[发明专利]一种荷电状态预测方法、装置、电子设备及存储介质

权利要求书

1.一种荷电状态预测方法，其特征在于，包括：

获取蓄电池中的多个传感器信号，并对所述多个传感器信号进行特征提取，获得隐空间特征；

从所述隐空间特征提取出信号重构特征和隐空间注意力特征，并对所述隐空间注意力特征与所述信号重构特征进行融合，获得重构融合特征；

对所述信号重构特征进行处理，获得重构注意力特征，并对所述重构注意力特征与所述隐空间特征进行融合，获得隐空间融合特征；

使用训练后的神经网络模型根据多种特征进行预测，获得所述蓄电池的电荷状态，所述多种特征包括：所述隐空间特征、所述信号重构特征、所述重构融合特征和所述隐空间融合特征中的任意两种或两种以上。

2.根据权利要求1所述的方法，其特征在于，所述神经网络模型包括：编码器和解码器；所述对所述多个传感器信号进行特征提取，包括：

使用所述神经网络模型中的编码器对所述多个传感器信号进行特征提取；

所述从所述隐空间特征提取出信号重构特征和隐空间注意力特征，包括：

使用所述神经网络模型中的解码器对所述隐空间特征进行特征还原，获得多个还原信号，并从所述多个还原信号中提取出所述信号重构特征；

从所述隐空间特征提取出隐空间注意力特征。

3.根据权利要求2所述的方法，其特征在于，所述神经网络模型还包括：卷积长短期记忆网络；所述从所述多个还原信号中提取出所述信号重构特征，包括：

使用所述卷积长短期记忆网络分别对所述多个还原信号进行特征提取，获得多个表现形式特征，并对所述多个表现形式特征进行融合重构，获得所述信号重构特征。

4.根据权利要求2所述的方法，其特征在于，所述神经网络模型还包括：第一注意力模块；所述从所述隐空间特征提取出隐空间注意力特征，包括：

使用所述神经网络模型中的第一注意力模块对所述隐空间特征进行处理，获得隐空间注意力特征。

5.根据权利要求1所述的方法，其特征在于，所述神经网络模型还包括：第二注意力模块；所述对所述信号重构特征进行处理，获得重构注意力特征，包括：

使用所述神经网络模型中的第二注意力模块对所述信号重构特征进行处理，获得重构注意力特征。

6.根据权利要求1-5任一所述的方法，其特征在于，所述使用训练后的神经网络模型根据多种特征进行预测，包括：

对所述多种特征进行拼接，获得拼接特征；

使用所述神经网络模型对所述拼接特征进行预测，获得所述蓄电池的电荷状态。

7.根据权利要求6所述的方法，其特征在于，所述神经网络模型还包括：全连接层；所述使用所述神经网络模型对所述拼接特征进行预测，包括：

使用所述神经网络模型中的全连接层对所述拼接特征进行预测。

8.一种荷电状态预测装置，其特征在于，包括：

空间特征获得模块，用于获取蓄电池中的多个传感器信号，并对所述多个传感器信号进行特征提取，获得隐空间特征；

特征提取重构模块，用于从所述隐空间特征提取出信号重构特征和隐空间注意力特征，并对所述隐空间注意力特征与所述信号重构特征进行融合，获得重构融合特征；

融合特征获得模块，用于对所述信号重构特征进行处理，获得重构注意力特征，并对所述重构注意力特征与所述隐空间特征进行融合，获得隐空间融合特征；

电荷状态预测模块，用于使用训练后的神经网络模型根据多种特征进行预测，获得所述蓄电池的电荷状态，所述多种特征包括：所述隐空间特征、所述信号重构特征、所述重构融合特征和所述隐空间融合特征中的任意两种或两种以上。

9.一种电子设备，其特征在于，包括：处理器和存储器，所述存储器存储有所述处理器可执行的机器可读指令，所述机器可读指令被所述处理器执行时执行如权利要求1至7任一所述的方法。

10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至7任一所述的方法。