CN118549823B 一种锂电池电性能测试方法及系统 （深圳金仕盾照明科技有限公司）

道茜坑社区茜坑新村佰公坳工业区68US2019025379A1,2019.01.24US2020348355A1,2020.度特征张量输入动态卷积网络进行多层卷积和型对实时拓扑特征图进行电池性能概率分布估2将所述多尺度特征张量输入预置的动态卷积网络进行多层卷积和将所述时变拓扑特征图输入多个异构模型进行对抗训练和集成，得通过所述自适应性能预测模型对实时拓扑特征图进行对所述电池性能概率分布评分和所述实时拓扑特征图进行模糊综合计算对所述原始多模态时序数据进行去噪，得到去噪时序数据，并对所对所述增强特征数据进行标准化处理，得到标准化特征数据，并对所述相关性特征矩阵进行特征分解，得到特征重要性权重，并对所述初步特征子集进行特征变换，得到目标时频特征，并将所述目对所述目标多维时序数据集进行分割，得到时间序列片段集，并对根据所述频域特征矩阵计算功率谱密度，得到频域能量分布特根据所述时频特征表示提取瞬时频率和幅值，得到时变特征序根据所述多尺度固有模态函数计算样本熵，得到多尺度复杂度特征对所述三阶特征张量进行分解计算，得到核心张量和因子矩阵，对所述多尺度特征张量进行张量展开操作，得到目标特征矩阵，3对所述初始邻接矩阵进行自适应阈值分析，得到稀疏化邻接矩阵，将所述图结构表示和所述目标特征矩阵输入预置的动态卷积网对所述更新后的邻接矩阵和所述一阶特征进行第二层卷积操作，得到对所述卷积特征向量进行多头自注意力机制处理，得到上下文增对所述异构基础模型集进行交叉验证训练，得到每个异构模型的初始对所述对抗训练框架进行交替优化，得到每个异构模型的对抗性鲁根据所述模型集成权重对所述多个异构模型进行模型加权集成，得能预测模型对实时拓扑特征图进行电池性能概率分布估计，得到电池性能概率分布评分，获取所述目标锂电池的实时多维时序数据集，并根据所述实时多根据所述实时拓扑特征图生成目标输入序列，并将所述目标输入基于所述实时拓扑特征图构建拓扑特征矩阵和节点特征，并将所根据所述实时拓扑特征图生成多尺度小波系数，并将多尺度小波将所述第一预测输出结果、所述第二预测输出结果和所述第三将所述融合特征向量输入所述自适应性能预测模型中的全连接层，4对所述电池性能概率分布评分进行分解，得到多个性能指标的评评分向量和预设的模糊规则库生成初始模糊健康评估根据所述实时拓扑特征图计算全局拓扑指标和局部拓扑指标，并根据所述电池健康指数计算对应的置信区间，并根据所述电池健根据所述电池状态分类结果和历史电池管理策略构建优化策略搜根据所述最优电池管理策略生成所述目标锂电池对应采集模块，用于对目标锂电池进行多模态传感数据采集和预处理，得处理模块，用于对所述目标多维时序数据集进行时空特征分解和降维操作模块，用于将所述多尺度特征张量输入预置的动态卷集成模块，用于将所述时变拓扑特征图输入多个异构模型进行对抗估计模块，用于通过所述自适应性能预测模型对实时拓扑特征生成模块，用于对所述电池性能概率分布评分和所述实所述至少一个处理器调用所述存储器中的所述指令，以使得所述锂所述指令被处理器执行时实现如权利要求1_7中任一项所述的锂电池电性5[0001]本申请涉及电池性能测试技术领域，尤其涉及一种锂电池电性能测试方法及系变得越来越重要。传统的电池性能测试方法主要依赖于静态参数测量和简单的数学模型，难以准确捕捉电池在复杂工作环境下的动态行为[0007]对所述目标多维时序数据集进行时空特征分解和降维处理，得到多尺度特征张6[0016]集成模块，用于将所述时变拓扑特征图输入多个异构模得所述锂电池电性能测试设备执行上述的锂电池电性能可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。7片段代表锂电池电性能在不同时间点上的变化情况。对时间序列片段集进行傅里叶变换，8[0032]步骤S103、将多尺度特征张量输入预置的动态卷积网络进行多层卷积和池化操9模型中的时间卷积网络，通过膨胀卷积和残差连接技术捕捉时间序列中的长期依赖关系，准一套高精度的传感器系统，这些传感器能够同时记录锂电池在不同工作状态下的电压数据构成了一个包含四个通道的矩阵X=[V(t),I(t),T(t),Z(t)]，其中每一列对应一个数据计算自相关和互相关函数。自相关函数用于度量单个特征在不同时间点上的相关性，长度，N是特征的数量。通过分割操作得到时间序列片段集X}，每个片段xi的维度为的公式为：[0063]P(f)=IX(f)I2；[0069]X⃞入,arobrocr；[0071]x[0079]具体的，对多尺度特征张量进行展开操作。设多尺度特征张量为，其维度为开，则得到的目标特征矩阵的维度为IX(JK)，其中每一行表示一个时间点的多尺度特计算公式为：[0087]其中，Aj为节点i和节点j之间的注集构建异构基础模型集。异构基础模型集包含多个具有不同结构和特征提取能力的模型，器生成的数据与真实数据难以区分。对每个异构模型的对抗性鲁棒模型进行动态加权计各个时间点之间的相似度，并根据相似度构建邻接矩阵。假设A(t)为邻接矩阵，其元素Aj(t)表示时间点i和时间点j之间的相似度。邻接矩阵的llx(t)-xj(t)ll表示时间点i和时间点j之间的欧氏距离，σ为高斯核的带[0116]其中，A为归一化的邻接矩阵，h)为第l层的节点特征矩阵，w1)为第l层的权重时拓扑特征图生成多尺度小波系数，并将其输入自适应性能预测模型中的时间卷积网络。1x(dusmM+dccw+drcw)，其中dusmw、dccw、drcw分别为据评分向量和预设的模糊规则库生成初始模糊健康评估结果。模糊规则库包含一系列规[0133]操作模块203，用于将多尺度特征张量输入预置的动态卷积网络进行多层卷积和[0135]估计模块205，用于通过自适应性能预测模型对实时拓扑特征图进行电池性能概[0136]生成模块206，用于对电池性能概率分布评分