空间变压器网络

一种利用卷积神经网络与长短期记忆变压器网络高效捕获时空特征、结合去噪增强与注意力预测的锂离子电池多温度荷电状态估计模型。

Yu, Cao · 闻新 · Hongyu, Liang

Energies 2024

参数信息

平均绝对误差降低

41 %

均方根误差降低

43 %

平均绝对误差降低

23 %

技术优势

误差显著降低

相比现有方法，平均绝对误差降低41%，均方根误差降低43%。

半监督也有效

在半监督设置下，平均绝对误差降低23%，均方根误差降低38%，减少对标注数据的依赖。

多温度适应

通过去噪增强和注意力预测提升模型在多温度条件下的泛化能力。

应用场景

• 电池管理：为电池管理系统提供更准确的荷电状态估计，提升电池健康管理。
• 锂离子电池：针对锂离子电池多温度场景优化估计精度。
• 深度学习：利用时空特征提取和半监督学习减少标注需求。