本發(fā)明涉及電池工程，特別涉及一種電池soc評估方法、系統(tǒng)、存儲(chǔ)介質(zhì)及電子設(shè)備。

背景技術(shù)：

1、電池作為新能源的重要組成部分，有著用電器的“心臟”之稱，soc是衡量當(dāng)前電池中存儲(chǔ)電量的一種指標(biāo)，相當(dāng)于電池的“燃油表”。soc顯示電池在充電前能維持多久，監(jiān)控電池健康狀態(tài)，防止電池過充過放，保證電池在安全窗口內(nèi)運(yùn)行。電池的好壞關(guān)系到用電器是否可以正常運(yùn)行，用電器的正常運(yùn)行與我們每一個(gè)人的生命等切身利益密切相關(guān)，所以對于電池的健康狀態(tài)的實(shí)時(shí)了解就顯得十分重要。

2、現(xiàn)有技術(shù)中的電池健康狀態(tài)檢測方法存在以下問題：

3、1.?大多數(shù)關(guān)于電池soc預(yù)測多以從時(shí)間序列單個(gè)維度去估計(jì)soc的值，缺乏空間維度上的考慮，即對于不同特征之間對于soc值的影響考慮不周，導(dǎo)致預(yù)測精度下降。

4、2.?lstm網(wǎng)絡(luò)的出現(xiàn)解決了soc預(yù)測領(lǐng)域處理時(shí)間序列數(shù)據(jù)依賴關(guān)系的難題，但當(dāng)其應(yīng)用于soc預(yù)測領(lǐng)域，有以下幾個(gè)問題：（1）在處理更長的時(shí)間序列數(shù)據(jù)時(shí)，存在時(shí)序數(shù)據(jù)關(guān)系捕捉效果一定下降。（2）lstm對于時(shí)序的數(shù)據(jù)之間的關(guān)系捕捉效果好，但是在空間（多特征）之間的數(shù)據(jù)關(guān)系捕捉效果一般。

5、3、融合模型cnn+lstm等在訓(xùn)練處理更長的時(shí)間序列數(shù)據(jù)時(shí)，他們的訓(xùn)練速度不佳，導(dǎo)致訓(xùn)練時(shí)間成本很高。

技術(shù)實(shí)現(xiàn)思路

1、針對現(xiàn)有技術(shù)的不足，本發(fā)明的目的在于提供一種電池soc評估方法，旨在解決背景技術(shù)中提到的技術(shù)問題。

2、為了實(shí)現(xiàn)上述目的，本發(fā)明是通過如下技術(shù)方案來實(shí)現(xiàn)的：

3、一種電池soc評估方法，包括如下步驟：

4、獲取電池的充放電數(shù)據(jù)集，對所述充放電數(shù)據(jù)集進(jìn)行缺值補(bǔ)充及滑動(dòng)窗口處理，以得到訓(xùn)練特征目標(biāo)集合；

5、將所述訓(xùn)練特征目標(biāo)集合輸入至transformer網(wǎng)絡(luò)的編碼層進(jìn)行嵌入處理和位置編碼，以得到嵌入張量；

6、通過多頭自注意力機(jī)制對所述嵌入張量進(jìn)行計(jì)算以得到拼接張量；

7、將所述拼接張量輸入至所述transformer網(wǎng)絡(luò)的編碼層中的反饋神經(jīng)網(wǎng)絡(luò)，以映射出第一輸出張量集合，并對所述第一輸出張量集合進(jìn)行優(yōu)化，其中所述第一輸出張量集合與所述拼接張量處于同一維度；

8、對優(yōu)化后的所述第一輸出張量集合進(jìn)行全局平局池化層與塑形層處理，以得到可供lstm網(wǎng)絡(luò)處理的形狀輸出集合；

9、將所述形狀輸出集合輸入至所述lstm網(wǎng)絡(luò)進(jìn)行關(guān)于時(shí)間序列的數(shù)據(jù)更新，以得到第二輸出張量集合；

10、將所述第二輸出張量集合輸入至線性回歸全連接層進(jìn)行線性回歸預(yù)測，以得到電池soc的預(yù)測值。

11、根據(jù)上述技術(shù)方案的一方面，所述獲取電池的充放電數(shù)據(jù)集，對所述充放電數(shù)據(jù)集進(jìn)行缺值補(bǔ)充及滑動(dòng)窗口處理，以得到訓(xùn)練特征目標(biāo)集合的具體步驟包括：

