CN111216568B - 一种基于门控循环单元的电动汽车能量管理装置及方法 - Google Patents

Abstract

本发明公开了一种基于门控循环单元的纯电动汽车能量管理装置及方法，该装置包括：传感采集模块、控制模块、混合储能电路模块、信号驱动模块、供电电源模块。该方法包括：步骤1：采集超级电容和锂电池的电压值和电流值；步骤2：根据电压与电流曲线，进行信号去噪与平滑；步骤3：从电压与电流曲线中提取时域、频域以及时频特征；步骤4：利用自动编码器来进行特征降维；步骤5：将降维后的特征输入到训练好的门控循环单元模型中，预测未来时刻锂电池和超级电容分别需要的功率，并依据预测功率发出功率控制信号，进行能量管理。本发明相比于现有的能量管理装置不仅电路设计简单，而且功率分配的有效性和实时性很好，节省了所需能量。

Description

一种基于门控循环单元的电动汽车能量管理装置及方法

技术领域

本发明涉及电力技术领域，尤其涉及一种基于门控循环单元的纯电动汽车能量管理装置及方法。

背景技术

随着能源短缺、空气污染以及全球变暖的加剧，电动汽车因其零排放和高能效等优点而越来越受欢迎。电动汽车成本的三分之一来自电池，因此降低电池成本具有重要意义。然而，对于现有的电池来说，同时具备长距离行驶所需的高比能量密度和在深浅充放电周期中所需的高比功率是十分困难的。超级电容器具有较高的功率密度，可以在爬坡、制动或加速期间用作功率缓冲器。因此，超级电容器-锂电池混合储能系统被部署在车辆中，以提高输出功率的可靠性。锂电池和超级电容器的组合利用了互补的特性，使锂电池的高能量密度与超级电容器的高功率密度重叠。作为电动汽车的一项关键技术，适当的能量管理可以通过利用锂电池和超级电容二者特性，提高电动汽车性能、延长锂电池寿命、提高整体能源经济性。

电动汽车现有的能量管理策略主要可以分为两类：基于规则的能量管理策略和基于优化的能量管理策略。基于规则的能量管理策略依赖于一组简单的规则来确定电动汽车的锂电池和超级电容之间的功率分配，无需先验知识。这种策略易于实现且计算效率高，但由于受到复杂内外部因素的影响，其解决方案往往远非最佳。基于优化的能量管理策略根据驾驶条件和车辆的动力学旨在优化预定义的成本函数。然而，这种策略严重依赖对未来驾驶条件的先验知识，并且实时功率分配的计算成本很高。

发明内容

本发明针对上述存在的现有问题，提出了一种基于门控循环单元的纯电动汽车能量管理装置及方法。通过对锂电池、超级电容和负载的各类能量信号进行实时跟踪，提取大量的特征并进行降维处理，输入到离线训练好的门控循环单元模型中，在线预测下一时刻的锂电池和超级电容所需分配的功率，进而控制混合储能模块中锂电池和超级电容的放电状态，用超级电容来供应或储存峰值功率或快速变化的功率，优化电荷在锂电池和超级电容之间的转移，提高供能质量。相比于之前的能量管理装置及方法，本发明提供的装置及方法不仅电路设计简单，而且能够提高能源效率，并延长锂电池的寿命，降低成本。

本发明提供的技术方案如下：

一方面，一种基于门控循环单元的纯电动汽车能量管理装置，包括：

传感采集模块，用于实时采集超级电容和锂电池的电压信号和电流信号，并传递给控制模块；

控制模块，用于对传感采集模块采集的电压信号和电流信号进行滤波处理，并提取信号特征，输入自编码器，获得降维特征；对降维特征进行标准化处理后，输入门控循环单元优化模型，获得向混合储能模块发出的控制信号；

信号驱动模块，用于将控制模块发出的控制信号转换为混合储能模块中超级电容和锂电池的均衡元件中开关的开闭驱动信号；

混合储能模块，用于根据开关开闭驱动信号，改变超级电容与锂电池之间的串并联关系；

供电电源模块：用于将外部输入电压进行电压转换，为传感采集模块、控制模块、信号驱动模块和混合储能模块供电；

其中，所述自编码器利用传感器采集的历史信号对应的信号特征进行训练获得，训练时以输入层的信号特征和输出层的信号特征之间的重构误差最小化时，确定自编码器的隐藏层神经元，并以隐藏层神经元作为自编码器输出的降维特征；

