本發明涉及動力電池領域，特別涉及一種動力電池的電池狀況預測方法、裝置、設備及存儲介質。

背景技術：

1、隨著能源結構轉型和清潔能源發展，鋰電池作為關鍵的能源存儲設備在電網穩定、新能源消納以及智能電網建設中扮演著越來越重要的角色。然而，鋰電池在實際應用環境中面臨著復雜多變的工況條件，包括溫度波動、負載變化以及充放電循環等因素，這些都直接影響著鋰電池的性能表現和使用壽命。

2、傳統的鋰電池管理系統往往采用靜態參數監測和簡單閾值判斷方法，無法充分適應新能源發電的波動性特征和現代電網的復雜運行環境。目前行業內普遍存在的問題是缺乏有效的方法從鋰電池運行過程中產生的海量多維數據中提取關鍵特征信息，難以實現對電池健康狀態的精準評估。

3、有鑒于此，提出本技術。

技術實現思路

1、本發明公開了一種動力電池的電池狀況預測方法、裝置、設備及存儲介質，旨在動態工況下及時預測出電池模塊的提前老化風險。

2、本發明第一實施例提供了一種動力電池的電池狀況預測方法，包括：

3、獲取在當前充放電周期內的動力電池參數和電網參數，并對所述動力電池參數和所述電網參數進行預處理，其中，所述預處理包括時域特征提取、噪聲濾波和數據標準化；

4、從預處理后的所述電池參數提取高負荷放電特征，以及從預處理后的電網參數中提取充電穩定性特征，采用自適應權重機制對所述高負荷放電特征和所述電穩定性特征進行融合，以生成融合特征；

5、調用預訓練的雙向lstm模型對當前充放電周期的融合特征和上一充放電周期的融合特征進行處理，并通過帶有注意力機制的全連接層輸出更新動力電池的健康狀況，所述健康狀況包括剩余使用壽命、容量衰減率和內阻增長趨勢。

6、優選地，所述高負荷放電特征為急加速期間的soc值的變化率，其表達為：

7、

8、所述充電穩定性特征為充電過程中電壓的標準差，其表達為：

9、

10、其中，soc(t)表示在當前時刻t下的電池電荷狀態，soc(t-δt)表示在前一時刻t-δt下的電池電荷狀態，δt表示兩次采樣之間的時間間隔，δsoc表示單位時間內電池電荷狀態的變化率，σv表示充電過程中電壓波動的標準差，vcharge,i表示示在充電過程中采集到的第i個充電電壓數據點,表示在整個充電過程中的平均充電電壓,n表示在當前充電過程中采集到的充電電壓數據總數。

11、優選地，所述自適應權重機制通過以下步驟確定融合特征權重：

12、獲取當前環境溫度t與動力電池最優工作溫度范圍的偏差值δt、充放電深度d與動力電池安全工作范圍的偏差值δd、動力電池當前的循環次數m與額定循環壽命nmax的比值γ＝m/mmax，并基于δt、δd、γ構建多源信息熵評價函數e；

13、基于強化學習算法動態調整高負荷放電特征權重α和充電穩定性特征權重β，滿足α+β＝1，其中：

14、α＝sigmoid(w1*δt+w2*δd+γ*w3+e*w4+b)；

15、β＝1-α；

16、其中，w1,w2,w3,w4為特征權重系數，b為偏置項；

17、構建權重更新獎勵函數，并基于獎勵函數使用策略梯度法迭代更新特征權重系數w1,w2,w3,w4和偏置項b。

18、優選地，調用預訓練的雙向lstm模型對當前充放電周期的融合特征和上一充放電周期的融合特征進行處理，并通過帶有注意力機制的全連接層輸出更新動力電池的健康狀況，具體為：

19、將當前周期的融合特征和上一周期的融合特征組合成輸入序列，加載預訓練的雙向lstm模型權重和參數，分別保存前向lstm和反向lstm對所述輸入序列進行處理的輸出狀態；

20、將前向lstm和反向lstm的輸出狀態拼接，使用預訓練的注意力權重矩陣，計算每個時間步的注意力得分，對注意力得分應用softmax函數，轉換為概率分布，使用注意力概率對各時間步的狀態進行加權求和，生成上下文向量；

21、將上下文向量輸入到第一層全連接網絡，應用激活函數處理第一層的輸出，將結果傳遞給第二層全連接網絡，重復激活和傳遞過程，直至最終輸出層，執行多頭注意力機制，將輸入特征映射到多個子空間并分別計算注意力，合并多個注意力頭的輸出，并輸出電池的健康狀況數據。

