CN119511105A 电池健康状态综合评估方法、系统、设备及存储介质 （珠海市嘉德电能科技有限公司）

统采集的数据进行预处理，得到标准化数据序列；根据标准化数据序列计算第一电池特征参Actor网络和Critic网络进行正向传播计算和迭2对电池管理系统采集的电压数据、电流数据、温度数据分别进行根据所述标准化数据序列通过脉冲响应法计算内阻值、电流积分对所述第一电池特征参数进行协方差矩阵自适应的卡尔曼滤波将所述双阈值评估矩阵输入深度强化学习模型，通过Actor网络和Critic网络进行正根据所述特征融合权重系数对所述双阈值评估矩阵进行加权计算通过电池管理系统采集电压数据和电流数据，并在电池表面布置的温对所述原始数据序列进行中值滤波运算，得到去除异常值的滤波对所述低频系数序列和高于设定阈值的高频系数序列进行小波重构运对所述降噪后的重构数据序列中的温度数据进行插值运算和频率统一的温度数据序列；对所述降噪后的重构数据序列中的电压数据进行插值运算和频率统一，将所述频率统一的温度数据序列、所述频率统一的对所述标准化数据序列中的电压数据序列和电流数据序列在恒流充放电过程中施加根据所述电压电流响应序列计算电压变化量与电流变化量的比值，得到电池内阻特对所述标准化数据序列中的电流数据序列在恒流恒压充电阶段和恒流放电阶段进行对所述完整充放电循环序列中的电压数据序列和电流数3对所述放电输出能量值与充电输入能量值进行除法运算，得到充放将所述第一电池特征参数作为状态向量和观测向量代入状态空对所述状态转移参数进行状态预测计算，并基于第一遗忘因对所述第一自适应协方差矩阵和观测矩阵进行状态观测计算，并基于根据所述第一自适应协方差矩阵和所述第二自适应协方差矩阵进态更新序列；对所述状态更新序列进行协方差修正计算，得到优化健康特征向量，并对所述第二电池特征参数中的内阻特征值与其初始内阻对所述第二电池特征参数中的容量特征值与其初始容量将所述内阻相对变化量乘以第一权重系数，得到内阻加权变化量，对所述第二电池特征参数中的充放电效率特征值乘以对所述加权系数序列进行求和运算，得到第二阈值指标，并将所述第评估矩阵输入深度强化学习模型，通过Actor网络和Critic网络进行正向传播计算和迭代将所述双阈值评估矩阵中的优化健康特征向量、第一阈值指标和第二4对所述深度强化学习输入序列和参考健康状态值进行差值计算，并与健将所述深度强化学习输入序列输入深度强化学习模型中具有[256,128,64,32,16]个将所述深度强化学习输入序列输入深度强化学习模型中具有[256,128,64,32,16]个隐藏层神经元的6层全连接Critic网络，并采用ReLU激活函数进行正向传播计算，得到根据所述Actor网络输出序列和所述Critic网络输出序列构建TD3策略梯度，得到TD3将所述网络参数更新序列输入经验回放缓冲区进行延迟更新，得对所述第一阈值指标与动态权重系数β1进行乘积运算，得到第一将所述第一加权评估值和所述第二加权评估值进行求和运算，得到综合健康评估指对所述综合健康评估指标进行电池健康等级判定运算，其中，当综基于所述综合健康评估指标的时间序列进行指数拟合外推运算，得到健康趋势曲线，对所述优化健康特征向量添加随机扰动值进行多次蒙特卡洛采样运将所述综合健康评估指标综合健康评估指标、健康等级值、剩余计算模块，用于根据所述标准化数据序列通过脉冲5处理模块，用于对所述第一电池特征参数进行协方差矩阵自适应的卡尔曼滤波处理，构建模块，用于基于所述第二电池特征参数构建容量_内阻训练模块，用于将所述双阈值评估矩阵输入深度强化学习模型，通过Actor网络和生成模块，用于根据所述特征融合权重系数9.