基于Informer的电池荷电状态估算及其稀疏优化方法OA
State-of-Charge Estimation of Lithium-ion Battery Based on Informer and Its Sparse Optimization Method
准确估计电池荷电状态(State Of Charge,SOC)是延长电动汽车电池使用寿命,确保电动汽车行驶安全的重要基础.传统的深度学习估计方法存在并行化计算效率不高、训练时间长的问题.为此,利用基于自注意力机制的Informer模型来估计电池SOC.其降低了传统自注意力机制的时间复杂度、提高了硬件使用率、降低了训练时长,与其他深度学习方法相比估计更准确.然而Informer模型仍然存在体量大及参数冗余的问题,故提出稀疏优化方法.利用基于彩票假设的幅值迭代剪枝方法对Informer进行稀疏化处理,突出主导注意力特征,实现了在降低参数冗余的同时提升模型估计精度.在室温下,提出的稀疏化Informer模型估计电池SOC的平均绝对误差和均方根误差分别达到0.2858％和0.3830％,相比于Informer模型在平均绝对误差指标上估计精度提升了25％.并验证了其具备估计不同类型锂电池SOC的泛化能力.与循环神经网络、卷积神经网络这类传统的深度学习模型相比,本模型进行电池SOC估计时训练速度更快,估计准确性和稳定性更高.
何滢婕;刘月峰;边浩东;郭威;张小燕
内蒙古科技大学信息工程学院,内蒙古包头 014010内蒙古科技大学信息工程学院,内蒙古包头 014010内蒙古科技大学信息工程学院,内蒙古包头 014010内蒙古科技大学信息工程学院,内蒙古包头 014010内蒙古科技大学信息工程学院,内蒙古包头 014010
信息技术与安全科学
荷电状态锂离子电池深度学习编解码结构自注意力机制
《电子学报》 2023 (1)
50-56,7
内蒙古纪检监察大数据实验室开放课题基金(No.IMDBD20200220)
评论