一种基于预训练的锂离子电池多参数配组方法

1.本发明涉及锂离子电池技术领域，特别地，涉及一种基于预训练的锂离子电池多参数配组方法。


背景技术：

2.能源储存和转化技术对现代社会的发展至关重要。在全球能源危机和环境污染的形势下，如何高效、清洁、安全地利用和开发能源已成为一个重要的研究领域。电池是最受欢迎的电能储存设备之一，因其环境污染成本低、能量转换效率高而受到广泛关注。在不同类型的电池中，锂离子电池具有重量轻、能量密度高、无记忆效应、单体电压高的优点，使其广泛用于便携式电子设备中。然而，单体锂离子电池由于存在电压上限，在应对不同应用场景时，需要通过串并联将单体电池组合成电池组，以提供所需的功率和容量。
3.在锂离子电池制造过程中，原材料和生产过程的变化会导致即使在同一批次的电池的电气特性也有微小的差异，即电池的不一致性。这种电池之间的不一致性，如容量、内阻、电压等，可能导致锂离子电池在电池组内的过充和过放，并随着电池在不同环境和条件下的工况而进一步加剧，导致使用寿命的降低，并威胁到电池组的安全。
4.为了减少电池不一致性对电池组性能和安全的影响，通常在单体电池制造完成后，根据电池的电学特性将电池分成不同的组，并在组内配置电池组。更好的筛选方法可以提高电池组的初始一致性，这是长寿命和高性能的基础，同时可以减少电池平衡的难度。
5.锂离子电池的电气特性参数主要分为两类，静态参数和动态参数。静态参数是一个标量，描述电池的某一固定特征，如容量，开路电压等。动态参数通常是电池充放电过程的采集的时序数据，如充电电压序列，充电电流序列等。现有的锂离子电池配组方法，根据所使用的参数主要分为基于单参数的配组方法，基于多参数的配组方法和基于动态参数的配组方法。
6.基于单参数的配组方法是通过使用锂离子电池的一个电气特性参数，如容量、电压、内阻等进行配组，例如专利申请cn113884906a(一种基于正态分布分析的动力蓄电池配组方法，这些方法简单而快速，在锂离子电池的大规模生产中被广泛使用。然而，单一参数不能描述电池的整体性能，这导致电池组内一致性较差。
7.基于多参数的配组方法是将多个电池参数考虑在内，以达到更好的一致性性能，如容量-电压、容量-电阻、电压-电流等。例如专利申请cn115764024a(一种电池及其配组方法)、cn113937373a(一种锂电池配组方法)、cn115856688a(一种电池及其内阻和容量的测试方法与电池的分选方法和配组方法)、cn114167287a(一种基于神经网络的电池组分选方法、装置及电子设备)。基于多参数的方法可以获得对电池更全面的描述，并对其进行准确的配组。然而，大多数基于多参数的方法只考虑了电池的稳定参数，而忽略了电池的动态一致性性能。
8.基于动态参数的配组方法不仅使用电池的稳定参数，还使用测试和生产过程中的动态时间序列数据，如充电电压曲线、放电电流曲线、容量曲线等，来评价锂离子电池的电
化学性能的相似性。例如专利申请cn115640702a(一种电池配组方法和系统)。基于动态参数的方法比单参数和多参数方法能取得更好的一致性性能。然而，基于动态参数的方法具有较高的模型复杂性，而且配组一致性的性能依赖标注数据的质量和数量。
9.现有技术主要存在以下问题：
10.1、大多数电池配组方法只使用一个数据特性曲线或动态数据对电池进行配组，而没有利用电池生产过程中的多参数数据进行配组，即不同工步，工序之间的多个动态参数数据。
11.2、基于动态参数的配组方法的特征提取相对独立，没有考虑不同源数据之间的关联，导致最终电池组一致性性能较差。
12.3、大部分的电池配组方法依赖大量假设和人工标注数据的数量和质量。然而，不同类型的锂离子电池的一致性是不同的，很难为每种类型的锂离子电池确立相同的假设和大量的高质量标记数据集。


技术实现要素：