22、本發明第二實施例提供了一種動力電池的電池狀況預測裝置，包括：

23、預處理單元，用于獲取在當前充放電周期內的動力電池參數和電網參數，并對所述動力電池參數和所述電網參數進行預處理，其中，所述預處理包括時域特征提取、噪聲濾波和數據標準化；

24、融合特征生成單元，用于從預處理后的所述電池參數提取高負荷放電特征，以及從預處理后的電網參數中提取充電穩定性特征，采用自適應權重機制對所述高負荷放電特征和所述電穩定性特征進行融合，以生成融合特征；

25、健康狀況更新單元，用于調用預訓練的雙向lstm模型對當前充放電周期的融合特征和上一充放電周期的融合特征進行處理，并通過帶有注意力機制的全連接層輸出更新動力電池的健康狀況，所述健康狀況包括剩余使用壽命、容量衰減率和內阻增長趨勢。

26、優選地，所述高負荷放電特征為急加速期間的soc值的變化率，其表達為：

27、

28、所述充電穩定性特征為充電過程中電壓的標準差，其表達為：

29、

30、其中，soc(t)表示在當前時刻t下的電池電荷狀態，soc(t-δt)表示在前一時刻t-δt下的電池電荷狀態，δt表示兩次采樣之間的時間間隔，δsoc表示單位時間內電池電荷狀態的變化率，σv表示充電過程中電壓波動的標準差，vcharge,i表示示在充電過程中采集到的第i個充電電壓數據點,表示在整個充電過程中的平均充電電壓,n表示在當前充電過程中采集到的充電電壓數據總數。

31、優選地，所述自適應權重機制通過以下步驟確定融合特征權重：

32、獲取當前環境溫度t與動力電池最優工作溫度范圍的偏差值δt、充放電深度d與動力電池安全工作范圍的偏差值δd、動力電池當前的循環次數m與額定循環壽命nmax的比值γ＝m/mmax，并基于δt、δd、γ構建多源信息熵評價函數e；

33、基于強化學習算法動態調整高負荷放電特征權重α和充電穩定性特征權重β，滿足α+β＝1，其中：

34、α＝sigmoid(w1*δt+w2*δd+γ*w3+e*w4+b)；

35、β＝1-α；

36、其中，w1,w2,w3,w4為特征權重系數，b為偏置項；

37、構建權重更新獎勵函數，并基于獎勵函數使用策略梯度法迭代更新特征權重系數w1,w2,w3,w4和偏置項b。

38、優選地，所述健康狀況更新單元具體用于：

39、將當前周期的融合特征和上一周期的融合特征組合成輸入序列，加載預訓練的雙向lstm模型權重和參數，分別保存前向lstm和反向lstm對所述輸入序列進行處理的輸出狀態；

40、將前向lstm和反向lstm的輸出狀態拼接，使用預訓練的注意力權重矩陣，計算每個時間步的注意力得分，對注意力得分應用softmax函數，轉換為概率分布，使用注意力概率對各時間步的狀態進行加權求和，生成上下文向量；

41、將上下文向量輸入到第一層全連接網絡，應用激活函數處理第一層的輸出，將結果傳遞給第二層全連接網絡，重復激活和傳遞過程，直至最終輸出層，執行多頭注意力機制，將輸入特征映射到多個子空間并分別計算注意力，合并多個注意力頭的輸出，并輸出電池的健康狀況數據。

42、本發明第三實施例提供了一種動力電池的電池狀況預測設備，包括存儲器以及處理器，所述存儲器內存儲有計算機程序，所述計算機程序能夠被所述處理器執行，以實現如上任意一項所述的一種純電動車的下坡輔助方法。

43、本發明第四實施例提供了一種計算機可讀存儲介質，其特征在于，存儲有計算機程序，所述計算機程序能夠被所述計算機可讀存儲介質所在設備的處理器執行，以實現如上任意一項所述一種動力電池的電池狀況預測方法。

44、基于本發明提供的一種動力電池的電池狀況預測方法、裝置、設備及存儲介質，通過先獲取在當前充放電周期內的動力電池參數和電網參數，并對所述動力電池參數和所述電網參數進行預處理，其中，所述預處理包括時域特征提取、噪聲濾波和數據標準化；接著，從預處理后的所述電池參數提取高負荷放電特征，以及從預處理后的電網參數中提取充電穩定性特征，采用自適應權重機制對所述高負荷放電特征和所述電穩定性特征進行融合，以生成融合特征；最后，調用預訓練的雙向lstm模型對當前充放電周期的融合特征和上一充放電周期的融合特征進行處理，并通過帶有注意力機制的全連接層輸出更新動力電池的健康狀況，所述健康狀況包括剩余使用壽命、容量衰減率和內阻增長趨勢，解決了難以對動力電池的健康狀況進行準確評估的問題。