一种基于Informer的锂离子电池荷电状态估计方法

本发明涉及电池，尤其是一种基于informer的锂离子电池荷电状态估计方法。

背景技术：

1、近年来，随着经济发展，环境污染的日益加剧，传统的化石能源已不能满足人类生产生活的需要。为此，许多交通工具如火车，汽车等开始使用电力作为能源。电力能源可以储存在多种介质中，日常生活中应用最广泛的就是电池。电池的荷电状态(soc)估算是对电池应用研究的一个基础，电池在使用中的深度充放电，会大大减少其使用年限，精确的soc估计可以避免这种情况；剩余电量的准确显示，还能帮助汽车控制系统计算可行驶里程，驾驶者也可以更好规划行驶路线。但是，由于电池荷电状态与多种因素有关，目前仅靠单一测量电池的电压和电流等方式，难以精确确定电池的荷电状态。

2、已有的soc估计方法包括基于模型的滤波算法如扩展卡尔曼滤波、无迹卡尔曼滤波、粒子滤波等传统方法，还包括以卷积神经网络(cnn)、循环神经网络(rnn)、前馈神经网络(ffnn)、transformer为代表的深度学习方法等。传统的基于模型的方法往往有建模困难、泛化能力不足、误差较大、具有一定局限性等缺点，深度学习方法虽然能够解决传统方法上的一些问题，但是要提高深度学习方法的精度也是一大挑战，并且深度学习网络的模型训练时间较长，所需的数据集较多，需要一定的训练成本。并且在温度扩展能力上存在欠缺，且大部分上述方法在低温度下的soc估计性能不佳。

3、术语解释：

4、荷电状态：荷电状态(soc)是电池中所存储能量的相对度量，定义为特定时间点可从电芯提取的电荷量与总容量之比。

5、深度学习：源于人工神经网络的研究。通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。

6、卷积神经网络：卷积神经网络(convolutional neural networks，cnn)是一类包含卷积计算且具有深度结构的前馈神经网络(feedforward neural networks)，是深度学习(deep learning)的代表算法之一。

7、循环神经网络：循环神经网络(recurrent neural network，rnn)是一类以序列(sequence)数据为输入，在序列的演进方向进行递归(recursion)且所有节点(循环单元)按链式连接的递归神经网络(recursive neural network)

8、长短期记忆网络：长短期记忆网络(long short-term memory，lstm)是一种时间循环神经网络，是为了解决一般的循环神经网络(rnn)存在的长期依赖问题而专门设计出来的

9、卡尔曼滤波：卡尔曼滤波(kalman filtering)是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响，所以最优估计也可看作是滤波过程。

10、前馈神经网络：前馈神经网络(feed-forward neural network，ffnn)，是一种最简单的神经网络，各神经元分层排列，每个神经元只与前一层的神经元相连。接收前一层的输出，并输出给下一层，各层间没有反馈。是应用最广泛、发展最迅速的人工神经网络之一。研究从20世纪60年代开始，理论研究和实际应用达到了很高的水平。

技术实现思路

1、针对目前的soc估计方法存在的建模困难、泛化能力不足、误差较大、具有一定局限性等技术问题，本发明的目的在于提供一种基于informer的锂离子电池荷电状态估计方法，包括：

2、采集电池样本数据；所述电池样本数据用于表示锂离子电池的历史荷电状态；

3、构建informer网络模型；所述informer网络模型用于执行概率自注意力机制、蒸馏操作和动态解码；

4、使用所述informer网络模型对所述电池样本数据进行处理，获得锂离子电池的荷电状态估计值。

5、进一步地，所述采集电池样本数据，包括：

6、获取锂离子电池的电流数据、电压数据和电池表面温度数据，以所述电流数据、所述电压数据和所述电池表面温度数据组成所述电池样本数据；

7、对所述电池样本数据进行预处理；

8、对所述电池样本数据进行升维处理。

9、进一步地，所述对所述电池样本数据进行预处理，包括：

10、对所述电池样本数据进行z-score标准化。

11、进一步地，所述对所述电池样本数据进行升维处理，包括：

12、将二维的所述电池样本数据转换为三维格式；所述三维格式为为[time_step，input_size，batch_size]；其中，time_step表示时间步长，input_size表示输入特征维度，batch_size表示样本数目。

13、进一步地，所述构建informer网络模型，包括：

14、搭建第一编码层、第二编码层、第一解码层、第二解码层和全连接层；

15、所述第一编码层用于对输入至所述informer网络模型的训练数据集，依次执行概率自注意力机制和蒸馏操作；

16、所述第二编码层用于对输入至所述informer网络模型的训练数据集，依次以及所述第一编码层的输出结果，执行概率自注意力机制和蒸馏操作；

17、所述第一解码层用于对输入至所述informer网络模型的所述电池样本数据，依次执行掩码概率自注意力机制和标准自注意力机制；

18、所述第二解码层用于对所述第二编码层的输出结果以及所述第一解码层的输出结果，依次执行掩码概率自注意力机制和标准自注意力机制；

19、所述全连接层用于对所述第二解码层的输出结果进行全连接处理。

20、进一步地，所述概率自注意力机制，包括：

21、通过以下公式进行处理：

22、q＝xenc·wq

23、k＝xenc·wk

24、v＝xenc·wv

25、

26、a＝score·v

27、其中，xenc为所述训练数据集，wq、wk和wv为参数矩阵，qi为所述训练数据集中的第i个数据，p(kj|qi)表示与qi有关的偏离均匀分布，d为参数，a为所述概率自注意力机制的输出结果。

28、进一步地，所述蒸馏操作，包括：

29、依次通过卷积层和池化层对数据进行降维处理；所述降维处理将数据的长度降至原先的一半。

30、进一步地，所述掩码概率自注意力机制，包括：

31、通过以下公式进行处理：

32、

33、其中，为所述电池样本数据，表示要预测的序列，为所述掩码概率自注意力机制的输出结果。ltoken表示解码层的输入数据在时间维度上的长度，ly表示将要估计的数据在时间维度上的长度(想要估计未来多少个时刻的电池荷电状态)，dmodel表示要将两者拼接得到的数据格式转换成模型能够接收到的数据格式(图中未标明)，转换方法为将数据进行卷积处理。

34、进一步地，所述标准自注意力机制，包括：

35、对所述掩码概率自注意力机制的输出结果执行所述概率自注意力机制处理，将处理结果作为q，将所述第二编码层的输出结果作为k和v，进行注意力评分。

36、进一步地，所述基于informer的锂离子电池荷电状态估计方法，还包括：

37、使用adam优化算法实现所述informer网络模型参数的反向传播和更新；

38、定义所述informer网络模型的学习率；

39、以均方根误差rmse作为所述informer网络模型评估的标准；

40、执行多次训练迭代；每次迭代中，将所述informer网络模型的估计结果和真实值之间的均方根误差进行反向传播。，来调整所述informer网络模型的参数。

41、本发明的有益效果是：实施例中的一种基于informer的锂离子电池荷电状态估计方法，使用的informer网络模型通过减少注意力机制的点积计算，以及改进编码器—解码器架构的方式，减少了计算复杂度和空间复杂度，提升模型训练和计算的速度，并在一定程度上解决了循环神经网络存在的累计误差问题，可以取得更高的soc估计精度，在mae、rmse误差指标上显现出优越性，可以更好地解决低温度条件下估计困难，以及温度扩展能力不足的问题。