CN119511115A 锂电池充放电检测和管理方法、装置、设备及存储介质 （雄展能源科技(深圳)有限公司）

过最小化最大平均差异损失函数进行特征映射网络和物理信息混合神经网络的融合模型进行2对锂电池组的充放电过程进行数据采集，得到电极级充放电数据和电池级充放电数通过生成对抗网络分别对所述电极级充放电数据和所述电池级充放电数据中相同的分别提取所述电极级扩充数据集的电极级时频域特征和所述电池级扩充数据集的电将所述映射特征向量输入循环神经网络和物理信息混合神经网络的融合模型进行电基于所述荷电状态估计值和所述健康状态估计值构建所述锂电池组的电池组电热模充放电控制指令序列。对锂电池组中每个单体电池的正极和负极分别安装参比电极，通过高精使用霍尔电流传感器对锂电池组的总输入输出电流进行实时监测，采样频率为1kHz，在锂电池组中每个单体电池表面均匀布置多个温度传感器，采用热电偶或热敏电阻，基于所述电极电位时间序列数据，利用增量容量分析法计算电极级根据所述电池组电流电压时间序列数据，采用扩展卡尔曼滤波算对所述电极级状态参数向量和所述电池级状态参数向量进行时域特将所述电极级时频域特征矩阵和所述电池级时频域特征矩阵，分别分别对所述电极级状态特征向量和所述电池级状态特征向量进行分段线性插值和零抗网络分别对所述电极级充放电数据和所述电池级充放电数据中相同的充放电周期序列极级充放电周期序列和电池级充放电周期序列；3基于所述电极级充放电周期序列和所述电池级充放电周期序列根据所述电极级特征统计量和所述电池级特征统计量，对所述电极级充放电周基于所述电极级聚类结果和所述电池级聚类结果，选取具有代表性的声强度范围为原始信号标准差的0.1％到将所述高斯噪声序列分别叠加到所述电极级充放电周期序列和所述电池级充放电周将所述新的电极级充放电周期序列和所述新的电池将所述带噪声的电极级充放电周期序列和所述带噪声的电池级充放电周期序列分别分别对所述电极级编码器输出特征序列和所述电池级编码器输出特征序列进行自注将所述电极级注意力权重矩阵与所述带噪声的电极级充放电周期将所述增强后的电极级特征序列和所述增强后的电池级特征序列分别输入所述生成将所述初步生成的电极级充放电周期序列和所述初步生成的电池级充放电周期序列根据所述电极级判别结果和所述电池级判别结果，分别输出新的电4述电极级扩充数据集的电极级时频域特征和所述电池级扩充数据集的电池级时频域特征，并通过最小化最大平均差异损失函数对所述电极级时频域特征和所述电池级时频域特征对所述电极级扩充数据集和所述电池级扩充数据集分别进行短将所述电极级时频谱图和所述电池级时频谱图分别输入预训练的卷对所述电极级深层时频特征和所述电池级深层时频特征分别进行全局平均池化和全将所述电极级池化特征向量和所述电池级池化特征向量输入预训练的特征映射网络，计算所述初步映射后的电极级特征向量和所述初步映射后的电池级特征向量之间的基于计算得到的最大平均差异损失值，对所述特征映射网络的输出进行微调特征向量输入循环神经网络和物理信息混合神经网络的融合模型进行电池荷电状态和健将所述映射特征向量按时间步长为50的滑动窗口进行分割，得到将所述时序特征矩阵输入循环神经网络，所述循环神经网络包含3层LSTM网络，每层对所述LSTM输出特征序列进行注意力机制处理，计算注意力分数，得将所述循环神经网络的输出特征向量与所述物理信息特征向量进行对所述融合特征向量进行自适应特征选择，得到优化后的融合特征向量，维5基于所述荷电状态概率分布计算期望值作为荷电状态估计值，将基于所述荷电状态估计值和所述健康状态估计值进行单体电池的等效电路模型构建，根据所述充电电流轨迹和所述均衡电流分配方案，计算每个单体放电控制指令序列。