一种荷电状态预测方法、装置、电子设备及存储介质制造方法及图纸

本申请提供一种荷电状态预测方法、装置、电子设备及存储介质，用于改善对蓄电池的电荷状态进行预测的精度较低的问题。该方法包括：获取蓄电池中的多个传感器信号，并对多个传感器信号进行特征提取，获得隐空间特征；从隐空间特征提取出信号重构特征和隐空间注意力特征，并对隐空间注意力特征与信号重构特征进行融合，获得重构融合特征；对信号重构特征进行处理，获得重构注意力特征，并对重构注意力特征与隐空间特征进行融合，获得隐空间融合特征；使用训练后的神经网络模型根据多种特征进行预测，获得蓄电池的电荷状态，多种特征包括：隐空间特征、信号重构特征、重构融合特征和隐空间融合特征中的任意两种或两种以上。空间融合特征中的任意两种或两种以上。空间融合特征中的任意两种或两种以上。

【技术实现步骤摘要】
一种荷电状态预测方法、装置、电子设备及存储介质


[0001]本申请涉及电池、人工智能和深度学习的
，具体而言，涉及一种荷电状态预测方法、装置、电子设备及存储介质。

技术介绍

[0002]蓄电池的荷电状态，是指电化学储能过程中储能介质中实际存在的电荷数(单位为安
·
时)占额定储能容量对应的储能介质中含有的电荷数(单位为安
·
时)的百分率；具体例如：新电池的电荷状态是100％，电池完全掉电后的电荷状态是0％，荷电状态估算可以作为铅酸蓄电池进行充放电控制以及均衡管理的重要依据。
[0003]目前，预测蓄电池的电荷状态(State Of Charge,SOC)的主要方法包括：安时法、开路电压法、内阻法和卡尔曼滤波法等等，然而，在具体的实践过程中发现，电池在工作时容易受到充放电次数、充放电效率、电解液温度、电池老化和自放电等因素影响，因此，目前的对蓄电池的电荷状态进行预测的精度较低。

技术实现思路

[0004]本申请实施例的目的在于提供一种荷电状态预测方法、装置、电子设备及存储介质，用于改本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种荷电状态预测方法，其特征在于，包括：获取蓄电池中的多个传感器信号，并对所述多个传感器信号进行特征提取，获得隐空间特征；从所述隐空间特征提取出信号重构特征和隐空间注意力特征，并对所述隐空间注意力特征与所述信号重构特征进行融合，获得重构融合特征；对所述信号重构特征进行处理，获得重构注意力特征，并对所述重构注意力特征与所述隐空间特征进行融合，获得隐空间融合特征；使用训练后的神经网络模型根据多种特征进行预测，获得所述蓄电池的电荷状态，所述多种特征包括：所述隐空间特征、所述信号重构特征、所述重构融合特征和所述隐空间融合特征中的任意两种或两种以上。2.根据权利要求1所述的方法，其特征在于，所述神经网络模型包括：编码器和解码器；所述对所述多个传感器信号进行特征提取，包括：使用所述神经网络模型中的编码器对所述多个传感器信号进行特征提取；所述从所述隐空间特征提取出信号重构特征和隐空间注意力特征，包括：使用所述神经网络模型中的解码器对所述隐空间特征进行特征还原，获得多个还原信号，并从所述多个还原信号中提取出所述信号重构特征；从所述隐空间特征提取出隐空间注意力特征。3.根据权利要求2所述的方法，其特征在于，所述神经网络模型还包括：卷积长短期记忆网络；所述从所述多个还原信号中提取出所述信号重构特征，包括：使用所述卷积长短期记忆网络分别对所述多个还原信号进行特征提取，获得多个表现形式特征，并对所述多个表现形式特征进行融合重构，获得所述信号重构特征。4.根据权利要求2所述的方法，其特征在于，所述神经网络模型还包括：第一注意力模块；所述从所述隐空间特征提取出隐空间注意力特征，包括：使用所述神经网络模型中的第一注意力模块对所述隐空间特征进行处理，获得隐空间注意力特征。5.根据权利要求1所述的方法，其特征在于，所述神经网络模型还包括：第二注意力模块；...

【专利技术属性】
技术研发人员：彭程，宋丹，邹昆，徐翔，董帅，
申请(专利权)人：电子科技大学中山学院，
类型：发明
国别省市：