本發(fā)明涉及電池儲能系統(tǒng)，具體為一種多任務(wù)電池儲能系統(tǒng)故障診斷與荷電狀態(tài)估計方法。

背景技術(shù)：

1、作為電池儲能系統(tǒng)(bess)的關(guān)鍵組件，電池管理系統(tǒng)(bms)旨在保護(hù)電池免受有害和低效運行的影響。在bms中，電荷狀態(tài)(soc)估計和電池故障診斷是兩個最重要的功能。soc被定義為可用容量與最大容量之比，是確保電池管理正常的基本狀態(tài)。電池故障診斷對于防止電池故障從細(xì)微故障迅速惡化為失控故障非常重要。

2、通常情況下，soc估計和電池故障診斷是分開研究的。基于深度學(xué)習(xí)的soc估計方法可將采樣的電池工作信號(如電壓和電流)直接映射到soc，從而無需電池建?；蛱卣鞴こ?。針對深度學(xué)習(xí)在估計soc時依賴于具有相同分布的訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)的問題，bian等人提出了一種基于多尺度分布自適應(yīng)(mda)的深度傳輸神經(jīng)網(wǎng)絡(luò)，以概括深度估計器的域自適應(yīng)能力。jiang等人將電池的機(jī)理與長短期記憶(lstm)網(wǎng)絡(luò)相結(jié)合，實現(xiàn)了外部測量與電池內(nèi)部狀態(tài)的相關(guān)性，進(jìn)而適應(yīng)了不同訓(xùn)練和運行條件下的soc估計。zhan等人提出了一種雙通道深度學(xué)習(xí)方法，與傳統(tǒng)的單通道方法相比，該方法具有更高的計算效率和更小的內(nèi)存需求。

3、人們對基于深度學(xué)習(xí)的電池故障診斷方法進(jìn)行了廣泛的研究。zhang等人針對黎曼采樣框架下基于lstm的傳統(tǒng)故障診斷方法對計算和訓(xùn)練要求較高的問題，提出了一種基于lebesgue時間模型的方法。與傳統(tǒng)的故障狀態(tài)空間模型相比，它的復(fù)雜度更低。song等人將電池的等效電路模型嵌入到神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中來學(xué)習(xí)電壓故障觀測器。這種方法不僅具有物理模型的可解釋性，而且使模型具有神經(jīng)網(wǎng)絡(luò)強(qiáng)大的非線性處理能力。liu等人針對實際故障數(shù)據(jù)不足的電池運行問題，提出了一種基于特征增強(qiáng)隨機(jī)配置網(wǎng)絡(luò)和不平衡電池故障數(shù)據(jù)對抗域擴(kuò)展的智能診斷方法。該方法平衡了樣本域的分布，從而減少了模型偏差。

4、基于梯度的多目標(biāo)優(yōu)化方法大致可分為兩類：目標(biāo)量化方法和自適應(yīng)梯度方法。最常用的標(biāo)量化方法是簡單的線性標(biāo)量化，如公式(1)所示。然而，由于梯度向量相互沖突，這種方法可能會導(dǎo)致任務(wù)間的相互抑制。此外，標(biāo)量化方法并不能保證發(fā)現(xiàn)所有帕累托方案。

5、

6、由于認(rèn)識到標(biāo)量化方法的局限性，許多自適應(yīng)梯度技術(shù)應(yīng)運而生。這些方法旨在通過在優(yōu)化過程中調(diào)整梯度來動態(tài)平衡不同的任務(wù)。其中，gradnorm是一種具有代表性的方法。與batchnorm類似，gradnorm為每個任務(wù)計算梯度規(guī)范gw(t)，并使用平均梯度規(guī)范作為每個訓(xùn)練步驟t的基線。然后，梯度規(guī)范相對于進(jìn)行歸一化，其中θ代表所有任務(wù)的共享參數(shù)。

7、然而，gradnorm有很大的局限性。它需要計算每個任務(wù)相對于網(wǎng)絡(luò)共享層的梯度，并存儲計算圖，這可能會耗費大量計算資源。此外，gradnorm無法優(yōu)化兩個任務(wù)之間存在的梯度沖突問題。為了解決這個問題，人們引入了pcgrad。pcgrad使用余弦相似度φ(gi,gj)來量化任務(wù)梯度之間的相似度。當(dāng)檢測到?jīng)_突時，該方法會將一個任務(wù)的梯度投影到另一個任務(wù)的沖突梯度的法平面上。盡管pcgrad成功地解決了沖突，但它并沒有為沒有沖突的任務(wù)帶來額外的好處。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于提供一種多任務(wù)電池儲能系統(tǒng)故障診斷與荷電狀態(tài)估計方法，以解決上述背景技術(shù)中提出的問題。

