【技术实现步骤摘要】
本专利技术主要涉及电池相关，具体是一种动力电池稀疏大数据的稠密化还原方法。
技术介绍
1、动力电池是电动汽车的核心组件之一，其性能对于电动汽车的动力性、经济性及安全有着举足轻重的作用。为了保障动力电池安全、高效的工作，电池管理系统应运而生，其功能主要包括数据采集、状态估计、均衡管理和信息管理等。然而，受到车载电池管理系统计算能力的限制，一些高精度的复杂算法无法应用于实车电池管理系统上。
2、为了解决此类问题，随着大数据和车联网技术的发展，云端电池管理系统的概念被提出，即将动力电池数据传输到云端，借助云端算力实现电池管理系统的诸多功能。然而由于车联网技术存在数据传输带宽能力不足的问题，无法将获取的所有数据上传，因此为了避免数据传输过程中产生数据损失，通常会降低传输频率。这也导致上传到云端的电池数据存在信息缺失问题，无法充分满足动力电池管理系统中多种算法的数据需求。
技术实现思路
1、为解决目前技术的不足，本专利技术结合现有技术，从实际应用出发，提供一种动力电池稀疏大数据的稠密化还原方法，采用带有外推器的掩码自编码器(extra mae)算法学习电池数据的时间动态特性，对稀疏数据进行还原。
2、本专利技术的技术方案如下：
3、一种动力电池稀疏大数据的稠密化还原方法，包括如下步骤：
4、s1、对电池稠密参考数据集进行归一化处理，将数据集各参数数值放缩到[0,1]，使得各参数数值处于同一数量级；
5、s2、训练过程中，将经归一化处
6、s3、extra mae模型在训练过程中根据所有补丁的损失而不断迭代，利用未被掩码的的数据还原稠密参考数据，学习所训练电池数据的时间动态特性，最终产生满足精度要求的稀疏还原数据；
7、s4、extra mae模型训练完成后，可直接将大数据监控平台获取的电池稀疏特征数据作为输入，以生成相应的稀疏还原数据。此时，不再需要掩码操作。
8、进一步，所述电池数据集包括电压数据集、温度数据集以及电流数据集中的至少一种。
9、进一步，步骤s1中，采用的归一化公式为：
10、
11、其中，xi为数据集中某参数某时刻的值，xmax表示该参数在数据集中的最大值，xmin表示该参数在数据集中的最小值。
12、进一步，extra mae模型中，编码器由门控循环单元(gru)和全连接(fc)层构成，外推器采用fc层，解码器由gru和fc层组成；
13、通过调节隐藏层单元数量和隐藏层层数不断优化模型，平衡计算量与计算速度。
14、进一步，extra mae模型的输入为包含d个特征的多元时间序列x＝[x1,x2,···,xd]∈rd×l，其中每个特征的长度为l，多元时间序列将被切片为t个规则不重叠补丁，以补丁代替时间点作为输入的最小单位；
15、第j个补丁pj∈rd×l由个连续观测值pj＝[x(j-1)l+1,x(j-1)l+2,…,xjl+1]组成，其中j＝1,2,···,t。
16、进一步，步骤s2中掩码操作的具体方法包括：
17、按照选定的掩码比例，对数据中的m个补丁进行掩码操作，其中被掩码的补丁的索引集为未被掩码补丁的索引集为n＝{1,2,…,t}m＝{k1,k2,…,kn}，其中m+n＝t；将不可见的被掩码补丁[pj1,pj2,···,pj1]表示为pm，将可见的未被掩码的补丁[pk1,pk2,···,pkn]表示为pn，被掩码的补丁pj∈rd×l中的所有元素将被整体去除，其中j∈m＝{j1,j2,···,jm}。
18、进一步，extra mae模型中，编码器仅作用于未被掩码的补丁pn∈rd×(n·l)，并将其映射到特征空间hn∈rh×(n·l)，其中h为隐空间的维度；
19、用函数e：来表示从未掩码补丁pn到其潜在表征hn的编码器：
20、hn＝e(pn)。
21、进一步，extra mae模型中，外推器根据未掩码补丁的潜在表征恢复掩码补丁的潜在表征，将外推器表示为从可见未掩码相邻表征中外推不可见掩码潜在表征的函数i：
22、
23、
24、进一步，extra mae模型中，解码器从外推的完整潜在表征中重建原始信号，将解码器表示为函数d：它将潜在表征映射为合成的时间序列
