本發(fā)明涉及電池管理，尤其涉及一種移動儲能電源健康狀態(tài)智能評估方法及系統(tǒng)。

背景技術：

1、本部分的陳述僅僅是提供了與本公開相關的背景技術信息，不必然構成在先技術。

2、隨著便攜式電子設備、可再生能源存儲和電動交通工具等領域的快速發(fā)展，移動儲能電源在日常生活和工業(yè)應用中扮演著越來越重要的角色。高效、安全、可靠的移動儲能電源不僅是滿足用戶需求的關鍵，也是推動可持續(xù)發(fā)展的重要基礎。

3、然而，移動儲能電源的健康狀態(tài)直接影響其性能和安全性。電池在使用過程中，可能受到充放電循環(huán)、環(huán)境溫度和使用習慣等多種因素的影響，從而導致電池容量衰減、內阻增加等問題。這些問題若未能及時識別，可能導致電池故障、設備損壞甚至安全隱患，給用戶帶來經(jīng)濟損失和安全風險。因此，開展準確的健康狀態(tài)評估顯得尤為重要。

4、現(xiàn)有技術中已有多種健康狀態(tài)評估方法，如基于電壓、電流和溫度等參數(shù)的簡單監(jiān)測方法，然而，這些方法往往存在監(jiān)測精度不足、數(shù)據(jù)分析能力有限和未能考慮環(huán)境因素等缺陷，導致評估結果的不準確性和不全面性。如基于統(tǒng)計或經(jīng)驗的數(shù)據(jù)評估模型的評估方法，然而，這些方法缺乏對評估結果的解釋性。

技術實現(xiàn)思路

1、為克服上述現(xiàn)有技術的不足，本發(fā)明提供了一種移動儲能電源健康狀態(tài)智能評估方法及系統(tǒng)，通過實時采集多種監(jiān)測數(shù)據(jù)以及環(huán)境數(shù)據(jù)，全面了解電池的健康狀態(tài)，從而提高評估的準確性；并通過將建立的物理模型和健康狀態(tài)評估模型進行結合，進一步提升評估結果的精度和魯棒性。

2、為實現(xiàn)上述目的，本發(fā)明的一個或多個實施例提供了如下技術方案：

3、第一方面，本發(fā)明提供了一種移動儲能電源健康狀態(tài)智能評估方法，包括：

4、獲取移動儲能電源的多參數(shù)監(jiān)測數(shù)據(jù)，并輸入至電池物理模型進行初步評估，得到電池健康狀態(tài)第一評估值；

5、獲取移動儲能電源的多參數(shù)監(jiān)測數(shù)據(jù)和環(huán)境數(shù)據(jù)，對所述多參數(shù)監(jiān)測數(shù)據(jù)和環(huán)境數(shù)據(jù)進行特征提取和特征選擇，并采用主成分分析法對選擇后的特征進行融合，得到主成分矩陣；將所述主成分矩陣輸入至預先訓練好的健康狀態(tài)評估模型進行進一步預測，得到電池健康狀態(tài)第二評估值；

6、將所述第一評估值與所述第二評估值進行比較，利用所述健康狀態(tài)評估模型調整電池物理模型的參數(shù)，得到優(yōu)化的電池物理模型；

7、基于優(yōu)化的電池物理模型進行再次評估，得到電池健康狀態(tài)第三評估值；將所述第三評估值與所述第二評估值進行加權平均，得到最終電池健康狀態(tài)評估結果。

8、進一步的技術方案，采用多尺度孤立森林識別所述監(jiān)測數(shù)據(jù)的異常數(shù)據(jù)點，并剔除，具體為：

9、對所述監(jiān)測數(shù)據(jù)進行數(shù)據(jù)清洗和噪聲去除，并將所述監(jiān)測數(shù)據(jù)分解為不同的時間尺度；

10、在不同時間尺度上分別訓練孤立森林模型，獲取每個時間尺度的異常評分；

11、將不同時間尺度的異常評分進行融合，生成綜合異常分數(shù)；

12、動態(tài)調整閾值，標記超出閾值的異常數(shù)據(jù)點并輸出，剔除標記的異常數(shù)據(jù)點。

13、進一步的技術方案，所述電池物理模型包括內阻模型、容量衰減模型和開路電壓模型。

14、進一步的技術方案，獲取移動儲能電源的多參數(shù)監(jiān)測數(shù)據(jù)，并輸入至電池物理模型進行初步評估，得到電池健康狀態(tài)第一評估值具體為：將內阻模型、容量衰減模型和開路電壓模型的計算結果加權融合后得到電池健康狀態(tài)第一評估值，采用以下公式表示：

15、

16、其中，為第一評估值；、、為權重系數(shù)；為當前內阻；為初始內阻；為當前容量；為初始容量；為當前溫度；為最大安全工作溫度。

17、進一步的技術方案，所述特征選擇采用動態(tài)特征選擇機制，具體為：

18、采用過濾法進行初步特征篩選，篩選出相關性高的特征；

19、采用遞歸特征消除進一步精煉選擇的特征，逐步去除重要性低的特征；

20、在實時多參數(shù)監(jiān)測數(shù)據(jù)和環(huán)境數(shù)據(jù)的變化中進行動態(tài)特征選擇，根據(jù)數(shù)據(jù)分布的變化調整特征集。

