CN116106751A - 一种基于Informer的锂离子电池荷电状态估计方法 - Google Patents
一种基于Informer的锂离子电池荷电状态估计方法 Download PDFInfo
- Publication number
- CN116106751A CN116106751A CN202310115073.4A CN202310115073A CN116106751A CN 116106751 A CN116106751 A CN 116106751A CN 202310115073 A CN202310115073 A CN 202310115073A CN 116106751 A CN116106751 A CN 116106751A
- Authority
- CN
- China
- Prior art keywords
- data
- network model
- attention mechanism
- sample data
- layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 33
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 33
- 230000007246 mechanism Effects 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000004821 distillation Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000000873 masking effect Effects 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000011946 reduction process Methods 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 abstract description 20
- 238000004364 calculation method Methods 0.000 abstract description 9
- 125000004122 cyclic group Chemical group 0.000 abstract description 5
- 238000001914 filtration Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000003860 storage Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000009827 uniform distribution Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种基于Informer的锂离子电池荷电状态估计方法，包括采集电池样本数据，构建Informer网络模型，使用Informer网络模型对所述电池样本数据进行处理，获得锂离子电池的荷电状态估计值等步骤。本发明使用的Informer网络模型通过减少注意力机制的点积计算，以及改进编码器—解码器架构的方式，减少了计算复杂度和空间复杂度，提升模型训练和计算的速度，并在一定程度上解决了循环神经网络存在的累计误差问题，可以取得更高的SOC估计精度，在MAE、RMSE误差指标上显现出优越性，可以更好地解决低温度条件下估计困难，以及温度扩展能力不足的问题。本发明广泛应用于电池技术领域。
Description
技术领域
本发明涉及电池技术领域，尤其是一种基于Informer的锂离子电池荷电状态估计方法。
背景技术
近年来，随着经济发展，环境污染的日益加剧，传统的化石能源已不能满足人类生产生活的需要。为此，许多交通工具如火车，汽车等开始使用电力作为能源。电力能源可以储存在多种介质中，日常生活中应用最广泛的就是电池。电池的荷电状态(SOC)估算是对电池应用研究的一个基础，电池在使用中的深度充放电，会大大减少其使用年限，精确的SOC估计可以避免这种情况；剩余电量的准确显示，还能帮助汽车控制系统计算可行驶里程，驾驶者也可以更好规划行驶路线。但是，由于电池荷电状态与多种因素有关，目前仅靠单一测量电池的电压和电流等方式，难以精确确定电池的荷电状态。
已有的SOC估计方法包括基于模型的滤波算法如扩展卡尔曼滤波、无迹卡尔曼滤波、粒子滤波等传统方法，还包括以卷积神经网络(CNN)、循环神经网络(RNN)、前馈神经网络(FFNN)、Transformer为代表的深度学习方法等。传统的基于模型的方法往往有建模困难、泛化能力不足、误差较大、具有一定局限性等缺点，深度学习方法虽然能够解决传统方法上的一些问题，但是要提高深度学习方法的精度也是一大挑战，并且深度学习网络的模型训练时间较长，所需的数据集较多，需要一定的训练成本。并且在温度扩展能力上存在欠缺，且大部分上述方法在低温度下的SOC估计性能不佳。
术语解释：
荷电状态：荷电状态(SOC)是电池中所存储能量的相对度量，定义为特定时间点可从电芯提取的电荷量与总容量之比。