所述门控循环单元模型利用自编码器输出的降维特征和与降维特征对应的锂电池下一个时刻的功率值分别作为输入和输出数据进行训练获得，训练过程以最后一个时间步T的隐藏状态对应的输出层数据和下一时刻锂电池的功率之间的交叉熵损失最小化为目标，确定门控循环单元优化模型的权重矩阵参数，且对于每一时间步下的门控循环单元，重置门和更新门的输入均为当前时间步的降维特征与上一时间步的四维隐藏状态，输出由sigmoid函数作为激活函数进行全连接层计算得到。

通过自编码器降维后的特征在经过标准化处理后，再输入门控循环单元模型中，且采用Z-score标准化处理。

进一步地，所述门控循环单元模型包括输入层、隐藏层以及输出层，且输入层、隐藏层、输出层的神经元数量分别为8、4、1，且Dropout率为0.1，在训练时，迭代次数为100次，批量训练样本数量为64，步长为16，优化器为Adam；

在门控循环单元中，利用当前时间步t重置门的输出与上一时间步隐藏状态h_t-1做元素乘法，将结果与当前时间步的输入连结，再通过含激活函数tanh的全连接层计算出候选隐藏状态

最后，使用当前时间步的更新门z_t来对上一时间步的隐藏状态h_t-1和当前时间步的候选隐藏状态

做组合得到时间步t的隐藏状态h_t；

z_t＝σ(W_z·[h_t-1,x_t])

r_t＝σ(W_r·[h_t-1,x_t])

其中，σ(·)表示sigmoid函数，tanh(·)表示tanh激活函数，W_z、W_r、W分别表示更新门、重置门以及隐藏状态的权重矩阵。

进一步地，所述自编码器在训练时学习率是0.01，批量训练样本数量是128，迭代次数设置为100次，优化器选用Adam，隐藏层激活函数设置为Relu，输出层激活函数设置为sigmoid函数，当损失函数最小时，确定自编码器的隐藏层神经元参数，所述损失函数为输入层的信号特征和输出层的信号特征之间的重构误差的均方误差。

进一步地，所述滤波处理是对传感采集模块采集的信号进行滑动加权平均滤波处理。

进一步地，所述特征提取是对经过滤波处理子模块处理后的信号进行时域特征、频域特征以及时-频特征提取，其中，所述时域特征包括均值、均方根、峰度、偏度、峰峰值、方差、熵、波峰因数、波动因数、脉冲因数和余量因数；所述频域特征包括快速傅里叶变换后的直流分量、幅度、功率谱密度在内的频域特征；所述时-频特征为经过小波包变换后的频率子带能量比。

进一步地，所述信号驱动模块的输出信号包括：

锂电池和超级电容的均衡元件中串联开关、并联开关和短路开关的开闭驱动信号，以及锂电池和超级电容的电压采集信号。

进一步地，所述混合储能模块包括：

相互串接的锂电池和超级电容，以及其各自的均衡元件；

其中，锂电池和超级电容的均衡元件包括开关电阻与开关，且并联在锂电池和超级电容的两端。

进一步地，所述传感采集模块包括：

信号采集子模块，用于通过电压传感器采集得到锂电池和超级电容的电压信号，并通过电流传感器采集得到锂电池和超级电容的电流信号；

数据交换子模块，用于与所述控制模块进行控制信号和传感信号等数据的交换；

所述信号采集子模块与数据交换子模块相连。

进一步地，所述供电电源模块包括：

两个EMI滤波子模块，用于滤除直流电源中的高频干扰信号；

两个DC-DC转换子模块，用于将经所述EMI滤波子模块滤波后的稳定电压信号转换成稳定的15V和5V电源，其中，15V电源用于给所述传感采集模块供电，5V电源用于给所述控制模块、所述信号驱动模块和所述混合储能模块供电；

短路保护子模块，用于为所述控制装置提供短路保护；

其中，一个EMI滤波子模块连接两个DC-DC转换子模块，两个DC-DC转换子模块均与短路保护子模块相连，短路保护子模块再与另外一个EMI滤波子模块相连。

直流24V电源经过一个EMI滤波子模块进行滤波，然后分别通过两个DC-DC转换子模块转换为15V电源和5V电源，之后再经过短路保护子模块和一个EMI滤波模块，进行滤波后得到稳定的15V电源和5V电源。

