王升暉，田 慶，劉力豪，馮恩來，于天劍

（1. 中車青島四方機車車輛股份有限公司，山東 青島 266111；2. 中南大學(xué) 交通運輸工程學(xué)院，湖南 長沙 410075）

0 引言

堿性鎳鎘電池是動車組最常用的蓄電池，為動車組輔助裝置提供高效穩(wěn)定的起動和應(yīng)急電源，在動車組起動至受電弓接入接觸網(wǎng)階段或者故障工況時，為動車組的牽引控制、信號傳輸以及照明等直流低壓電氣設(shè)備供電［1］。在動車組電池管理系統(tǒng)中，荷電狀態(tài)（state of charge，SOC）指標(biāo)是反應(yīng)電池能量狀態(tài)的重要參數(shù)，是電池能量管理的基礎(chǔ)指標(biāo)［2］。但是電池的SOC值無法通過傳感器直接測量，只能通過電池循環(huán)數(shù)據(jù)中的電壓、電流等物理參數(shù)，間接映射得到［3］。因此，建立精確的電池荷電狀態(tài)估算模型，準(zhǔn)確估計剩余電量對于延長電池使用壽命，提高能量利用率具有極為重要的意義。

目前，電池SOC 估計方法主要有基于實驗的方法、基于電池模型的方法、基于數(shù)據(jù)驅(qū)動的方法以及多模型融合方法。

基于實驗的方法包括安時積分法［4］和開路電壓法［5］等方法。安時積分法為開環(huán)方法，會累計誤差［6］，開路電壓法需要電池達(dá)到電壓穩(wěn)定狀態(tài)才能采集開路電壓值，無法應(yīng)用于實際線路。

電池模型方法主要可以分為兩類：一類是基于物理等效電路模型［7］，另一類是基于電化學(xué)原理模型方法［8］。等效電路模型主要依據(jù)電池的電化學(xué)特性來建模，需深入分析電池內(nèi)部的化學(xué)反應(yīng)和過程；然而，由于電池狀態(tài)易受到外界環(huán)境的影響，加之其內(nèi)部的電化學(xué)反應(yīng)十分復(fù)雜，這使得建立一個完全精確的模型來描述電池的所有狀態(tài)變得極為困難。

數(shù)據(jù)驅(qū)動［9-11］的方法是通過大量實驗，采用統(tǒng)計方法、機器學(xué)習(xí)以及深度學(xué)習(xí)方法對實驗數(shù)據(jù)進行分析和建模，不需對電池化學(xué)模型進行深度分析便可以準(zhǔn)確地反映電池的真實運行狀態(tài)和性能，同時具有較高的適應(yīng)性和實時性。數(shù)據(jù)驅(qū)動模型具有強大的分析能力。

單一模型通常具有一定的局限性，容易受到應(yīng)用場景和計算能力限制，從而導(dǎo)致模型不適用。而多模型融合方法通常具有較好的泛化能力，能夠抓取數(shù)據(jù)的多方面特征表現(xiàn)來提高模型的魯棒性。張珂瑞等［12］通過聯(lián)合擴展卡爾曼粒子濾波和二階Thevenin等效電路方法對退役動力鋰離子電池開展SOC估計。李暢等［13］通過改進的蝴蝶優(yōu)化算法對BP 神經(jīng)網(wǎng)絡(luò)進行超參數(shù)尋優(yōu)，降低了電池SOC 估算誤差。李龍等［14］以循環(huán)神經(jīng)網(wǎng)絡(luò)為預(yù)測模型，采用卷積神經(jīng)網(wǎng)絡(luò)對電池數(shù)據(jù)進行充分特征提取，提高了SOC估算模型的泛化能力。