12、獲取電池的充放電數(shù)據(jù)集，其中表示所述充放電數(shù)據(jù)集第 i行第 j列的數(shù)據(jù)；

13、通過缺值補(bǔ)充函數(shù)對所述充放電數(shù)據(jù)集中缺失的數(shù)據(jù)進(jìn)行補(bǔ)充，公式如下：

14、；

15、其中，為缺值補(bǔ)充函數(shù)，，表示所述充放電數(shù)據(jù)集中 j列的平均值；

16、通過滑動(dòng)窗口函數(shù)對經(jīng)缺值補(bǔ)充后的所述充放電數(shù)據(jù)集進(jìn)行時(shí)間特征處理，以獲得訓(xùn)練特征目標(biāo)集合，公式如下：

17、；

18、其中，為所述滑動(dòng)窗口函數(shù)，為所述訓(xùn)練特征目標(biāo)集合，，， s表示窗口大小， b表示訓(xùn)練特征的數(shù)量。

19、根據(jù)上述技術(shù)方案的一方面，所述將所述訓(xùn)練特征目標(biāo)集合輸入至transformer網(wǎng)絡(luò)的編碼層進(jìn)行嵌入處理和位置編碼，以得到嵌入張量的具體步驟包括：

20、將所述訓(xùn)練特征目標(biāo)集合輸入至嵌入層；

21、通過嵌入矩陣映射所述訓(xùn)練特征目標(biāo)集合中的單個(gè)張量，以得到嵌入張量；

22、將所述嵌入張量與位置編碼張量相加得到經(jīng)過預(yù)處理后的位置信息張量。

23、根據(jù)上述技術(shù)方案的一方面，所述通過多頭自注意力機(jī)制對所述嵌入張量進(jìn)行計(jì)算以得到拼接張量的具體步驟包括：

24、將所述位置信息張量輸入至多頭注意力函數(shù)進(jìn)行線性變換；

25、將經(jīng)線性變換后的數(shù)據(jù)分割為多個(gè)頭后進(jìn)行注意力計(jì)算，以得到拼接向量。

26、根據(jù)上述技術(shù)方案的一方面，所述將所述拼接張量輸入至所述transformer網(wǎng)絡(luò)的編碼層中的反饋神經(jīng)網(wǎng)絡(luò)，以映射出第一輸出張量集合，并對所述第一輸出張量集合進(jìn)行優(yōu)化的具體步驟包括：

27、將所述拼接向量輸入至所述transformer網(wǎng)絡(luò)的編碼層中的反饋神經(jīng)網(wǎng)絡(luò)；

28、使第一維度空間的所述拼接向量經(jīng)過第一全連接層，以將所述拼接向量映射至第二維度空間，所述第二維度空間的維度高于所述第一維度空間的維度；

29、使所述第二維度空間的所述拼接向量經(jīng)過激活函數(shù)后，通過第二全連接層，將所述第二維度空間的所述拼接向量映射回所述第一維度空間，以得到第一輸出張量；

30、

31、式中，， d表示頭的數(shù)量t與每一個(gè)頭的維度 dk的乘積；

32、通過所述第一輸出張量得到第一輸出張量集合，；

33、將所述第一輸出張量集合作為transformer網(wǎng)絡(luò)解碼器中的編碼器-解碼器多頭自注意力機(jī)制的關(guān)鍵字和值的輸入，以提高所述transformer網(wǎng)絡(luò)的理解和處理序列數(shù)據(jù)的能力，進(jìn)而得到優(yōu)化后拼接向量；

34、所述將所述第一輸出張量集合作為transformer網(wǎng)絡(luò)解碼器中的編碼器-解碼器多頭自注意力機(jī)制的關(guān)鍵字和值的輸入，以提高所述transformer網(wǎng)絡(luò)的理解和處理序列數(shù)據(jù)的能力，進(jìn)而得到優(yōu)化后拼接向量的具體步驟包括：

35、進(jìn)行所述transformer網(wǎng)絡(luò)解碼器輸入的初始化，得到與所述訓(xùn)練特征目標(biāo)集合形狀一致的全零目標(biāo)集合；

36、將所述全零目標(biāo)集合輸入至所述嵌入層，通過與所述編碼器同樣的位置進(jìn)行編碼預(yù)處理，作為所述解碼器輸入所述全零目標(biāo)集合得到位置信息張量；