2、為實現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：一種多任務(wù)電池儲能系統(tǒng)故障診斷與荷電狀態(tài)估計方法，其特征在于：所述方法包括如下的步驟：

3、s1、多尺度多模態(tài)融合深度神經(jīng)網(wǎng)絡(luò)設(shè)計；

4、s2、自適應(yīng)梯度優(yōu)化方法的實現(xiàn)，使用余弦相似度φ(gi,gj)＝cos(gi,gj)來定義兩個任務(wù)之間的相關(guān)性，其中是任務(wù)i的梯度，將φ(gi,gj)簡寫為φij，當(dāng)φij<0時，稱之為沖突發(fā)生；

5、s3、自適應(yīng)調(diào)節(jié)學(xué)習(xí)率；

6、s4、聯(lián)合損失函數(shù)。

7、可選的，所述s1進(jìn)一步包括：

8、s11、骨干網(wǎng)絡(luò)的實現(xiàn)與設(shè)計，骨干網(wǎng)絡(luò)由多尺度層(multi-scale?layer,msl)和特征融合層(feature?fusion?layer,ffl)組成；多尺度層由兩個關(guān)鍵部分組成：多尺度特征融合塊和多尺度信道融合塊；

9、s12、任務(wù)的表征頭設(shè)計，在多任務(wù)學(xué)習(xí)框架中，表征頭(representation?head)負(fù)責(zé)特定任務(wù)轉(zhuǎn)換和輸出的關(guān)鍵組件，每個任務(wù)都有自己的表征頭，以確保骨干網(wǎng)絡(luò)的共享特征能有效地滿足各自任務(wù)的要求，模塊化設(shè)計有利于將共享表征和特定任務(wù)表征分離開來，從而促進(jìn)不同任務(wù)之間的高效學(xué)習(xí)。

10、可選的，所述s11進(jìn)一步包括：

11、多尺度特征融合模塊最初采用單一尺度的卷積核，從輸入數(shù)據(jù)中提取時間特征，然后逐漸引入具有更大卷積核的附加分支，擴(kuò)大感受野，使網(wǎng)絡(luò)能夠捕捉更廣泛的上下文信息；循序漸進(jìn)的策略既保留了小感受野的優(yōu)勢，又融合了大感受野的優(yōu)點；該模塊的主要目標(biāo)是促進(jìn)跨卷積尺度的信息交換，確保有效提取多個感受野的特征；

12、在多尺度卷積操作之后，將應(yīng)用多尺度通道融合層；該層采用核大小為3的一維卷積，以統(tǒng)一不同尺度提取的特征；通過調(diào)整不同尺度的特征圖，該層可立即整合時間特征，同時進(jìn)一步提取數(shù)據(jù)中的相關(guān)空間信息；

13、令{rr,r＝1,2}表示第二層的輸出表示，其中每個rr對應(yīng)特定尺度r的特征圖；在第三層，輸出表示擴(kuò)展為{r′r,r＝1,2,3}，捕捉更多尺度的信息；第三層的每個輸出表示r′r都是通過以下操作計算出來的：

14、r′r＝maxpool(convr(concat(r1,r2)))

15、其中concat(·)是連接操作，convr(·)表示尺度為r的一維卷積操作，maxpool(·)是一維最大池化操作；上述過程可以擴(kuò)展到更深的層；

16、骨干網(wǎng)絡(luò)的最后一層對提取的多尺度特征進(jìn)行線性變換，以生成共享的表示：

17、rsh＝σ(bn(concat(r′1,r′2,r′3)w+b))

18、其中，w是可學(xué)習(xí)的權(quán)重矩陣，bn表示批量歸一化(bn)操作，b是偏置向量，rsh表示最終集成的多尺度特征表示，σ表示relu激活函數(shù)。

