准确地预测锂离子电池荷电状态(state of charge,SOC)对电动汽车安全行驶和电池管理等具有重要的指导意义。为提高锂离子电池SOC预测精度,提出一种卷积神经网络CNN与Transformer模型结合的预测方法。该方法充分利用Transformer模型中多...准确地预测锂离子电池荷电状态(state of charge,SOC)对电动汽车安全行驶和电池管理等具有重要的指导意义。为提高锂离子电池SOC预测精度,提出一种卷积神经网络CNN与Transformer模型结合的预测方法。该方法充分利用Transformer模型中多头自注意力机制的优势,挖掘SOC与锂电池放电数据的复杂的映射关系以及SOC序列存在的长期依赖性,实现并行运算。同时结合CNN网络的特征提取优势,提取对当前时刻的SOC影响较大的深层放电特征。在动态工况数据集下的锂电池SOC预测实验表明,本工作预测方法在不同温度下预测的平均误差仅为0.57%,具有较高的预测精度和应用价值。展开更多
文摘准确地预测锂离子电池荷电状态(state of charge,SOC)对电动汽车安全行驶和电池管理等具有重要的指导意义。为提高锂离子电池SOC预测精度,提出一种卷积神经网络CNN与Transformer模型结合的预测方法。该方法充分利用Transformer模型中多头自注意力机制的优势,挖掘SOC与锂电池放电数据的复杂的映射关系以及SOC序列存在的长期依赖性,实现并行运算。同时结合CNN网络的特征提取优势,提取对当前时刻的SOC影响较大的深层放电特征。在动态工况数据集下的锂电池SOC预测实验表明,本工作预测方法在不同温度下预测的平均误差仅为0.57%,具有较高的预测精度和应用价值。