深度学习：源于人工神经网络的研究。通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。
卷积神经网络：卷积神经网络(Convolutional Neural Networks，CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks)，是深度学习(Deep Learning)的代表算法之一。
循环神经网络：循环神经网络(Recurrent Neural Network，RNN)是一类以序列(sequence)数据为输入，在序列的演进方向进行递归(recursion)且所有节点(循环单元)按链式连接的递归神经网络(Recursive Neural Network)
长短期记忆网络：长短期记忆网络(Long Short-Term Memory，LSTM)是一种时间循环神经网络，是为了解决一般的循环神经网络(RNN)存在的长期依赖问题而专门设计出来的
卡尔曼滤波：卡尔曼滤波(Kalman filtering)是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响，所以最优估计也可看作是滤波过程。
前馈神经网络：前馈神经网络(Feed-Forward Neural Network，FFNN)，是一种最简单的神经网络，各神经元分层排列，每个神经元只与前一层的神经元相连。接收前一层的输出，并输出给下一层，各层间没有反馈。是应用最广泛、发展最迅速的人工神经网络之一。研究从20世纪60年代开始，理论研究和实际应用达到了很高的水平。
发明内容
针对目前的SOC估计方法存在的建模困难、泛化能力不足、误差较大、具有一定局限性等技术问题，本发明的目的在于提供一种基于Informer的锂离子电池荷电状态估计方法，包括：
采集电池样本数据；所述电池样本数据用于表示锂离子电池的历史荷电状态；
构建Informer网络模型；所述Informer网络模型用于执行概率自注意力机制、蒸馏操作和动态解码；
使用所述Informer网络模型对所述电池样本数据进行处理，获得锂离子电池的荷电状态估计值。
进一步地，所述采集电池样本数据，包括：
获取锂离子电池的电流数据、电压数据和电池表面温度数据，以所述电流数据、所述电压数据和所述电池表面温度数据组成所述电池样本数据；
对所述电池样本数据进行预处理；
对所述电池样本数据进行升维处理。
进一步地，所述对所述电池样本数据进行预处理，包括：
对所述电池样本数据进行Z-Score标准化。
进一步地，所述对所述电池样本数据进行升维处理，包括：
将二维的所述电池样本数据转换为三维格式；所述三维格式为为[time_step，input_size，batch_size]；其中，time_step表示时间步长，input_size表示输入特征维度，batch_size表示样本数目。
进一步地，所述构建Informer网络模型，包括：
搭建第一编码层、第二编码层、第一解码层、第二解码层和全连接层；
所述第一编码层用于对输入至所述Informer网络模型的训练数据集，依次执行概率自注意力机制和蒸馏操作；
所述第二编码层用于对输入至所述Informer网络模型的训练数据集，依次以及所述第一编码层的输出结果，执行概率自注意力机制和蒸馏操作；
所述第一解码层用于对输入至所述Informer网络模型的所述电池样本数据，依次执行掩码概率自注意力机制和标准自注意力机制；
所述第二解码层用于对所述第二编码层的输出结果以及所述第一解码层的输出结果，依次执行掩码概率自注意力机制和标准自注意力机制；
所述全连接层用于对所述第二解码层的输出结果进行全连接处理。
进一步地，所述概率自注意力机制，包括：
通过以下公式进行处理：
Q＝Xenc·WQ
K＝Xenc·WK
V＝Xenc·WV
a＝score·V
其中，Xenc为所述训练数据集，WQ、WK和WV为参数矩阵，qi为所述训练数据集中的第i个数据，p(kj|qi)表示与qi有关的偏离均匀分布，d为参数，a为所述概率自注意力机制的输出结果。
进一步地，所述蒸馏操作，包括：
依次通过卷积层和池化层对数据进行降维处理；所述降维处理将数据的长度降至原先的一半。
进一步地，所述掩码概率自注意力机制，包括：
通过以下公式进行处理：
其中，
为所述电池样本数据，
表示要预测的序列，
为所述掩码概率自注意力机制的输出结果。Ltoken表示解码层的输入数据
在时间维度上的长度，Ly表示将要估计的数据
在时间维度上的长度(想要估计未来多少个时刻的电池荷电状态)，dmodel表示要将两者拼接得到的数据格式转换成模型能够接收到的数据格式(图中未标明)，转换方法为将数据进行卷积处理。
进一步地，所述标准自注意力机制，包括：
对所述掩码概率自注意力机制的输出结果执行所述概率自注意力机制处理，将处理结果作为Q，将所述第二编码层的输出结果作为K和V，进行注意力评分。
进一步地，所述基于Informer的锂离子电池荷电状态估计方法，还包括：
使用Adam优化算法实现所述Informer网络模型参数的反向传播和更新；
定义所述Informer网络模型的学习率；
以均方根误差RMSE作为所述Informer网络模型评估的标准；