37、所述多頭自注意力機(jī)制有兩個(gè)，將所述位置信息張量輸入至第一個(gè)所述多頭自注意力機(jī)制中進(jìn)行線性變換，將經(jīng)線性變換后的所述位置信息張量分割為多個(gè)頭，后進(jìn)行注意力計(jì)算，以得到中間拼接向量；

38、將所述中間拼接向量作為查詢，與所述第一輸出張量集合一同作為關(guān)鍵字和值輸入所述transformer網(wǎng)絡(luò)解碼器中的第二個(gè)所述多頭自注意力機(jī)制中，以在所述編碼器-解碼器多頭自注意力機(jī)制進(jìn)行線性變換；

39、將在所述編碼器-解碼器多頭自注意力機(jī)制進(jìn)行線性變換后的數(shù)據(jù)分割為多個(gè)頭，后進(jìn)行注意力計(jì)算，以得到優(yōu)化后拼接向量；

40、將所述優(yōu)化后拼接向量輸入至所述transformer網(wǎng)絡(luò)的解碼層中的反饋神經(jīng)網(wǎng)絡(luò)；

41、使所述第一維度空間的所述優(yōu)化后拼接向量經(jīng)過第一全連接層，以將所述優(yōu)化后拼接向量映射至第二維度空間；

42、使所述第二維度空間的所述優(yōu)化后拼接向量經(jīng)過激活函數(shù)后，通過所述第二全連接層，將所述第二維度空間的所述優(yōu)化后拼接向量映射回所述第一維度空間，以得到優(yōu)化后第一輸出張量；

43、

44、式中，， d表示頭的數(shù)量t與每一個(gè)頭的維度 dk的乘積；

45、通過所述優(yōu)化后第一輸出張量得到優(yōu)化后第一輸出張量集合，。

46、根據(jù)上述技術(shù)方案的一方面，所述對優(yōu)化后的所述第一輸出張量集合進(jìn)行全局平局池化層與塑形層處理，以得到可供lstm網(wǎng)絡(luò)處理的形狀輸出集合的具體步驟包括：

47、將所述優(yōu)化后第一輸出張量集合輸入至全局平均池化層 gap，以得到中間集合；

48、

49、式中，為的時(shí)間步數(shù)，表示在所述優(yōu)化后第一輸出張量集合中，第 i個(gè)樣本在第 j個(gè)時(shí)間步、第 k個(gè)特征維度的值，，；

50、將所述中間集合輸入至塑形層，以將所述中間集合轉(zhuǎn)換為可供lstm網(wǎng)絡(luò)處理的形狀輸出集合；

51、

52、式中，（1，-1）為所述中間集合需要更改后的形狀，，。

53、根據(jù)上述技術(shù)方案的一方面，所述將所述形狀輸出集合輸入至所述lstm網(wǎng)絡(luò)進(jìn)行關(guān)于時(shí)間序列的數(shù)據(jù)更新，以得到第二輸出張量集合的具體步驟包括：

54、將所述形狀輸出集合經(jīng)過預(yù)處理，得到保留了時(shí)間關(guān)系的數(shù)據(jù)集；

55、其中，，所述lstm網(wǎng)絡(luò)中包括遺忘門、輸入門和輸出門；

56、通過所述遺忘門中的sigmoid神經(jīng)網(wǎng)絡(luò)層處理所述數(shù)據(jù)集，以得到遺忘數(shù)值；

57、；

58、式中，為神經(jīng)單元參數(shù)， bf為偏置參數(shù)，為所述遺忘門中的sigmoid神經(jīng)網(wǎng)絡(luò)層；

59、將當(dāng)前記憶元的所述遺忘數(shù)值與上一記憶元ct-1相乘，對所述數(shù)據(jù)集中的細(xì)胞狀態(tài)進(jìn)行信息篩選；

60、通過所述輸入門中的sigmoid神經(jīng)網(wǎng)絡(luò)層處理所述數(shù)據(jù)集，以得到候選信息 it；

61、；

62、式中，為神經(jīng)單元參數(shù)， bi為偏置參數(shù)，為所述輸入門中的sigmoid神經(jīng)網(wǎng)絡(luò)層；

63、通過所述輸入門中的tanh神經(jīng)網(wǎng)絡(luò)層處理所述候選信息 it，對需要輸入的所述候選信息 it進(jìn)行篩選，以確定生成信息；

