近期，一项关于锂离子电池状态估计的研究在学术界引起了广泛关注。该研究团队在《电工技术学报》2024年第19期上发表了他们的最新成果，提出了一种创新的基于对抗性权重注意力机制的序列到序列（Seq2Seq）模型，用于估计锂离子电池的荷电状态（SOC）。
该研究的核心贡献之一是，在传统使用门控循环单元（GRU）作为编码器和解码器的Seq2Seq模型基础上，引入了一种新的权重注意力机制。实验结果显示，这种机制在解码器中的应用显著优于未改进的多头注意力机制，为锂离子电池SOC的精确预测提供了新的可能。
研究团队还将对抗性训练的思想融入到模型中，结合了生成对抗网络（GAN）的鉴别器进行联合训练。鉴别器部分采用了三层一维卷积与多头注意力机制相结合的设计，使得生成式模型能够一次性预测多步SOC值，有效减少了滚动预测带来的误差。同时，单层编码器和解码器的设计也大幅降低了数据冗余，提高了模型的效率。
为了验证模型的有效性，研究团队在三个公开数据集上进行了广泛的实验，涵盖了不同温度和工况下的测试。实验结果表明，无论是在单步预测任务还是多步预测任务上，模型的平均绝对误差、最大误差、方均根误差以及平均绝对百分比误差均有显著降低。具体而言，方均根误差和平均绝对百分比误差分别达到了0.1695%和0.2096%，显示出模型在锂离子电池SOC估计方面的卓越性能。
该模型在不同数据集的单步估算任务测试中同样表现出色，平均绝对误差和方均根误差分别低至0.1412%和0.1094%。与稀疏化Informer模型相比，该模型在平均绝对误差评估指标上降低了45.7%，进一步证明了其优越性和实用性。
据悉，这项研究得到了国家自然科学基金、福建省自然科学基金以及福建省创新资金的大力支持，为推动锂离子电池状态估计技术的发展和应用做出了重要贡献。