执行多次训练迭代；每次迭代中，将所述Informer网络模型的估计结果和真实值之间的均方根误差进行反向传播。，来调整所述Informer网络模型的参数。
本发明的有益效果是：实施例中的一种基于Informer的锂离子电池荷电状态估计方法，使用的Informer网络模型通过减少注意力机制的点积计算，以及改进编码器—解码器架构的方式，减少了计算复杂度和空间复杂度，提升模型训练和计算的速度，并在一定程度上解决了循环神经网络存在的累计误差问题，可以取得更高的SOC估计精度，在MAE、RMSE误差指标上显现出优越性，可以更好地解决低温度条件下估计困难，以及温度扩展能力不足的问题。
附图说明
图1为实施例中一种基于Informer的锂离子电池荷电状态估计方法的步骤示意图；
图2为实施例中一种基于Informer的锂离子电池荷电状态估计方法的流程示意图；
图3和图4为实施例中Informer网络模型的结构和原理示意图。
具体实施方式
本实施例中，使用一种基于Transformer的变体之一，即适用于长时间序列估计的Informer模型，使其能够用于锂离子电池的SOC估计，用于提升SOC估计的精度，并对模型的温度扩展能力进行改善。
参照图1，基于Informer的锂离子电池荷电状态估计方法包括以下步骤：
S1.采集电池样本数据；电池样本数据用于表示锂离子电池的历史荷电状态；
S2.构建Informer网络模型；Informer网络模型用于执行概率自注意力机制、蒸馏操作和动态解码；
S3.使用Informer网络模型对电池样本数据进行处理，获得锂离子电池的荷电状态估计值。
本实施例中，步骤S1-S3的流程如图2所示。
在执行步骤S1，也就是采集电池样本数据这一步骤时，具体可以执行以下步骤：
S101.获取锂离子电池的电流数据、电压数据和电池表面温度数据，以电流数据、电压数据和电池表面温度数据组成电池样本数据；
S102.对电池样本数据进行预处理；
S103.对电池样本数据进行升维处理。
步骤S102中，对电池样本数据P进行数据预处理，具体地，对电池样本数据P中的电流、电压、电池表面温度三个特征数据进行Z-Score标准化，其转化函数为：
其中μ是样本数据(分别为电流、电压、电池表面温度)的均值，σ是样本数据的标准差。
步骤S103中，将原本的二维特征数据格式的电池样本数据，构建成三维数据格式，用于作为网络的输入。三维数据格式为[time_step，input_size，batch_size]，time_step表示时间步长，例如使用前6个时刻的数据预测第四个时刻，那么time_step＝6。input_size表示输入特征维度，本实施例中input_size＝3，表示电流、电压、电池表面温度三个维度。batch_size表示样本数目，即放入网络中样本的数量。
本实施例中，构建的Informer网络模型的结构和原理如图3和图4所示。参照图3和图4，Informer网络模型包括第一编码层、第二编码层、第一解码层、第二解码层和全连接层。其中，第一编码层用于对输入至Informer网络模型的训练数据集，依次执行概率自注意力机制和蒸馏操作；第二编码层用于对输入至Informer网络模型的训练数据集，依次以及第一编码层的输出结果，执行概率自注意力机制和蒸馏操作；第一解码层用于对输入至Informer网络模型的电池样本数据，依次执行掩码概率自注意力机制和标准自注意力机制；第二解码层用于对第二编码层的输出结果以及第一解码层的输出结果，依次执行掩码概率自注意力机制和标准自注意力机制；全连接层用于对第二解码层的输出结果进行全连接处理。
本实施例中，对于概率自注意力机制：自注意力(Attention)机制可以从全局信息中关注重点内容，将注意力集中到关键特征上面，并且具有参数相对较少、速度快、效果好的特点。概率自注意力(ProbSaprse Self-Attention)解决注意力计算复杂的问题，减少了注意力的点积对运算。对于注意力层点积对计算得到的分数(score)，可以看作是一个概率条件概率分布矩阵:
Q＝Xenc·WQ
K＝Xenc·WK
V＝Xenc·WV
a＝score·V
一些起显著作用的Attention权重对应的p(kj|qi)偏离均匀分布。如果p(kj|qi)接近一个均匀分布
那么Self-Attention就成了对score的平均，也就是冗余的。因此，只有起显著作用的Attention权重在主导Attention的计算，只要把这部分提取出来，就能在不输性能的前提下提高网络的运算速率。
利用KL散度来表示权重偏移均匀分布的程度，KL散度越大，表示该权重偏离均匀分布的程度越大，也就是说该数据就是越需要注意的地方。KL散度的计算格式如下:
其中，M(qi,K)为计算的KL散度去掉常数值，用于表示第i个query，也即第i个样本数据的稀疏性度量。经过所有自注意力层后的数据维度都不会改变。
本实施例中，对于蒸馏操作：为了保证序列维度的一致性，经过采样的qi会进行更新，而未采样的qi会被替换为均匀分布，这样经过Prob Sparse Self-Attention的步骤，得到的Attention结果还是会产生冗余，此时需要使用蒸馏操作(Distilling)来提炼出主要特性数据，这步操作可以大大地缩短输入的时间维度。蒸馏操作的具体方法就是通过卷积层然后池化层来实现数据集减小维度，长度为X的数据集经过蒸馏后长度会变成为X/2。
