本申請涉及soc估計，具體而言，涉及一種基于機(jī)器學(xué)習(xí)的soc估計方法、裝置、設(shè)備及介質(zhì)。

背景技術(shù)：

1、soc(state?of?charge)估計是對電池剩余電量狀態(tài)的估算。它以百分比的形式來表示電池當(dāng)前所剩余的電荷量與電池完全充滿時電荷量的比值，對于電池的有效使用和管理非常重要。傳統(tǒng)的基于物理模型的方法存在的問題如下：

2、電流積分法，該方法根據(jù)soc的初始值和固定時間間隔內(nèi)電流積分的差值來計算當(dāng)前的soc。優(yōu)點是可以在線使用，并且預(yù)測精度不受電池充放電狀態(tài)的影響。然而，其缺點是soc的初始值難以確定，而且電流傳感器精度不足可能會導(dǎo)致累積誤差；

3、開路電壓法，該方法根據(jù)ocv-soc曲線，得出soc與鋰電池開路電壓的映射關(guān)系。優(yōu)點是原理簡單，無需設(shè)計復(fù)雜的算法，易于實現(xiàn)。但缺點是無法在線使用，需要停機(jī)一段時間進(jìn)行電壓測量與soc的預(yù)測，且預(yù)測精度有限；

4、交流激勵阻抗法，該方法是根據(jù)不同荷電狀態(tài)下鋰電池的交流阻抗存在差異，通過研究eis與soc的關(guān)系來提供soc的預(yù)測依據(jù)。優(yōu)點是不需要設(shè)計復(fù)雜的算法，易于實現(xiàn)，適用于不同類型的鋰電池。但缺點是無法在線使用，預(yù)測精度有限，一般用于離線狀態(tài)下soc的校準(zhǔn)。

技術(shù)實現(xiàn)思路

1、有鑒于此，本申請的目的在于提供一種基于機(jī)器學(xué)習(xí)的soc估計方法、裝置、設(shè)備及介質(zhì)，基于注意力機(jī)制和cnn-lstm融合模型實現(xiàn)soc的在線精準(zhǔn)預(yù)測。

2、第一方面，本申請?zhí)峁┑囊环N基于機(jī)器學(xué)習(xí)的soc估計方法，所述方法包括以下步驟：

3、獲取經(jīng)過預(yù)處理后的放電數(shù)據(jù)樣本集；所述經(jīng)過預(yù)處理后的放電數(shù)據(jù)樣本集包括鋰電池在不同時刻的電流和電壓；

4、構(gòu)建基于注意力機(jī)制和cnn-lstm融合模型框架，利用所述經(jīng)過預(yù)處理后的放電數(shù)據(jù)樣本集對所述基于注意力機(jī)制和cnn-lstm融合模型進(jìn)行訓(xùn)練，獲得訓(xùn)練好的基于注意力機(jī)制和cnn-lstm融合模型；

5、獲取經(jīng)過預(yù)處理后的待識別放電數(shù)據(jù)，并將所述待識別放電數(shù)據(jù)輸入所述基于注意力機(jī)制和cnn-lstm融合模型中，獲得所述待識別放電數(shù)據(jù)對應(yīng)的soc預(yù)測值。

6、在一種可能的實施方式中，所述預(yù)處理包括數(shù)據(jù)清洗和歸一化處理。

7、在一種可能的實施方式中，所述用所述經(jīng)過預(yù)處理后的放電數(shù)據(jù)樣本集對所述基于注意力機(jī)制和cnn-lstm融合模型進(jìn)行訓(xùn)練，獲得訓(xùn)練好的基于注意力機(jī)制和cnn-lstm融合模型，包括以下步驟：

8、按照預(yù)設(shè)比例將所述經(jīng)過預(yù)處理后的放電數(shù)據(jù)樣本集劃分為放電數(shù)據(jù)樣本訓(xùn)練集和放電數(shù)據(jù)樣本驗證集；

9、基于所述放電數(shù)據(jù)樣本訓(xùn)練集對所述基于注意力機(jī)制和cnn-lstm融合模型框架進(jìn)行訓(xùn)練，獲得初始基于注意力機(jī)制和cnn-lstm融合模型；

10、將所述放電數(shù)據(jù)樣本驗證集中的放電數(shù)據(jù)輸入所述初始基于注意力機(jī)制和cnn-lstm融合模型中，獲得soc預(yù)測結(jié)果，并且將所述soc預(yù)測結(jié)果與標(biāo)注的soc實際結(jié)果進(jìn)行對比，根據(jù)對比結(jié)果對所述初始基于注意力機(jī)制和cnn-lstm融合模型進(jìn)行預(yù)測精度驗證；

11、若所述初始基于注意力機(jī)制和cnn-lstm融合模型的預(yù)測精度滿足預(yù)設(shè)要求時，將所述初始基于注意力機(jī)制和cnn-lstm融合模型作為訓(xùn)練好的基于注意力機(jī)制和cnn-lstm融合模型。

