本发明涉及一种电池soh预测方法，特别是一种基于注意力机制moe模型的电池soh预测方法，属于电池检测。
背景技术：
1、电池的健康状况指标（state of health，简称soh）揭示了电池的整体健康水平及其预估的剩余使用寿命。作为衡量电池性能的关键参数，soh的重要性主要体现在以下几个方面：它展示了电池的老化程度、指导电池更换的最佳时机、评估电池的剩余容量、优化电池的使用管理、诊断电池潜在故障、评估电池的安全性以及预测电池的剩余寿命。
2、预测电池的soh具有极其重要的实际应用价值。电池在运行过程中的电流、电压和温度等数据与soh紧密相关，利用这些数据来预测soh已成为研究领域的焦点。通常，研究者会利用电流、电压和温度数据来训练机器学习模型，例如神经网络、支持向量机等，以掌握电池soh的变化规律并进行有效的预测。
3、传统的机器学习模型往往采用单一的模型来拟合所有数据，这在面对复杂且异质性较高的数据集时显得力不从心。这类模型的泛化能力有限，容易产生过拟合现象，且在处理大规模数据时效率不高。
技术实现思路
1、本发明所要解决的技术问题是提供一种基于注意力机制moe模型的电池soh预测方法，提高电池soh预测的精度。
2、为解决上述技术问题，本发明所采用的技术方案是：
3、一种基于注意力机制moe模型的电池soh预测方法，包含以下步骤：
4、s1、测试并采集电池电流、电压、温度和容量数据；
5、s2、构建基于注意力机制的moe模型，基于注意力机制的moe模型包括多个专家子模型、一个门控网络模型和一个注意力机制计算层；
6、s3、训练和校验基于注意力机制的moe模型；
7、s4、预测电池soh，基于注意力机制的moe模型训练完毕之后，在模型效果良好的前提下部署训练好的模型，并使用部署的模型对电池的soh进行预测。
8、进一步地，所述步骤s1具体为：
9、电流采集：bms通过检测电池组连接端的总电流，使用hall传感器或高精度采样电阻进行检测；
10、电压采集：bms通过电池隔离电路，检测每个电池芯的电压，从而获得整个电池组的电压信息；
11、温度采集：bms在电池组连接端和/或电池芯设置温度传感器，检测电池的工作温度；
12、容量采集：bms统计电池充放电的安培时数，结合电池电压变化曲线，计算出电池的充放电容量。
13、进一步地，所述步骤s2中，专家子模型的数量为3个，每一个专家子模型均是mlp模型，每一个专家子模型包含专家子模型输入层、第一专家子模型中间层、第二专家子模型中间层和专家子模型输出层，专家子模型输入层接收输入的电池电流、电压、温度和容量数据，第一专家子模型中间层的维度为64，第二专家子模型中间层的维度为32，专家子模型输出层输出一个16维度的向量。
14、进一步地，所述步骤s2中，门控网络模型采用多层感知机模型，门控网络模型包含门控网络模型输入层、门控网络模型中间层和门控网络模型输出层，门控网络模型输入层接收输入的电池电流、电压、温度和容量数据，门控网络模型中间层的维度为32，激活函数为relu函数，门控网络模型输出层输出一个3维向量，激活函数为softmax，门控网络模型输出层输出的3维向量分别对应3个专家子模型的权重，并且3个专家子模型的权重之和为1。
15、进一步地，3个专家子模型的输出分别是output1、output2和output3，output1、output2和output3均是高维向量，分别表示每个子专家模型对于输入数据的特征表示；
16、将3个专家子模型输出的特征表示与门控网络输出的3个专家子模型的权重进行加权求和，得到综合特征；
17、之后，将综合特征连接到一个注意力机制计算层。
18、进一步地，所述注意力机制计算层中的查询向量、键向量和值向量都是16维的向量，注意力机制计算层的输出是16维的向量。
19、进一步地，所述注意力机制计算层的计算过程为：
20、步骤一：计算注意力得分；
21、首先，计算每一个查询向量与所有键向量之间的相似度：
22、attention_scorei=query·keyi
23、其中，attention_scorei是第i个注意力得分，query是查询向量，keyi是第i个键向量；
24、步骤二：计算注意力权重；
25、将得到的注意力得分通过softmax函数转换为概率形式，称为注意力权重：