64、

65、式中，為神經(jīng)單元參數(shù)， bc為偏置參數(shù)；

66、基于所述遺忘數(shù)值、所述候選信息 it及所述生成信息，更新記憶元信息，以得到輸出記憶元信息；

67、通過所述輸出門中的sigmoid神經(jīng)網(wǎng)絡(luò)層處理所述數(shù)據(jù)集，以得到輸出信息，通過輸出門中的tanh神經(jīng)網(wǎng)絡(luò)層處理所述輸出記憶元信息，得到-1至1的向量值；

68、將所述輸出信息與所述向量值結(jié)合，以獲取隱藏狀態(tài)；

69、

70、式中，為神經(jīng)單元參數(shù)， bo為偏置參數(shù)；

71、將所述lstm網(wǎng)絡(luò)中的每一個(gè)所述隱藏狀態(tài)組成集合，以得到第二輸出張量，進(jìn)而獲取第二輸出張量集合。

72、本發(fā)明還提供一種電池soc評估系統(tǒng)，包括：

73、獲取模塊：獲取電池的充放電數(shù)據(jù)集，對所述充放電數(shù)據(jù)集進(jìn)行缺值補(bǔ)充及滑動(dòng)窗口處理，以得到訓(xùn)練特征目標(biāo)集合；

74、所述獲取模塊具體用于：獲取電池的充放電數(shù)據(jù)集，其中表示所述充放電數(shù)據(jù)集第 i行第 j列的數(shù)據(jù)；

75、通過缺值補(bǔ)充函數(shù)對所述充放電數(shù)據(jù)集中缺失的數(shù)據(jù)進(jìn)行補(bǔ)充，公式如下：

76、；

77、其中，為缺值補(bǔ)充函數(shù)，，表示所述充放電數(shù)據(jù)集中 j列的平均值；

78、通過滑動(dòng)窗口函數(shù)對經(jīng)缺值補(bǔ)充后的所述充放電數(shù)據(jù)集進(jìn)行時(shí)間特征處理，以獲得訓(xùn)練特征目標(biāo)集合，公式如下：

79、；

80、其中，為所述滑動(dòng)窗口函數(shù)，為所述訓(xùn)練特征目標(biāo)集合，，， s表示窗口大小， b表示訓(xùn)練特征的數(shù)量；

81、嵌入模塊：將所述訓(xùn)練特征目標(biāo)集合輸入至transformer網(wǎng)絡(luò)的編碼層進(jìn)行嵌入處理和位置編碼，以得到嵌入張量；

82、所述嵌入模塊具體用于：將所述訓(xùn)練特征目標(biāo)集合輸入至嵌入層；

83、通過嵌入矩陣映射所述訓(xùn)練特征目標(biāo)集合中的單個(gè)張量，以得到嵌入張量；

84、將所述嵌入張量與位置編碼張量相加得到經(jīng)過預(yù)處理后的位置信息張量；

85、拼接模塊：通過多頭自注意力機(jī)制對所述嵌入張量進(jìn)行計(jì)算以得到拼接張量；

86、所述拼接模塊具體用于：將所述位置信息張量輸入至多頭注意力函數(shù)進(jìn)行線性變換；

87、將經(jīng)線性變換后的數(shù)據(jù)分割為多個(gè)頭后進(jìn)行注意力計(jì)算，以得到拼接向量；

88、第一處理模塊：將所述拼接張量輸入至所述transformer網(wǎng)絡(luò)的編碼層中的反饋神經(jīng)網(wǎng)絡(luò)，以映射出第一輸出張量集合，并對所述第一輸出張量集合進(jìn)行優(yōu)化，其中所述第一輸出張量集合與所述拼接張量處于同一維度；

89、將所述拼接向量輸入至所述transformer網(wǎng)絡(luò)的編碼層中的反饋神經(jīng)網(wǎng)絡(luò)；

90、使第一維度空間的所述拼接向量經(jīng)過第一全連接層，以將所述拼接向量映射至第二維度空間，所述第二維度空間的維度高于所述第一維度空間的維度；

91、使所述第二維度空間的所述拼接向量經(jīng)過激活函數(shù)后，通過第二全連接層，將所述第二維度空間的所述拼接向量映射回所述第一維度空間，以得到第一輸出張量；