19、可選的，所述s12進(jìn)一步包括：

20、每個表征頭的核心是一個線性變換層，將共享特征空間映射到特定任務(wù)的輸出空間；在數(shù)學(xué)上，讓rsh∈rd表示從骨干網(wǎng)絡(luò)中提取的共享特征表示；第i個任務(wù)的線性變換表示為：

21、yi＝wirsh+bi

22、其中，表示第i個任務(wù)的輸出，是可學(xué)習(xí)權(quán)重矩陣，是偏差向量。

23、可選的，所述s2進(jìn)一步包括：

24、當(dāng)沖突出現(xiàn)時，將gi替換為沖突發(fā)生時gj的規(guī)范值：

25、

26、為了在任務(wù)間梯度不沖突的條件下享受算法帶來的收益，將梯度線性組合：g′i＝αgi+βgj，其中α和β為正常數(shù)；向量的組合是無限的，為了方便起見，設(shè)置α＝1，可以求解β：

27、

28、其中φ′ij是φij的目標(biāo)方向；使用雙指數(shù)移動平滑(double?exponential?movingaverage,dema)來計算φ′ij；dema的主要優(yōu)點是減少了傳統(tǒng)多ema濾波造成的滯后效應(yīng)，使平滑結(jié)果更貼近原始數(shù)據(jù)的變化；與單階或二階ema相比，dema能更快地響應(yīng)數(shù)據(jù)的短期變化；

29、

30、其中，γ是平滑因子，0≤γ≤1；k是層數(shù)，和分別是步長t時數(shù)據(jù)的ema和ema的ema。

31、可選的，所述s3進(jìn)一步包括：

32、余弦退火算法被認(rèn)為可以逐步降低學(xué)習(xí)率η的值；余弦退火算法的公式如下

33、

34、其中，ηmax是學(xué)習(xí)率的初始值，ncur是當(dāng)前用于訓(xùn)練的批次數(shù)，ncur是訓(xùn)練批次的總數(shù)；

35、在余弦函數(shù)的作用下，學(xué)習(xí)率的周期性降低可以使優(yōu)化過程逐步探索損失面的更精細(xì)區(qū)域；提供了平滑的非線性衰減，避免了學(xué)習(xí)率的突然變化，以免破壞訓(xùn)練的穩(wěn)定性或阻礙收斂。

36、可選的，所述s4進(jìn)一步包括：

37、在多任務(wù)學(xué)習(xí)框架中實現(xiàn)并行優(yōu)化的一種廣受認(rèn)可的方法；聯(lián)合損失函數(shù)可寫成：

38、

39、為了在這些任務(wù)中實現(xiàn)最佳性能，采用了特定任務(wù)的損失函數(shù)，并將其整合到統(tǒng)一的聯(lián)合損失函數(shù)中；

40、對于fc任務(wù)和fl任務(wù)，由于交叉熵?fù)p失函數(shù)適用于分類預(yù)測任務(wù)，可確保離散類概率的穩(wěn)健學(xué)習(xí)，因此采用了交叉熵?fù)p失函數(shù)；對于se任務(wù)，采用了均方誤差(meansquared?error,mse)損失函數(shù)，因為它能有效地最小化連續(xù)回歸預(yù)測的方差。

41、與現(xiàn)有技術(shù)相比，本發(fā)明提供了一種多任務(wù)電池儲能系統(tǒng)故障診斷與荷電狀態(tài)估計方法，具備以下有益效果：

42、1、該多任務(wù)電池儲能系統(tǒng)故障診斷與荷電狀態(tài)估計方法，通過整合多尺度信息有效提取數(shù)據(jù)在時間尺度和空間尺度的特征，實現(xiàn)電池儲能系統(tǒng)的故障診斷和soc估計任務(wù)的聯(lián)合學(xué)習(xí)；在傳統(tǒng)多任務(wù)學(xué)習(xí)范式的基礎(chǔ)上，引入了一種自適應(yīng)梯度優(yōu)化算法，可以有效緩解多任務(wù)學(xué)習(xí)中的梯度沖突問題，優(yōu)化了多任務(wù)模型的表現(xiàn)。

43、2、該多任務(wù)電池儲能系統(tǒng)故障診斷與荷電狀態(tài)估計方法，通過余弦退化算法，有效的加快自適應(yīng)梯度優(yōu)化算法的收斂速度，提升了多任務(wù)模型在回歸任務(wù)和分類任務(wù)上的準(zhǔn)確率。