蓄電池在實際使用中，其狀態(tài)參數(shù)受環(huán)境影響較大，容易導(dǎo)致傳感器測量參數(shù)波動，同時隨機誤差導(dǎo)致電池SOC 具有時變、非線性等特點，單一模型難以捕捉動態(tài)數(shù)據(jù)中電池的狀態(tài)信息。同時，在長序列分析中，循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural network，RNN）容易產(chǎn)生梯度消失和梯度爆炸的問題，長短期記憶網(wǎng)絡(luò)（long short-term memory，LSTM）以及門控循環(huán)單元（gated recurrent unit，GRU）容易出現(xiàn)丟失現(xiàn)象，難以學(xué)習(xí)電池容量數(shù)據(jù)中的長距離依賴關(guān)系［15］。

基于上述現(xiàn)象，為了更精確地估計動車組蓄電池的SOC并優(yōu)化電池管理系統(tǒng)，本文提出一種融合注意力機制（attention mechanism）的卷積-門控循環(huán)單元（convolutional-gated recurrent unit，CNN-GRU）電池SOC 估算模型（簡稱“CNN-GRU-Attention 模型”）。其首先利用卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）從電池循環(huán)數(shù)據(jù)中提取短時特征依賴關(guān)系，同時利用融合注意力機制的GRU 網(wǎng)絡(luò)結(jié)構(gòu)捕捉特征數(shù)據(jù)的長空間距離依賴關(guān)系，從而加強時序性對電池能量狀態(tài)的影響，達(dá)到更準(zhǔn)確的電池SOC估算精度以及更強的泛化能力。此外，為了適應(yīng)小樣本電池循環(huán)數(shù)據(jù)SOC 的精準(zhǔn)估算，本文提出一種改進方法，將連續(xù)回歸模型轉(zhuǎn)化為分類問題，通過將電池SOC連續(xù)區(qū)間離散化，把電池SOC值映射到0到100的101個離散類別中。這樣，最終的預(yù)測結(jié)果將直接給出電池的SOC 類別，從而更有效地處理數(shù)據(jù)的不確定性和隨機噪聲。

1 模型算法

1.1 CNN特征提取模塊

CNN通過卷積操作可以捕捉數(shù)據(jù)中的局部特征和關(guān)鍵模式，其特征提取能力來源于卷積操作、激活函數(shù)和池化（pooling）操作。卷積操作是CNN的核心，數(shù)據(jù)中的某些模式和規(guī)律可能只在短時間窗口內(nèi)出現(xiàn)，CNN卷積操作可以捕獲這些局部依賴性，使模型能夠識別并利用這些短時特征。激活函數(shù)被應(yīng)用于卷積操作的輸出，為模型增加了非線性，使得模型能夠擬合更復(fù)雜的關(guān)系。常用的激活函數(shù)有ReLU、tanh、Sigmoid等。池化操作可以將提取的特征進行降維和抽象，去除冗余信息，減小計算復(fù)雜度，同時提高模型的泛化能力。不同于全連接層，CNN在提取特征的同時保持了數(shù)據(jù)的序列結(jié)構(gòu)，這對于處理時間序列數(shù)據(jù)（電池循環(huán)數(shù)據(jù)）是非常重要的。通過CNN特征提取模塊，我們可以從電池循環(huán)數(shù)據(jù)中獲取電池能量狀態(tài)信息，并為后續(xù)的GRU模塊提供更有效的輸入，從而提高整體模型的SOC 估算性能。

1.2 融合注意力機制的GRU模塊

GRU 模型是為解決循環(huán)神經(jīng)網(wǎng)絡(luò)長期記憶依賴關(guān)系捕捉和解決反向傳播梯度消失的問題所提出的［16］，相較于LSTM 模型，GRU 具有更加簡單的結(jié)構(gòu)以及較少的參數(shù)，GRU通過更新門和重置門兩個門控單元進行訓(xùn)練和推理，而LSTM具有輸入門、遺忘門和輸出門3個門控單元。這使得GRU在訓(xùn)練和推理過程中具有更高的計算效率。此外，LSTM 通過細(xì)胞狀態(tài)（cell state）來保持和傳遞信息，這增加了模型的復(fù)雜性。相比之下，GRU僅使用隱藏狀態(tài)（hidden state）來傳遞信息，減少了內(nèi)部狀態(tài)的數(shù)量，簡化了模型結(jié)構(gòu)，所以它通常具有更快的訓(xùn)練速度。

