基于多尺度融合GRU网络的汽车电池SOC多步预测方法与系统

专利主权项内容

1.一种基于多尺度融合GRU网络的电动汽车电池SOC多步预测的方法，其特征在于，包括如下步骤：S1、采集实车传感器的综合数据，将每种传感器检测项视为一个变量，对采集的综合数据进行预处理并构建滑动窗口；滑动窗口80%的数据作为训练集，20%数据作为验证集；S2、将基于多尺度融合GRU网络模型参数初始化，同时设定若干关键的超参数，对训练集执行离线训练生成SOC多步预测结果；S3、应用损失函数，计算步骤S2的预测结果与实际结果之间的偏差，并采用随机梯度下降算法来更新GRU网络模型参数；使用更新后的GRU网络模型对验证集进行一次完整的验证，并计算其损失函数；使用更新后的GRU网络模型执行离线训练生成SOC多步预测模型；S4、重复步骤S3直至在验证集上得到最小的损失值，并得到最优的GRU网络模型；同时采用网格搜索方法确定关键超参数的最佳取值范围，实现模型最佳性能的超参数设置；S5、将最优模型应用至实际车辆中，对车载传感器获取的实时数据进行标准化处理后，选用步骤S1中筛选出的相关变量，并将其输入到已部署的最优模型中，从而生成实时SOC的多步预测结果，将预测结果输入到电池管理系统，用于优化实际车辆电池的调度和管理；所述步骤S1中采集的综合数据包括车速、电池组的总电压和总电流、单体电池的最大和最小电压、最高和最低温度、绝缘电阻、行驶里程、车辆的行驶状态和充电状态；所述步骤S1中对采集的综合数据进行预处理并构建滑动窗口包括：S1-1、将采集到的综合数据导入到一台计算机中，对综合数据进行异常值筛查和处理；对综合数据进行标准化处理，将各数据转换为标准正态分布；S1-2、采用皮尔逊相关系数法评估SOC与综合数据中各个变量之间的相关性，选取皮尔逊相关系数大于0.4的变量为高度相关变量；S1-3、构建滑动窗口，滑动窗口的大小为360个时间步，预测结果为滑动窗口后6个时间步的SOC值，滑动步长为6个时间步；所述步骤S2中，训练集的离线训练过程包括：S2-1、超参数包括学习率、批处理大小、GRU网络的层数以及隐藏单元的数量；根据预设的批处理大小，将训练集随机划分为多个小批次，将若干批次数据逐个输送到多层GRU网络中，经过多层GRU网络的迭代运算，最终形成了一个蕴含局部信息的特征向量；S2-2、进行多层GRU网络计算的同时将训练集数据进行有重叠地分段，以此得到数据，将数据/>输入到另一个多层GRU网络中，逐片段地提取各自的局部信息；S2-3、将分段后获得的特征向量按时间顺序重新组合为一个新的时序向量，然后将时序向量/>输入到另一个新的多层GRU网络中，进一步挖掘长期依赖信息，并形成特征向量/>；S2-4、特征向量和/>分别与初始化的可学习权重ω和ω相乘，然后相加以自适应地融合局部信息和长期依赖信息，将融合特征进一步输入到全连接网络，进行多步SOC预测；12所述步骤S2-2中对数据进行分段时，片段长度为60，非重叠部分长度为12。X