基于Transformer的深度学习电池荷电状态预估系统及方法与流程

技术特征：
1.基于transformer的深度学习电池荷电状态预估系统，其特征在于：包括，全连接神经网络，其用于对电池特征序列r及电池初始状态序列s进行处理并输出；transformer神经网络，其用于对电池充放电过程序列t进行处理并输出；线性融合层，其用于对输出和输出进行拼接并加权计算以获取预测的电池soc，；以及输出层，其用于输出。2.根据权利要求1所述的基于transformer的深度学习电池荷电状态预估系统，其特征在于：全连接神经网络具备多个全连接层，对于第l层全连接层，其公式为：其中，和分别表示第l层全连接层的权重项和偏置项，为第l层全连接层的输入，为第l层全连接层的输出并作为第l 1层全连接层的输入，为激活函数。3.根据权利要求1所述的基于transformer的深度学习电池荷电状态预估系统，其特征在于：transformer神经网络具有encoder网络和decoder网络，encoder网络具有encoder多头注意力机制层，decoder网络具有decoder多头注意力机制层。4.根据权利要求3所述的基于transformer的深度学习电池荷电状态预估系统，其特征在于：encoder多头注意力机制层包括多个encoder自注意力机制层和全连接层，每个encoder自注意力机制层均具有参数矩阵、和；对于encoder网络中的第m个encoder自注意力机制层，其参数矩阵分别为、和；所述第m个encoder自注意力机制层用于获取如下矩阵：所述第m个encoder自注意力机制层用于获取如下矩阵：所述第m个encoder自注意力机制层用于获取如下矩阵：其中，为encoder多头注意力机制层的输入，encoder多头注意力机制层能够具有多个，第一个encoder多头注意力机制层的输入即为电池充放电过程序列t，且上一个encoder多头注意力机制层的输出作为下一个encoder多头注意力机制层的输入；所述第m个encoder自注意力机制层在获取、和后，其通过如下计算获取输出矩阵：其中，为参数矩阵的维度。5.根据权利要求4所述的基于transformer的深度学习电池荷电状态预估系统，其特征在于：所述多个encoder自注意力机制层用于输出i个输出矩阵，i为所述多个自注意力机制层的总数；全连接层用于依据如下运算获取对应encoder多头注意力机制层的输出：
其中，为全连接层的参数矩阵，表示将矩阵进行拼接。6.基于transformer的深度学习电池荷电状态预估系统方法，其包括如下步骤：步骤s1、构建权利要求1
‑
5中任一所述的深度学习电池荷电状态预估系统；步骤s2、系统训练；步骤s3、在电池放电或充电过程中，采集其电池特征序列r、电池初始状态序列s及电池充放电过程序列t，并通过训练完成的深度学习电池荷电状态预估系统预测其soc并输出。7.根据权利要求6中所述的基于transformer的深度学习电池荷电状态预估系统方法，其特征在于：步骤s2包括如下步骤，步骤sa、采用高斯分布随机初始化每个网络层的超参数；步骤sb、构建训练样本集；步骤sc、构建损失函数，并通过随机梯度下降（gradient descent）不断更新网络参数使得模型的loss最小。8.根据权利要求7中所述的基于transformer的深度学习电池荷电状态预估系统方法，其特征在于：步骤sb中，在试验室条件下模拟锂电池的充电和放电过程，并依照电芯材质、生产日期、电芯数、bms型号、初始soc、初始循环次数和初始soh进行分组，同时在充电和放电过程中对电压、电流、温度和压差进行采集，并形成时间序列，同时在每次采样时均通过技术检测手段获取当前电池的真实soc；之后即可以真实soc作为标签，以其余数据作为特征地构建训练样本集。9.根据权利要求7中所述的基于transformer的深度学习电池荷电状态预估系统方法，其特征在于：步骤sc中，所构建的损失函数为l2损失函数。

技术总结
本发明涉及电池SOC在线预测技术领域，具体地说，涉及一种基于Transformer的深度学习电池荷电状态预估系统及方法。该系统包括：全连接神经网络，其用于对电池特征序列R及电池初始状态序列S进行处理并输出；Transformer神经网络，其用于对电池充放电过程序列T进行处理并输出；线性融合层，其用于对输出和输出进行拼接并加权计算以获取预测的电池SOC，；以及，输出层，其用于输出。该方法基于上述系统实现。本发明能够较佳地实现对及电池SOC的在线预测。佳地实现对及电池SOC的在线预测。佳地实现对及电池SOC的在线预测。


技术研发人员：肖劼 胡雄毅 余为才
受保护的技术使用者：杭州宇谷科技有限公司
技术研发日：2021.10.22
技术公布日：2021/11/21