基于注意力机制增强算法的锂离子电池SOC估计方法

技术领域

本发明属于锂离子电池技术领域，涉及机器学习人工智能技术，具体提供一种基于注意力机制增强算法的锂离子电池SOC(荷电状态)估计方法。

背景技术

循环神经网络能够解决序列数据的时间依赖性问题，不仅能够学习当前输入的信息，还能够记住之前的状态，这种结构对许多时间序列问题都有很好的效果；然而，循环神经网络对输入的序列数据中隐含的信息仍然不能够充分提取。在用于机器学习的序列数据中一般存在两种相关性信息，一种是时间相关性，即当前的序列数据与过去的序列数据之间的相关性；另一种是空间相关性，即每个序列数据中不同特征的元素之间的相关性。通过对循环神经网络的研究可以发现，基于循环结构的循环神经网络在学习序列数据的时间相关性方面非常强大，标准循环神经网络(standard Recurrent Neural Network,sRNN)、长短期记忆网络(Long Short-Term Memory,LSTM)、门控循环单元网络(Gated RecurrentUnit,GRU)等已被证明对使用序列数据的任务非常有效，如文本翻译和天气预测等；其中，LSTM和GRU在神经元中引入门来控制信息流，平衡了当前信息和历史信息的贡献。在神经元中，门可以产生一个在0到1之间的标量值，控制信息流的数量；然而，门产生的是一个标量值，它对输入序列的向量中每个特征元素施加相同的控制，而不是针对不同特征元素的自适应调节，这就导致网络无法意识到输入的序列数据的空间特征，影响了循环神经网络对输入信息的学习，从而限制了循环神经网络性能的进一步提升。

在对人类认知神经学的研究中发现，注意力是人类非常复杂和重要的认知功能，这种功能在人类视觉系统中尤为明显。在日常生活中，人们通过视觉手段接收大量的信息输入，在这些外部信息的“轰炸”下，人类的大脑却仍然可以有条不紊地工作，这是因为人类的大脑可以从这些输入的大量信息中选择一小部分有用的信息进行集中处理，而忽略其他无用的信息。研究发现人类视网膜的不同部位具有不同的信息处理能力，其中视网膜中心部位的信息处理能力最强；为了更合理地利用有限的视觉信息处理资源，人类首先对视觉区域的全局信息进行快速扫描，从全局信息中获取视觉区域中需要关注的目标区域，这个位置也被称为焦点区域，随后人类的视觉就会聚焦在这个焦点区域，这样一来就能够获取到更多有关焦点区域的细节信息，同时也抑制了其他区域的无用信息，这就是人类的视觉注意力机制的原理。

SOC(荷电状态)是电池管理系统监测的关键指标之一，它表示了电池剩余电量的百分比，能够指示何时应该为电池充电；因此，准确的SOC能够使BMS保护电池不受过度充电和过度放电的影响；然而，由于锂电池的SOC无法直接测量，只能通过可测量的电池参数如电压、电流、温度等来进行估算，并且受电池的非线性动力学以及温度等运行条件的影响；因此，锂离子电池SOC的精确估计仍然是一项具有挑战性的任务。

循环神经网络算法在电池SOC估计任务中展现出了较好的估计能力，但是由于循环神经网络的结构设计问题，其估计精度仍需要进一步提高。

发明内容

本发明的目的在于针对背景技术中锂电池SOC预测精度低的问题，提供一种基于注意力机制增强循环神经网络算法的锂离子电池SOC估计方法，从而大大提高锂电池SOC估计精度。

为实现上述目的，本发明采用的技术方案为：

一种基于注意力机制增强算法的锂离子电池SOC估计方法，其特征在于，包括以下步骤：

步骤1、建立用于锂离子电池SOC估计的EleAtt-GRU模型，并完成预训练；所述EleAtt-GRU模型由依次连接的序列输入层、EleAtt-GRU层与全连接层构成；

步骤2、采集锂离子电池的工作数据，并进行数据预处理，得到包括电压、电流、平均电压、平均电流、功率和温度的采样数据；

步骤3、将步骤2得采样数据输入至步骤1得EleAtt-GRU模型，由EleAtt-GRU模型输出锂离子电池的SOC估计。

进一步的，所述EleAtt-GRU层中单元激活的递归计算为：

其中，x

基于上述技术方案，本发明的有益效果在于：

本发明提供一种基于注意力机制增强算法的锂离子电池SOC估计方法，在循环神经网络基础上引入元素注意力门，不仅能学习锂电池序列数据中的时间相关性，也能够学习序列中的空间性，并加快模型的计算收敛速度，最终显著提高锂电池SOC估计精度。

附图说明

图1为本发明实施例中GRU单元的结构示意图。

图2为本发明实施例中EleAtt-GRU的结构示意图。

图3为本发明实施例中锂电池SOC预测EleAtt-GRU网络模型的结构示意图。

图4为本发明实施例中4种不同神经元数量的模型在25℃下的LA92数据集上的一次测试结果，左侧从上到下依次为64、128、256、512个隐藏层神经元模型的估计结果，右侧从上到下依次为64、128、256、512个隐藏层神经元模型的估计误差。

