本發(fā)明屬于動力電池soc，具體涉及一種用于動力電池soc估計的基于脈沖神經(jīng)網(wǎng)絡(luò)模型的動力電池soc估計方法。

背景技術(shù)：

1、電池的荷電狀態(tài)（state?of?charge，soc）是指電池當前剩余電量與其額定容量的比值，是電池管理系統(tǒng)中的關(guān)鍵參數(shù)。準確估計soc對于電池的健康管理、壽命延長，以及性能優(yōu)化至關(guān)重要。

2、傳統(tǒng)的soc估計方法有按時積分法、卡爾曼濾波法等，存在一定的局限性。例如，按時積分法依賴于電池模型的準確性，而卡爾曼濾波法則需要對電池模型和噪聲統(tǒng)計特性有準確的了解。為了克服這些傳統(tǒng)方法的局限性，近年來有許多新的soc估算方法被提出，神經(jīng)網(wǎng)絡(luò)因其強大的非線性擬合能力而被廣泛應(yīng)用于soc估計。

3、bp神經(jīng)網(wǎng)絡(luò)等傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型能夠有效提高soc估計的精度，但存在容易陷入局部最小值、需要大量訓練數(shù)據(jù)等缺點。以bp神經(jīng)網(wǎng)絡(luò)為例，它是一種基于梯度下降的優(yōu)化算法，通過反向傳播調(diào)整網(wǎng)絡(luò)權(quán)重以最小化誤差；然而，梯度下降法在復(fù)雜的多層神經(jīng)網(wǎng)絡(luò)中很容易陷入局部最小值或鞍點，從而導致模型無法找到全局最優(yōu)解，影響訓練效果。與此同時，bp神經(jīng)網(wǎng)絡(luò)模型通常需要大量的訓練數(shù)據(jù)才能獲得較好的性能，尤其是在復(fù)雜的電池soc估算問題中。電池soc估算不僅依賴于電池的基本特性，還受到充放電模式、環(huán)境溫度、老化狀態(tài)等因素的影響，因此需要大量的多樣化數(shù)據(jù)來訓練bp神經(jīng)網(wǎng)絡(luò)。

4、脈沖神經(jīng)網(wǎng)絡(luò)（spiking?neural?networks，snn）是一種基于生物神經(jīng)系統(tǒng)的計算模型，模擬了神經(jīng)元的“脈沖”放電過程。與傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)（如前饋神經(jīng)網(wǎng)絡(luò)fnn、卷積神經(jīng)網(wǎng)絡(luò)cnn等）不同，snn的神經(jīng)元之間的通信是通過“脈沖”信號進行的，而不是基于連續(xù)的數(shù)值信息傳遞，它在模擬生物神經(jīng)網(wǎng)絡(luò)的動態(tài)性和并行性方面具有獨特的優(yōu)勢。目前，將snn應(yīng)用于soc估計的研究還鮮有報道。

技術(shù)實現(xiàn)思路

1、針對上述技術(shù)問題，本發(fā)明提出一種用于動力電池soc估計的脈沖神經(jīng)網(wǎng)絡(luò)模型以及基于其的動力電池soc估計方法，通過脈沖序列進行運算，能夠提升電池soc估計的準確性和魯棒性，同時具有較低能耗的優(yōu)勢。

2、本發(fā)明一種用于動力電池soc估計的脈沖神經(jīng)網(wǎng)絡(luò)模型，依次包括時間對齊模塊、脈沖編碼模塊、脈沖特征提取模塊、脈沖解碼模塊；

3、所述脈沖特征提取模塊包括由多個特征提取單元串聯(lián)構(gòu)成，每個特征提取單元包括自注意力層、脈沖神經(jīng)元層、前饋神經(jīng)網(wǎng)絡(luò)，所述自注意力層利用自注意力機制捕捉時間序列數(shù)據(jù)中的長短期依賴關(guān)系，所述脈沖神經(jīng)元層將自注意力層的輸出轉(zhuǎn)換為脈沖序列，所述前饋神經(jīng)網(wǎng)絡(luò)根據(jù)脈沖序列進行回歸預(yù)測。

4、進一步的，所述脈沖編碼模塊包括線性層、bn層、脈沖神經(jīng)元層，所述線性層用于將時間序列數(shù)據(jù)的連續(xù)值轉(zhuǎn)換為脈沖，所述bn層用于歸一化線性層的輸出，所述脈沖神經(jīng)元層用于將歸一化后的值轉(zhuǎn)換為脈沖序列。

