本發(fā)明涉及電池溫度預(yù)測，具體來說，特別涉及一種引入注意力機制的pso-lstm溫度預(yù)測方法。

背景技術(shù)：

1、根據(jù)儲能產(chǎn)業(yè)技術(shù)聯(lián)盟(cnesa)的不完全統(tǒng)計，截至2023年底，全球儲能累計裝機規(guī)模達到237.2gw，在新型儲能中鋰離子電池占比高達90％，占主要地位。然而，在電池運行時，溫度會受電流電壓等因素產(chǎn)生劇烈波動，使得溫度的預(yù)測變得更加困難。溫度的有效預(yù)測將有效解決電池?zé)峁芾戆踩珕栴}，提升電站中電池溫度分布均勻性有利于延長運行壽命。

2、因此，提升電池溫度預(yù)測的準確性有助于提前獲取電池運行時特性，從而合理安排電池在電網(wǎng)中充放等運行方式和應(yīng)對措施，提高電池運行時安全可靠性。然而，從幾年研究來看，雖然溫度預(yù)測模型均提升預(yù)測精度，但pso-lstm結(jié)合的算法仍有一定的改進空間。具體而言，現(xiàn)有的預(yù)測模型在篩選電池溫度影響因素、優(yōu)化模型參數(shù)以及處理非線性時間序列數(shù)據(jù)等方面仍存在不足，導(dǎo)致預(yù)測結(jié)果的準確性和穩(wěn)定性有待提升。

3、針對相關(guān)技術(shù)中的問題，目前尚未提出有效的解決方案。

技術(shù)實現(xiàn)思路

1、有鑒于此，本發(fā)明提供一種引入注意力機制的pso-lstm溫度預(yù)測方法，以解決上述提及的問題。

2、為了解決上述問題，本發(fā)明采用的具體技術(shù)方案如下：

3、一種引入注意力機制的pso-lstm溫度預(yù)測方法，包括以下步驟：

4、s?1、基于歸一化處理后的電池運行數(shù)據(jù)，通過耦合方法篩選電池溫度影響因素，并根據(jù)電池溫度影響因素構(gòu)建用于模型訓(xùn)練的輸入集；

5、s2、配置適應(yīng)度函數(shù)，并結(jié)合粒子群算法和輸入集優(yōu)化融合注意力機制的lstm模型參數(shù)，得到電池溫度預(yù)測模型；

6、s3、基于電池溫度預(yù)測模型，并根據(jù)實時獲取的電池運行數(shù)據(jù)，進行電池溫度的在線預(yù)測，得到預(yù)測結(jié)果。

7、優(yōu)選的，所述基于歸一化處理后的電池運行數(shù)據(jù)，通過耦合方法篩選電池溫度影響因素，并根據(jù)電池溫度影響因素構(gòu)建用于模型訓(xùn)練的輸入集包括以下步驟：

8、s?11、獲取電池運行數(shù)據(jù)并構(gòu)建數(shù)據(jù)矩陣，利用歸一化處理計算公式對電池運行數(shù)據(jù)進行歸一化處理；

9、s?12、對于歸一化處理后的電池運行數(shù)據(jù)中的每個數(shù)據(jù)變量，并利用互信息和皮爾遜相關(guān)系數(shù)耦合方法計算數(shù)據(jù)變量之間的相關(guān)系數(shù)，得到相關(guān)系數(shù)計算結(jié)果；

10、s13、根據(jù)相關(guān)系數(shù)計算結(jié)果篩選滿足預(yù)測閾值的電池溫度影響因素；s14、根據(jù)篩選出的電池溫度影響因素，構(gòu)建用于模型訓(xùn)練的輸入集。

11、優(yōu)選的，所述歸一化處理計算公式為：

12、

13、式中，表示歸一化處理后的電池運行數(shù)據(jù)；

14、ai表示數(shù)據(jù)矩陣中第i列原始數(shù)據(jù)；

15、ai，min表示數(shù)據(jù)矩陣中第i列原始數(shù)據(jù)中的最小值；

16、ai，max表示數(shù)據(jù)矩陣中第i列原始數(shù)據(jù)中的最大值。

17、優(yōu)選的，所述利用互信息和皮爾遜相關(guān)系數(shù)耦合方法計算數(shù)據(jù)變量之間的相關(guān)系數(shù)的計算公式為：

18、

19、式中，i(x；y)表示數(shù)據(jù)變量x與數(shù)據(jù)變量y之間的互信息相關(guān)系數(shù)；

20、p(x，y)表示數(shù)據(jù)變量x與數(shù)據(jù)變量y之間的聯(lián)合概率分布；

21、p(x)和p(y)分別表示數(shù)據(jù)變量x與數(shù)據(jù)變量y的邊緣概率分布；

22、ρx，y表示數(shù)據(jù)變量x與數(shù)據(jù)變量y之間的皮爾遜相關(guān)系數(shù)；

23、xi表示數(shù)據(jù)中第i個觀測的x變量值；

24、yi表示數(shù)據(jù)中第i個觀測的y變量值；

25、分別為表示數(shù)據(jù)變量xi和yi的平均值；

26、n表示樣本大??；

27、i表示從1到樣本數(shù)量n的整數(shù)。

28、優(yōu)選的，所述配置適應(yīng)度函數(shù)，并結(jié)合粒子群算法和輸入集優(yōu)化融合注意力機制的lstm模型參數(shù)，得到電池溫度預(yù)測模型包括以下步驟：

