基于多尺度注意力机制的锂电池荷电状态预测方法与流程

技术特征：
1.一种基于多尺度注意力机制的锂电池荷电状态预测方法，其特征在于：所述多尺度注意力机制中各时间节点的关系构建一种多尺度层次结构神经网络模型，每个非叶子节点有c个子节点，每个节点只关注有限的若干个key，尺度间连接对原始时间序列建立了多尺度的表示，位于最小尺度的节点对应与时间序列中的原始点，而位于较大尺度的节点对应时间序列在较低分辨率上表现出来的特征。2.根据权利要求1所述的基于多尺度注意力机制的锂电池荷电状态预测方法，其特征在于：所述多尺度层次结构称为c叉树，所述多尺度层次结构模型表达式：其中表示s尺度上的第l个节点，s＝1，
…
，s依次表示最低到最高的尺度，每一个节点可以与c叉树中的三个尺度的节点连接，分别是同一个尺度上的相邻节点a，记为c个子节点c，记为c叉树中的父节点p，记为则得到节点的注意力可以简化为：因此，模型可以同时捕获不同长短时间范围的依赖关系，并且空间和时间复杂度降至o(l)，可以有效降低计算时间和内存消耗，并使模型能够处理长时间序列，而通常来说越长的历史输入能提供更多的信息，能改善预测精度。3.根据权利要求1所述的基于多尺度注意力机制的锂电池荷电状态预测方法，其特征在于：还包括一种新颖的网络结构，所述新颖的网络结构在网络输入端的观测量和与电池特性相关协变量的参数同时被模型接收，不需要使用不同的网络处理，便于模型的训练和优化。4.根据权利要求2所述的基于多尺度注意力机制的锂电池荷电状态预测方法，其特征在于：所述多尺度层次结构在网络中由大尺度连接模块实现，所述大尺度连接模块对嵌入编码的时间序列在不同尺度上进行汇聚形成多层次的树状结构，尺度层面自底向上对相应的子节点进行卷积操作，将嵌入编码序列依次在时间维度上输入多个卷积核大小和步长都为c的卷积层，得到在时间尺度s上长度为l/cs的序列，不同尺度的新序列组成了c叉树，在序列输入堆叠的卷积层之前和完成卷积之后，使用了全连接层来减少参数数量和计算量，有效避免模型过拟合。5.根据权利要求1所述的基于多尺度注意力机制的锂电池荷电状态预测方法，其特征在于，该方法包括如下步骤：s1：构建多尺度层次结构神经网络模型，并设置训练超参数；s2：将步骤s1中的多尺度层次结构模型初始化网络参数；s3：将模型数输入数据进行预处理后输入到步骤s2中完成初始化的网络模型中，神经
网络进行前向传播，进行网络前向计算；s4：将步骤s3中的网络前向计算得到的模型损失，通过神经网络反向传播后更新参数；s5：判断步骤s4中更新后的网络模型精度是否达到要求或训练是否已达到最大迭代次数；若否，则返回到步骤s3，继续训练；若是，则完成训练得到所需模型；s6：使用s5中得到的网络模型进行锂电池荷电状态预测。6.根据权利要求5所述的基于多尺度注意力机制的锂电池荷电状态预测方法，其特征在于：所述步骤s3中的神经网络进行前向传播后，网络输出值与真实值之间的误差函数为l2损失函数，即式中t表示为预测电池soc选取的序列长度；y
t
和分别表示t时刻电池soc的真实值和预测值。7.根据权利要求5所述的基于多尺度注意力机制的锂电池荷电状态预测方法，其特征在于：所述步骤s4中的每次迭代次数中，网络都会进行反向传播，使用adam优化器更新网络权重和偏置。8.根据权利要求5所述的基于多尺度注意力机制的锂电池荷电状态预测方法，其特征在于：所述步骤s3中的模型输入数据是在充电和放电过程中对电压、电流、温度的观测值进行采集，形成时间序列，而协变量选择与电池soc直接相关的特征量，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以此作为标签，以观测值和协变量作为特征构建训练样本集。

技术总结
本发明提供了一种基于多尺度注意力机制的锂电池荷电状态预测方法，所述多尺度注意力机制中各时间节点的关系构建一种多尺度层次结构神经网络模型，每个非叶子节点有C个子节点，每个节点只关注有限的若干个key，尺度间连接对原始时间序列建立了多尺度的表示，位于最小尺度的节点对应与时间序列中的原始点，而位于较大尺度的节点对应时间序列在较低分辨率上表现出来的特征，本发明的有益效果在于：多尺度注意力机制引入锂电池SOC预测模型中，在增强长时依赖性捕捉能力的同时降低了模型复杂度，能够实现高精度在线式锂电池SOC预测。能够实现高精度在线式锂电池SOC预测。能够实现高精度在线式锂电池SOC预测。


技术研发人员：ꢀ(51)Int.Cl.G06F30/27
受保护的技术使用者：深圳市新威尔电子有限公司
技术研发日：2022.04.15
技术公布日：2022/7/12