12、在一種可能的實施方式中，將所述放電數(shù)據(jù)樣本驗證集中的放電數(shù)據(jù)輸入所述初始基于注意力機(jī)制和cnn-lstm融合模型中獲得的soc預(yù)測結(jié)果，以及標(biāo)注的soc實際結(jié)果分別繪制為soc預(yù)測曲線和實際soc曲線，通過對所述soc預(yù)測曲線與所述實際soc曲線的對比，獲取所述初始基于注意力機(jī)制和cnn-lstm融合模型的預(yù)測精度。

13、在一種可能的實施方式中，所述基于注意力機(jī)制和cnn-lstm融合模型框架包括依次設(shè)置的：

14、一維卷積神經(jīng)網(wǎng)絡(luò)層，用于對輸入的放電數(shù)據(jù)按照時間序列進(jìn)行特征提取，得到特征向量；

15、lstm神經(jīng)網(wǎng)絡(luò)層，用于學(xué)習(xí)soc與所述特征向量之間的非線性映射關(guān)系，并捕捉soc序列的長期依賴性，輸出隱藏狀態(tài)；

16、注意力機(jī)制層，用于對歷史放電數(shù)據(jù)賦予不同的權(quán)重；

17、輸出層，用于輸出soc預(yù)測值。

18、在一種可能的實施方式中，所述一維卷積神經(jīng)網(wǎng)絡(luò)層通過卷積核的滑動窗口操作，對輸入的放電數(shù)據(jù)按照時間序列進(jìn)行特征提取。

19、在一種可能的實施方式中，所述注意力機(jī)制層通過如下方式對歷史放電數(shù)據(jù)賦予不同的權(quán)重，包括以下步驟：

20、利用一個打分函數(shù)，得到每個時刻的放電數(shù)據(jù)對當(dāng)前soc的影響程度的相關(guān)性分?jǐn)?shù)；

21、利用softmax函數(shù)對所述相關(guān)性分?jǐn)?shù)進(jìn)行歸一化處理，得到每個時刻的放電數(shù)據(jù)的注意力權(quán)重，并且利用所述注意力權(quán)重對所述lstm神經(jīng)網(wǎng)絡(luò)層的隱藏狀態(tài)進(jìn)行加權(quán)聚合。

22、第二方面，本申請?zhí)峁┑囊环N基于機(jī)器學(xué)習(xí)的soc估計裝置，所述裝置包括：

23、獲取模塊，用于獲取經(jīng)過預(yù)處理后的放電數(shù)據(jù)樣本集；所述經(jīng)過預(yù)處理后的放電數(shù)據(jù)樣本集包括鋰電池在不同時刻的電流和電壓；

24、構(gòu)建模塊，用于構(gòu)建基于注意力機(jī)制和cnn-lstm融合模型框架，利用所述經(jīng)過預(yù)處理后的放電數(shù)據(jù)樣本集對所述基于注意力機(jī)制和cnn-lstm融合模型進(jìn)行訓(xùn)練，獲得訓(xùn)練好的基于注意力機(jī)制和cnn-lstm融合模型；

25、預(yù)測模塊，用于獲取經(jīng)過預(yù)處理后的待識別放電數(shù)據(jù)，并將所述待識別放電數(shù)據(jù)輸入所述基于注意力機(jī)制和cnn-lstm融合模型中，獲得所述待識別放電數(shù)據(jù)對應(yīng)的soc預(yù)測值。

26、第三方面，本申請?zhí)峁┑囊环N電子設(shè)備，包括：處理器、存儲器和總線，所述存儲器存儲有所述處理器可執(zhí)行的機(jī)器可讀指令，當(dāng)電子設(shè)備運行時，所述處理器與所述存儲器之間通過總線通信，所述機(jī)器可讀指令被所述處理器執(zhí)行時執(zhí)行如第一方面所述的基于機(jī)器學(xué)習(xí)的soc估計方法的步驟。

27、第四方面，本申請?zhí)峁┑囊环N計算機(jī)可讀存儲介質(zhì)，該計算機(jī)可讀存儲介質(zhì)上存儲計算機(jī)程序，該計算機(jī)程序被處理器運行時執(zhí)行如第一方面所述的基于機(jī)器學(xué)習(xí)的soc估計方法的步驟。

28、本實施例提供的一種基于機(jī)器學(xué)習(xí)的soc估計方法、裝置、設(shè)備及介質(zhì)，獲取經(jīng)過預(yù)處理后的放電數(shù)據(jù)樣本集；構(gòu)建基于注意力機(jī)制和cnn-lstm融合模型框架，利用所述經(jīng)過預(yù)處理后的放電數(shù)據(jù)樣本集對所述基于注意力機(jī)制和cnn-lstm融合模型進(jìn)行訓(xùn)練，獲得訓(xùn)練好的基于注意力機(jī)制和cnn-lstm融合模型；獲取經(jīng)過預(yù)處理后的待識別放電數(shù)據(jù)，并將所述待識別放電數(shù)據(jù)輸入所述基于注意力機(jī)制和cnn-lstm融合模型中，獲得所述待識別放電數(shù)據(jù)對應(yīng)的soc預(yù)測值。從而將一維卷積神經(jīng)網(wǎng)絡(luò)、lstm神經(jīng)網(wǎng)絡(luò)和注意力機(jī)制結(jié)合在一起，充分利用各部分的趨勢，提高了對soc預(yù)測的準(zhǔn)確性和穩(wěn)定性。