图5为本发明实施例中模型在三种不同温度下的LA92数据集上的一次测试结果，左侧从上到下依次为模型在0℃、10℃和25℃下的估计结果，右侧从上到下依次为模型在0℃、10℃和25℃下的估计误差。

具体实施方式

为了使本发明的目的、技术方案与有益效果更加清楚明白，以下结合附图和实施例对本发明作进一步详细说明；应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本实施例提供一种基于注意力机制增强循环神经网络算法的锂离子电池SOC估计方法，包括以下步骤：

步骤1、建立用于锂离子电池SOC估计的EleAtt-GRU模型，并完成预训练；所述EleAtt-GRU模型由依次连接的序列输入层、EleAtt-GRU层与全连接层构成；

步骤2、采集锂离子电池的工作数据，并进行数据预处理，得到包括电压、电流、平均电压、平均电流、功率和温度的采样数据；

步骤3、将步骤2得采样数据输入至步骤1得EleAtt-GRU模型，由EleAtt-GRU模型输出锂离子电池的SOC估计。

从工作原理上讲：

对于神经网络GRU模型，GRU具有两个门：重置门r

GRU单元结构如图1所示，对于一个GRU块，单元激活的递归计算如下：

其中，x

进一步的，在GRU单元结构的基础上加入一个元素注意力门a

在一个EleAtt-GRU块中，单元激活的递归计算如下：

其中，x

更进一步的，本发明建立用于锂离子电池SOC估计的EleAtt-GRU模型，如图3所示；该网络始于序列输入层，其中，模型的输入向量为包括电压、电流、平均电压、平均电流、功率和温度在内的信号，平均电压和平均电流是通过计算先前的16个时间步的平均值得到的；接下来是EleAtt-GRU层，用来学习对先前输入的依赖性，并对输入数据执行非线性变换，可以堆叠多个EleAtt-GRU层以深化网络；最后为一个全连接层，以进一步缩放和转换EleAtt-GRU输出，用来提高模型处理非线性数据的能力。

本实施例中使用LA92驾驶循环的数据作为测试集、其余数据作为训练集，对EleAtt-GRU模型进行训练和测试，分别进行三次训练和测试，取三次测试结果的平均值作为模型的估计结果；具体如下：

构建64、128、256、512共4种神经元数量的EleAtt-GRU网络，隐藏层的数量统一设置为1；使用25℃条件下的数据集对4种参数的模型进行训练和测试，测试结果如表1所示，其中一次测试结果如图4所示；

表1：4种不同神经元数量模型在25℃下的测试结果

从表中可以看出，当隐藏层神经元数量为64个时，模型估计结果的MAE为0.49％、RMSE为0.66％；随着隐藏层神经元数量的增加，模型估计结果的MAE和RMSE均逐渐下降，这表明估计精度在提高；当神经元数量为256个时，模型估计结果的MAE达到了0.33％、RMSE为0.47％，取得了最好的估计结果；当神经元数量增加到512个时，估计精度反而下降；根据模型的估计结果，本实施例中设置模型隐藏层神经元数量为256个。

另外，电池的实际使用环境非常复杂，可能在多种环境温度下使用，而温度对电池的动态变化有很大影响；为了评估本实施例提出的模型在不同温度下的估计性能，分别使用0℃、10℃和25℃下的数据集对所提出的EleAtt-GRU模型进行了训练和测试；如表2所示列出了模型在不同温度下的测试结果，如图5所示给出了模型在不同温度下的LA92数据集上一次估计结果；

表2：模型在不同温度下的测试结果

从以上测试结果可以看出，模型在室温条件下的估计精度非常高，即便在低温下的估算精度逐渐降低，0℃时估计结果的MAE仍然达到了0.84％、RMSE也达到了1.09％；由此可见，即便电池在低温条件下的动态变化更加复杂，使得估算SOC变得更加困难，本实施例提出的模型仍然具有高的估计精度。

将本实施例所提出的EleAtt-GRU模型与经典RNN网络、LSTM网络、GRU网络进行比较；所有模型均采用一层隐藏层、256个神经元以及其他相同参数设置，以排除额外因素的影响，如表3所示列出了所有模型的估计结果；

表3：不同模型在25℃数据集下的测试结果

从表中可以看出，基于RNN网络的模型估计结果最差，其MAE达到了0.60％、RMSE达到了0.77％，LSTM网络和GRU网络的估计结果相对较好，但仍然明显达劣于EleAtt-GRU模型，即本实施例提出EleAtt-GRU模型的估计结果最为准确；并且，本实施例所提出EleAtt-GRU模型在训练和测试阶段所用的时间也更少，这都证明了本发明所提出EleAtt-GRU模型的优越性。

综上所述，本发明所提供的基于注意力机制增强循环神经网络算法的锂离子电池SOC估计方法具有高的预测精度。

以上所述，仅为本发明的具体实施方式，本说明书中所公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换；所公开的所有特征、或所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以任何方式组合。