5、進一步的，所述脈沖解碼模塊包括全連接層，將所述脈沖特征提取模塊中最后一個脈沖神經(jīng)元層的隱藏狀態(tài)轉(zhuǎn)換為連續(xù)的預(yù)測值。

6、進一步的，所述前饋神經(jīng)網(wǎng)絡(luò)由線性層和bn層組成。

7、進一步的，收集樣本數(shù)據(jù)對脈沖神經(jīng)網(wǎng)絡(luò)模型進行訓練，實現(xiàn)參數(shù)更新，其中樣本數(shù)據(jù)包括動力電池的部分充放電過程數(shù)據(jù)及其對應(yīng)的soc容量。

8、進一步的，動力電池的部分充放電過程數(shù)據(jù)是通過截取動力電池的整個充放電過程數(shù)據(jù)中的一部分得到的，部分充電過程數(shù)據(jù)、部分放電過程數(shù)據(jù)、部分充電過程數(shù)據(jù)與部分放電過程數(shù)據(jù)的結(jié)合均可作為動力電池的部分充放電過程數(shù)據(jù)。

9、進一步的，參數(shù)更新的具體步驟：

10、1）前向傳播：樣本數(shù)據(jù)被送入脈沖神經(jīng)網(wǎng)絡(luò)模型，通過每一層進行前向傳播，直到達到輸出層，在每個脈沖神經(jīng)元層，神經(jīng)元的膜電位根據(jù)輸入和網(wǎng)絡(luò)權(quán)重累積，當膜電位超過閾值時，神經(jīng)元發(fā)放脈沖；

11、2）計算損失：根據(jù)網(wǎng)絡(luò)輸出和真實標簽計算損失函數(shù)，其中真實標簽指的是樣本數(shù)據(jù)對應(yīng)的soc容量；

12、3）替代梯度計算：對于每個脈沖神經(jīng)元，使用替代梯度函數(shù)估計脈沖發(fā)放對膜電位的梯度；

13、4）反向傳播：使用替代梯度來計算損失函數(shù)對網(wǎng)絡(luò)權(quán)重的梯度，計算得到的梯度用于更新網(wǎng)絡(luò)中的權(quán)重；

14、5）參數(shù)更新：根據(jù)計算出的梯度和學習率，更新網(wǎng)絡(luò)中的權(quán)重和偏置。

15、進一步的，替代梯度函數(shù)采用反正切函數(shù)，其中是神經(jīng)元在時間?t?的脈沖發(fā)放狀態(tài)，是神經(jīng)元在時間的膜電位，是控制反正切函數(shù)斜率的超參數(shù)。

16、進一步的，反向傳播采用梯度下降算法或其變體，核心思想是計算損失函數(shù)相對于模型參數(shù)的梯度，然后按照梯度的方向更新參數(shù)，以便降低損失函數(shù)的值。

17、本發(fā)明還保護一種基于脈沖神經(jīng)網(wǎng)絡(luò)模型的動力電池soc估計方法，上述脈沖神經(jīng)網(wǎng)絡(luò)模型進行動力電池soc估計，具體過程為：截取動力電池在前一段時間內(nèi)充電或放電過程中的部分數(shù)據(jù)，輸入該脈沖神經(jīng)網(wǎng)絡(luò)模型，該脈沖神經(jīng)網(wǎng)絡(luò)模型輸出soc的預(yù)測值。

18、本發(fā)明將脈沖神經(jīng)網(wǎng)絡(luò)應(yīng)用于動力電池的soc估計，并結(jié)合自注意力機制，能夠在電池soc估計中獲得更強的優(yōu)勢。脈沖神經(jīng)網(wǎng)絡(luò)可以用于捕捉電池動態(tài)的實時響應(yīng)特性且能耗更低，而自注意力模型可以捕捉電池soc的全局依賴關(guān)系，兩者的結(jié)合可以形成一個既有時間響應(yīng)特性，又能處理長時間序列和多模態(tài)信息的混合模型，進而提升電池soc估計的準確性和魯棒性。

技術(shù)特征：

1.一種用于動力電池soc估計的脈沖神經(jīng)網(wǎng)絡(luò)模型，其特征在于，依次包括時間對齊模塊、脈沖編碼模塊、脈沖特征提取模塊、脈沖解碼模塊；

2.根據(jù)權(quán)利要求1所述的用于動力電池soc估計的脈沖神經(jīng)網(wǎng)絡(luò)模型，其特征在于，所述脈沖編碼模塊包括線性層、bn層、脈沖神經(jīng)元層，所述線性層用于將時間序列數(shù)據(jù)的連續(xù)值轉(zhuǎn)換為脈沖，所述bn層用于歸一化線性層的輸出，所述脈沖神經(jīng)元層用于將歸一化后的值轉(zhuǎn)換為脈沖序列。