一种电池健康状态综合评估设备，其特征在所述至少一个处理器调用所述存储器中的所述指令，以使得所述电池估设备执行如权利要求1_7中任一项所述的电池健所述指令被处理器执行时实现如权利要求1_7中任一项所述的电池健康状态综合评估方6根据所述标准化数据序列通过脉冲响应法计算内阻值、电流积分法计算容量值、将所述双阈值评估矩阵输入深度强化学习模型，通过Actor网络和Critic网络进7生成模块，用于根据所述特征融合权重系数对所述双阈值评估矩阵进行加权计以使得所述电池健康状态综合评估设备执行上述的电池健康状态89算法，即TwinDelayedDeepDeterministicPolicyGradient，通过引入两个独立的引入能够有效打破数据之间的相关性，同时利用过往的训练经验提升学习效率池端电压I(t)表示电流流入或流出电池的瞬时值，而T(t)则代表温度传感器记录的电池;去除异常值的滤波数据序列((t),f(t),i(t))。对滤波后的数据序列进行小波分解运算高频分量D(t)表示为：;s(i)为低频缩放函数，y(t)为小波基函数。通过对((t),f(t),i(t))进;;;其中ti为插值时间点，tr和为最近的已知时间点，x(t)和x(t1)为对应的;电压和电流数据也分别通过类似的方式标准化，最终组合为标准化数据序列。对标准化数据序列中的电压数据序列和电流数据序列在恒流充放电过程中施加根据电压电流响应序列计算电压变化量与电流变化量的比值，得到电池内阻特对标准化数据序列中的电流数据序列在恒流恒压充电阶段和恒流放电阶段进行化，生成电压电流响应序列(i(t),I(t;流恒压充电阶段和恒流放电阶段分别进行时间积分运算，以得到电池的实际可用容量值;;;;;;;;;状态噪声协方差矩阵。第一遗忘因子a,E(0,1)控制历史状态对当前预测的影响。例,更新公式为：;该公式将实时观测噪声纳入考虑，动态调整协方差矩阵。通过预测协方差矩阵;;上述修正过程得到优化的健康特征向量，该向量包含更新后的内阻特征值Ronriaizea、容量特征值Q.nriaizea、效;;;;;;将上述计算结果组合为加权系数序列[wn,wsrl，对其;。将深度强化学习输入序列输入深度强化学习模型中具有[256,128,64,32,16]个将深度强化学习输入序列输入深度强化学习模型中具有[256,128,64,32,16]个隐藏层神经元的6层全连接Critic网络，并采用ReLU激活函数进行正向传播计算，得到根据Actor网络输出序列和Critic网络输出序列构建TD3策略梯度，得到TD3算法;其中，R(t)是内阻特征值，Q(t)是容量特征值，n(t)是充放电效率特征值，;;;;;TD3通过两个独立的Critic网络输出和来抑制价值函数的过估计，策略梯度的计算公;;y是折扣因子，s'和a'是下一时刻的状态和动作。TD3引入经;基于综合健康评估指标的时间序列进行指数拟合外推运算，得到健康趋势曲线，;调整其在综合评估中的重要性。同样，对第二阈值指标S2和动态权重系数β2进行加权计;;健康评估指标sheairs进行健康等级判定。健康等级通过预设的数值范围进行划分，当;预测电池的剩余使用寿命，基于综合健康评估指标sieamrs的时间序列进行;间tena即为电池的剩余使用寿命：;;;;其中，是根据置信水平确定的标准正态分布临界值。将综合健康评估指标状态值和剩余寿命预测值。处理模块203，用于对第一电池特征参数进行协方差矩阵自适应的卡尔曼滤波处[0039]上面图2从模块化功能实体的角度对本发明实施例中的中电池健康状态综合评估[0040]图3是本发明实施例提供的一种电池健康状态综合评估设备的结构示意图，该电池健康状态综合评估设备300可因配置或性能不同而产生比较大的差异，可以包括一个或在存储介质330的程序可以包括一个或一个以上模块（图示没标出每个模块可以包括对与存储介质330通信，在电池健康状态综合评估设备300上执行存储介质