基于Informer的电池荷电状态估算及其稀疏优化方法

作     者：何滢婕 刘月峰 边浩东 郭威 张小燕 HE Ying-jie;LIU Yue-feng;BIAN Hao-dong;GUO Wei;ZHANG Xiao-yan

作者机构：内蒙古科技大学信息工程学院内蒙古包头014010 

出 版 物：《电子学报》 (Acta Electronica Sinica)

年 卷 期：2023年第51卷第1期

页      面：50-56页

核心收录：

学科分类：0710[理学-生物学] 0808[工学-电气工程] 08[工学] 081104[工学-模式识别与智能系统] 0714[理学-统计学（可授理学、经济学学位）] 0811[工学-控制科学与工程] 0701[理学-数学] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：内蒙古纪检监察大数据实验室开放课题基金(No.IMDBD20200220)。 

主　　题：荷电状态 锂离子电池 深度学习 编解码结构 自注意力机制 

摘      要：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0.285 8%和0.383 0%,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.