29、s21、基于預(yù)先構(gòu)建的lstm模型，通過集成注意力機制，得到融合注意力機制的lstm模型；

30、s22、初始化粒子群算法及配置適應(yīng)度函數(shù)，并利用粒子群算法對融合注意力機制的lstm模型進行參數(shù)優(yōu)化，得到最優(yōu)參數(shù)組合；

31、s23、將最優(yōu)參數(shù)組合導(dǎo)入融合注意力機制的lstm模型中，并利用輸入集進行訓(xùn)練，得到電池溫度預(yù)測模型。

32、優(yōu)選的，所述基于預(yù)先構(gòu)建的lstm模型，通過集成注意力機制，得到融合注意力機制的lstm模型包括以下步驟：

33、s211、構(gòu)建lstm模型的網(wǎng)絡(luò)結(jié)構(gòu)，所述lstm模型的網(wǎng)絡(luò)結(jié)構(gòu)包括遺忘門、輸入門及輸出門；

34、s212、根據(jù)注意力機制的原理構(gòu)建注意力矩陣，并通過計算query和key之間的相關(guān)性，得到注意力得分；

35、s213、對注意力得分進行softmax歸一化處理，得到注意力權(quán)重；

36、s214、將注意力權(quán)重作為lstm模型的輸入，形成加權(quán)輸入，并將加權(quán)輸入更新lstm模型的隱藏狀態(tài)，得到融合注意力機制的lstm模型。

37、優(yōu)選的，所述加權(quán)輸入的表達式為：

38、

39、式中，表示時間步數(shù)z的加權(quán)輸入；

40、表示輸入序列長度；

41、αr表示注意力權(quán)重；

42、gr表示輸入序列在時間r的特征向量。

43、優(yōu)選的，所述初始化粒子群算法及配置適應(yīng)度函數(shù)，并利用粒子群算法對融合注意力機制的lstm模型進行參數(shù)優(yōu)化，得到最優(yōu)參數(shù)組合包括以下步驟：

44、s221、初始化融合注意力機制的lstm模型的模型參數(shù)，利用輸入集對融合注意力機制的lstm模型進行初步訓(xùn)練，并通過前向傳播計算融合注意力機制的lstm模型的損失函數(shù)；

45、s222、將融合注意力機制的lstm模型的損失函數(shù)作為適應(yīng)度函數(shù)；

46、s223、隨機初始化粒子群，并基于粒子群算法更新粒子的速度和位置；

47、s224、對每個粒子更新后的位置，將其作為融合注意力機制的lstm模型的新參數(shù)組合，并重新計算適應(yīng)度函數(shù)；

48、s225、重復(fù)執(zhí)行步驟s223-s224，直至達到預(yù)設(shè)的迭代次數(shù)，并根據(jù)適應(yīng)度函數(shù)的計算結(jié)果，選取全局最優(yōu)位置作為融合注意力機制的lstm模型的最優(yōu)參數(shù)組合。

49、優(yōu)選的，所述隨機初始化粒子群，并基于粒子群算法更新粒子的速度和位置包括以下步驟：

50、s2231、隨機生成粒子位置和速度，每個粒子表示融合注意力機制的lstm模型的參數(shù)，包括權(quán)重和偏置；

51、s2232、根據(jù)線性遞減慣性權(quán)重的策略，設(shè)定慣性權(quán)重的最大值和最小值；

52、s2233、將每個粒子表示的參數(shù)組帶入融合注意力機制的lstm模型中，通過前向傳播計算模型的輸出，并與真實值進行比較，得到損失函數(shù)值作為粒子的適應(yīng)度值；

53、s2234、根據(jù)當(dāng)前的迭代次數(shù)，利用線性遞減慣性權(quán)重計算公式計算慣性權(quán)重，根據(jù)慣性權(quán)重和粒子群速度更新公式，計算并更新每個粒子的速度和位置。

54、優(yōu)選的，所述線性遞減慣性權(quán)重計算公式為：

55、ω＝ωmax-(ωmax-ωmin)*b/b；

56、式中，ω表示慣性權(quán)重；

57、ωmax和ωmin分別表示慣性權(quán)重的最大值和最小值；

58、b表示當(dāng)前迭代次數(shù)；

59、b表示總迭代次數(shù)。

60、本發(fā)明的有益效果為：

61、1、本發(fā)明采用互信息和皮爾遜相關(guān)系數(shù)耦合方法對影響電池溫度的因素進行篩選，從而確立預(yù)測模型的輸入特征向量；大大提升了電池溫度預(yù)測的精度，然后提出了一種引入注意力機制算法粒子群算法優(yōu)化的lstm模型，使用粒子群算法優(yōu)化了預(yù)測模型的參數(shù)，有效減少了模型中不必要的輸入信息，并改善了lstm模型預(yù)測結(jié)果的精度，同時引入注意力機制，以便模型能夠更加集中地關(guān)注重要的部分，使得電池溫度預(yù)測模型具有更高的準確性和穩(wěn)定性。

62、2、本發(fā)明利用粒子群算法能有效進行全局搜索，有助于找到lstm中最優(yōu)參數(shù)配置，能夠處理非線性時間序列數(shù)據(jù)。