技術(shù)特征：

1.一種基于機(jī)器學(xué)習(xí)的soc估計方法，其特征在于，所述方法包括以下步驟：

2.根據(jù)權(quán)利要求1所述一種基于機(jī)器學(xué)習(xí)的soc估計方法，其特征在于，所述預(yù)處理包括數(shù)據(jù)清洗和歸一化處理。

3.根據(jù)權(quán)利要求2所述一種基于機(jī)器學(xué)習(xí)的soc估計方法，其特征在于，所述用所述經(jīng)過預(yù)處理后的放電數(shù)據(jù)樣本集對所述基于注意力機(jī)制和cnn-lstm融合模型進(jìn)行訓(xùn)練，獲得訓(xùn)練好的基于注意力機(jī)制和cnn-lstm融合模型，包括以下步驟：

4.根據(jù)權(quán)利要求3所述一種基于機(jī)器學(xué)習(xí)的soc估計方法，其特征在于，其中，將所述放電數(shù)據(jù)樣本驗證集中的放電數(shù)據(jù)輸入所述初始基于注意力機(jī)制和cnn-lstm融合模型中獲得的soc預(yù)測結(jié)果，以及標(biāo)注的soc實際結(jié)果分別繪制為soc預(yù)測曲線和實際soc曲線，通過對所述soc預(yù)測曲線與所述實際soc曲線的對比，獲取所述初始基于注意力機(jī)制和cnn-lstm融合模型的預(yù)測精度。

5.根據(jù)權(quán)利要求4所述一種基于機(jī)器學(xué)習(xí)的soc估計方法，其特征在于，所述基于注意力機(jī)制和cnn-lstm融合模型框架包括依次設(shè)置的：

6.根據(jù)權(quán)利要求5所述一種基于機(jī)器學(xué)習(xí)的soc估計方法，其特征在于，其中，所述一維卷積神經(jīng)網(wǎng)絡(luò)層通過卷積核的滑動窗口操作，對輸入的放電數(shù)據(jù)按照時間序列進(jìn)行特征提取。

7.根據(jù)權(quán)利要求6所述一種基于機(jī)器學(xué)習(xí)的soc估計方法，其特征在于，所述注意力機(jī)制層通過如下方式對歷史放電數(shù)據(jù)賦予不同的權(quán)重，包括以下步驟：

8.一種基于機(jī)器學(xué)習(xí)的soc估計裝置，其特征在于，所述裝置包括：

9.一種電子設(shè)備，其特征在于，包括：處理器、存儲器和總線，所述存儲器存儲有所述處理器可執(zhí)行的機(jī)器可讀指令，當(dāng)電子設(shè)備運行時，所述處理器與所述存儲器之間通過總線通信，所述機(jī)器可讀指令被所述處理器執(zhí)行時執(zhí)行如權(quán)利要求1至7任一所述的基于機(jī)器學(xué)習(xí)的soc估計方法的步驟。

10.一種計算機(jī)可讀存儲介質(zhì)，其特征在于，該計算機(jī)可讀存儲介質(zhì)上存儲計算機(jī)程序，該計算機(jī)程序被處理器運行時執(zhí)行如權(quán)利要求1-7任一所述的基于機(jī)器學(xué)習(xí)的soc估計方法的步驟。

技術(shù)總結(jié)
本申請?zhí)峁┝艘环N基于機(jī)器學(xué)習(xí)的SOC估計方法、裝置、設(shè)備及介質(zhì)，屬于SOC估計技術(shù)領(lǐng)域，獲取經(jīng)過預(yù)處理后的放電數(shù)據(jù)樣本集；構(gòu)建基于注意力機(jī)制和CNN?LSTM融合模型框架，利用所述經(jīng)過預(yù)處理后的放電數(shù)據(jù)樣本集對所述基于注意力機(jī)制和CNN?LSTM融合模型進(jìn)行訓(xùn)練，獲得訓(xùn)練好的基于注意力機(jī)制和CNN?LSTM融合模型；獲取經(jīng)過預(yù)處理后的待識別放電數(shù)據(jù)，并將所述待識別放電數(shù)據(jù)輸入所述基于注意力機(jī)制和CNN?LSTM融合模型中，獲得所述待識別放電數(shù)據(jù)對應(yīng)的SOC預(yù)測值。從而將一維卷積神經(jīng)網(wǎng)絡(luò)、LSTM神經(jīng)網(wǎng)絡(luò)和注意力機(jī)制結(jié)合在一起，充分利用各部分的趨勢，提高了對SOC預(yù)測的準(zhǔn)確性和穩(wěn)定性。

技術(shù)研發(fā)人員：楊紫涵,劉軼鑫,張偉杰,劉渺然,朱明月
受保護(hù)的技術(shù)使用者：中國第一汽車股份有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/6