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,GRU)等已被证明对使用序列数据的任务非常有效，如文本翻译和天气预测等；其中，LSTM和GRU在神经元中引入门来控制信息流，平衡了当前信息和历史信息的贡献。在神经元中，门可以产生一个在0到1之间的标量值，控制信息流的数量；然而，门产生的是一个标量值，它对输入序列的向量中每个特征元素施加相同的控制，而不是针对不同特征元素的自适应调节，这就导致网络无法意识到输入的序列数据的空间特征，影响了循环神经网络对输入信息的学习，从而限制了循环神经网络性能的进一步提升。
[0003]在对人类认知神经学的研究中发现，注意力是人类非常复杂和重要的认知功能，这种功能在人类视觉系统中尤为明显。在日常生活中，人们通过视觉手段接收大量的信息输入，在这些外部信息的“轰炸”下，人类的大脑却仍然可以有条不紊地工作，这是因为人类的大脑可以从这些输入的大量信息中选择一小部分有用的信息进行集中处理，而忽略其他无用的信息。研究发现人类视网膜的不同部位具有不同的信息处理能力，其中视网膜中心部位的信息处理能力最强；为了更合理地利用有限的视觉信息处理资源，人类首先对视觉区域的全局信息进行快速扫描，从全局信息中获取视觉区域中需要关注的目标区域，这个位置也被称为焦点区域，随后人类的视觉就会聚焦在这个焦点区域，这样一来就能够获取到更多有关焦点区域的细节信息，同时也抑制了其他区域的无用信息，这就是人类的视觉注意力机制的原理。
[0004]SOC(荷电状态)是电池管理系统监测的关键指标之一，它表示了电池剩余电量的百分比，能够指示何时应该为电池充电；因此，准确的SOC能够使BMS保护电池不受过度充电和过度放电的影响；然而，由于锂电池的SOC无法直接测量，只能通过可测量的电池参数如电压、电流、温度等来进行估算，并且受电池的非线性动力学以及温度等运行条件的影响；因此，锂离子电池SOC的精确估计仍然是一项具有挑战性的任务。
[0005]循环神经网络算法在电池SOC估计任务中展现出了较好的估计能力，但是由于循环神经网络的结构设计问题，其估计精度仍需要进一步提高。

技术实现思路

[0006]本专利技术的目的在于针对
技术介绍
中锂电池SOC预测精度低的问题，提供一种基于注意力机制增强循环神经网络算法的锂离子电池SOC估计方法，从而大大提高锂电池SOC估计精度。
[0007]为实现上述目的，本专利技术采用的技术方案为：
[0008]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：
[0009]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；
[0010]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；
[0011]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。
[0012]进一步的，所述EleAtt
‑
GRU层中单元激活的递归计算为：
[0013][0014]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
t
和z
t
分别是元素注意力门、重置门和更新门的向量，h
t
和h
′
t
分别是时间步t的隐藏状态向量和候选状态向量，h
t
‑1是上一个时间步t
‑
1的隐藏状态向量；w
xa
、w
ha
和b
a
是元素注意力门的参数，w
xz
、w
hz
和b
z
是更新门的参数，w
xr
、w
hr
和b
r
是重置门的参数，w
xh
、w
hh
和b
h
是候选状态的参数；σ是Sigmoid函数，
⊙
是逐元素乘法运算符。
[0015]基于上述技术方案，本专利技术的有益效果在于：
[0016]本专利技术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，在循环神经网络基础上引入元素注意力门，不仅能学习锂电池序列数据中的时间相关性，也能够学习序列中的空间性，并加快模型的计算收敛速度，最终显著提高锂电池SOC估计精度。
附图说明
[0017]图1为本专利技术实施例中GRU单元的结构示意图。
[0018]图2为本专利技术实施例中EleAtt
‑
GRU的结构示意图。
[0019]图3为本专利技术实施例中锂电池SOC预测EleAtt
‑
GRU网络模型的结构示意图。
[0020]图4为本专利技术实施例中4种不同神经元数量的模型在25℃下的LA92数据集上的一次测试结果，左侧从上到下依次为64、128、256、512个隐藏层神经元模型的估计结果，右侧从上到下依次为64、128、256、512个隐藏层神经元模型的估计误差。
[0021]图5为本专利技术实施例中模型在三种不同温度下的LA92数据集上的一次测试结果，左侧从上到下依次为模型在0℃、10℃和25℃下的估计结果，右侧从上到下依次为模型在0
℃、10℃和25℃下的估计误差。
具体实施方式
[0022]为了使本专利技术的目的、技术方案与有益效果更加清楚明白，以下结合附图和实施例对本专利技术作进一步详细说明；应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0023]本实施例提供一种基于本文档来自技高网...

【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：