92、

93、式中，， d表示頭的數(shù)量t與每一個(gè)頭的維度 dk的乘積；

94、通過所述第一輸出張量得到第一輸出張量集合，；

95、將所述第一輸出張量集合作為transformer網(wǎng)絡(luò)解碼器中的編碼器-解碼器多頭自注意力機(jī)制的關(guān)鍵字和值的輸入，以提高所述transformer網(wǎng)絡(luò)的理解和處理序列數(shù)據(jù)的能力，進(jìn)而得到優(yōu)化后拼接向量；

96、所述將所述第一輸出張量集合作為transformer網(wǎng)絡(luò)解碼器中的編碼器-解碼器多頭自注意力機(jī)制的關(guān)鍵字和值的輸入，以提高所述transformer網(wǎng)絡(luò)的理解和處理序列數(shù)據(jù)的能力，進(jìn)而得到優(yōu)化后拼接向量的具體步驟包括：

97、進(jìn)行所述transformer網(wǎng)絡(luò)解碼器輸入的初始化，得到與所述訓(xùn)練特征目標(biāo)集合形狀一致的全零目標(biāo)集合；

98、將所述全零目標(biāo)集合輸入至所述嵌入層，通過與所述編碼器同樣的位置進(jìn)行編碼預(yù)處理，作為所述解碼器輸入所述全零目標(biāo)集合得到位置信息張量；

99、所述多頭自注意力機(jī)制有兩個(gè)，將所述位置信息張量輸入至第一個(gè)所述多頭自注意力機(jī)制中進(jìn)行線性變換，將經(jīng)線性變換后的所述位置信息張量分割為多個(gè)頭，后進(jìn)行注意力計(jì)算，以得到中間拼接向量；

100、將所述中間拼接向量作為查詢，與所述第一輸出張量集合一同作為關(guān)鍵字和值輸入所述transformer網(wǎng)絡(luò)解碼器中的第二個(gè)所述多頭自注意力機(jī)制中，以在所述編碼器-解碼器多頭自注意力機(jī)制進(jìn)行線性變換；

101、將在所述編碼器-解碼器多頭自注意力機(jī)制進(jìn)行線性變換后的數(shù)據(jù)分割為多個(gè)頭，后進(jìn)行注意力計(jì)算，以得到優(yōu)化后拼接向量；

102、將所述優(yōu)化后拼接向量輸入至所述transformer網(wǎng)絡(luò)的解碼層中的反饋神經(jīng)網(wǎng)絡(luò)；

103、使所述第一維度空間的所述優(yōu)化后拼接向量經(jīng)過第一全連接層，以將所述優(yōu)化后拼接向量映射至第二維度空間；

104、使所述第二維度空間的所述優(yōu)化后拼接向量經(jīng)過激活函數(shù)后，通過所述第二全連接層，將所述第二維度空間的所述優(yōu)化后拼接向量映射回所述第一維度空間，以得到優(yōu)化后第一輸出張量；

105、

106、式中，， d表示頭的數(shù)量t與每一個(gè)頭的維度 dk的乘積；

107、通過所述優(yōu)化后第一輸出張量得到優(yōu)化后第一輸出張量集合，；

108、塑形模塊：對優(yōu)化后的所述第一輸出張量集合進(jìn)行全局平局池化層與塑形層處理，以得到可供lstm網(wǎng)絡(luò)處理的形狀輸出集合；

109、所述塑形模塊具體用于：

110、將所述優(yōu)化后第一輸出張量集合輸入至全局平均池化層 gap，以得到中間集合；

111、

112、式中，為的時(shí)間步數(shù)，表示在所述優(yōu)化后第一輸出張量集合中，第 i個(gè)樣本在第 j個(gè)時(shí)間步、第 k個(gè)特征維度的值，，；

113、將所述中間集合輸入至塑形層，以將所述中間集合轉(zhuǎn)換為可供lstm網(wǎng)絡(luò)處理的形狀輸出集合；

114、

115、式中，（1，-1）為所述中間集合需要更改后的形狀，，；

116、第二處理模塊：將所述形狀輸出集合輸入至所述lstm網(wǎng)絡(luò)進(jìn)行關(guān)于時(shí)間序列的數(shù)據(jù)更新，以得到第二輸出張量集合；

