基于Transformer的深度学习电池荷电状态预估系统及方法技术方案

本发明专利技术涉及电池SOC在线预测技术领域，具体地说，涉及一种基于Transformer的深度学习电池荷电状态预估系统及方法。该系统包括：全连接神经网络，其用于对电池特征序列R及电池初始状态序列S进行处理并输出；Transformer神经网络，其用于对电池充放电过程序列T进行处理并输出；线性融合层，其用于对输出和输出进行拼接并加权计算以获取预测的电池SOC，；以及，输出层，其用于输出。该方法基于上述系统实现。本发明专利技术能够较佳地实现对及电池SOC的在线预测。佳地实现对及电池SOC的在线预测。佳地实现对及电池SOC的在线预测。

【技术实现步骤摘要】
基于Transformer的深度学习电池荷电状态预估系统及方法


[0001]本专利技术涉及电池SOC在线预测
，具体地说，涉及一种基于Transformer的深度学习电池荷电状态预估系统及方法。

技术介绍

[0002]锂电池具有储能密度高、使用寿命长、自放电率低、重量轻、绿色环保等优点，目前已经广泛应用于手机、笔记本电脑、电动工具、新能源汽车等多种日常生活场景。其中，荷电状态（SOC）是电池使用过程中的关键指标。精确的估计荷电状态在防止过充和过放、提高电池能量利用率、保障电池系统安全性和稳定性方面具有重要的意义，为后续优化整车能量分配提供了必要的条件。若无法准确测量电池的荷电状态，锂电池可能面临过充和过放电的状况，这都会对电池造成损伤，甚至在电池内部会出现不良的电化学反应，进而缩短电池的使用寿命。极端情况下，过充电可能会导致电池发热严重，引发热失控，导致严重的事故。另外在使用过程中，若无法准确测量电池的荷电状态，则无法预测电动汽车的剩余可行驶里程，极容易引发行驶过程中突然抛锚，导致交通事故。
[0003]电池的荷电状态（SOC）的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于Transformer的深度学习电池荷电状态预估系统，其特征在于：包括，全连接神经网络，其用于对电池特征序列R及电池初始状态序列S进行处理并输出；Transformer神经网络，其用于对电池充放电过程序列T进行处理并输出；线性融合层，其用于对输出和输出进行拼接并加权计算以获取预测的电池SOC，；以及输出层，其用于输出。2.根据权利要求1所述的基于Transformer的深度学习电池荷电状态预估系统，其特征在于：全连接神经网络具备多个全连接层，对于第l层全连接层，其公式为：其中，和分别表示第l层全连接层的权重项和偏置项，为第l层全连接层的输入，为第l层全连接层的输出并作为第l+1层全连接层的输入，为激活函数。3.根据权利要求1所述的基于Transformer的深度学习电池荷电状态预估系统，其特征在于：Transformer神经网络具有Encoder网络和Decoder网络，Encoder网络具有Encoder多头注意力机制层，Decoder网络具有Decoder多头注意力机制层。4.根据权利要求3所述的基于Transformer的深度学习电池荷电状态预估系统，其特征在于：Encoder多头注意力机制层包括多个Encoder自注意力机制层和全连接层，每个Encoder自注意力机制层均具有参数矩阵、和；对于Encoder网络中的第m个Encoder自注意力机制层，其参数矩阵分别为、和；所述第m个Encoder自注意力机制层用于获取如下矩阵：所述第m个Encoder自注意力机制层用于获取如下矩阵：所述第m个Encoder自注意力机制层用于获取如下矩阵：其中，为Encoder多头注意力机制层的输入，Encoder多头注意力机制层能够具有多个，第一个Encoder多头注意力机制层的输入即为电池充放电过程序列T，且上一个Encoder多头注意力机制层的输出作为下一个Encoder多头注意力机制层的输入；所述第m个Encoder自注意力机制层在...

【专利技术属性】
技术研发人员：肖劼，胡雄毅，余为才，
申请(专利权)人：杭州宇谷科技有限公司，
类型：发明
国别省市：