入进行动态关注，加权处理最为关键的信息，突出与电池寿命和健康状态密切相关的特征，过滤掉不相关的噪声显著提升了对电池健康状态和剩余寿命的预测精度；mamba模块通过其独特的选择机制和特征扫描对特征进行深层次提取和增强，特别是在应对锂电池退化过程中的非线性和复杂特征时，显著提升了模型的预测精度和泛化能力；此外，训练过程中使用了两种损失函数组合加权的损失函数。其中一种损失函数在应对异常值时表现出较高的鲁棒性，而另一种损失函数过对电池生命周期后期的样本赋予更高的权重，确保模型能够更好地拟合退化过程后期的特征变化使得模型在不同场景下保持较高的性能。综上所述，本发明在面对锂电池退化过程的高非线性情况下，剩余寿命和健康状态的预测准确度得到了显著提升。