117、所述第二處理模塊具體用于：將所述形狀輸出集合經(jīng)過預(yù)處理，得到保留了時(shí)間關(guān)系的數(shù)據(jù)集；

118、其中，，所述lstm網(wǎng)絡(luò)中包括遺忘門、輸入門和輸出門；

119、通過所述遺忘門中的sigmoid神經(jīng)網(wǎng)絡(luò)層處理所述數(shù)據(jù)集，以得到遺忘數(shù)值；

120、；

121、式中，為神經(jīng)單元參數(shù)， bf為偏置參數(shù)，為所述遺忘門中的sigmoid神經(jīng)網(wǎng)絡(luò)層；

122、將當(dāng)前記憶元的所述遺忘數(shù)值與上一記憶元ct-1相乘，對所述數(shù)據(jù)集中的細(xì)胞狀態(tài)進(jìn)行信息篩選；

123、通過所述輸入門中的sigmoid神經(jīng)網(wǎng)絡(luò)層處理所述數(shù)據(jù)集，以得到候選信息 it；

124、；

125、式中，為神經(jīng)單元參數(shù)， bi為偏置參數(shù)，為所述輸入門中的sigmoid神經(jīng)網(wǎng)絡(luò)層；

126、通過所述輸入門中的tanh神經(jīng)網(wǎng)絡(luò)層處理所述候選信息 it，對需要輸入的所述候選信息 it進(jìn)行篩選，以確定生成信息；

127、

128、式中，為神經(jīng)單元參數(shù)， bc為偏置參數(shù)；

129、基于所述遺忘數(shù)值、所述候選信息 it及所述生成信息，更新記憶元信息，以得到輸出記憶元信息；

130、通過所述輸出門中的sigmoid神經(jīng)網(wǎng)絡(luò)層處理所述數(shù)據(jù)集，以得到輸出信息，通過輸出門中的tanh神經(jīng)網(wǎng)絡(luò)層處理所述輸出記憶元信息，得到-1至1的向量值；

131、將所述輸出信息與所述向量值結(jié)合，以獲取隱藏狀態(tài)；

132、

133、式中，為神經(jīng)單元參數(shù)， bo為偏置參數(shù)；

134、將所述lstm網(wǎng)絡(luò)中的每一個(gè)所述隱藏狀態(tài)組成集合，以得到第二輸出張量，進(jìn)而獲取第二輸出張量集合；

135、輸出模塊：將所述第二輸出張量集合輸入至線性回歸全連接層進(jìn)行線性回歸預(yù)測，以得到電池soc的預(yù)測值。

136、本發(fā)明還提供一種存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，該計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如上所述的電池soc評估方法。

137、本發(fā)明還提供一種電子設(shè)備，包括存儲(chǔ)器、處理器以及存儲(chǔ)在所述存儲(chǔ)器上并可在所述處理器上運(yùn)行的計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)如上所述的電池soc評估方法。

138、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果在于：

139、通過融合使用transformer網(wǎng)絡(luò)和lstm網(wǎng)絡(luò)，lstm網(wǎng)絡(luò)的出現(xiàn)解決了soc預(yù)測領(lǐng)域處理時(shí)間序列數(shù)據(jù)依賴關(guān)系的難題，利用transformer網(wǎng)絡(luò)對于多特征捕捉優(yōu)勢的特點(diǎn)，彌補(bǔ)lstm在空間（多特征）之間的數(shù)據(jù)關(guān)系捕捉效果一般的問題和對其更長時(shí)序序列數(shù)據(jù)關(guān)系捕捉效果下降的問題，使得本發(fā)明既能捕捉數(shù)據(jù)間的空間關(guān)系特性，又可以很好把握時(shí)間序列關(guān)系，從而形成一種時(shí)空的高低搭配模型，新提出的融合模型預(yù)測電池soc效果得到了明顯提升；

140、本發(fā)明提出一種全新的可預(yù)測超大規(guī)模數(shù)據(jù)量的電池soc預(yù)測模型，通過transforme網(wǎng)絡(luò)進(jìn)行并行處理，從而提高訓(xùn)練的速度，節(jié)約訓(xùn)練時(shí)間成本，該融合模型從多緯度去預(yù)測電芯的soc，空間維度即不同特征之間的維度，時(shí)間維度即不同時(shí)間獲得的時(shí)間去估計(jì)電池的soc，通過結(jié)合transformer網(wǎng)絡(luò)處理空間序列數(shù)據(jù)的優(yōu)勢和lstm網(wǎng)絡(luò)在時(shí)間序列處理的特長，模型優(yōu)勢互補(bǔ)，對于電池soc評估精度的提高有著顯著效果。