数据采集模块，用于对锂电池组的充放电过程进行数据采集，得数据扩充模块，用于通过生成对抗网络分别对所述电极级充放电特征映射模块，用于分别提取所述电极级扩充数据集状态估计模块，用于将所述映射特征向量输入循环神经网络生成模块，用于基于所述荷电状态估计值和所述健康状态67[0007]通过生成对抗网络分别对所述电极级充放电数据和所述电池级充放电数据中相[0008]分别提取所述电极级扩充数据集的电极级时频域特征和所述电池级扩充数据集[0009]将所述映射特征向量输入循环神经网络和物理信息混合神经网络的融合模型进[0010]基于所述荷电状态估计值和所述健康状态估计值构建所述锂电池组的电池组电应的充放电控制指令序列。8衡信号生成对应的充放电控制指令序列。9将电极级时频域特征矩阵和电池级时频域特征矩阵分别与电池表面温度分布时间序列数电极级充放电周期序列和电池级充放电周期序列分别与原始的电极级充放电数据和电池[0031]将带噪声的电极级充放电周期序列和电池级充放电周期序列分别输入生成对抗特征序列和电池级特征序列分别输入生成器的解码器部分。解码器同样包含5个转置卷积最后一层使用1x1卷积核输出电极级和电池级的判别结果。PatchGAN的作用是对生成的序列。使得网络在面对负输入时也能保持一定的梯度信息，而Dropout正则化则在训练过程中随的电极级特征向量和初步映射后的电池级特征向量之间的最大平均差异(MMD)损失。最大平均差异损失函数用于度量两个数据分布之间的差异，通过使用线性核函数和RBF核函数络中，循环神经网络采用三层长短时记忆网络(LSTM)结构，每层LSTM网络包含128个神经[0036]步骤S5、基于荷电状态估计值和健康状态估计值构建锂电池组的电池组电热模电控制指令序列。[0041]使用霍尔电流传感器对锂电池组的总输入输出电流进行实时监测，采样频率为[0047]分别对电极级状态特征向量和电池级状态特征向量进行分段线性插值和零均值够捕获电流在充放电过程中任何突发的变化，确保电池组电流的动态响应能够被准确记传感器以0.1Hz的采样频率采集电池表面的温度分布数据，得到电池表面温度分布时间序增量容量分析法通过分析充放电过程中电压随容量变化的曲线来估算电极的SOC，反映电学阻抗谱测量得到的电极级内阻Re)，构建电极级的状态参数向量，该状态参数向量包含展卡尔曼滤波是一种适合非线性系统的状态估计算法，通过对非线性系统进行线性化处[0058]将高斯噪声序列分别叠加到电极级充放电周期序列和电得到带噪声的电极级充放电周期序列和带噪声的电池级充放电周期序列；电极级和电池级的充放电周期序列进行特征统计量的计算，以全面表征每个周期的特性。新的电池级充放电周期序列的过程可以具体包[0067]将带噪声的电极级充放电周期序列和带噪声的电池级充放电周期序列分别输入生成对抗网络的生成器，得到电极级编码器输出特征序列和电池级编码器输出特征序列；[0068]分别对电极级编码器输出特征序列和电池级编码器输出特征序列进行自注意力[0070]将增强后的电极级特征序列和增强后的电池级特征序列分别输入生成器的解码[0071]将初步生成的电极级充放电周期序列和初步生成的电池级充放电周期序列分别新的电池级充放电周期序列。层使用步长为2的3x3卷积核，并采用LeakyReLU激活函数和批归一化来加速训练和提高稳的注意力权重矩阵与带噪声的电池级充放电周期序列相乘，得到增强后的电池级特征序为2的4x4卷积核，采用LeakyReLU激活函数和实例归一化来稳定训练过程。最后一层使用1x1的卷积核来输出电极级和电池级的判别结果。PatchGAN的作用在于评估生成器生成的[0083]对电极级深层时频特征和电池级深层时频特征分别进行全局平均池化和全局最初步映射后的电极级特征向量和初步映射后的电池级特征向量；特征映射网络包含3个全[0085]计算初步映射后的电极级特征向量和初步映射后的电池级特征向量之间的最大平均差异损失，损失函数包括线性核函数和RBF核函数的加权和，其中线性核函数权重为池化和全局最大池化的结果进行拼接，得到一个包含全局趋势和显著特征的池化特征向电极级和电池级的池化特征向量输入预训练的特征映射网络中，特征映射网络由3个全连序列。