GRU模型具有一定的記憶能力，但是在處理較長序列時，無法充分捕捉到每個時間步的重要信息，因為隱藏狀態(tài)的傳遞通過時間步進行，信息在時間上逐漸減弱或消失。為了解決這一問題，本文提出通過引入注意力機制，動態(tài)地為輸入特征分配權(quán)重，從而對每個時間步的重要信息進行更為精確的捕捉。這不僅能幫助模型更好地關(guān)注那些對預(yù)測電池剩余電量最具影響力的觀測值，而且有助于捕捉數(shù)據(jù)中的長期依賴關(guān)系。這種方法能夠有效地增強模型的預(yù)測性能和準(zhǔn)確性。

融合注意力機制的GRU模型即GRU-Attention模型結(jié)構(gòu)如圖1所示，其中GRU部分箭頭方向表示數(shù)據(jù)流向，其中，更新門zt實現(xiàn)對前一時刻隱藏狀態(tài)信息的選擇性遺忘，重置門rt實現(xiàn)對當(dāng)前狀態(tài)和之前信息的選擇性記憶，rt和zt的值越接近0，說明上一時刻需要遺忘的信息越多；其值越接近1，代表記憶下來的信息越多。

圖1 融合注意力機制的GRU 結(jié)構(gòu)圖Fig.1 Architecture of GRU fused with attention mechanism

將輸入的電池SOC 映射特征序列經(jīng)過CNN 模塊進行特征提取之后，得到向GRU-Attention模型輸入的特征向量組，之后在GRU- Attention 模型中對蓄電池SOC利用梯度下降原理進行最小誤差特征映射。GRU部分計算公式如下：

式中：zt——時間步t的更新門，決定多少過去信息將被傳遞到當(dāng)前時間步；rt——時間步t的重置門，用于計算過去信息對當(dāng)前時間步候選隱藏狀態(tài)h～t的影響程度；ht——當(dāng)前時間步t的隱藏狀態(tài)，表示模型在時間步t的內(nèi)部記憶；xt——序列在時間步t輸入的數(shù)據(jù)；Wz——更新過程權(quán)重矩陣；Wr——重置過程權(quán)重矩陣；Wh——隱藏權(quán)重矩陣；bz——更新過程的偏置向量；br——重置過程的偏置向量；bh——隱藏偏置向量；σ——Sigmoid激活函數(shù)，它將輸入值映射到0和1之間，用于門的操作；tanh——雙曲正切激活函數(shù)，它將輸入值映射到-1和1之間，用于GRU的隱藏狀態(tài)計算，最后得到經(jīng)過GRU激活處理輸出的向量集合H=｛h1，h2，h3，…，hn｝，其中，n為集合長度。

在注意力層，對于每個時間步的隱藏狀態(tài)ht首先計算一個注意力分?jǐn)?shù)St。

式中：Wa——注意力的權(quán)重矩陣；v——可學(xué)習(xí)的權(quán)重向量；ba——偏置向量。

利用Softmax函數(shù)將注意力分?jǐn)?shù)轉(zhuǎn)化為注意力權(quán)重αts。

式中：s——所有的注意力分?jǐn)?shù)個數(shù)。

利用計算得到的注意力權(quán)重來獲得上下文注意力向量cn。

注意力向量cn被用來加權(quán)輸入序列，從而幫助解碼器更好地生成輸出序列。

1.3 CNN-GRU-Attention模型

CNN-GRU-Attention 模型如圖2 所示。其主要由4個部分構(gòu)成，包括輸入層、CNN 特征提取層、GRUAttention層以及輸出層。其中，輸入數(shù)據(jù)為電池混合脈沖功率特性（hybird pulse power characterization，HPPC）循環(huán)實驗獲取的放電參數(shù)集合X，包括電池電能累積量E=｛e1，e2，e3，…，el｝，電池電荷量Q=｛q1，q2，q3，…，ql｝，放電時間T=｛t1，t2，t3，…，tl｝，l表示參數(shù)時序長度，可用X=｛E，Q，T｝表示。其中，電荷量Q以及電能積累量E可通過電池參數(shù)在該時間戳下的電流值I、電壓值V隨時間積分值得到。