本实施例中，第一解码层和第二解码层中，Informer更改了传统的解码层(Decoder)的架构，一次性生成所有的预测输出，本质上是通过增加更多的真实数据来辅助Decoder解码，从而解决了动态解码的问题。
本实施例中，第一解码层和第二解码层的输入为：
其中，
为真实有效的数据(电池样本数据)，
表示要估计的序列，需置0,Ltoken表示解码层的输入数据
在时间维度上的长度，Ly表示将要估计的数据
在时间维度上的长度(想要估计未来多少个时刻的电池荷电状态)，dmodel表示要将两者拼接得到的数据格式转换成模型能够接收到的数据格式(图中未标明)，转换方法为将数据进行卷积处理。Decoder的输入首先经过和编码层(Encoder)一样的概率自注意力步骤，然后将该输出作为Q，Encoder的输出作为K和V，再做一个Attention的评分步骤，最后将输出拼接输入进全连接层，由其直接输出估计结果。
本实施例中，在搭建Informer网络模型后，可以对Informer网络模型进行训练。具体地，使用Adam优化算法实现网络参数的反向传播和更新，定义网络的学习率为0.001。以均方根误差RMSE为模型评估的标准。每次迭代中，根据网络的预测结果和真实值之间的均方根误差，来调整网络的参数，使得经过多次训练后，网络的预测结果能够不断逼近真实值。
在完成Informer网络模型的训练之后，执行步骤S3，使用Informer网络模型对电池样本数据进行处理，获得锂离子电池的荷电状态估计值。
本实施例中，基于Informer的锂离子电池荷电状态估计方法的原理在于：所使用的Informer网络模型是Transformer的一种变体，Informer网络模型通过减少注意力机制的点积计算，以及改进编码器—解码器架构的方式，减少了计算复杂度和空间复杂度，提升模型训练和计算的速度，并在一定程度上解决了循环神经网络存在的累计误差问题。同时，相比于之前人们已经提出的机器学习方法、深度学习方法、基于模型的滤波算法等，本发明提出的用于锂离子电池SOC估计的Informer方法，可以取得更高的SOC估计精度，在MAE、RMSE误差指标上显现出优越性。同时，本发明相比于已有方法，可以更好地解决低温度条件下估计困难，以及温度扩展能力不足的问题。
具体地，Informer网络模型的结构中：
1、概率自注意力机制能够关注到影响电池荷电状态的关键特征，并且相比于普通的注意力机制，能够大大减小运算时间，提高网络的运行效率。
2、蒸馏操作能够提炼出主要特性数据，消除经过概率自注意力后的冗余数据，可以大大地缩短输入的时间维度。
3、动态解码层通过原始数据的输入辅助来实现电池荷电状态的多时刻并行估计同时能够使得预测效果不断逼近真实值，提高预测精度。
因此，Informer网络模型能够通过对电池的电流、电压、电池表面温度三个特征的分析实现电池荷电状态在未来多个时刻的精确估计
可以通过编写执行本实施例中的一种基于Informer的锂离子电池荷电状态估计方法的计算机程序，将该计算机程序写入至存储介质或者计算机装置中，当计算机程序被读取出来运行时，执行本实施例中的一种基于Informer的锂离子电池荷电状态估计方法，从而实现与实施例中的一种基于Informer的锂离子电池荷电状态估计方法相同的技术效果。
需要说明的是，如无特殊说明，当某一特征被称为“固定”、“连接”在另一个特征，它可以直接固定、连接在另一个特征上，也可以间接地固定、连接在另一个特征上。此外，本公开中所使用的上、下、左、右等描述仅仅是相对于附图中本公开各组成部分的相互位置关系来说的。在本公开中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。此外，除非另有定义，本实施例所使用的所有的技术和科学术语与本技术领域的技术人员通常理解的含义相同。本实施例说明书中所使用的术语只是为了描述具体的实施例，而不是为了限制本发明。本实施例所使用的术语“和/或”包括一个或多个相关的所列项目的任意的组合。
应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种元件，但这些元件不应限于这些术语。这些术语仅用来将同一类型的元件彼此区分开。例如，在不脱离本公开范围的情况下，第一元件也可以被称为第二元件，类似地，第二元件也可以被称为第一元件。本实施例所提供的任何以及所有实例或示例性语言(“例如”、“如”等)的使用仅意图更好地说明本发明的实施例，并且除非另外要求，否则不会对本发明的范围施加限制。
应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。
此外，可按任何合适的顺序来执行本实施例描述的过程的操作，除非本实施例另外指示或以其他方式明显地与上下文矛盾。本实施例描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本实施例所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。
计算机程序能够应用于输入数据以执行本实施例所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。