13.本发明目的在于提供一种基于预训练的锂离子电池多参数配组方法，利用锂离子电池的多个电气特性参数，如电压曲线、电流曲线、容量曲线等，指导电池配组，提高配组精度；结合预训练的方法，减少配组模型对标签数据的质量和数量的依赖，减少人工标注的成本，提高模型的适用性。
14.为实现上述目的，本发明提供了一种基于预训练的锂离子电池多参数配组方法，具体步骤如下：
15.s1.预训练：获取无配组标签的锂离子电池多参数数据，构建预训练数据集，利用预训练数据集，结合片段预测器，对配组模型的特征编码器进行预训练，得到预训练完备的特征编码器；
16.s2.微调训练：获取有配组标签的锂离子电池多参数数据，构建配组训练集，结合配组分类器和预训练完备的特征编码器，进行模型的微调训练，得到训练完备的锂离子电池多参数配组模型；
17.s3.电池配组：获取配组电池的多参数数据，根据待配组电池的多参数数据和所述训练完备的锂离子电池多参数配组模型，对待配组电池进行分类，分类结果为待配组电池所属组别。
18.作为优选的技术方案之一，步骤s1中，锂离子电池多参数数据来源于锂离子电池生产线中电池测试工序所产生的过程数据。
19.作为进一步优选的技术方案之一，锂离子电池测试工序的流程为：化成电池
→
恒流充电
→
静置
→
恒流恒压充电#1
→
静置
→
恒流放电
→
静置
→
恒流恒压充电#2
→
测试完成。
20.作为进一步优选的技术方案之一，通过收集每个电池对应的测试过程数据，得到锂离子电池多参数数据，其中包含五条锂离子电池特性相关的动态参数曲线，分别为恒流充电电压曲线、恒流恒压充电#1电压曲线、恒流放电电压曲线、恒流恒压充电#2电压曲线和恒流恒压充电#2电流曲线。
21.作为进一步优选的技术方案之一，将锂离子电池多参数数据中的不同动态参数进行整合，得到一个整体的数据表示形式；对于输入的锂离子电池多参数数据x＝[x0,x1,...,
xq]，其中x为输入的锂离子电池多参数数据，q为大于1的整数，表示动态参数的数量，为第i个动态参数,0≤i≤q，为时序数据，r为实数域，ti为该动态参数的时序长度，为第ii个动态参数的数据点。首先将x中所有的动态参数进行归一化，公式如式(1)所示；
[0022][0023]
其中分别为第i个动态参数中的最大值与最小值，为归一化后动态参数的时序数据；
[0024]
对于归一化后的的锂离子电池多参数数据将每个动态参数进行片段化，即将分解为n个固定长度d
in
的子时序数据的子时序数据为向量维度d
in
的实数向量，将称为数据片段，再将同一动态参数的所有数据片段结合起来，构成了第i个动态参数的数据片段表示参数的数据片段表示为矩阵维度n
×din
的实数矩阵，n行，d
in
列。
[0025]
在不同数据片段表示fi之间插入特定的数据片段称为参数间隔标识，该标识是一个序列长度为d
in
，数值全为零的特殊数据片段，起到的作用是在统一的数据表示中标识不同片段数据表示的边界；得到输入锂离子多参数数据x的分隔数据表示分隔数据表示f
in
是一个实数域r的矩阵，其尺寸为，q(n+1)-1行，d
in
列；q为动态参数的数量，每个动态参数被分为n个数据片段，然后再在每个数据片段之间插入参数间隔标识，将上述所有数据片段，共q(n+1)-1个数据片段，按行连接起来，即得到分隔数据表示。
[0026]
作为优选的技术方案之一，步骤s1中，对于输入的锂离子电池多参数数据x，还利用一种特殊片段数据即片段替换标识，依概率p对分隔数据表示中的数据片段进行替换，得到预训练的分隔数据表示fi′n和被替换的数据片段其中，i为第i个动态参数，j为第j个被替换的数据片段,0≤j≤n；为分隔数据表示中，被随机替换为片段替换标识的数据片段；
[0027]
将分隔数据输入特征编码器中，经过处理得到全局特征f
global
；将全局特征f
global
中片段替换标识对应位置的特征数据提取出来，依次输入片段预测器；片段预测器根据输入的特征预测原始数据片段，依次得到片段预测结果通过计算片段预测结果与被替换的片段数据之间的均方误差(mse)，如式(2)所示，并依据误差更新特征编码器与片段预测器的模型参数；当模型预训练的误差小于ε，模型预训练终止，得到预训练完备的特征编码器；
[0028][0029]
其中n为被替换数据片段的数量。
[0030]
作为优选的技术方案之一，步骤s1中，特征编码器的结构由l个注意力层构成，注
意力层由注意力计算，层归一化与前馈神经网络构成；对于具有第l个注意力层的输入特征首先将其映射到不同空间，如式(3)(4)(5)所示；
[0031][0032][0033][0034]
其中为第l个注意力层的输入特征；分别为输入特征对应的查询矩阵，键矩阵，值矩阵；值矩阵；是相应矩阵的线性映射算子；然后，计算注意力权值，通过计算查询矩阵q
l
与键矩阵k
l
的相似性，对值矩阵v
l
中的特征进行加权，从而将相似性信息，即关系信息，融合到特征中，如式(6)所示；
[0035][0036]
其中softmax(.)为softmax函数用于归一化注意力权值，m
l
为第l个注意力层的注意力计算结果，dk为值矩阵的特征向量的维度；然后，m
l
通过残差连接与融合得到输入前馈神经网络。注意力层中的前馈神经网络是一个两层神经网络，公式如(7)所示；
[0037][0038]
其中为网络的输出，relu(.)为relu激活函数，w1,w2为前向神经网络权值，b1,b2为前向神经网络权值偏置；经过残差连接与相加最终得到第l个注意力层输出
[0039]
作为优选的技术方案之一，步骤s1中，片段预测器的结构由两个线性层组成，线性层之间由激活函数连接，线性层的隐藏单元的数量为h；片段预测器的任务是在预训练阶段通过将全局特征f
global
中片段替换标识对应位置的特征来预测原始数据片段，依次得到片段预测结果并通过计算片段预测结果与被替换的片段数据之间的均方误差(mse)来误更新特征编码器。
[0040]
作为优选的技术方案之一，步骤s2的具体方法如下：将分隔数据输入预训练完备的特征编码器中，经过处理得到全局特征；然后将全局特征输入配组分类器，配组分类器根据输入的全局特征预测该电池数据对应的预测配组标注通过计算配组标注y与预测配组标注之间的交叉熵误差(ce)，c为电池配组组别的数量(例如共a、b、c三组，则c＝3)，如式(8)所示，并依据误差更新特征编码器与配组分类器的模型参数，微调得到训练完备的锂离子电池多参数配组模型；
[0041][0042]
其中，p
t
为对应配组标签的预测概率，y
t
为配组标注的值(例如a组对应数字为0，b组对应数字为1，c组对应数字为2),0≤t≤c。
[0043]
例如，原始标注数据为字符“a”等字母，在输入配组模型之前，配组标注数据需要转化为独热编码输入，即一个向量，例如,c＝3,标注a组-》[1,0,0]。
[0044]
本发明具有以下有益效果：
[0045]
本发明通过统一的数据表示方法将不同动态参数整合，有利于提高配组模型的特征提取。多层注意力层的特征编码器通过提取不同动态参数的特征与不同参数特征的相似性信息进行融合，得到全局特征，有利于提高配组精度。配组模型的预训练无需数据标签，可以利用大量的无标签的过程数据，在无监督的条件下强化模型的特征提取能力，在保证模型配组精度的条件下减少了模型对配组标签数据的依赖。
[0046]
本发明的具体优势如下：
[0047]
1、采用锂离子电池多个动态参数曲线(如电压曲线、电流曲线、容量曲线等)指导电池配组，配组精度高，效果好，相较于传统方法进一步提高了电池组的一致性。
[0048]
2、采用预训练的方式进行模型的训练，减少配组模型对配组标签数据的质量和数量的依赖，减少人工配组标注的成本，提高配组模型的适用性。
[0049]
3、采用一种整体式的数据表示方法表示锂离子电池多参数数据，有利于特征提取，将多个动态特性参数整合到同一数据表示下，并在此基础上提取具有不同动态参数特征关联性信息的全局特征进行配组，提高配组的精度。
[0050]
除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。
附图说明
[0051]
构成本技术的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
[0052]
图1是锂离子电池测试工序流程；
[0053]
图2是锂离子电池多参数数据示例；
[0054]
图3是归一化后的锂离子电池多参数数据示例；
[0055]
图4是本发明锂离子多参数数据表示过程；
[0056]
图5是基于预训练的锂离子电池多参数配组方法整体框架；
[0057]
图6是基于预训练的锂离子电池多参数配组方法主要步骤；
[0058]
图7是模型预训练阶段本文配组模型结构图；
[0059]
图8是特征编码器结构；
[0060]
图9是注意力层结构；
[0061]
图10是片段预测器结构；
[0062]
图11是微调阶段本发明配组模型结构图；
[0063]
图12是配组分类器结构；
[0064]
图13是电池配组阶段本发明配组模型结构图。
具体实施方式
[0065]
以下结合附图对本发明的实施例进行详细说明，但是本发明可以根据权利要求限定和覆盖的多种不同方式实施。
[0066]
实施例：
[0067]
一种基于预训练的锂离子电池多参数配组方法，该方法利用锂离子电池的多个电
气特性参数，如电压曲线、电流曲线、容量曲线等，指导电池配组，提高配组精度；结合预训练的方法，减少配组模型对标签数据的质量和数量的依赖，减少人工标注的成本，提高模型的适用性。
[0068]
4.1数据来源
[0069]
本发明所使用的数据为锂离子电池多参数数据，数据来源为锂离子电池生产线中电池测试工序所产生的过程数据，锂离子电池测试工序如图1所示。通过收集每个电池对应的测试过程数据，可以得到锂离子电池多参数数据，如图2所示，其中包含五条锂离子电池特性相关的动态参数曲线，分别为恒流充电电压曲线，恒流恒压充电#1电压曲线，恒流放电电压曲线，恒流恒压充电#2电压曲线和恒流恒压充电#2电流曲线。这些曲线内包含了电池静态、动态一致性相关的信息，特别是动态工况下的一致性表现，对指导电池配组，减少组内电池不一致性，提高电池组性能和寿命具有重要作用。
[0070]
4.2数据表示
[0071]
传统的基于动态参数的电池配组方法大多只使用一种电池动态参数进行配组，无法全面的描述电池动态工况下的一致性。其次，目前一些基于数据驱动的多个动态参数配组方法在动态参数的特征提取方面都是分别提取不同动态参数的特征，再进行简单的融合，如。这种方法得到的锂离子电池多参数数据特征没有包含不同参数之间关系的信息，而不同动态参数之间的关系信息可以全面的反映电池在不同工况下的表现，有利于提高电池组一致性，同时减少特征提取模块的复杂度。
[0072]
因此，本发明的第一步是将锂离子电池多参数数据中的不同动态参数进行整合，得到一个整体的数据表示形式；对于输入的锂离子电池多参数数据x＝[x0,x1,...,xq]，其中x为输入的锂离子电池多参数数据，q为大于1的整数，表示动态参数的数量，为第i个动态参数，为时序数据，r为实数域，ti为该动态参数的时序长度，为第i个动态参数的数据点。首先将x中所有的动态参数进行归一化，公式如式(1)所示。
[0073][0074]
其中分别为第i个动态参数中的最大值与最小值。为归一化后动态参数的时序数据。归一化后的锂离子电池多参数数据示例，如图3所示，通过数据归一化，不同的动态参数被映射到同一量纲下的表达，有利于后续处理。
[0075]
对于归一化后的的锂离子电池多参数数据将每个动态参数进行片段化，即将分解为n个固定长度d
in
的子时序数据的子时序数据为向量维度d
in
的实数向量，将称为数据片段，再将同一动态参数的所有数据片段结合起来，构成了第i个动态参数的数据片段表示参数的数据片段表示为矩阵维度n
×din
的实数矩阵，n行，d
in
列；
[0076]
最后，为了在统一的数据表示下提取不同动态数据的关系及其数据特征，配组模型需要不同片段数据表示之间的界限信息，使得模型能够在统一的数据表示下分辨不同动态参数的数据片段，从而提取整体特征和关系特征。因此，本发明在不同数据片段表示fi之
间插入特定的数据片段称为参数间隔标识，该标识是一个序列长度为d
in
，数值全为零的特殊数据片段，起到的作用是在统一的数据表示中标识不同片段数据表示的边界。上述数据全部数据调试过程如图4所示。最终，得到输入锂离子多参数数据x的分隔数据表示该表示将输入锂离子多参数数据x中的所有动态参数整合为统一的数据表示的同时利用参数间隔标记将不同动态参数的数据进行分隔，使得配组模型不但能提取单个动态参数的数据特征，也能够提取不同动态参数之的关系特征，有利于提高锂离子电池配组的精度。
[0077]
4.3配组模型步骤
[0078]
本发明整体框架如图5所示，本发明配组模型结构在不同步骤，结构不同，其中虚线框表示的模块仅在预训步骤使用。
[0079]
本发明的运行具体有三个步骤，如图6所示。
[0080]
4.3.1模型预训练阶段
[0081]
如图7所示，首先获取大量的无配组标签的锂离子电池多参数数据，构建配组模型预训练数据集，利用预训练数据集，结合片段预测器，对配组模型的特征编码器进行预训练，得到预训练完备的特征编码器。具体来说，对于输入的锂离子电池多参数数据x，除了利用上述的数据表示方法对数据进行处理外，还利用另一种特殊片段数据即片段替换标识，依概率p对分隔数据表示中的数据片段进行替换，得到预训练的分隔数据表示f
′
in
和被替换的数据片段其中，i为第i个动态参数，j为第j个被替换的数据片段。将分隔数据输入特征编码器中，经过处理得到全局特征f
global
。将全局特征f
global
中片段替换标识对应位置的特征数据提取出来，依次输入片段预测器。片段预测器根据输入的特征预测原始数据片段，依次得到片段预测结果通过计算片段预测结果与被替换的片段数据之间的均方误差(mse)，如式(2)所示，并依据误差更新特征编码器与片段预测器的模型参数。当模型预训练的误差小于ε，模型预训练终止，得到预训练完备的特征编码器。
[0082][0083]
其中n为被替换数据片段的数量。
[0084]
上述过程中的特征编码器和片段预测其的模型结构如图8和图10所示。特征编码器的结构由l个注意力层构成，其中每个注意力层的结构如图9所示。注意力层由注意力计算，层归一化与前馈神经网络构成。对于具有第l个注意力层的输入特征首先将其映射到不同空间，如式(3)(4)(5)所示。
[0085][0086][0087][0088]
其中为第l个注意力层的输入特征。分别为输入特征对应的查询矩阵，键矩阵，值矩阵。值矩阵。是
相应矩阵的线性映射算子。然后，计算注意力权值，通过计算查询矩阵q
l
与键矩阵k
l
的相似性，对值矩阵v
l
中的特征进行加权，从而将相似性信息，即关系信息，融合到特征中，如式(6)所示。
[0089][0090]
其中softmax(.)为softmax函数用于归一化注意力权值，m
l
为第l个注意力层的注意力计算结果，dk为值矩阵的特征向量的维度。然后，m
l
通过残差连接与融合得到输入前馈神经网络。注意力层中的前馈神经网络是一个两层神经网络，公式如(7)所示。
[0091][0092]
其中为网络的输出，relu(.)为relu激活函数，w1,w2为前向神经网络权值，b1,b2为前向神经网络权值偏置。经过残差连接与相加最终得到第l个注意力层输出
[0093]
片段预测器的结构如图10所示由两个线性层组成，线性层之间由激活函数连接，线性层的隐藏单元的数量为h。片段预测器的任务是在预训练阶段通过将全局特征f
global
中片段替换标识对应位置的特征来预测原始数据片段，依次得到片段预测结果并通过计算片段预测结果与被替换的片段数据之间的均方误差(mse)来误更新特征编码器，使得特征编码器可以在仅有无配组标注的锂离子电池多参数数据的条件下，适应锂离子电池多参数数据的结构和特点，有利于后续配组任务的特征提取。
[0094]
4.3.2模型微调阶段
[0095]
如图11所示，首先获取少量的有配组标签的锂离子电池多参数数据，构建配组模型微调数据集，利用微调数据集，结合配组分类器和预训练完备的特征编码器，进行模型的微调训练，得到训练完备的锂离子电池多参数配组模型。具体来说，对于输入的锂离子电池多参数数据x和其对应的配组标注yk，除了利用上述的数据表示对数据进行处理得到分隔数据表示。将分隔数据输入预训练完备的特征编码器中，经过处理得到全局特征。然后将全局特征输入配组分类器，配组分类器根据输入的全局特征预测该电池数据对应的预测配组标注通过计算配组标注y与预测配组标注之间的交叉熵误差(ce)，k为电池配组组别的数量(例如共a、b、c三组，则k＝3)，如式(8)所示，并依据误差更新特征编码器与配组分类器的模型参数，微调得到训练完备的锂离子电池多参数配组模型。
[0096][0097]
其中，pk为对应配组标签的预测概率，yk为配组标注的值。例如，原始标注数据为字符“a”等字母，在输入配组模型之前，配组标注数据需要转化为独热编码输入，即一个向量，例如,c＝3,标注a组-》[1,0,0]。
[0098]
如图12所示，上述过程中配组分类器的结构与预训练阶段的片段预测器类似，都是由数个线性层构成，线性层之间用激活函数连接。与片段预测器不同的是，配组分类器的输入是全局特征，输出是配组标注信息，因此其隐藏单元的数量h与片段预测器不同。
[0099]
4.3.3电池配组阶段
[0100]
首先获取待配组锂离子电池的多参数数据，根据待配组电池的多参数数据和所述训练完备的锂离子电池多参数配组模型，对待配组电池进行分类，配组结果为待配组电池所属组别，如图13所示。
[0101]
综上所述，本发明通过统一的数据表示方法将不同动态参数整合，有利于提高配组模型的特征提取。其次，多层注意力层的特征编码器通过提取不同动态参数的特征与不同参数特征的相似性信息进行融合，得到全局特征，有利于提高配组精度。最后，配组模型的预训练无需数据标签，可以利用大量的无标签的过程数据，在无监督的条件下强化模型的特征提取能力，在保证模型配组精度的条件下减少了模型对配组标签数据的依赖。
[0102]
试验例
[0103]
为了验证了本发明的有效性，采集了43361个18650型锂离子电池的测试过程的动态参数数据。原始数据集经过插值对齐后被分为预训练集，训练集，验证集和测试集，具体细节如表1所示，其中预训练集数据没有配组标签，用于预训练配组模型。训练集和验证机为含配组标签的锂离子多参数数据集，用于微调配组模型和优化模型超参数。测试集为待配组电池数据集，其中包含了相应的配组标签数据，用于测试本发明配组方法的性能和计算配组精度。
[0104]
表1.数据集信息
[0105][0106]
为了对比本发明和不同模型方法在锂离子电池多参数配组任务上的表现，本发明使用macro f1,macro precision，macro recall，top-1准确率和top-3准确率作为评价指标，衡量模型在锂离子电池多参数配组任务上的性能与表现。模型复杂度用单个样本的平均运行时间衡量。本文发明方法与多层感知器(mlp)、全卷积网络(fcn)、深度残差网络(resnet)、多尺度卷积神经网络(mcnn)和一种基于多参数的锂离子电池配组方法(dddmo)进行对比。上述方法都是以监督的方式用带配组标记的数据进行训练。实验结果如表2所示，其中最优结果用粗体表示。
[0107]
表2.不同配组方法对比结果
[0108][0109]