26、attention_weights=softmax(attention_scores)=
27、其中，attention_weights 是注意力权重，attention_scores 是注意力得分，softmax（）是softmax函数，softmax函数确保所有权重加起来等于1，attention_scorei是第i个注意力得分，attention_scorej是第j个注意力得分；
28、步骤三：计算加权的值
29、将每个值乘以其对应的注意力权重，并将结果相加得到最终的注意力输出：
30、
31、其中，attention_output是注意力输出，attention_weighti是第i个注意力权重，valuei是第i个值向量；
32、将综合特征作为注意力机制计算层的输入数据，得到注意力输出。
33、进一步地，所述步骤s3具体为：在keras平台实现基于注意力机制的moe模型代码并训练，训练时训练次数epochs=100，批次样本数量batch_size=32，模型训练的优化器optimizer为adam算法，损失函数为均方误差；训练数据按8:2的比例分成训练集合和测试集合，在训练集合上训练模型，在测试集合上校验模型。
34、本发明与现有技术相比，具有以下优点和技术效果：
35、1、本发明采用基于注意力机制的moe模型，在预测电池soh时能够提升模型的表达能力和预测精度，提高了整体模型的鲁棒性和泛化能力，减少了过拟合风险；
36、2、本发明moe模型通过多个专家子模型组合，每个专家子模型专注于数据的不同方面，提高了整体模型的表达能力和预测精度；
37、3、本发明采用了注意力机制使得moe模型能够更好地捕捉特征中的重要部分，对于提升模型预测精度非常有效；
38、4、本发明通过多个专家子模型的组合和门控网络模型以及注意力机制的动态调整，减少了单一模型的过拟合风险，提高了整体模型的鲁棒性和泛化能力。
1.一种基于注意力机制moe模型的电池soh预测方法，其特征在于包含以下步骤：
2.根据权利要求1所述的一种基于注意力机制moe模型的电池soh预测方法，其特征在于：所述步骤s1具体为：
3.根据权利要求1所述的一种基于注意力机制moe模型的电池soh预测方法，其特征在于：所述步骤s2中，专家子模型的数量为3个，每一个专家子模型均是mlp模型，每一个专家子模型包含专家子模型输入层、第一专家子模型中间层、第二专家子模型中间层和专家子模型输出层，专家子模型输入层接收输入的电池电流、电压、温度和容量数据，第一专家子模型中间层的维度为64，第二专家子模型中间层的维度为32，专家子模型输出层输出一个16维度的向量。
4.根据权利要求3所述的一种基于注意力机制moe模型的电池soh预测方法，其特征在于：所述步骤s2中，门控网络模型采用多层感知机模型，门控网络模型包含门控网络模型输入层、门控网络模型中间层和门控网络模型输出层，门控网络模型输入层接收输入的电池电流、电压、温度和容量数据，门控网络模型中间层的维度为32，激活函数为relu函数，门控网络模型输出层输出一个3维向量，激活函数为softmax，门控网络模型输出层输出的3维向量分别对应3个专家子模型的权重，并且3个专家子模型的权重之和为1。
5.根据权利要求4所述的一种基于注意力机制moe模型的电池soh预测方法，其特征在于：3个专家子模型的输出分别是output1、output2和output3，output1、output2和output3均是高维向量，分别表示每个子专家模型对于输入数据的特征表示；
6.根据权利要求5所述的一种基于注意力机制moe模型的电池soh预测方法，其特征在于：所述注意力机制计算层中的查询向量、键向量和值向量都是16维的向量，注意力机制计算层的输出是16维的向量。
7.根据权利要求6所述的一种基于注意力机制moe模型的电池soh预测方法，其特征在于：所述注意力机制计算层的计算过程为：
8.根据权利要求1所述的一种基于注意力机制moe模型的电池soh预测方法，其特征在于：所述步骤s3具体为：在keras平台实现基于注意力机制的moe模型代码并训练，训练时训练次数epochs=100，批次样本数量batch_size=32，模型训练的优化器optimizer为adam算法，损失函数为均方误差；训练数据按8:2的比例分成训练集合和测试集合，在训练集合上训练模型，在测试集合上校验模型。
