【技术实现步骤摘要】
本专利技术属于电动车soc预测，具体为用于电动车soc预测的优化informer模型设计方法。
技术介绍
1、soc(state of charge)影响电动汽车的动力输出、能量管理和运行情况，因此soc预测对电动汽车状态评估十分重要。目前，电动汽车soc预测大致分为三个研究方向：通过电池状态参数预测soc；基于电动车运行状态变化预测soc；在前述二者基础上结合同车型历史数据预测soc。
2、现有技术中，有的分析锂电池周围空气与soc的关系，得到电动汽车内循环空气中co2、nox等气体含量与soc剩余百分比的预测模型，该方法需要高精度空气数据支撑，若使用低精度空气数据进行电池状态分析与soc预测，会因为截断误差，导致预测精度大幅下降。有的通过不同充电电压下，电池隔层的状态变化，估算电动汽车运行参数，预测soc。该法假设传输延时固定，当出现通讯阻塞，传输速度下降，特征数据存在额外滞后等时，预测结果会出现噪声。有的从soc特性曲线入手，利用电池的热胀冷缩现象，训练了不同温度下，通过电池参数预测soc的模型，该方法要求将电池温度上升至400℃后缓慢下降，实际使用会出现初始数据难以搜集等问题，导致预测困难。有的利用电池表层的温度差异，从热力学的角度分析，得到一种表层温度soc的预测模型，但目前的电动汽车供电模块采用集成化电池簇，采集单个电池的表层温度数据，难度较大。有的利用电池群充放电操作对电动汽车运行状态的影响，得到了不同运行状态下，电池充电电压、电池充电电流、供电模块电压、环境温度与soc剩余百分比的预测模型，该模型在充
3、神经网络等优化算法，解决了预测模型的部分缺陷。比如，有的将贝叶斯决策方式，与svr、gpr、线性回归相结合，改善了状态边界的soc多值预测问题，但增加了计算复杂度，且预测误差没有明显减少。有的基于fcevs(fuel cell electric vehicles)运行状态的变化特点，提出了一种改进dnn(deep neural network)，用于fcevs的soc预测，该方法的预测步骤较少，预测精度较高，但计算复杂，预测速度慢，且硬件要求高，实际中难以应用。有的在原有p&o(perturb&observe)模型上，引入与、或、非的逻辑预测，代替常规数值预测，虽然降低了多值预测频率，但没有处理截断误差的负面影响，所得p&o模型在电动汽车平稳运行区间，进行soc预测时，存在预测值变化不明显问题。有的将多模态预测应用于现有ann(artificial neural network)中，暂时提升了ann的预测精度，但未给予截断误差足够重视，当soc的小数点后有效位数，低于其他特征1-2位时，模型预测精度会显著降低。
4、由上，现有技术中的预测方法，普遍存在的预测精度低、速度慢、计算复杂等缺点。
5、informer模型作为一种新预测模型，因优异的性能，得到研究者的关注。但实际电动汽车soc预测时，需要较高的精度和较快的速度，这方面informer模型还有欠缺。
技术实现思路
1、针对现有技术存在的上述问题，本专利技术的目的是提供一种用于电动车soc预测的优化informer模型设计方法，对informer模型进行了结构优化和逻辑优化，通过健康评估，优化了模型结构，在不增加数据成本的前提下，提升informer的预测性能；逻辑优化方面，增加基本状态变量，通过等效换算，间接预测soc，减少截断误差的不利影响，保留结构优化效果的同时，进一步提升informer的预测性能，预测成本更小，预测效果更好。
2、为了实现上述目的，本专利技术所采用的技术方案是：
3、用于电动车soc预测的优化informer模型设计方法，包括如下步骤：
4、步骤s1：建立informer soc预测模型；
5、步骤s2：基于电动车运行数据，通过健康评估权重优化算法，获得健康矩阵；
6、步骤s3：利用所述健康矩阵从informer soc预测模型的编码器、解码器、控制逻辑三个方面对所述informer soc预测模型进行优化，得到用于电动车soc预测的优化informer模型。
7、作为上述技术方案的进一步改进：
8、步骤s1中，informer soc预测模型的输入为电动车运行数据，informer soc预测模型将电动车的运行数据换算为模型输入的嵌入向量。
9、步骤s2中，所述健康评估权重优化算法依次通过数据采集、数据清洗、特征筛选、矩阵计算、矩阵生成得到健康矩阵a；
10、数据采集通过数据采集模块采集电动汽车的运行数据；
11、数据清洗是剔除运行数据的空值、异常值，降低噪声波动；
12、特征筛选是从清洗后的运行数据中筛选出特征数据，确定健康矩阵的构成元素以及矩阵的维度划分方案；
13、矩阵计算时使用所述特征数据进行矩阵计算；
14、矩阵生成时，先顺序排列矩阵计算结果，得到权重矩阵qn×1，然后对所述运行数本文档来自技高网...