以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。在本发明的保护范围内其技术方案和/或实施方式可以有各种不同的修改和变化。
Claims (10)
1.一种基于Informer的锂离子电池荷电状态估计方法，其特征在于，所述一种基于Informer的锂离子电池荷电状态估计方法包括：
采集电池样本数据；所述电池样本数据用于表示锂离子电池的历史荷电状态；
构建Informer网络模型；所述Informer网络模型用于执行概率自注意力机制、蒸馏操作和动态解码；
使用所述Informer网络模型对所述电池样本数据进行处理，获得锂离子电池的荷电状态估计值。
2.根据权利要求1所述的一种基于Informer的锂离子电池荷电状态估计方法，其特征在于，所述采集电池样本数据，包括：
获取锂离子电池的电流数据、电压数据和电池表面的温度数据，以所述电流数据、所述电压数据和所述电池表面温度数据数据组成所述电池样本数据；
对所述电池样本数据进行预处理；
对所述电池样本数据进行升维处理。
3.根据权利要求2所述的一种基于Informer的锂离子电池荷电状态估计方法，其特征在于，所述对所述电池样本数据进行预处理，包括：
对所述电池样本数据进行Z-Score标准化。
4.根据权利要求2所述的一种基于Informer的锂离子电池荷电状态估计方法，其特征在于，所述对所述电池样本数据进行升维处理，包括：
将二维的所述电池样本数据转换为三维格式；所述三维格式为为[time_step，input_size，batch_size]；其中，time_step表示时间步长，input_size表示输入特征维度，batch_size表示样本数目。
5.根据权利要求1所述的一种基于Informer的锂离子电池荷电状态估计方法，其特征在于，所述构建Informer网络模型，包括：
搭建第一编码层、第二编码层、第一解码层、第二解码层和全连接层；
所述第一编码层用于对输入至所述Informer网络模型的训练数据集，依次执行概率自注意力机制和蒸馏操作；
所述第二编码层用于对输入至所述Informer网络模型的训练数据集，依次以及所述第一编码层的输出结果，执行概率自注意力机制和蒸馏操作；
所述第一解码层用于对输入至所述Informer网络模型的所述电池样本数据，依次执行掩码概率自注意力机制和标准自注意力机制；
所述第二解码层用于对所述第二编码层的输出结果以及所述第一解码层的输出结果，依次执行掩码概率自注意力机制和标准自注意力机制；
所述全连接层用于对所述第二解码层的输出结果进行全连接处理。
6.根据权利要求5所述的一种基于Informer的锂离子电池荷电状态估计方法，其特征在于，所述概率自注意力机制，包括：
通过以下公式进行处理：
Q＝Xenc·WQ
K＝Xenc·WK
V＝Xenc·WV
a＝score·V
其中，Xenc为所述训练数据集，WQ、WK和WV为参数矩阵，qi为所述训练数据集中的第i个数据，p(kj|qi)表示与qi有关的偏离均匀分布，d为参数，a为所述概率自注意力机制的输出结果。
7.根据权利要求5所述的一种基于Informer的锂离子电池荷电状态估计方法，其特征在于，所述蒸馏操作，包括：
依次通过卷积层和池化层对数据进行降维处理；所述降维处理将数据的长度降至原先的一半。
8.根据权利要求5所述的一种基于Informer的锂离子电池荷电状态估计方法，其特征在于，所述掩码概率自注意力机制，包括：
通过以下公式进行处理：
其中，
为所述电池样本数据，
表示要预测的序列，
为所述掩码概率自注意力机制的输出结果，Ltoken表示解码层的输入数据
在时间维度上的长度，Ly表示将要估计的数据
在时间维度上的长度，dmodel表示要将两者拼接得到的数据格式转换成模型能够接收到的数据格式，转换方法为将数据进行卷积处理。
9.根据权利要求5所述的一种基于Informer的锂离子电池荷电状态估计方法，其特征在于，所述标准自注意力机制，包括：
对所述掩码概率自注意力机制的输出结果执行所述概率自注意力机制处理，将处理结果作为Q，将所述第二编码层的输出结果作为K和V，进行注意力评分。
10.根据权利要求1-9任一项所述的一种基于Informer的锂离子电池荷电状态估计方法，其特征在于，所述基于Informer的锂离子电池荷电状态估计方法，还包括：
使用Adam优化算法实现所述Informer网络模型参数的反向传播和更新；
定义所述Informer网络模型的学习率；
以均方根误差RMSE作为所述Informer网络模型评估的标准；
执行多次训练迭代；每次迭代中，将所述Informer网络模型的估计结果和真实值之间的均方根误差进行反向传播，来调整所述Informer网络模型的参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310115073.4A CN116106751A (zh) | 2023-02-10 | 2023-02-10 | 一种基于Informer的锂离子电池荷电状态估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310115073.4A CN116106751A (zh) | 2023-02-10 | 2023-02-10 | 一种基于Informer的锂离子电池荷电状态估计方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116106751A true CN116106751A (zh) | 2023-05-12 |
