【技术实现步骤摘要】
本专利技术涉及电池温度预测，具体来说，特别涉及一种引入注意力机制的pso-lstm温度预测方法。
技术介绍
1、根据储能产业技术联盟(cnesa)的不完全统计，截至2023年底，全球储能累计装机规模达到237.2gw，在新型储能中锂离子电池占比高达90％，占主要地位。然而，在电池运行时，温度会受电流电压等因素产生剧烈波动，使得温度的预测变得更加困难。温度的有效预测将有效解决电池热管理安全问题，提升电站中电池温度分布均匀性有利于延长运行寿命。
2、因此，提升电池温度预测的准确性有助于提前获取电池运行时特性，从而合理安排电池在电网中充放等运行方式和应对措施，提高电池运行时安全可靠性。然而，从几年研究来看，虽然温度预测模型均提升预测精度，但pso-lstm结合的算法仍有一定的改进空间。具体而言，现有的预测模型在筛选电池温度影响因素、优化模型参数以及处理非线性时间序列数据等方面仍存在不足，导致预测结果的准确性和稳定性有待提升。
3、针对相关技术中的问题，目前尚未提出有效的解决方案。
技术实现思路
1、有鉴于此，本专利技术提供一种引入注意力机制的pso-lstm温度预测方法，以解决上述提及的问题。
2、为了解决上述问题，本专利技术采用的具体技术方案如下：
3、一种引入注意力机制的pso-lstm温度预测方法，包括以下步骤：
4、s 1、基于归一化处理后的电池运行数据，通过耦合方法筛选电池温度影响因素，并根据电池温度影响因素构建用于模
5、s2、配置适应度函数，并结合粒子群算法和输入集优化融合注意力机制的lstm模型参数，得到电池温度预测模型；
6、s3、基于电池温度预测模型，并根据实时获取的电池运行数据，进行电池温度的在线预测，得到预测结果。
7、优选的，所述基于归一化处理后的电池运行数据，通过耦合方法筛选电池温度影响因素，并根据电池温度影响因素构建用于模型训练的输入集包括以下步骤：
8、s 11、获取电池运行数据并构建数据矩阵，利用归一化处理计算公式对电池运行数据进行归一化处理；
9、s 12、对于归一化处理后的电池运行数据中的每个数据变量，并利用互信息和皮尔逊相关系数耦合方法计算数据变量之间的相关系数，得到相关系数计算结果；
10、s13、根据相关系数计算结果筛选满足预测阈值的电池温度影响因素；s14、根据筛选出的电池温度影响因素，构建用于模型训练的输入集。
11、优选的，所述归一化处理计算公式为：
12、
13、式中，表示归一化处理后的电池运行数据；
14、ai表示数据矩阵中第i列原始数据；
15、ai，min表示数据矩阵中第i列原始数据中的最小值；
16、ai，max表示数据矩阵中第i列原始数据中的最大值。
17、优选的，所述利用互信息和皮尔逊相关系数耦合方法计算数据变量之间的相关系数的计算公式为：
18、
19、式中，i(x；y)表示数据变量x与数据变量y之间的互信息相关系数；
20、p(x，y)表示数据变量x与数据变量y之间的联合概率分布；
21、p(x)和p(y)分别表示数据变量x与数据变量y的边缘概率分布；
22、ρx，y表示数据变量x与数据变量y之间的皮尔逊相关系数；
23、xi表示数据中第i个观测的x变量值；
24、yi表示数据中第i个观测的y变量值；
25、分别为表示数据变量xi和yi的平均值；
26、n表示样本大小；
27、i表示从1到样本数量n的整数。
28、优选的，所述配置适应度函数，并结合粒子群算法和输入集优化融合注意力机制的lstm模型参数，得到电池温度预测模型包括以下步骤：
29、s21、基于预先构建的lstm模型，通过集成注意力机制，得到融合注意力机制的lstm模型；
30、s22、初始化粒子群算法及配置适应度函数，并利用粒子群算法对融合注意力机制的lstm模型进行参数优化，得到最优参数组合；
31、s23、将最优参数组合导入融合注意力机制的lstm模型中，并利用输入集进行训练，得到电池温度预测模型。
32、优选的，所述基于预先构建的lstm模型，通过集成注意力机制，得到融合注意力机制的lstm模型包括以下步骤：
33、s211、构建lstm模型的网络结构，所述lstm模型的网络结构包括遗忘门、输入门及输出门；
34、s212、根据注意力机制的原理构建注意力矩阵，并通过计算query和key之间的相关性，得到注意力得分；
35、s213、对注意力得分进行softmax归一化处理，得到注意力权重；
36、s214、将注意力权重作为lstm模型的输入，形成加权输入，并将加权输入更新lstm模型的隐藏状态，得到融合注意力机制的lstm模型。
37、优选的，所述加权输入的表达式为：
38、
39、式中，表示时间步数z的加权输入；
40、表示输入序列长度；
41、αr表示注意力权重；
