CN119428327A 智能充电柜的无人机电池安装和管理方法及系统 （中电国科技术有限公司）

智能充电柜的无人机电池安装和管理方法本发明提供智能充电柜的无人机电池安装智能充电柜根据电池规格信息选择匹配备用电2智能充电柜包括电池存储区和电池更换区，所述电智能充电柜采集电池存储区中的备用电池的性能参数，所述性能参数包括温度信息、智能充电柜基于深度学习算法对电池存储区的备用电智能充电柜接收无人机发送的电池更换请求报文，所路径规划方案将目标备用电池从电池存储区转移至电池更采用双目视觉系统采集无人机电池仓图像，通过SURF特征提取算法和相机标定参数通过三角测量计算无人机电池仓的空间位置根据空间位置坐标和姿态角度规划机械臂的运动轨迹，控制所所述温度信息通过铂电阻传感器采集，所述电量信息通过库仑计将预处理后的性能参数输入预设的电池状态评估模型，所述电池3基于电池健康状态指数、剩余循环寿命预测值和容量衰减趋势构建支持向量回归模型，将所述标准化特征向量映将所述标准化特征向量通过径向基核函数映射到高维特征空间基于标准化特征向量训练支持向量回归模型得到最优的权重向量容量衰减趋势采用指数函数描述电池容量随剩余循环寿基于电池健康状态指数的数值建立充电电流曲线的调节机制，所述充电电流节机制包括：将电池健康状态指数的数值与额定最大充电电流相乘得到第一充电电流值，基于剩余循环寿命预测值建立充电时长的调节机制，所述充电时基于容量衰减趋势建立温度控制曲线的调节机制，所述温度控制曲将电池健康状态指数的数值、剩余循环寿命预测值和容量衰减趋势归一化构建模糊4将所述特征矩阵输入多尺度卷积神经网络，所述多尺度卷积神经将一维卷积分支输出的性能特征进行拼接，通过全连接层融合所述层的输出分别连接剩余循环寿命预测分支、性能劣化程度预测分支和充放电效率预测分基于注意力机制构建多任务混合损失函数，所述多任务混合损失函将剩余循环寿命预测值、性能劣化程度预测值和充放电效率预测值将触发回收处理的电池的历史性能数据上传至云端管理平台，所述所述云端管理平台基于最大均值差异准则，从历史性能数据中选择相似度7.根据权利要求6所述的方法，其特征在于，基于注意力机制构建多任务混合损失函将电池性能数据的隐层特征向量输入时序注意力层，通过注基于所述时序注意力权重构建加权均方误差损失函数计算剩将所述剩余循环寿命损失项、性能劣化程度损失项和充放电8.智能充电柜的无人机电池安装和管理系统，用于实现前述权利要求1_7中任一项所5第一单元，用于智能充电柜包括电池存储区和电池更换区中选择匹配的备用电池，电池更换区的视觉定位系统采集无人机电池仓的三维位置信第二单元，用于智能充电柜采集电池存储区中的备用电第三单元，用于智能充电柜基于深度学习算法对电池存储区的备用电池性能进行评其中，所述处理器被配置为调用所述存储器存储的指令，以执行程序指令被处理器执行时实现权利要求1至7中任意6智能充电柜包括电池存储区和电池更换区，所述电池更换区设置有机械臂和视觉定位系7[0008]在一种可选的实施方式中，智能充电柜采集电池存储区中的备用电池的性能参计数法采集，所述循环次数信息通过检测充电截止电压和放电截止电压的转换次数采集，学习率和核函数参数；基于标准化特征向量训练支持向量回归模型得到最优的权重向量，根据经径向基核函数映射后的标准化特征向量与所述最优的权重向量的加权组合生成电容量衰减趋势，所述容量衰减趋势采用指数函数描述电池容量随剩余循环寿命的变化规8相关的电流限值进行比较，选择第一充电电流值和电流限值中的较小值作为实时充电电性能数据中选择相似度大于预设相似度阈值的样本更新电池状态softmax函数归一化得到时序注意力权重；基于所述时序注意力权重构建加权均方误差损叉熵损失函数引入基于样本数量倒数计算的平衡因子，用于平衡不同劣化程度样本的贡9[0016]本发明通过智能充电柜的电池存储区和电池更换区，结合机械臂和视觉定位系[0022]图1为本发明实施例智能充电柜的无人机电池安装和管理方法的流程示意图，如循环次数信息和内阻信息；将所述性能参数输入预设的电池状态评估模型生成充电策略，基于深度学习算法对电池存储区的备用电池性能进行评估，生成包含剩余循环寿命预测、阈值时触发电池回收处理，并将触发回收处理的电池的历史性能参数上传至云端管理平[0029]在执行充电策略过程中，智能充电柜基于实时采集的性能参数对充电电流曲线、[0043]通过PnP算法估算无人机电池仓的位姿。将三维特征点坐标与预先建立的电池仓[0045]控制机械臂沿规划轨迹移动至无人机电池仓附近。机械臂末端安装有六维力/力[0050]在一种可选的实施方式中，智能充电柜采集电池存储区中的备用电池的性能参计数法采集，所述循环次数信息通过检测充电截止电压和放电截止电压的转换次数采集，压和电流的幅值比以及相位差，通过复数运算得到内阻值。例如，对某18650型锂电池在[0056]对采集的性能参数进行数据预处理。对温度信息进行5点移动平均滤波去除突变学习率和核函数参数；基于标准化特征向量训练支持向量回归模型得到最优的权重向量，根据经径向基核函数映射后的标准化特征向量与所述最优的权重向量的加权组合生成电容量衰减趋势，所述容量衰减趋势采用指数函数描述电池容量随剩余循环寿命的变化规[0069]损失函数对权重向量求梯度后，通过指数函数将梯度值转换为自适应权重系重向量进行加权组合，生成取值范围在0_1之间的电池健康状态指数。某型号电池在循环500次后的健康状态指数约为0.85。基于健康状态指数的数值及其变化率计算剩余循环寿相关的电流限值进行比较，选择第一充电电流值和电流限值中的较小值作为实时充电电构建模糊集。例如，电池健康状态指数归一化后为0.9，剩余循环寿一化，构建模糊集。例如，可以将电池健康状态指数除以1，将剩余循环寿命预测值除以性能数据中选择相似度大于预设相似度阈值的样本更新电池状态通过两个全连接层(节点数分别为256和128)对softmax函数归一化得到时序注意力权重；基于所述时序注意力权重构建加权均方误差损叉熵损失函数引入基于样本数量倒数计算的平衡因子，用于平衡不同劣化程度样本的贡重系数经过指数化和归一化处理确保非负且设置为128维。将该特征向量输入时序注意力层