圖2 CNN-GRU-Attention 算法模型結(jié)構(gòu)Fig.2 Algorithmic model structure of CNN-GRU-Attention

CNN 特征提取層主要對輸入特征序列進行特征提取，包括1D 卷積層、池化層和全連接層，同時引入ReLU 激活函數(shù)來提高復(fù)雜非線性表達(dá)能力。池化層選擇最大值池化，經(jīng)過卷積和池化之后，原始數(shù)據(jù)被映射到低維壓縮表示，之后通過全連接層對特征進行特征融合和非線性映射，將輸出數(shù)據(jù)作為GRU-Attention層的輸入數(shù)據(jù)，計算過程如下：

式中：Θ1——卷積層1 的輸出；Θ2——卷積層2 的輸出；P1——池化層1 的輸出；P2——池化層2 的輸出；HC——卷積、池化之后通過全連接層將局部特征進行整合，轉(zhuǎn)化為高維度表示數(shù)據(jù)；W1——卷積層1 權(quán)重矩陣；W2——卷積層2 權(quán)重矩陣；W3——全連接層權(quán)重矩陣；b1——卷積層1偏置向量；b2——卷積層2偏置向量；b3——全連接層偏置向量。

之后通過GRU-Attention層對CNN層提取到的特征向量時序規(guī)律進行充分學(xué)習(xí)，學(xué)習(xí)特征數(shù)據(jù)對于電池SOC 映射的長時序依賴關(guān)系。在對第t個序列計算時，其輸出數(shù)據(jù)Yt為

式中：GRU_Attention——注意力-GRU 計算函數(shù)；t∈[1，dim(?(X))]，其中，dim（?（X））為CNN 特征映射函數(shù)?（X）的維度。

最后通過全連接層計算出電池SOC 映射的概率分布值。由于傳統(tǒng)數(shù)據(jù)回歸任務(wù)需要大量的數(shù)據(jù)進行訓(xùn)練，但是在實際應(yīng)用中會遇到小樣本問題，這時模型泛化能力不足會導(dǎo)致模型不能適應(yīng)多種電池的SOC估算以及工況使用條件。為了進一步提高網(wǎng)絡(luò)的魯棒性和可靠性，本文創(chuàng)新性提出將電池SOC映射回歸問題轉(zhuǎn)化為分類問題，即通過將動車組蓄電池SOC連續(xù)階段分成0～100的101個離散的等級。

對于連續(xù)的SOC 序列S，其取值范圍為［0，1］，代表電池荷電狀態(tài)百分比，本文引入量化函數(shù)QSOC：［0，1］ →｛0，1，2，…，100｝對電池連續(xù)SOC 序列進行離散化處理：

在保證高預(yù)測精度下，連續(xù)任務(wù)可轉(zhuǎn)化為離散任務(wù)，保證了一定的模型容錯率，以有效提高模型泛化能力。利用101個Softmax激活的神經(jīng)元節(jié)點計算輸出電池SOC的預(yù)測值，通過對交叉熵?fù)p失函數(shù)（cross-entropy loss）進行損失優(yōu)化，輸出最終電池SOC映射結(jié)果。

式中：p——將輸出數(shù)據(jù)Yt歸類為電池的SOC 預(yù)測值ysoc，h的概率，其中，ysoc，h∈｛1%，2%，…，100%｝；θ——模型參數(shù)矩陣；k——總類別數(shù)。

2 實驗分析

為了深入探究本文所提算法的精確度和魯棒性，本文選定了亞通達(dá)LPH140A 型動車組鎳鎘蓄電池作為實驗對象。首先，通過搭建HPPC工況的充放電實驗平臺，對電池進行了不同溫度下的放電實驗，以獲取關(guān)于電池放電電流、電壓和SOC 的實驗數(shù)據(jù)；基于這些數(shù)據(jù)，本文通過開展模型消融以及對比實驗，進一步驗證了CNN-GRU-Attention模型的預(yù)測精度。

