基于注意力机制增强算法的锂离子电池SOC估计方法技术

本发明专利技术属于锂离子电池技术领域，涉及机器学习人工智能技术，具体提供一种基于注意力机制增强算法的锂离子电池SOC估计方法，用以解决现有技术中锂电池SOC预测精度低的问题。本发明专利技术首先建立用于锂离子电池SOC(荷电状态)估计的EleAtt

【技术实现步骤摘要】
基于注意力机制增强算法的锂离子电池SOC估计方法


[0001]本专利技术属于锂离子电池
，涉及机器学习人工智能技术，具体提供一种基于注意力机制增强算法的锂离子电池SOC(荷电状态)估计方法。

技术介绍

[0002]循环神经网络能够解决序列数据的时间依赖性问题，不仅能够学习当前输入的信息，还能够记住之前的状态，这种结构对许多时间序列问题都有很好的效果；然而，循环神经网络对输入的序列数据中隐含的信息仍然不能够充分提取。在用于机器学习的序列数据中一般存在两种相关性信息，一种是时间相关性，即当前的序列数据与过去的序列数据之间的相关性；另一种是空间相关性，即每个序列数据中不同特征的元素之间的相关性。通过对循环神经网络的研究可以发现，基于循环结构的循环神经网络在学习序列数据的时间相关性方面非常强大，标准循环神经网络(standard Recurrent Neural Network,sRNN)、长短期记忆网络(Long Short
‑
Term Memory,LSTM)、门控循环单元网络(Gated Recurrent Unit,GR本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于注意力机制增强算法的锂离子电池SOC估计方法，其特征在于，包括以下步骤：步骤1、建立用于锂离子电池SOC估计的EleAtt
‑
GRU模型，并完成预训练；所述EleAtt
‑
GRU模型由依次连接的序列输入层、EleAtt
‑
GRU层与全连接层构成；步骤2、采集锂离子电池的工作数据，并进行数据预处理，得到包括电压、电流、平均电压、平均电流、功率和温度的采样数据；步骤3、将步骤2得采样数据输入至步骤1得EleAtt
‑
GRU模型，由EleAtt
‑
GRU模型输出锂离子电池的SOC估计。2.按权利要求1所述基于注意力机制增强算法的锂离子电池SOC估计方法，其特征在于，所述EleAtt
‑
GRU层中单元激活的递归计算为：其中，x
t
和分别是原始输入向量和更新后输入向量，a
t
、r

【专利技术属性】
技术研发人员：陈雪晶，彭晓丽，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：