本發明涉及動力電池soc估計，深度學習，具體涉及到一種基于改進transformer和自適應遷移學習的動力電池低溫soc估計方法。
背景技術：
1、環境污染和全球能源危機加速了傳統能源向清潔能源的轉變。特別是在汽車行業，迫切需要借助動力電池取代傳統的化石燃料。由于鋰離子電池具有高能量轉換效率和壽命長的特點，而在電動汽車供能中發揮著重要作用。電池過熱或異常電壓通常與不準確的充電狀態(soc)估計相關。準確的soc估計可提供潛在安全問題的早期警告，從而有助于主動維護。然而，soc無法直接測量。
2、傳統soc估計方法主要有開路電壓法、電化學模型法、基于等效電路模型的方法。然而，這些方法由于其對電化學反應機制、電池材料特性和驅動條件的依賴，存在較大估計誤差。同時它們還需要對領域知識有深入的了解，這導致了高昂的成本。高斯過程回歸和隨機森林回歸等機器學習的方法可以學習電池測量序列和soc之間的復雜關系，有效地克服了這些問題。然而，傳統的機器學習方法由于特征提取的局限性，不能完全捕捉到復雜的潛在信息。
3、深度學習方法可以有效地捕獲復雜非線性信息。基于卷積神經網絡(cnn)、長短期記憶網絡(lstm)、以及二者結合的方法被用用于soc估計。由于transformer在學習長時序列信息方面具有優勢，也被用于提高soc估計效果。然而，目標駕駛方式中有限的訓練數據對深度學習方法的有效性提出了挑戰。在模型訓練期間，隨著網絡深度的增加，樣本不足會進一步加劇梯度消失。現有方法還忽視了如低溫駕駛環境等隱藏信息的學習。因此急需設計一個有效的模型來提高soc估計效果。
4、基于遷移學習的方法被引入來解決估計soc中的小樣本問題。由于城市駕駛條件(如交通信號燈和擁堵)導致的頻繁速度變化會導致電池電流和電壓的顯著波動。相比之下，車輛速度在高速公路駕駛中保持相對穩定。這導致源域和目標域之間數據分布存在顯著差異，從而導致負向遷移。一種利用最大平均離散度(mmd)的方法被提出來緩解soc估計中負向遷移的問題。然而，mmd對數據分布的變化十分敏感，難以有效地捕捉動態和潛在的有效特征。因此，需要設計出一種自適應遷移學習框架，促進遷移知識的正向遷移，以提高soc估計的準確率。
技術實現思路
1、為解決現有技術中的缺點和不足，本發明目的為提出了一種基于改進transformer和自適應遷移學習的動力電池低溫soc估計方法；
2、本發明為實現上述的技術目的，采用如下的技術方案：
3、s1、導入低溫環境下動力電池沖放電數據，對數據進行預處理，并根據汽車駕駛方式確定源域和目標域；
4、s2、設計改進的transformer(enformer)模型，主要包含多層殘差注意力機制、模式動態分解、雙向長短期記憶網絡三個模塊；
5、s3、設計自適應遷移學習訓練框架，以步驟s2設計的enformer作為基礎模型結構，來學習有價值的遷移特征實現知識的正向遷移；
6、s4、根據步驟s3得到的模型，對低溫環境下目標駕駛方式的動力電池進行測試，進行soc估計。
7、上述步驟s1中，所述導入低溫環境下動力電池沖放電數據，對數據進行預處理，并根據汽車駕駛方式確定源域和目標域，具體包括：
8、s11、將電壓、電流、溫度測量數據特征[ut,it,tt](t＝1,2,..,l)構成訓練樣本x，同時計算動力電池狀態soc作為預測標簽y，得到用于soc估計的時間序列；
9、s12、刪除soc值不在0到1范圍內的數據，并刪除重復數據和數據值為null的數據，同時對數據進行標準化處理，實現去量綱化；
10、s13、以時間窗口滑動的方式進行樣本分割，根據電池soc估計相關文獻和實驗交叉驗證，設置時間窗口長度，即樣本長度len為45秒所監測的數據；
11、s14、以高速激烈駕駛(us06)、高速燃油經濟駕駛(hwfet)、城市駕駛循環(udds)、城市和高速公路混合駕駛(la92)四種駕駛方式為對象進行研究，選擇其中一種駕駛方式的數據作為源域，另一種駕駛方式的數據作為目標域進行測試實現soc估計。
12、上述步驟s2中，設計改進的transformer(enformer)模型主要包含多層殘差注意力機制、模式動態分解、雙向長短期記憶網絡三個模塊，具體包括：
13、s21、設計多層殘差注意力機制代替傳統的自注意力機制，使用多層殘差連接來緩解隨著網絡層數加深梯度消失的問題；
14、s22、設計模式動態分解模塊來代替傳統transformer中的歸一化層，將測量特征序列動態分解為趨勢信息和隱含信息，提高模型對低溫等駕駛環境隱含信息的學習，具體而言：
15、s221、對樣本首尾部分特征進行映射來增加樣本長度，以緩解由于時間窗口截斷導致的時序信息丟失；
16、s222、使用移動平均池化將增加的維度變化為原始維度，來提取樣本的趨勢信息zt；
17、s223、使用趨勢信息對原始樣本過濾，得到樣本隱含信息zh；
18、s224、趨勢信息和隱含信息分別進行線性學習，同時進行特征拼接，模式動態分解的輸出outputpdd送入下一模塊。
19、上述步驟s3中，以步驟s2設計的enformer作為基礎模型結構，在設計自適應遷移學習訓練框架時，具體包括：
20、s31、使用源域數據訓練模型enformer，并使用目標域數據進行微調，得到微調特征；
21、s32、使用目標域數據自主訓練模型enformer*，得到自主訓練特征；
22、s33、將微調特征和自主訓練特征進行自適應拼接，然后送入線性層，當達到最大訓練輪數得到訓練好的模型實現soc估計；
23、上述步驟s4中，根據步驟s3得到的模型，對-10℃和-20℃兩種低溫環境下目標駕駛方式的動力電池進行測試，評估soc估計的效果。
24、本發明的有益效果在于：一種基于改進transformer和自適應遷移學習的動力電池低溫soc估計方法，針對目標駕駛方式電池數據樣本量不足，忽略低溫等隱含信息與soc估計的相關作用的問題，現有方法難以用機器學習進行soc估計相關研究，因此本發明通過設計改進transformer模型結構、優化自適應遷移學習訓練策略，實現準確的soc估計，在動力電池低溫soc估計、電池健康管理方面有重大的應用價值。
1.一種基于改進transformer和自適應遷移學習的動力電池低溫soc估計方法，其特征在于，具體步驟如下：
2.根據權利要求1所述的一種基于改進transformer和自適應遷移學習的動力電池低溫soc估計方法，其特征在于，步驟s1中所述導入低溫環境下動力電池沖放電數據，對數據進行預處理，并根據汽車駕駛方式確定源域和目標域，包括以下步驟：
3.根據權利要求1所述的一種基于改進transformer和自適應遷移學習的動力電池低溫soc估計方法，其特征在于，步驟s2中所述設計改進的transformer(enformer)模型，主要包含多層殘差注意力機制、模式動態分解、雙向長短期記憶網絡三個模塊，包括以下步驟：
4.根據權利要求3所述的方法，其特征在于，步驟s22中所述模式動態分解模塊，包括以下步驟：
5.根據權利要求1所述的一種基于改進transformer和自適應遷移學習的動力電池低溫soc估計方法，其特征在于，步驟s3中所述設計自適應遷移學習訓練框架，包括以下步驟：