2.1 電池放電實驗

圖3 為兩種不同型號鎳鎘蓄電池（亞通達(dá)LPH140A 型和長虹20KMZ180P-2 型）在相同條件下的恒流（0.2C）放電電壓曲線，圖中不同種類的鎳鎘蓄電池放電電壓隨放電百分比變化的特征相似。

在醫(yī)學(xué)模式逐漸發(fā)展和轉(zhuǎn)變的過程中，護士的角色和功能也在不斷增加，護理工作的領(lǐng)域也在不斷擴大，護理人員的責(zé)任也越來越多。僅依靠一次性學(xué)校教育所獲得的知識已無法有效滿足護理工作的實際需求，因此就需要積極開展繼續(xù)教育。在開展成人醫(yī)藥護理繼續(xù)教育時，應(yīng)根據(jù)自身情況不斷改革和創(chuàng)新教學(xué)模式，提高繼續(xù)教育的質(zhì)量，建設(shè)綜合素質(zhì)高、專業(yè)技術(shù)強的護理隊伍，最終為患者提供更加優(yōu)質(zhì)的護理服務(wù)。

圖3 不同型號鎳鎘蓄電池放電電壓曲線Fig.3 Discharge voltage curves of different types of nickelcadmium batteries

本文選取亞通達(dá)LPH140A 型動車組鎳鎘蓄電池開展實驗研究。所搭建的充放電實驗平臺搭建如圖4所示，利用BTS-4008電池測試系統(tǒng)作為實驗組鎳鎘電池充放電平臺，利用電池測量儀對測試系統(tǒng)進行數(shù)據(jù)采集，將電壓、電流等數(shù)據(jù)傳至上位機并存入數(shù)據(jù)庫，通過可編程恒溫箱對測試環(huán)境進行溫度控制，以保證測試環(huán)境的穩(wěn)定性。

圖4 實驗平臺Fig.4 Experimental platform

HPPC工況是用于電池性能測試和評估的一種標(biāo)準(zhǔn)工況。在HPPC工況下，電池通過交替進行脈沖放電和靜態(tài)放電來評估其瞬態(tài)和持久性能，即電池在持續(xù)負(fù)載情況下的容量和能量輸出能量，進而估算電池SOC。實驗步驟如表1所示。

表1 電池實驗流程Tab.1 Battery experiment procedure

在20 ℃的實驗環(huán)境條件下，電池在HPPC工況下放電的電流、電壓變化以及SOC變化曲線如圖5所示。

圖5 20 ℃時鎳鎘電池HPPC 工況放電參數(shù)Fig.5 Discharge parameters for nickel-cadmium batteries under HPPC conditions at 20°C

2.2 SOC預(yù)測算法結(jié)果分析

在傳統(tǒng)的回歸預(yù)測中，連續(xù)回歸任務(wù)通常需要大量的數(shù)據(jù)作為模型的輸入進行訓(xùn)練，當(dāng)樣本數(shù)量有限時，模型的預(yù)測性能可能會受到嚴(yán)重影響。如圖6所示，本研究在固定的數(shù)據(jù)和參數(shù)條件下，對電池放電過程中的SOC變化情況進行了基于分類映射和回歸擬合的預(yù)測。預(yù)測結(jié)果表明，在特征樣本較少的情況下，利用分類映射方法得到的預(yù)測結(jié)果相對于傳統(tǒng)的回歸方法更接近真實數(shù)據(jù)。這表明，在數(shù)據(jù)受限的條件下，采用分類映射方法進行預(yù)測是一個更有效的策略。

圖6 在離散和連續(xù)條件下模型預(yù)測結(jié)果Fig.6 Model prediction results under discrete and continuous conditions

2.2.1 模型結(jié)構(gòu)參數(shù)

CNN-GRU-Attention模型旨在處理序列數(shù)據(jù)，從中提取特征并進行多類別分類。模型的結(jié)構(gòu)包括2個卷積層、2個GRU層、1個注意力層以及3個全連接網(wǎng)絡(luò)構(gòu)成的輸出層。每個卷積層都包含32個卷積濾波器，每個濾波器的卷積核大小為3。這些卷積層的主要任務(wù)是捕獲輸入序列中的局部特征，從而有助于模型更好地理解序列中的結(jié)構(gòu)和模式信息；每個GRU層包含32個GRU單元，并設(shè)置為返回完整的序列，用于捕獲序列中的時間相關(guān)性和長期依賴關(guān)系。為了減少過擬合的風(fēng)險，在GRU層之后應(yīng)用丟棄層，丟棄率設(shè)置為0.2。

在特征提取的過程中，模型輸出層包括3 個全接層。第一個全連接層具有32 個神經(jīng)元，第二個全連接層具有16 個神經(jīng)元，最后一個全連接層包含101 個神經(jīng)元，并使用Softmax激活函數(shù)執(zhí)行多類別分類，從而完成SOC預(yù)測輸出任務(wù)。模型在訓(xùn)練過程中的參數(shù)匯總?cè)绫?所示。

表2 模型超參數(shù)設(shè)置Tab.2 The model hyperparameter settings

2.2.2 模型預(yù)測結(jié)果以及分析

在利用估算模型對蓄電池SOC進行估算時，必然會存在估算誤差。估算誤差是評價模型的優(yōu)劣程度的重要指標(biāo)。本文引入平均絕對誤差（mean absolute error，MAE）Θmae、均方根誤差（root mean square error，RMSE）Θrmse和平均相對誤差（mean relative error，MRE）Θmre作為模型精度的評價指標(biāo)，其計算公式為

式中：z——序列長度；yreal——真實值；—— 預(yù)測值。

考慮在不同溫度下電池放電性能不同，本文通過在-10 ℃、20 ℃、30 ℃和40 ℃的電池HPPC工況放電實驗對電池SOC進行估算，建立蓄電池放電過程中的電池電荷量、電能累積量和放電時間對電池SOC映射關(guān)系。在進行電池SOC估算之前，對輸入特征數(shù)據(jù)進行歸一化處理，將數(shù)據(jù)轉(zhuǎn)換為同一尺度有助于提高模型的性能和收斂速度；同時，采用分層隨機抽樣的方式選取數(shù)據(jù)訓(xùn)練集和測試集，訓(xùn)練集和測試集數(shù)量比例為8∶2。

基于本文提出的融合模型以及對比模型在不同溫度下電池SOC估算對比結(jié)果如圖7所示，模型預(yù)測誤差分析結(jié)果如表3所示?？梢缘玫?，在不同的溫度下，CNNGRU-Attention模型可以有效地捕捉蓄電池在HPPC放電工況下電池的SOC變化，通過將蓄電池SOC進行分類化指標(biāo)計算，可以在小樣本數(shù)據(jù)集下對電池SOC進行良好的映射，為蓄電池SOC估算提供了一種新的思路。

表3 不同溫度條件下，各模型SOC 估算誤差對比Tab.3 Comparison of SOC estimation errors of various models under different temperature conditions

圖7 不同溫度下各模型預(yù)測結(jié)果Fig.7 Model prediction results at different temperatures

如表3 所示，對于4 種不同的溫度條件（-10 ℃、20 ℃、30 ℃、40 ℃），CNN-GRU-Attention模型在動車組堿性鎳鎘電池工況放電SOC 映射任務(wù)中均展現(xiàn)出了卓越的表現(xiàn)。與其他三種模型（CNN-GRU、GRU、LSTM）進行比較，CNN-GRU-Attention 在關(guān)鍵指標(biāo)RMSE、MAE 和MRE 上均顯著優(yōu)于其他模型。具體來說，與CNN-GRU 模型相比，CNN-GRU-Attention 在RMSE、MAE和MRE上分別提升了約18.90%、17.92%和19.78%；與GRU 模型相比，提升了約44.65%、44.29%和42.97%；而與LSTM 模型相比，提升更為明顯，分別為約45.01%、47.29%和48.23%。這些數(shù)據(jù)證明了CNN-GRU-Attention 模型在預(yù)測準(zhǔn)確性、穩(wěn)定性和魯棒性上的顯著優(yōu)勢。因此，我們可以得出結(jié)論，CNN-GRU-Attention 模型為動車組堿性鎳鎘電池的SOC估算提供了一種高效且可靠的新方法，尤其是在面對不同的溫度條件時，其預(yù)測性能始終保持穩(wěn)定和高效。