Family
ID=86267044
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310115073.4A Pending CN116106751A (zh) | 2023-02-10 | 2023-02-10 | 一种基于Informer的锂离子电池荷电状态估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116106751A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118011220A (zh) * | 2024-04-08 | 2024-05-10 | 太湖能谷(杭州)科技有限公司 | 一种电池组的荷电状态估计方法、系统和介质 |
-
2023
- 2023-02-10 CN CN202310115073.4A patent/CN116106751A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118011220A (zh) * | 2024-04-08 | 2024-05-10 | 太湖能谷(杭州)科技有限公司 | 一种电池组的荷电状态估计方法、系统和介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sui et al. | A review of non-probabilistic machine learning-based state of health estimation techniques for Lithium-ion battery | |
| CN111400620B (zh) | 基于时空嵌入Self-Attention的用户轨迹位置预测方法 | |
| CN111915059B (zh) | 基于注意力机制的Seq2seq泊位占有率预测方法 | |
| CN114611792B (zh) | 一种基于混合CNN-Transformer模型的大气臭氧浓度预测方法 | |
| CN111047085B (zh) | 一种基于元学习的混合动力车辆工况预测方法 | |
| CN112434848A (zh) | 基于深度信念网络的非线性加权组合风电功率预测方法 | |
| CN113449919B (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
| CN116030537B (zh) | 基于多分支注意力图卷积的三维人体姿态估计方法 | |
| CN112966853A (zh) | 基于时空残差混合模型的城市路网短时交通流预测方法 | |
| CN115204035A (zh) | 基于多尺度时序数据融合模型的发电机组运行参数预测方法、装置及存储介质 | |
| CN113420868A (zh) | 一种基于深度强化学习的旅行商问题求解方法及求解系统 | |
| CN114580262A (zh) | 一种锂离子电池健康状态估计方法 | |
| CN116106751A (zh) | 一种基于Informer的锂离子电池荷电状态估计方法 | |
| CN116679231A (zh) | 基于格拉姆角场和VGG16模型的锂电池SoH估计方法 | |
| CN114662389B (zh) | 面向空气污染物的自相关误差Informer模型长时序预测方法及系统 | |
| Liu et al. | Hourly traffic flow forecasting using a new hybrid modelling method | |
| CN118036822A (zh) | 电氢一体化能源站的电氢负荷预测方法、装置及存储介质 | |
| CN117148197A (zh) | 一种基于集成Transformer模型的锂离子电池寿命预测方法 | |
| CN111860790A (zh) | 一种提高深度残差脉冲神经网络精度以优化图像分类的方法及其系统 | |
| CN114386666A (zh) | 一种基于时空相关性的风电场短期风速预测方法 | |
| CN117034762A (zh) | 一种基于多算法加权和的复合模型锂电池寿命预测方法 | |
| CN116699731A (zh) | 一种热带气旋路径短期预报方法、系统及存储介质 | |
| CN117150334A (zh) | 一种基于优化后的BiLSTM神经网络的锂电池多状况预测方法和装置 | |
| CN116819372A (zh) | 一种神经网络计算储能电池健康状态的方法 | |
| CN116579480A (zh) | 一种基于沙普利反馈机制的轨迹预测模型优化方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |