一种基于改进Transformer和自适应迁移学习的动力电池低温SOC估计方法技术

本发明专利技术提出一种基于改进Transformer和自适应迁移学习的动力电池低温SOC估计方法，主要涉及深度学习，动力电池SOC估计领域。主要步骤包含：导入低温环境下动力电池冲放电数据，对数据进行预处理，并根据汽车驾驶方式确定源域和目标域；设计多层残差注意力机制和模式动态分解方法，并结合双向长短期记忆网络，完成改进的Transformer(Enformer)模型的设计；设计自适应迁移学习训练框架，学习有价值的迁移特征实现知识的正向迁移；对低温环境下目标驾驶方式的动力电池进行测试，进行SOC估计。本发明专利技术针对目标驾驶方式的数据量有限，以及传统模型忽略低温等隐含信息的问题，设计Enformer提高模型的特征表示能力，并对传统迁移学习方法进行优化，实现准确的低温SOC估计。

【技术实现步骤摘要】

本专利技术涉及动力电池soc估计，深度学习，具体涉及到一种基于改进transformer和自适应迁移学习的动力电池低温soc估计方法。

技术介绍

1、环境污染和全球能源危机加速了传统能源向清洁能源的转变。特别是在汽车行业，迫切需要借助动力电池取代传统的化石燃料。由于锂离子电池具有高能量转换效率和寿命长的特点，而在电动汽车供能中发挥着重要作用。电池过热或异常电压通常与不准确的充电状态(soc)估计相关。准确的soc估计可提供潜在安全问题的早期警告，从而有助于主动维护。然而，soc无法直接测量。

2、传统soc估计方法主要有开路电压法、电化学模型法、基于等效电路模型的方法。然而，这些方法由于其对电化学反应机制、电池材料特性和驱动条件的依赖，存在较大估计误差。同时它们还需要对领域知识有深入的了解，这导致了高昂的成本。高斯过程回归和随机森林回归等机器学习的方法可以学习电池测量序列和soc之间的复杂关系，有效地克服了这些问题。然而，传统的机器学习方法由于特征提取的局限性，不能完全捕捉到复杂的潜在信息。

3、深度学习方法可以有效地捕获复杂非线性本文档来自技高网...

【技术保护点】

1.一种基于改进Transformer和自适应迁移学习的动力电池低温SOC估计方法，其特征在于，具体步骤如下：

2.根据权利要求1所述的一种基于改进Transformer和自适应迁移学习的动力电池低温SOC估计方法，其特征在于，步骤S1中所述导入低温环境下动力电池冲放电数据，对数据进行预处理，并根据汽车驾驶方式确定源域和目标域，包括以下步骤：

3.根据权利要求1所述的一种基于改进Transformer和自适应迁移学习的动力电池低温SOC估计方法，其特征在于，步骤S2中所述设计改进的Transformer(Enformer)模型，主要包含多层残差注意力机制、模式动态...

【技术特征摘要】

1.一种基于改进transformer和自适应迁移学习的动力电池低温soc估计方法，其特征在于，具体步骤如下：

2.根据权利要求1所述的一种基于改进transformer和自适应迁移学习的动力电池低温soc估计方法，其特征在于，步骤s1中所述导入低温环境下动力电池冲放电数据，对数据进行预处理，并根据汽车驾驶方式确定源域和目标域，包括以下步骤：

3.根据权利要求1所述的一种基于改进transformer和自适应迁移学习的动力电池低温soc估...

【专利技术属性】
技术研发人员：陈炳阳，王驰，楚永贺，严文彩，
申请(专利权)人：河南工业大学，
类型：发明
国别省市：