【技术保护点】
1.用于电动车SOC预测的优化Informer模型设计方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的设计方法，其特征在于：步骤S1中，Informer SOC预测模型的输入为电动车运行数据，Informer SOC预测模型将电动车的运行数据换算为模型输入的嵌入向量。
3.根据权利要求1所述的设计方法，其特征在于：步骤S2中，所述健康评估权重优化算法依次通过数据采集、数据清洗、特征筛选、矩阵计算、矩阵生成得到健康矩阵A；
4.根据权利要求1所述的设计方法，其特征在于：步骤S3中，所述健康矩阵对InformerSOC预测模型的编码器进行优化的方法为：
5.根据权利要求1所述的设计方法，其特征在于：步骤S3中，所述健康矩阵对InformerSOC预测模型的解码器进行优化的方法为：由Decoderi(y,c0)得到的解码输出xi，与健康因子h相乘后，作为下一解码子层的输入，其中，Decoderi(·)表示第i解码子层的解码计算，且0≤i≤L；c0和y分别为解码过程中的初始输入和特征数据；h为健康因子，由健康矩阵An×n压缩变换得
6.根据权利要求1所述的设计方法，其特征在于：步骤S3中，所述健康矩阵对InformerSOC预测模型的控制逻辑进行优化的方法为：进行温度预测和参数预测，然后基于温度预测和参数预测进行SOC计算，得到SOC预测值，所述参数预测中的参数包括电压、电流、SOC。
7.根据权利要求6所述的设计方法，其特征在于：所述健康矩阵对Informer SOC预测模型的控制逻辑进行优化的步骤为：
8.根据权利要求1～6任一所述的设计方法，其特征在于：评价所述优化Informer模型时，采用决定系数R2、均方误差MSE、平均绝对误差MAE共3种评价指标。
9.根据权利要求1所述的设计方法，其特征在于：
...【技术特征摘要】
1.用于电动车soc预测的优化informer模型设计方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的设计方法，其特征在于：步骤s1中，informer soc预测模型的输入为电动车运行数据，informer soc预测模型将电动车的运行数据换算为模型输入的嵌入向量。
3.根据权利要求1所述的设计方法，其特征在于：步骤s2中，所述健康评估权重优化算法依次通过数据采集、数据清洗、特征筛选、矩阵计算、矩阵生成得到健康矩阵a；
4.根据权利要求1所述的设计方法，其特征在于：步骤s3中，所述健康矩阵对informersoc预测模型的编码器进行优化的方法为：
5.根据权利要求1所述的设计方法，其特征在于：步骤s3中，所述健康矩阵对informersoc预测模型的解码器进行优化的方法为：由decoderi(y,c0)得到的解码输出xi，与健康因子h相乘后，作为下...
【专利技术属性】
技术研发人员：黄峰，谢鑫，张云，黎俊，何儒成，
申请(专利权)人：湖南格德智能装备有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。