实验结果表明，本发明方法大多数评价指标中都取得了最佳结果。本发明方法的top-1准确率比dddom方法高5.53％。dddom方法的top-1准确率和top-3准确率大体相同，表示该方法在应对难样本时效果较差。其他模型在锂离子多参数配组方法任务中的表现较差，只有本发明方法和dddom方法在top-1准确率上超过了90％。其次，最优的运行时间结果来自mlp方法，本发明方法的模型复杂度较高，单个样本的平均运行时间达到0.5468ms。总的来说，本发明方法能够以较高的精度完成锂离子多参数配组任务，提高电池组的一致性和配组质量。
[0110]
综上所述，本发明提出了一种基于预训练的锂离子电池多参数配组方法，该方法利用锂离子电池测试过程中的多个动态参数数据指导电池配组任务，结合预训练的模型训练策略，减少模型对配组标注数据依赖的同时，利用统一的数据表示方法提高配组特征提取性能，进而提高电池配租的精度，有利于提高电池组的寿命、使用性能和安全性。
[0111]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种基于预训练的锂离子电池多参数配组方法，其特征在于，具体步骤如下：s1. 预训练：获取无配组标签的锂离子电池多参数数据，构建预训练数据集，利用预训练数据集，结合片段预测器，对配组模型的特征编码器进行预训练，得到预训练完备的特征编码器；s2. 微调训练：获取有配组标签的锂离子电池多参数数据，构建配组训练集，结合配组分类器和预训练完备的特征编码器，进行模型的微调训练，得到训练完备的锂离子电池多参数配组模型；s3. 电池配组：获取配组电池的多参数数据，根据待配组电池的多参数数据和所述训练完备的锂离子电池多参数配组模型，对待配组电池进行分类，分类结果为待配组电池所属组别。2.根据权利要求1所述的方法，其特征在于，步骤s1中，锂离子电池多参数数据来源于锂离子电池生产线中电池测试工序所产生的过程数据。3.根据权利要求2所述的方法，其特征在于，锂离子电池测试工序的流程为：化成电池
→
恒流充电
→
静置
→
恒流恒压充电#1
→
静置
→
恒流放电
→
静置
→
恒流恒压充电#2
→
测试完成。4.根据权利要求2所述的方法，其特征在于，通过收集每个电池对应的测试过程数据，得到锂离子电池多参数数据，其中包含五条锂离子电池特性相关的动态参数曲线，分别为恒流充电电压曲线、恒流恒压充电#1电压曲线、恒流放电电压曲线、恒流恒压充电#2电压曲线和恒流恒压充电#2电流曲线。5.根据权利要求4所述的方法，其特征在于，将锂离子电池多参数数据中的不同动态参数进行整合，得到一个整体的数据表示形式；对于输入的锂离子电池多参数数据，其中为输入的锂离子电池多参数数据，为大于1的整数，表示动态参数的数量，为第个动态参数,，为时序数据，为实数域，为该动态参数的时序长度，为第个动态参数的数据点。首先将中所有的动态参数进行归一化，公式如式（1）所示；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1）其中，分别为第个动态参数中的最大值与最小值，为归一化后动态参数的时序数据；对于归一化后的的锂离子电池多参数数据,将每个动态参数进行片段化，即将分解为个固定长度的子时序数据，为向量维度的实数向量，将称为数据片段，再将同一动态参数的所有数据片段结合起来，构成了第个动态参数的数据片段表示，为矩阵维度的实数矩阵，行，列；在不同数据片段表示之间插入特定的数据片段，称为参数间隔标识，该标