另一方面，一种基于门控循环单元的纯电动汽车能量管理方法，包括：

步骤1：跟踪超级电容和锂电池的电压值和电流值，结合历史电压电流信号，分别得到各自的电压与电流曲线；

步骤2：根据电压与电流曲线，利用滑动加权递推平均滤波方法进行数据去噪和平滑；

消除随机噪声的干扰，降低数据的不准确性，并增强时序数据的平滑性；

步骤3：从电压与电流曲线中提取均值、均方根、峰度、偏度、峰峰值、方差、熵、波峰因数、波动因数、脉冲因数和余量因数作为时域特征，将经过快速傅里叶变换后的直流分量、幅度、功率谱密度作为频域特征，将经过小波包变换后频率子带能量比作为时频域特征；

步骤4：对步骤3提取的特征，利用自动编码器来进行特征降维，所述自动编码器通过最小化输入层到输出层的重构误差来构建；

利用自动编码器降维以减少特征冗余，降低计算开销；自动编码器通过最小化输入层到输出层的重构误差，自动降维得到具有代表性的高级特征，不需要大量的领域知识和人力；

步骤5：将降维后的特征输入到训练好的门控循环单元模型中，预测未来时刻锂电池和超级电容分别需要的功率，并依据预测功率发出功率控制信号；

其中，所述门控循环单元模型利用自编码器输出的降维特征和与降维特征对应的锂电池下一个时刻的功率值分别作为输入和输出数据进行训练获得，训练过程以最后一个时间步T的隐藏状态对应的输出层数据和下一时刻锂电池的功率之间的交叉熵损失最小化为目标，确定门控循环单元优化模型的权重矩阵参数，且对于每一时间步下的门控循环单元，重置门和更新门的输入均为当前时间步的降维特征与上一时间步的四维隐藏状态，输出由sigmoid函数作为激活函数进行全连接层计算得到。

门控循环单元模型能充分利用观测数据之间的时间相关性，自适应地捕获长期和短期的数据依赖性，优化预测效果。

有益效果

本发明提供的一种基于门控循环单元的纯电动汽车能量管理装置及方法，通过对锂电池和超级电容的电流和电压信号进行实时跟踪，通过提取信号特征，并利用自编码器进行特征降维，再将降维特征输入门控循环单元模型预测生成下一时刻的最优功率分配方案，进而控制混合储能模块中锂电池和超级电容的放电状态，用超级电容来供应或储存峰值功率或快速变化的功率，优化电荷在锂电池和超级电容之间的转移，提高供能质量。本发明提供的装置及方法提高了整体能效，相比于之前的能量管理不仅电路设计简单，而且能够提高能量利用率，并且实时性能很好。

附图说明

图1是本发明提供的能量管理装置的模块示意图；

图2是本发明提供的传感采集模块示意图；

图3是本发明提供的能量管理装置的供电电源模块的示意图；

图4是本发明提供的基于门控循环单元模型的能量管理方法的流程图。

具体实施方式

为了方便更好地理解本发明的内容，下面结合具体实施例和附图对本发明做进行进一步阐述。

实施例一

图1是本发明实施例一提供的一种基于门控循环单元的纯电动汽车能量管理装置的结构示意图，包括：

传感采集模块100，用于采集超级电容和锂电池的电压信号和电流信号，传递给所述控制模块进行所需功率预测；

控制模块200，用于对传感采集模块采集的电压信号和电流信号进行滤波处理，并提取信号特征，输入自编码器，获得降维特征；对降维特征进行标准化处理后，输入门控循环单元优化模型，获得向混合储能模块发出的控制信号；

信号驱动模块300，用于将所述控制模块200的控制信号转换为超级电容和锂电池的驱动信号和电压电流采集信号；

混合储能模块400，用于根据所述信号驱动模块300发送的开关开闭驱动信号，改变超级电容与锂电池的放电状态；

供电电源模块500：用于将外部直流输入电压进行滤波并转换为合适的工作电压给传感采集模块、控制模块、信号驱动模块和混合储能模块供电；

其中，所述控制模块200对混合储能模块中的锂电池进行控制时，以在满足需求功率的前提下，最小化锂电池电流和电流波动，并最小化超级电容所损失的能量为优化目标。

所述自编码器利用传感器采集的历史信号对应的信号特征进行训练获得，训练时以输入层的信号特征和输出层的信号特征之间的重构误差最小化时，确定自编码器的隐藏层神经元，并以隐藏层神经元作为自编码器输出的降维特征；