3.根據(jù)權(quán)利要求1所述的用于動力電池soc估計的脈沖神經(jīng)網(wǎng)絡(luò)模型，其特征在于，所述脈沖解碼模塊包括全連接層，將所述脈沖特征提取模塊中最后一個脈沖神經(jīng)元層的隱藏狀態(tài)轉(zhuǎn)換為連續(xù)的預(yù)測值。

4.根據(jù)權(quán)利要求1所述的用于動力電池soc估計的脈沖神經(jīng)網(wǎng)絡(luò)模型，其特征在于，所述前饋神經(jīng)網(wǎng)絡(luò)由線性層和bn層組成。

5.根據(jù)權(quán)利要求1-4任意一項所述的用于動力電池soc估計的脈沖神經(jīng)網(wǎng)絡(luò)模型，其特征在于，收集樣本數(shù)據(jù)對脈沖神經(jīng)網(wǎng)絡(luò)模型進行訓練，實現(xiàn)參數(shù)更新，其中樣本數(shù)據(jù)包括動力電池的部分充放電過程數(shù)據(jù)及其對應(yīng)的soc容量。

6.根據(jù)權(quán)利要求5所述的用于動力電池soc估計的脈沖神經(jīng)網(wǎng)絡(luò)模型，其特征在于，動力電池的部分充放電過程數(shù)據(jù)是通過截取動力電池的整個充放電過程數(shù)據(jù)中的一部分得到的，部分充電過程數(shù)據(jù)、部分放電過程數(shù)據(jù)、部分充電過程數(shù)據(jù)與部分放電過程數(shù)據(jù)的結(jié)合均可作為動力電池的部分充放電過程數(shù)據(jù)。

7.根據(jù)權(quán)利要求5所述的用于動力電池soc估計的脈沖神經(jīng)網(wǎng)絡(luò)模型，其特征在于，參數(shù)更新的具體步驟：

8.根據(jù)權(quán)利要求7所述的用于動力電池soc估計的脈沖神經(jīng)網(wǎng)絡(luò)模型，其特征在于，替代梯度函數(shù)采用反正切函數(shù)，其中是神經(jīng)元在時間?t?的脈沖發(fā)放狀態(tài)，是神經(jīng)元在時間的膜電位，是控制反正切函數(shù)斜率的超參數(shù)。

9.根據(jù)權(quán)利要求7所述的用于動力電池soc估計的脈沖神經(jīng)網(wǎng)絡(luò)模型，其特征在于，反向傳播采用梯度下降算法或其變體，核心思想是計算損失函數(shù)相對于模型參數(shù)的梯度，然后按照梯度的方向更新參數(shù)，以便降低損失函數(shù)的值。

10.一種基于脈沖神經(jīng)網(wǎng)絡(luò)模型的動力電池soc估計方法，其特征在于，采用的脈沖神經(jīng)網(wǎng)絡(luò)模型為權(quán)利要求1-9任意一項所述的脈沖神經(jīng)網(wǎng)絡(luò)模型，具體過程為：

技術(shù)總結(jié)
本發(fā)明公開了一種基于脈沖神經(jīng)網(wǎng)絡(luò)模型的動力電池SOC估計方法，脈沖神經(jīng)網(wǎng)絡(luò)模型依次包括時間對齊模塊、脈沖編碼模塊、脈沖特征提取模塊、脈沖解碼模塊；脈沖特征提取模塊包括由多個特征提取單元串聯(lián)構(gòu)成，每個特征提取單元包括自注意力層、脈沖神經(jīng)元層、前饋神經(jīng)網(wǎng)絡(luò)，自注意力層利用自注意力機制捕捉時間序列數(shù)據(jù)中的長短期依賴關(guān)系，脈沖神經(jīng)元層將自注意力層的輸出轉(zhuǎn)換為脈沖序列，前饋神經(jīng)網(wǎng)絡(luò)根據(jù)脈沖序列進行回歸預(yù)測。脈沖神經(jīng)網(wǎng)絡(luò)用于捕捉電池動態(tài)的實時響應(yīng)特性且能耗更低，而自注意力模型捕捉電池SOC的全局依賴關(guān)系，兩者的結(jié)合形成一個既有時間響應(yīng)特性，又能處理長時間序列和多模態(tài)信息的混合模型，提升電池SOC估計的準確性和魯棒性。

技術(shù)研發(fā)人員：羅剛,劉振國,張穎
受保護的技術(shù)使用者：安徽國麒科技有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/5/15