為了驗證CNN-GRU-Attention 模型的穩(wěn)定性性能，本文對電池在20℃下的放電電流、電壓特征參數(shù)添加隨機噪聲，噪聲閾值強度分別為1%、3%以及5%，在含噪特征的基礎(chǔ)上進行模型訓(xùn)練以及驗證，模型預(yù)測結(jié)果如圖8所示，模型評價如表4所示。

表4 不同噪聲閾值強度下，CNN-GRU-Attention模型誤差對比Tab.4 Comparison of errors for the CNN-GRUAttention model under different noise threshold intensities

圖8 不同噪聲含量下CNN-GRU-Attention模型預(yù)測結(jié)果Fig.8 Prediction results of CNN-GRU-Attention model under different noise levels

由表4結(jié)果可知， 即使在噪聲條件下，誤差指標(biāo)的增加仍然相對有限，說明模型在預(yù)測上仍然相對準(zhǔn)確；并且在面對不同水平的噪聲干擾時，模型的預(yù)測能力仍然保持穩(wěn)定，這是模型魯棒性的一個明顯標(biāo)志。這些發(fā)現(xiàn)驗證了本研究所提出的，通過使用分類模型替代傳統(tǒng)的回歸模型來進行電池SOC的分類映射，并將電池SOC 數(shù)據(jù)離散化的方法，在數(shù)據(jù)量有限的情境下，仍能夠準(zhǔn)確且穩(wěn)定地完成電池SOC的預(yù)測任務(wù)。這為蓄電池管理系統(tǒng)中的SOC預(yù)測提供了一種新的、可靠的方法論方向。

3 結(jié)束語

本文針對小樣本電池循環(huán)數(shù)據(jù)SOC 的精準(zhǔn)估算問題，提出了一種融合注意力機制的CNN-GRU 電池SOC估算模型。該模型首先利用CNN從電池循環(huán)數(shù)據(jù)中提取長序列中的短時特征依賴關(guān)系，然后，通過融合注意力機制的GRU 對提取的特征數(shù)據(jù)進行長空間距離依賴關(guān)系的捕捉。這種方法強化了時序性對電池能量狀態(tài)的影響，同時，對時變參數(shù)進行了更好的特征提取，從而達(dá)到了更準(zhǔn)確的電池SOC估算精度以及更強的泛化能力。

為了適應(yīng)小樣本電池循環(huán)數(shù)據(jù)SOC的精準(zhǔn)估算，本文還提出將連續(xù)回歸模型轉(zhuǎn)化為分類問題，將電池SOC區(qū)間離散化。這樣做將最終預(yù)測結(jié)果轉(zhuǎn)化為電池SOC區(qū)間值，從而更好地處理數(shù)據(jù)的不確定性和隨機噪聲。通過亞通達(dá)LPH140A型動車組鎳鎘蓄電池在不同溫度下的HPPC 工況放電實驗對本文算法進行驗證，結(jié)果顯示，本研究提出的算法具有較高的預(yù)測精度，相較于其他對比算法，本文算法的預(yù)測結(jié)果與CNN-GRU 算法的相比在均方根誤差、平均絕對誤差以及平均相對誤差這3 個關(guān)鍵指標(biāo)上分別提升了18.90%、17.92%和19.78%。

為了適應(yīng)更廣泛的工況和電池類型，未來可探索如何將本文算法應(yīng)用于多種電池型號以及多種電池工況條件下，以進一步提升本文模型SOC 估算的準(zhǔn)確性和可靠性。