所述门控循环单元模型利用自编码器输出的降维特征和与降维特征对应的锂电池下一个时刻的功率值分别作为输入和输出数据进行训练获得，训练过程以最后一个时间步T的隐藏状态对应的输出层数据和下一时刻锂电池的功率之间的交叉熵损失最小化为目标，确定门控循环单元优化模型的权重矩阵参数，且对于每一时间步下的门控循环单元，重置门和更新门的输入均为当前时间步的降维特征与上一时间步的四维隐藏状态，输出由sigmoid函数作为激活函数进行全连接层计算得到。

通过自编码器降维后的特征在经过标准化处理后，再输入门控循环单元模型中，在本实例中采用Z-score标准化处理。

如图2所示，传感采集模块100包括信号采集子模块和数据交换子模块。信号采集子模块101通过电压传感器采集得到锂电池和超级电容的电压信号，通过电流传感器采集得到锂电池和超级电容的电流信号；数据交换子模块102用于与所述控制模块200进行控制信号和传感信号等数据的交换，所述信号采集子模块与数据交换子模块相连。

在实施例一中，所述控制模块包括滤波处理、特征提取、功率分配和输出控制等步骤。滤波处理用于结合历史电压信号，对所述传感模块获取到的实时电压信号，利用滑动加权平均滤波方法进行滤波，越靠近当前时刻的信号的权重越大，灵敏度越高，平滑度越低，非常适合于采样周期较短的实时能量管理。特征提取用于从电压电流数据中提取均值、均方根、峰度、偏度、峰峰值、方差、熵、波峰因数、波动因数、脉冲因数和余量因数等时域特征，和快速傅里叶变换后的直流分量、幅度、功率谱密度等频域特征，以及小波包变换后频率子带能量比等时频域特征。功率分配利用自动编码器进行特征维度缩减，减少计算负担，并降低特征冗余。将降维后的时序特征输入到门控循环单元中，得到下一时刻的超级电容和锂电池功率最优分配方案。输出控制用于将根据功率分配子模块生成的功率分配方案生成控制指令，发送给所述混合储能模块，以控制锂电池和超级电容的放电状态。

如图3所示，所述供电电源模块500包括两个EMI滤波子模块、两个DC-DC转换子模块和一个短路保护模块。供电电源模块500将24V电源信号利用EMI滤波子模块501进行滤波，用于滤除直流24V电源中的高频干扰信号；然后通过DC-DC子模块502转换为﹢15V和-15V电源，通过DC-DC子模块503转换为5V，之后分别经过EMI滤波模块505进行再次滤波，得到稳定的电源。其中，﹢15V和-15V用于给传感采集模块100供电，5V电源用于给控制模块200、信号驱动模块300和混合储能模块400提供稳定电源；另外还有一个短路保护子模块504，用于为所述控制装置提供短路保护。

综上所述，本发明提供了一种基于门控循环单元的纯电动汽车能量管理装置。通过对锂电池和超级电容的电压电流进行实时跟踪，得到优化的功率分配结果，进而控制锂电池和超级电容的电路中开关的通断，用超级电容来供应或储存峰值功率或快速变化的功率，提高供能质量。本发明提供的装置节省了能量，相比于之前的能量管理不仅电路设计简单，而且能够提高能量利用率，并且实时性能很好。

实施例二

图4是本发明实施例二提供的基于门控循环单元的纯电动汽车能量管理方法的流程示意图，包括：

步骤1：跟踪超级电容和锂电池的电压值和电流值，结合历史电压电流信号，分别得到各自的电压与电流曲线；

步骤2：根据电压与电流曲线，利用滑动加权递推平均滤波方法进行数据去噪和平滑；

消除随机噪声的干扰，降低数据的不准确性，并增强时序数据的平滑性；

步骤3：从电压与电流曲线中提取均值、均方根、峰度、偏度、峰峰值、方差、熵、波峰因数、波动因数、脉冲因数和余量因数作为时域特征，将经过快速傅里叶变换后的直流分量、幅度、功率谱密度作为频域特征，将经过小波包变换后频率子带能量比作为时频域特征；

