本发明涉及电池电量监测，具体涉及一种基于改进transformer的锂离子电池soc估计方法。
背景技术：
1、动力电池为新能源汽车中最重要的部分，也为国家重点突破的技术领域。动力电池管理系统(battery management system，bms)是电动车中对动力电池进行管理和控制的技术。动力电池管理系统处理内部或外部连接的电池组，确保不同电池负载均衡，对电池单元电压、电池组电流、电池组电压和电池组温度等参数进行测量，并且使用得到的测量值来估计电池的荷电状态(soc)、健康状态(soh)、放电深度(dod)等电池运行过程中的重要信息，然后将各结果输出到电动汽车整车控制器(vehicle control unit，vcu)，为电车的能量管理与动力分配提供合理的决策。其中，动力电池荷电状态(soc)估计为电池管理系统最重要的任务，也为动力电池管理系统的核心模块，使用合理的算法对电池soc进行精准估计至关重要。
2、近年来，随着人工智能的飞速发展，基于数据驱动的soc估计方法得到广泛研究。基于数据驱动的方法主要有：随机森林，支持向量机，高斯回归过程，卷积神经网络，循环神经网络等。这些算法将电池视为一个黑箱系统，通过学习数据之间的映射关系来估计soc而不用考虑内部机理，因此不必建立复杂的模型。以神经网络为代表的数据驱动算法能够很好地估计电池soc，但是仍然具有一定的局限性。首先，由于电池快速非线性时变的特点，神经网络在某些位置处的估计容易出现明显波动，导致输出结果不平滑。其次，基于数据驱动的方法学习输入特征和输出标签之间的映射关系，而忽略数据之间基于电池机理的依赖关系，这导致所开发的模型缺乏泛化能力，表现为：使用训练数据集时性能较好，而在其他数据集测试当中不能令人满意。因此，现有神经网络算法在估计soc时存在输出不平滑以及不能够准确估计soc的缺陷。
技术实现思路
1、针对现有技术中的上述不足，本发明提供了一种基于改进transformer的锂离子电池soc估计方法，解决现有神经网络算法在估计soc时输出不平滑的问题，同时更加准确实时地估计电池soc。
2、为了达到上述发明目的，本发明采用的技术方案为：
3、一种基于改进transformer的锂离子电池soc估计方法，包括以下步骤：
4、s1、提取不同工况条件下电池数据集的电流、电压以及温度曲线，并进行异常值判断，得到最优的电流、电压以及温度曲线；
5、s2、根据步骤s1中得到的最优的电流、电压以及温度曲线，利用安时积分法计算荷电状态，并将计算的荷电状态作为标签数据；
6、s3、根据步骤s1中得到的最优的电流、电压以及温度曲线，采用滑动窗口机制引入时序信息，计算电流与电压的平均值，将电流与电压的平均值作为慢时变信息；
7、s4、在双向长短期记忆网络中引入门控线性单元，并将引入门控线性单元的双向长短期记忆网络引入transformer结构中，构建用于预测荷电状态的改进的transformer结构；
8、s5、将步骤s1中得到的最优的电流、电压以及温度曲线、步骤s2中计算的荷电状态以及步骤s3中计算的电流与电压的平均值输入步骤s4中构建的用于预测荷电状态的改进的transformer结构中进行训练，得到训练好的用于预测荷电状态的改进的transformer结构；
9、s6、将电流、电压、平均电流以及平均电压组成的输入序列输入步骤s5中训练好的用于预测荷电状态的改进的transformer结构进行荷电状态预测，得到预测的荷电状态。
10、进一步地，步骤s1具体包括：
11、采集不同工况条件下电池数据集的电流、电压以及温度曲线，并判断是否存在异常值，若是，则利用线性插值法对异常值进行插值处理，得到最优的电流、电压以及温度曲线值，否则，不作处理。
12、进一步地，步骤s2具体包括：
13、根据步骤s1中得到的最优的电流、电压以及温度曲线值，利用安时积分法计算荷电状态，即：
14、
15、其中，t0表示初始时刻，t表示当前时刻，z(t)表示第t时刻的动力电池荷电状态的估计值，z(t0)表示第t0时刻的动力电池荷电状态初始值，ηi表示动力电池充放电库仑效率，il(τ)表示第τ时刻的动力电池电流，表示积分函数，cmax表示当前时刻下动力电池的最大可用容量。
16、进一步地，电流与电压的平均值的计算公式为：
17、
18、其中，δii表示第i时刻电流的平均值，δvi表示第i时刻电压的平均值，k表示滑动窗口大小，ii、ii+1、ii+2、ii+k-1分别表示第i、i+1、i+2、i+k-1时刻下的电流，vi、vi+1、vi+2、vi+k-1分别表示第i、i+1、i+2、i+k-1时刻下的电压。
19、进一步地，用于预测荷电状态的改进的transformer结构具体包括：
20、依次连接的编码层与解码层，编码层包括依次连接的位置编码模块、第一编码层、第二编码层以及非线性变换层，解码层为引入门控线性单元的双向长短期记忆网络；
21、第一编码层与第二编码层包括依次连接的多头注意力层与前向传播层；
22、引入门控线性单元的双向长短期记忆网络包括与正向长短期记忆网络和反向长短期记忆网络连接的门控线性单元；
23、正向长短期记忆网络和反向长短期记忆网络包括遗忘门、输入门以及输出门。
24、进一步地，步骤s5具体包括：