识是一个序列长度为，数值全为零的特殊数据片段，起到的作用是在统一的数据表示中标识不同片段数据表示的边界；得到输入锂离子多参数数据的分隔数据表示。6.根据权利要求1所述的方法，其特征在于，步骤s1中，对于输入的锂离子电池多参数数据，还利用一种特殊片段数据，即片段替换标识，依概率对分隔数据表示中的数据片段进行替换，得到预训练的分隔数据表示和被替换的数据片段，其中，为第个动态参数，为第个被替换的数据片段；将分隔数据输入特征编码器中，经过处理得到全局特征；将全局特征中片段替换标识对应位置的特征数据提取出来，依次输入片段预测器；片段预测器根据输入的特征预测原始数据片段，依次得到片段预测结果；通过计算片段预测结果与被替换的片段数据之间的均方误差，如式（2）所示，并依据误差更新特征编码器与片段预测器的模型参数；当模型预训练的误差小于，模型预训练终止，得到预训练完备的特征编码器；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（2）其中为被替换数据片段的数量。7.根据权利要求1所述的方法，其特征在于，步骤s1中，特征编码器的结构由个注意力层构成，注意力层由注意力计算，层归一化与前馈神经网络构成；对于具有第个注意力层的输入特征，首先将其映射到不同空间，如式（3）（4）（5）所示：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（3）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（4）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（5）其中为第个注意力层的输入特征；， ， 分别为输入特征对应的查询矩阵，键矩阵，值矩阵；, , 是相应矩阵的线性映射算子；然后，计算注意力权值，通过计算查询矩阵与键矩阵的相似性，对值矩阵中的特征进行加权，从而将相似性信息，即关系信息，融合到特征中，如式（6）所示；
ꢀꢀꢀꢀꢀꢀꢀꢀ
（6）其中为softmax函数用于归一化注意力权值，为第个注意力层的注意力计算结果，d
k
为值矩阵的特征向量的维度；然后，通过残差连接与融合得到，输入前馈神经网络。注意力层中的前馈神经网络是一个两层神经网络，公式如（7）所示；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（7）其中为网络的输出，为relu激活函数，, 为前向神经网络权值，, 为前向神经网络权值偏置；经过残差连接与相加最终得到第个注意力层输出。8.根据权利要求1所述的方法，其特征在于，步骤s1中，片段预测器的结构由两个线性层组成，线性层之间由激活函数连接，线性层的隐藏单元的数量为；片段预测器的任务是在预训练阶段通过将全局特征中片段替换标识对应位置的特征来预测原始数据片段，依次得到片段预测结果，并通过计算片段预测结果与被替换的片段数据之间的均方误差来误更新特征编码器。9.根据权利要求1所述的方法，其特征在于，步骤s2的具体方法如下：将分隔数据输入预训练完备的特征编码器中，经过处理得到全局特征；然后将全局特征输入配组分类器，配组分类器根据输入的全局特征预测该电池数据对应的预测配组标注；通过计算配组标注与预测配组标注之间的交叉熵误差，为电池配组组别的数量，如式（8）所示，并依据误差更新特征编码器与配组分类器的模型参数，微调得到训练完备的锂离子电池多参数配组模型；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（8）其中，为对应配组标签的预测概率，为配组标注的值。

技术总结
本发明提供了一种基于预训练的锂离子电池多参数配组方法，通过统一的数据表示方法将不同动态参数整合，有利于提高配组模型的特征提取。多层注意力层的特征编码器通过提取不同动态参数的特征与不同参数特征的相似性信息进行融合，得到全局特征，有利于提高配组精度。配组模型的预训练无需数据标签，可以利用大量的无标签的过程数据，在无监督的条件下强化模型的特征提取能力，在保证模型配组精度的条件下减少了模型对配组标签数据的依赖。下减少了模型对配组标签数据的依赖。下减少了模型对配组标签数据的依赖。


技术研发人员：贺建军 王翔 郭铁峰 张彬汉 季晓 黄福鑫 田睿
受保护的技术使用者：中南大学
技术研发日：2023.05.09
技术公布日：2023/8/4