25、
26、进一步，步骤s3中，训练过程中，首先对原始时间序列x中的一些补丁进行规则掩码，然后extramae利用未被掩码的补丁pn生成重建的时间序列并计算重建时间序列在rd×l中与原始时间序列x之间的均方误差mse，模型重建序列的损失函数如下式所示：
27、
28、在不断的迭代过程中，模型将学习电压数据的时间动态特性，从而使得稀疏还原数据与稠密参考数据具有相似的时间分布，同时，模型生成数据结果中将以数据未掩码部分的真实值代替未被掩码位置的生成数据，以提高生成数据的精度。
29、模型仅在训练过程中需要进行掩码操作，模型训练完成后，可直接以大数据监控平台的稀疏特征数据作为输入，同时，模型生成数据结果中也将以稀疏数据的真实值代替对应位置的生成数据，以提高生成数据的精度，并最终生成稀疏还原数据。
30、本专利技术的有益效果：
31、本专利技术采用extra mae算法，该算法是一种可扩展的时间序列生成模型，其结构上包括编码器、外推器和解码器，编码器采用门控循环单元(gru)和全连接(fc)层构成，外推器采用fc层，解码器采用gru和fc层组成。对于不同任务，可通过调节隐藏层单元数量和隐藏层层数不断优化模型，平衡计算量与计算速度，在精确度方面，本专利技术产生的稀疏还原数据在电流、电压和温度三种电池外特性数据均具有较高的精度；在有效性方面，基于稀疏还原数据的soc估计精度高于基于稀疏数据和基于稠密参考数据的soc估计精度。本专利技术应用于云端稀疏电池特征数据处理的潜力得到证明。
本文档来自技高网...【技术保护点】
1.一种动力电池稀疏大数据的稠密化还原方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的动力电池稀疏大数据的稠密化还原方法，其特征在于，所述电池数据集包括电压数据集、温度数据集以及电流数据集中的至少一种。
3.根据权利要求1所述的动力电池稀疏大数据的稠密化还原方法，其特征在于，步骤S1中，采用的归一化公式为：
4.根据权利要求1所述的动力电池稀疏大数据的稠密化还原方法，其特征在于，ExtraMAE模型中，编码器由门控循环单元(GRU)和全连接(FC)层构成，外推器采用FC层，解码器由GRU和FC层组成；
5.根据权利要求1所述的动力电池稀疏大数据的稠密化还原方法，其特征在于，
6.根据权利要求5所述的动力电池稀疏大数据的稠密化还原方法，其特征在于，步骤S2中掩码操作的具体方法包括：
7.根据权利要求6所述的动力电池稀疏大数据的稠密化还原方法，其特征在于，ExtraMAE模型中，编码器仅作用于未被掩码的补丁PN∈Rd×(n·l)，并将其映射到特征空间HN∈Rh×(n·l)，其中h为隐空间的维度；
...【技术特征摘要】
1.一种动力电池稀疏大数据的稠密化还原方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的动力电池稀疏大数据的稠密化还原方法，其特征在于，所述电池数据集包括电压数据集、温度数据集以及电流数据集中的至少一种。
3.根据权利要求1所述的动力电池稀疏大数据的稠密化还原方法，其特征在于，步骤s1中，采用的归一化公式为：
4.根据权利要求1所述的动力电池稀疏大数据的稠密化还原方法，其特征在于，extramae模型中，编码器由门控循环单元(gru)和全连接(fc)层构成，外推器采用fc层，解码器由gru和fc层组成；
5.根据权利要求1所述的动力电池稀疏大数据的稠密化还原方法，其特征在于，
6.根据权利要求5所述的动力电池稀疏大数据的稠密化还原方法，其特征在于，步骤s2中掩码操作的具体方法包括：
7.根据权利要求6所述的动力电池稀疏大数据的稠密化还原方法，其特征在于，extramae模型中，编...
【专利技术属性】
技术研发人员：于全庆，杨永松，李壮壮，汤爱华，王春，张永志，
申请(专利权)人：哈尔滨工业大学威海，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。