25、s51、将步骤s3中计算的电流与电压的平均值作为慢时变信息加入到步骤s1中得到的最优的电流、电压值中作为输入序列，将步骤s2中计算的荷电状态作为输入序列的标签，将带有标签的输入序列输入步骤s3中构建的用于预测荷电状态的改进的transformer结构的位置编码模块，在位置编码模块将位置编码矩阵与输入序列相加，得到带有位置信息的输入向量；
26、s52、将步骤s51中得到的带有位置信息的输入向量依次输入第一编码层与第二编码层中，首先在第一编码层的多头注意力层中采用多头注意力机制计算注意力，在每个头的不同子空间中捕捉位置信息的输入向量的不同特征，通过计算查询、键以及值之间的加权和，对得到的加权和归一化后输入前向传播层计算下一层的输出并加权求和以及归一化，得到第一编码层的输出向量；
27、其次将第一编码层的输出向量依次输入第二编码层的多头注意力层与前向传播层进行相同的操作，得到第二编码层的输出向量；
28、s53、将步骤s52中得到的第二编码层的输出向量输入非线性变换层进行非线性变换，用于增强特征表示能力，分别得到电流上下文向量、电压上下文向量、平均电流上下文向量以及平均电压上下文向量，得到编码层编码的上下文信息序列；
29、s54、将步骤s53中得到的编码层编码的上下文信息序列输入引入门控线性单元的双向长短期记忆网络中，利用正向长短期记忆网络正向接收上下文信息序列，并利用遗忘门、输入门以及输出门沿着时间步顺序处理上下文信息序列的特征，反向长短期记忆网络按照相反的顺序处理上下文信息序列的特征，得到当前时刻的输出向量；
30、s55、将步骤s54中得到的当前时刻的输出向量输入门控线性单元，通过将当前时刻的输出向量映射到更高维度的空间，利用门控机制进行变换处理，得到训练好的用于预测荷电状态的改进的transformer结构。
31、进一步地，步骤s51中在位置编码模块将位置编码矩阵与输入序列相加的计算公式为：
32、
33、其中，pos表示位置，j表示维度，pe(pos,2j)表示位置pos和维度j上的奇数索引位置编码，pe(pos,2j+1)表示位置pos和维度j上的偶数索引位置编码，sin(·)表示正弦函数，cos(·)表示余弦函数，dmodel表示嵌入向量的维度。
34、进一步地，步骤s54中利用遗忘门、输入门以及输出门沿着时间步顺序处理上下文信息序列的特征的计算公式为：
35、
36、其中，ft表示第t时刻遗忘门的输出，it表示第t时刻输入门的输出，ot表示第t时刻输出门的输出，表示第t时刻输入的隐藏状态，ct表示第t时刻的隐藏状态，ht表示第t时刻的输出，σ(·)表示sigmoid激活函数，tanh(·)，表示双曲正切函数，表示元素逐乘，ht-1表示第t-1时刻的输出，xt表示第t时刻输入序列，uf、wf、bf、ui、wi、bi、uo、wo、bo、uc、wc、bc分别表示权重信息，ct-1表示第t-1时刻的隐藏状态。
37、进一步地，步骤s55中利用门控机制进行变换处理的公式为：
38、
39、其中，glu(·)表示门控向量选择函数，x′表示输出向量，σ(·)表示sigmoid激活函数，g表示门控向量。
40、本发明具有以下有益效果：
41、1.本发明所提出的一种基于改进transformer的锂离子电池soc估计方法，在编码器中采用多头注意力机制学习通用信息，同时引入门控线性单元的双向长短期网络作为解码器用于关注数据之间的局部依赖信息，从而实现在不同应用场景不同温度下工作，提高用于预测荷电状态的改进的transformer结构的泛化能力，同时提高荷电状态的预测精度；
42、2.添加慢时变信息，能够有效减小模型输出波动，解决了传统transformer预测波动的问题，从而使输出更加平滑稳定。
1.一种基于改进transformer的锂离子电池soc估计方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于改进transformer的锂离子电池soc估计方法，其特征在于，步骤s1具体包括：
3.根据权利要求1所述的基于改进transformer的锂离子电池soc估计方法，其特征在于，步骤s2具体包括：
4.根据权利要求1所述的基于改进transformer的锂离子电池soc估计方法，其特征在于，电流与电压的平均值的计算公式为：
5.根据权利要求1所述的基于改进transformer的锂离子电池soc估计方法，其特征在于，用于预测荷电状态的改进的transformer结构具体包括：
6.根据权利要求5所述的基于改进transformer的锂离子电池soc估计方法，其特征在于，步骤s5具体包括：
7.根据权利要求6所述的基于改进transformer的锂离子电池soc估计方法，其特征在于，步骤s51中在位置编码模块将位置编码矩阵与输入序列相加的计算公式为：
8.根据权利要求7所述的基于改进transformer的锂离子电池soc估计方法，其特征在于，步骤s54中利用遗忘门、输入门以及输出门沿着时间步顺序处理上下文信息序列的特征的计算公式为：
9.根据权利要求8所述的基于改进transformer的锂离子电池soc估计方法，其特征在于，步骤s55中利用门控机制进行变换处理的公式为：