步骤4：对步骤3提取的特征，利用自动编码器来进行特征降维，所述自动编码器通过最小化输入层到输出层的重构误差来构建；

利用自动编码器降维以减少特征冗余，降低计算开销；自动编码器通过最小化输入层到输出层的重构误差，自动降维得到具有代表性的高级特征，不需要大量的领域知识和人力；

步骤5：将降维后的特征输入到训练好的门控循环单元模型中，预测未来时刻锂电池和超级电容分别需要的功率，并依据预测功率发出功率控制信号；

其中，所述门控循环单元模型利用自编码器输出的降维特征和与降维特征对应的锂电池下一个时刻的功率值分别作为输入和输出数据进行训练获得，训练过程以最后一个时间步T的隐藏状态对应的输出层数据和下一时刻锂电池的功率之间的交叉熵损失最小化为目标，确定门控循环单元优化模型的权重矩阵参数，且对于每一时间步下的门控循环单元，重置门和更新门的输入均为当前时间步的降维特征与上一时间步的四维隐藏状态，输出由sigmoid函数作为激活函数进行全连接层计算得到。

关于上述方法实施例中各个步骤的具体实施细节和描述可参照上述装置实施例中各个模块的具体工作原理的相应部分的描述，此处不再赘述。

综上所述，本发明提供的基于门控循环单元的纯电动汽车能量管理方法。通过对锂电池、超级电容的各类能量信号进行实时跟踪，提取大量的特征并进行降维处理，输入离线训练好的门控循环单元模型中，在线预测下一时刻的锂电池和超级电容所需分配的功率，进而控制混合储能模块中锂电池和超级电容的放电状态。本发明相比于现有的能量管理方法不仅能够提高能源效率，延长锂电池的寿命，降低成本，而且实时性能很好。

以上所述仅为本发明的实施例而已，并不用以限制本发明，凡在本发明精神和原则之内，所作任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于门控循环单元的纯电动汽车能量管理装置，其特征在于，包括：

传感采集模块，用于实时采集超级电容和锂电池的电压信号和电流信号，并传递给控制模块；

控制模块，用于对传感采集模块采集的电压信号和电流信号进行滤波处理，并提取信号特征，输入自编码器，获得降维特征；对降维特征进行标准化处理后，输入门控循环单元优化模型，获得向混合储能模块发出的控制信号；

信号驱动模块，用于将控制模块发出的控制信号转换为混合储能模块中超级电容和锂电池的均衡元件中开关的开闭驱动信号；

混合储能模块，用于根据开关开闭驱动信号，改变超级电容与锂电池之间的串并联关系；

供电电源模块：用于将外部输入电压进行电压转换，为传感采集模块、控制模块、信号驱动模块和混合储能模块供电；

其中，所述自编码器利用传感器采集的历史信号对应的信号特征进行训练获得，训练时以输入层的信号特征和输出层的信号特征之间的重构误差最小化时，确定自编码器的隐藏层神经元，并以隐藏层神经元作为自编码器输出的降维特征；

所述门控循环单元优化模型利用自编码器输出的降维特征和与降维特征对应的锂电池下一个时刻的功率值分别作为输入和输出数据进行训练获得，训练过程以最后一个时间步T的隐藏状态对应的输出层数据和下一时刻锂电池的功率之间的交叉熵损失最小化为目标，确定门控循环单元优化模型的权重矩阵参数，且对于每一时间步下的门控循环单元，重置门和更新门的输入均为当前时间步的降维特征与上一时间步的四维隐藏状态，输出由sigmoid函数作为激活函数进行全连接层计算得到。

2.根据权利要求1所述的装置，其特征在于，所述门控循环单元优化模型包括输入层、隐藏层以及输出层，且输入层、隐藏层、输出层的神经元数量分别为8、4、1，且Dropout率为0.1，在训练时，迭代次数为100次，批量训练样本数量为64，步长为16，优化器为Adam；

在门控循环单元中，利用当前时间步t重置门的输出与上一时间步隐藏状态h_t-1做元素乘法，将结果与当前时间步的输入连结，再通过含激活函数tanh的全连接层计算出候选隐藏状态

最后，使用当前时间步的更新门z_t来对上一时间步的隐藏状态h_t-1和当前时间步的候选隐藏状态

做组合得到时间步t的隐藏状态h_t；

z_t＝σ(W_z·[h_t-1,x_t])

r_t＝σ(W_r·[h_t-1,x_t])