42、gr表示输入序列在时间r的特征向量。
43、优选的，所述初始化粒子群算法及配置适应度函数，并利用粒子群算法对融合注意力机制的lstm模型进行参数优化，得到最优参数组合包括以下步骤：
44、s221、初始化融合注意力机制的lstm模型的模型参数，利用输入集对融合注意力机制的lstm模型进行初步训练，并通过前向传播计算融合注意力机制的lstm模型的损失函数；
45、s222、将融合注意力机制的lstm模型的损失函数作为适应度函数；
46、s223、随机初始化粒子群，并基于粒子群算法更新粒子的速度和位置；
47、s224、对每个粒子更新后的位置，将其作为融合注意力机制的lstm模型的新参数组合，并重新计算适应度函数；
48、s225、重复执行步骤s223-s224，直至达到预设的迭代次数，并根据适应度函数的计算结果，选取全局最优位置作为融合注意力机制的lstm模型的最优参数组合。
49、优选的，所述随机初始化粒子群，并基于粒子群算法更新粒子的速度和位置包括以下步骤：
50、s2231、随机生成粒子位置和速度，每个粒子表示融合注意力机制的lstm模型的参数，包括权重和偏置；
51、s2232、根据线性递减惯性权重的策略，设定惯性权重的最大值和最小值；
52、s2233、将每个粒子表示的参数组带入融合注意力机制的lstm模型中，通过前向传播计算模型的输出，并与真实值进行比较，得到损失函数值作为粒子的适应度值；
53、s2234、根据当前的迭代次数，利用线性递减惯性权重计算公式计本文档来自技高网...
【技术保护点】
1.一种引入注意力机制的PSO-LSTM温度预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种引入注意力机制的PSO-LSTM温度预测方法，其特征在于，所述基于归一化处理后的电池运行数据，通过耦合方法筛选电池温度影响因素，并根据电池温度影响因素构建用于模型训练的输入集包括以下步骤：
3.根据权利要求1所述的一种引入注意力机制的PSO-LSTM温度预测方法，其特征在于，所述归一化处理计算公式为：
4.根据权利要求1所述的一种引入注意力机制的PSO-LSTM温度预测方法，其特征在于，所述利用互信息和皮尔逊相关系数耦合方法计算数据变量之间的相关系数的计算公式为：
5.根据权利要求1所述的一种引入注意力机制的PSO-LSTM温度预测方法，其特征在于，所述配置适应度函数，并结合粒子群算法和输入集优化融合注意力机制的LSTM模型参数，得到电池温度预测模型包括以下步骤：
6.根据权利要求5所述的一种引入注意力机制的PSO-LSTM温度预测方法，其特征在于，所述基于预先构建的LSTM模型，通过集成注意力机制，得到融合注意
7.根据权利要求6所述的一种引入注意力机制的PSO-LSTM温度预测方法，其特征在于，所述加权输入的表达式为：
8.根据权利要求6所述的一种引入注意力机制的PSO-LSTM温度预测方法，其特征在于，所述初始化粒子群算法及配置适应度函数，并利用粒子群算法对融合注意力机制的LSTM模型进行参数优化，得到最优参数组合包括以下步骤：
9.根据权利要求8所述的一种引入注意力机制的PSO-LSTM温度预测方法，其特征在于，所述随机初始化粒子群，并基于粒子群算法更新粒子的速度和位置包括以下步骤：
10.根据权利要求9所述的一种引入注意力机制的PSO-LSTM温度预测方法，其特征在于，所述线性递减惯性权重计算公式为：
...【技术特征摘要】
1.一种引入注意力机制的pso-lstm温度预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种引入注意力机制的pso-lstm温度预测方法，其特征在于，所述基于归一化处理后的电池运行数据，通过耦合方法筛选电池温度影响因素，并根据电池温度影响因素构建用于模型训练的输入集包括以下步骤：
3.根据权利要求1所述的一种引入注意力机制的pso-lstm温度预测方法，其特征在于，所述归一化处理计算公式为：
4.根据权利要求1所述的一种引入注意力机制的pso-lstm温度预测方法，其特征在于，所述利用互信息和皮尔逊相关系数耦合方法计算数据变量之间的相关系数的计算公式为：
5.根据权利要求1所述的一种引入注意力机制的pso-lstm温度预测方法，其特征在于，所述配置适应度函数，并结合粒子群算法和输入集优化融合注意力机制的lstm模型参数，得到电池温度预测模型包括以下步骤：
...
【专利技术属性】
技术研发人员：叶季蕾，吴超，马昌龙，王罗亚，刘丽丽，吴宇平，殷文倩，
申请(专利权)人：南京工业大学，
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。