CN119519067A 机器人储能电池的充放电优化方法、装置及设备 （深圳市钜力能科技有限公司）

道宝龙社区宝龙三路16号宝龙专精特得到电池性能预测模型；基于电池性能预测模并通过梯度下降算法对控制参数进行在线优化2根据所述工况特征数据集和所述电池运行状态数据，建立负载功率将所述充放电特性数据输入深度门控循环单元网络，通过动态建模基于所述电池性能预测模型，采用增益因子自整定技术构建闭环控根据所述数据空间分布特征，采用Voronoi图划分算法对每个子空间计算节点间的距对所述Voronoi区域划分结果进行5折交叉验证，将数据随机分为对所述工况特征数据集的端电压和充放电电流进行基于二阶RC等效电路的状态空间基于所述电池等效电路模型，采用遗忘因子的递归最小二对所述参数更新模型中的容量衰减状态进行粒子滤波初始化，得到粒子群初始分布，对所述粒子权重更新值进行有效粒子数判断，当有效粒子数小于粒子总数的一半时，基于所述容量衰减计算结果，构建扩展卡尔曼滤波器的非线性状态方程和观测方程，对所述状态观测模型进行雅可比矩阵线性化处理，分别计算状态转移矩阵和观测矩根据所述线性化状态空间方程，通过扩展卡尔曼滤波算法计算最优3述工况特征数据集和所述电池运行状态数据，建立负载功率与充放电效率的映射关系模对所述工况特征数据集中的端电压、充放电电流、表面温度和负载功基于所述分区间充放电效率数据，采用支持向量回归算法建立根据所述效率预测模型的输出结果，对充放电效率随负载功率的变化趋势进行分析，对所述效率映射关系模型中的关键点负载功率值进行提取，结合电池表面温度数据，基于所述动力学特征参数，对电池正负极材料的锂离子扩散系根据所述电极极化特性数据，建立包含浓度极化和电化学极化的构建深度门控循环单元网络的输入层，输入维度为所述充放电特性数据的特征数量，构建深度门控循环单元网络的隐藏层，包含三层堆叠的GRU层，第一层GRU单元数为对所述深度门控循环单元网络进行参数初始化，权重采用Xavier初始化方法将所述训练数据集输入所述初始化网络，采用均方误差损失函数进行前向传播计算，4基于所述电池性能预测模型，构建增益因子自整基于所述增益自整定目标函数，对各增益因子的梯度向量，采用梯根据所述优化增益因子，采用变步长递推最小二乘法计算控制器基于所述稳定性约束条件，对充放电过程的控制参数进行在线将所述工作模式参数转换为控制指令，所述控制指令包括充电电根据所述优化增益因子，构建包含控制输入矩阵和系统输出矩阵的递推计算初始模基于所述加权数据序列，对控制器参数进行递推更新计算，更新步建立模块，用于根据所述工况特征数据集和所述电池运行状态数据，建动态建模模块，用于将所述充放电特性数据输入深度门控生成模块，用于基于所述电池性能预测模型，采用增益因子自整5所述至少一个处理器调用所述存储器中的所述指令，以使得所述电子设备执所述指令被处理器执行时实现如权利要求1_7中任一项所述的机器人储能电池的充放电优67图2是本发明实施例提供的机器人储能电池的充放电优化装置的结构示意性框8距离、曼哈顿距离或其他适合数据分布特点的距离度量方法。基于距离矩阵，构建的9计算对应工况下的反应速率常数。电化学反应方程描述电池内部锂离子的扩散和反应过能够通过输入序列学习过去100个时间步的动态变化。构建深度门控循环单元网络的隐藏根据数据空间分布特征，采用Voronoi图划分算法对每个子空间计算节点间的距压v(t)(表示电池在时间t时的电压值)、充放电电流I(t)(表示电池的瞬时电流)、表面温P(t)-v(t)·I(t)(表示电池的实时功率输出)。这些数据经过采集模块汇总，;;其中，是第j个子空间的数据集合，是子空间c;的质心，llx-u;ll表示;;j;;对工况特征数据集的端电压和充放电电流进行基于二阶RC等效电路的状态空间对参数更新模型中的容量衰减状态进行粒子滤波初始化，得到粒子群初始分布，对粒子权重更新值进行有效粒子数判断，当有效粒子数小于粒子总数的一半时，基于容量衰减计算结果，构建扩展卡尔曼滤波器的非线性状态方程和观测方程，对状态观测模型进行雅可比矩阵线性化处理，分别计算状态转移矩阵和观测矩压v(t)表示为：;;;y(x)-v(x)，状态转移矩阵A、输入矩阵B、输出矩阵c和直通矩阵D通过电路参数的递归最小二乘法(RLS)。递归最小二乘法的目标是最小化预测误差平方和，其更新公式为：;(x)是观测;t;展卡尔曼滤波器的非线性状态方程和观测方程，将荷电量soc和健康程度son作为状态变;;和更新步骤，计算最优状态估计值。将荷电量soc和健康程度son的估计结果进行数据融根据效率预测模型的输出结果，对充放电效率随负载功率的变化趋势进行分析，对效率映射关系模型中的关键点负载功率值进行提取，结合电池表面温度数据，[0030]具体的，从工况特征数据集中提取端电压v(t)、充放电电流I(t)、表面温度p(t)-v(t)·I(t)计算得出，其中t为时;;其中，Pu.i和pin,分别表示第i个区间内的输出功率和输入功率平均值，效率;;;;;通过数值求解确定极化电压上下限阈值和。结合效率映射关系构建深度门控循环单元网络的输入层，输入维度为充放电特性数据的特征数量，如下：;;;其中，W2,w,,wh和u2,u,,uh是权重矩阵，b2,b,,bh是偏置向量;和剩余容量st(tx1)。激活函数采用线性函数f(x)=x，;;;环控制器以比例积分微分(PID)控制器为核心，其控制输出U(t)表示充放电过程中对电流;;;;;(x是输入特;特征根为det(z1-A)=0的解，z表示离散时间域中的频率变量，表示单位矩;束条件，对充放电过程的控制参数进行在线优化，优化后的控制参数包含充电电流上限。根据优化增益因子，构建包含控制输入矩阵和系统输出矩阵的递推计算初始模;;设A,B,C,D是近似已知的初始值，系统参数将在递推过程中被不断调整。对递推计算初始;更新规则为：;;;;,采用阿克曼公式计算状态反馈增益矩阵：;机器人储能电池的充放电优化装置10一个实被处理器301执行时，可使得处理器301执行上述任一种机器人储能电池的充放电优化方[0044]应当理解的是，处理器301可以是中央处理单元(CentralProcessingUnit，CPU)，该处理器301还可以是其他通用处理器、数字信号处理器(DigitalSignal上述描述的电子设备300的具体工作过程，可以参考前述机器人储能电池的充放电优化方本申请实施例提供的机器人储能电池的充放[0049]所述集成的单元如果以软