其中，σ(·)表示sigmoid函数，tanh(·)表示tanh激活函数，W_z、W_r、W分别表示更新门、重置门以及隐藏状态的权重矩阵。

3.根据权利要求1所述的装置，其特征在于，所述自编码器在训练时学习率是0.01，批量训练样本数量是128，迭代次数设置为100次，优化器选用Adam，隐藏层激活函数设置为Relu，输出层激活函数设置为sigmoid函数，当损失函数最小时，确定自编码器的隐藏层神经元参数，所述损失函数为输入层的信号特征和输出层的信号特征之间的重构误差的均方误差。

4.根据权利要求1所述的装置，其特征在于，所述滤波处理是对传感采集模块采集的信号进行滑动加权平均滤波处理。

5.根据权利要求1所述的装置，其特征在于，所述提取信号特征是对经过滤波处理子模块处理后的信号进行时域特征、频域特征以及时-频特征提取，其中，所述时域特征包括均值、均方根、峰度、偏度、峰峰值、方差、熵、波峰因数、波动因数、脉冲因数和余量因数；所述频域特征包括快速傅里叶变换后的直流分量、幅度、功率谱密度在内的频域特征；所述时-频特征为经过小波包变换后的频率子带能量比。

6.根据权利要求1所述的装置，其特征在于，所述信号驱动模块的输出信号包括：

锂电池和超级电容的均衡元件中串联开关、并联开关和短路开关的开闭驱动信号，以及锂电池和超级电容的电压采集信号。

7.根据权利要求1所述的装置，其特征在于，所述混合储能模块包括：

相互串接的锂电池和超级电容，以及其各自的均衡元件；

其中，锂电池和超级电容的均衡元件包括开关电阻与开关，且并联在锂电池和超级电容的两端。

8.根据权利要求1所述的装置，其特征在于，所述传感采集模块包括：

信号采集子模块，用于通过电压传感器采集得到锂电池和超级电容的电压信号，并通过电流传感器采集得到锂电池和超级电容的电流信号；

数据交换子模块，用于与所述控制模块进行控制信号和传感信号数据的交换；

所述信号采集子模块与数据交换子模块相连。

9.根据权利要求1所述的装置，其特征在于，所述供电电源模块包括：

两个EMI滤波子模块，用于滤除直流电源中的高频干扰信号；

两个DC-DC转换子模块，用于将经所述EMI滤波子模块滤波后的稳定电压信号转换成稳定的15V和5V电源，其中，15V电源用于给所述传感采集模块供电，5V电源用于给所述控制模块、所述信号驱动模块和所述混合储能模块供电；

短路保护子模块，用于为所述控制模块提供短路保护；

其中，一个EMI滤波子模块连接两个DC-DC转换子模块，两个DC-DC转换子模块均与短路保护子模块相连，短路保护子模块再与另外一个EMI滤波子模块相连。

10.一种基于门控循环单元的纯电动汽车能量管理方法，其特征在于，包括：

步骤1：跟踪超级电容和锂电池的电压值和电流值，结合历史电压电流信号，分别得到各自的电压与电流曲线；

步骤2：根据电压与电流曲线，利用滑动加权递推平均滤波方法进行数据去噪和平滑；

步骤3：从电压与电流曲线中提取均值、均方根、峰度、偏度、峰峰值、方差、熵、波峰因数、波动因数、脉冲因数和余量因数作为时域特征，将经过快速傅里叶变换后的直流分量、幅度、功率谱密度作为频域特征，将经过小波包变换后频率子带能量比作为时频域特征；

步骤4：对步骤3提取的特征，利用自动编码器来进行特征降维，所述自动编码器通过最小化输入层到输出层的重构误差来构建；

步骤5：将降维后的特征输入到训练好的门控循环单元模型中，预测未来时刻锂电池和超级电容分别需要的功率，并依据预测功率发出功率控制信号；

其中，所述门控循环单元模型利用自编码器输出的降维特征和与降维特征对应的锂电池下一个时刻的功率值分别作为输入和输出数据进行训练获得，训练过程以最后一个时间步T的隐藏状态对应的输出层数据和下一时刻锂电池的功率之间的交叉熵损失最小化为目标，确定门控循环单元优化模型的权重矩阵参数，且对于每一时间步下的门控循环单元，重置门和更新门的输入均为当前时间步的降维特征与上一时间步的四维隐藏状态，输出由sigmoid函数作为激活函数进行全连接层计算得到。

Images