21、進一步的技術方案，所述健康狀態(tài)評估模型采用改進的長短時記憶網(wǎng)絡lstm模型，包括依次按照順序連接的輸入層、多層感知機層、多個lstm層和輸出層，每個lstm層之間添加殘差連接。

22、進一步的技術方案，利用健康狀態(tài)評估模型通過損失函數(shù)和優(yōu)化算法修正電池物理模型中的參數(shù)，迭代更新模型。

23、第二方面，本發(fā)明提供了一種移動儲能電源健康狀態(tài)智能評估系統(tǒng)，包括：

24、物理模型評估模塊，其被配置為：獲取移動儲能電源的多參數(shù)監(jiān)測數(shù)據(jù)，并輸入至電池物理模型進行初步評估，得到電池健康狀態(tài)第一評估值；

25、網(wǎng)絡模型評估模塊，其被配置為：獲取移動儲能電源的多參數(shù)監(jiān)測數(shù)據(jù)和環(huán)境數(shù)據(jù)，對所述多參數(shù)監(jiān)測數(shù)據(jù)和環(huán)境數(shù)據(jù)進行特征提取和特征選擇，并采用主成分分析法對選擇后的特征進行融合，得到主成分矩陣；將所述主成分矩陣輸入至預先訓練好的健康狀態(tài)評估模型進行進一步預測，得到電池健康狀態(tài)第二評估值；

26、物理模型優(yōu)化模塊，其被配置為：將所述第一評估值與所述第二評估值進行比較，利用所述健康狀態(tài)評估模型調整電池物理模型的參數(shù)，得到優(yōu)化的電池物理模型；

27、健康狀態(tài)評估模塊，其被配置為：基于優(yōu)化的電池物理模型進行再次評估，得到電池健康狀態(tài)第三評估值；將所述第三評估值與所述第二評估值進行加權平均，得到最終電池健康狀態(tài)評估結果。

28、第三方面，本發(fā)明提供了一種計算機可讀存儲介質，其上存儲有計算機程序，該程序被處理器執(zhí)行時實現(xiàn)如第一方面所述的一種移動儲能電源健康狀態(tài)智能評估中的步驟。

29、第四方面，本發(fā)明提供了一種計算機設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執(zhí)行所述程序時實現(xiàn)如第一方面所述的一種移動儲能電源健康狀態(tài)智能評估中的步驟。

30、以上一個或多個技術方案存在以下有益效果：

31、本發(fā)明通過結合物理模型和健康狀態(tài)評估模型，提升評估結果的精度和魯棒性。物理模型能夠提供電池的基礎機理信息，數(shù)據(jù)驅動模型則能在實時數(shù)據(jù)中捕捉復雜的模式和非線性關系，并通過健康狀態(tài)評估模型來調整物理模型中的參數(shù)，從而在真實環(huán)境中表現(xiàn)出更高的準確性和適應性。而且物理模型提供了一個透明、可解釋的基礎，與健康狀態(tài)評估模型結合后，可以為評估結果提供更多的解釋性。如通過物理模型，可以明確分析溫度、充放電循環(huán)、電壓變化等因素如何影響電池的性能，從而為健康狀態(tài)評估提供更精確的理論支撐。

32、本發(fā)明通過實時采集多種監(jiān)測數(shù)據(jù)（如電壓、電流、溫度、內阻和充放電循環(huán)次數(shù)）以及環(huán)境數(shù)據(jù)，可以全面了解電池的健康狀態(tài)，從而提高評估的準確性；采用改進的孤立森林對監(jiān)測數(shù)據(jù)進行異常點識別，可以在不同時間尺度上捕捉數(shù)據(jù)的異常特征，更加適合移動儲能電源的復雜、多維特性和實時性需求，特別是在實時數(shù)據(jù)中，多尺度檢測有助于提高異常檢測的準確率，減少誤報與漏報；采用多種特征提取方法（如統(tǒng)計特征、時間衰減特征、頻域特征等）能夠有效捕捉電池狀態(tài)變化，增強模型的預測能力；并利用改進的特征選擇方法即動態(tài)特征選擇機制和實時更新機制，能夠根據(jù)新數(shù)據(jù)的變化動態(tài)調整特征集，確保健康狀態(tài)評估模型在變化的環(huán)境中始終保持有效。

33、本發(fā)明通過將主成分矩陣輸入至健康狀態(tài)評估模型，輸出的健康狀態(tài)評分能夠為用戶提供清晰的電池健康狀態(tài)信息，幫助用戶做出維護或更換決策。系統(tǒng)能夠根據(jù)電池的健康狀態(tài)及時提供維護建議，提高用戶使用電池的安全性和可靠性，通過優(yōu)化移動儲能電源的使用，降低故障率和維護成本，提高安全性。