用于电动车SOC预测的Informer模型的优化方法技术

本发明专利技术公开了用于电动车SOC预测的Informer模型的优化方法，包括对电动车原始运行数据进行预处理、对Encoder进行优化和对Decode进行优化，对电动车原始运行数据进行预处理包括依次进行的如下步骤：a1：特征选择，a2：数据标准化和时间特征建构，a3：数据集划分与样本生成；对Encoder进行优化包括四个方面的优化，对Decode进行优化包括五个方面的优化，本发明专利技术可系统性提升模型在长时序数据处理中的建模性能与工程适应性，分别对模型的结构、数值与注意力三大核心模块进行了系统性重构，在设计上确保模块间的协同与互补效应，形成结构紧凑、训练稳定、预测高效的电动汽车SOC预测模型。

【技术实现步骤摘要】

本专利技术属于电动车soc预测，具体为用于电动车soc预测的informer模型的优化方法。

技术介绍

1、电池荷电状态（soc）作为衡量电动汽车电池剩余可用电量的关键指标，是典型的长时序数据。由于soc的变化并非仅取决于当前时刻的电压、电流和温度等瞬时观测值，而是受到历史充放电行为、温度累积效应、负载变化路径等多因素的长期耦合影响。任一时刻的soc状态都是历史电池工作状态、环境条件与负载特征在时间维度上共同演化的结果。尤其在复杂工况与多周期行驶过程中，soc与电池内部状态存在显著的滞后性与长期依赖性，必须通过长时序的建模才能实现准确预测。模型在长时序数据预测中应用广泛，但仍存在精度不足、计算开销大与训练不稳定等问题。针对电动汽车电池荷电状态（soc）预测模型，存在建模复杂度高、训练稳定性差、长序列处理效率低等问题。

技术实现思路

1、针对现有技术存在的上述问题，本专利技术的目的是提供一种用于电动车soc预测的informer模型的优化方法，可系统性提升informer模型在长时序数据处理中的建模性能与工程适本文档来自技高网...

【技术保护点】

1.用于电动车SOC预测的Informer模型的优化方法，其特征在于，包括对电动车原始运行数据进行预处理、对Encoder进行优化和对Decode进行优化，

2.根据权利要求1所述的优化方法，其特征在于：深度可分离卷积计算将传统卷积计算分解为依次进行的两个步骤：深度卷积和逐点卷积。

3.根据权利要求1所述的优化方法，其特征在于：自适应混合精度训练是使用16位浮点数来存储和计算选择的部分操作，保留32位浮点数来存储选择的关键变量。

4.根据权利要求1所述的优化方法，其特征在于：对Encoder进行优化中引入健康矩阵动态调整的参数为输入数据和/或梯度和/或...

【技术特征摘要】

1.用于电动车soc预测的informer模型的优化方法，其特征在于，包括对电动车原始运行数据进行预处理、对encoder进行优化和对decode进行优化，

2.根据权利要求1所述的优化方法，其特征在于：深度可分离卷积计算将传统卷积计算分解为依次进行的两个步骤：深度卷积和逐点卷积。

3.根据权利要求1所述的优化方法，其特征在于：自适应混合精度训练是使用16位浮点数来存储和计算选择的部分操作，保留32位浮点数来存储选择的关键变量。

4.根据权利要求1所述的优化方法，其特征在于：对encoder进行优化中引入健康矩阵动态调整的参数为输入数据和/或梯度和/或权重，调整不同参数的健康矩阵可相同或不同，调整后的参数等于调整前的参数和健康矩阵的逐元素相乘结果。

5.根据权利要求1~4任一所述的优化方法，其特征在于：对多个encoder层的输出进行合并时，定义一组可学习融合系数向量，其中，n...

【专利技术属性】
技术研发人员：黄峰，张宇，尚文卓，夏仁杰，彭游源，周文娟，刘奕星，薛卓越，
申请(专利权)人：湖南工程学院，
类型：发明
国别省市：