(19)國家知識產(chǎn)權(quán)局(72)發(fā)明人莊輝陶煜淳操志鵬顧葉飛所(普通合伙)32438專利代理師張宇GO6N基于深度學(xué)習(xí)的動力電池充放電管理優(yōu)化本申請?zhí)峁┮环N基于深度學(xué)習(xí)的動力電池電池充放電時包含電池溫度序列、電壓波動序配的含充放電速率調(diào)整閾值等的動態(tài)優(yōu)化策略，使充放電參數(shù)滿足預(yù)設(shè)的電池健康度約束條件21.一種基于深度學(xué)習(xí)的動力電池充放電管理優(yōu)化方法，其特征在于，所述方法包括：獲取目標(biāo)動力電池在充放電過程中的實時電池狀態(tài)數(shù)據(jù)，所述實時電池狀態(tài)數(shù)據(jù)包括電池溫度序列、電壓波動序列及電流變化序列；將所述實時電池狀態(tài)數(shù)據(jù)輸入預(yù)先訓(xùn)練的深度學(xué)習(xí)模型，通過所述深度學(xué)習(xí)模型的時間序列預(yù)測分支分析所述電池溫度序列的時變特征，通過電壓動態(tài)感知分支提取所述電壓波動序列的周期性模式，通過電流特征映射分支識別所述電流變化序列中的異常波動區(qū)基于所述時變特征、周期性模式及異常波動區(qū)間的融合分析結(jié)果，生成與當(dāng)前充放電階段匹配的動態(tài)優(yōu)化策略，所述動態(tài)優(yōu)化策略包含充放電速率調(diào)整閾值、溫度控制區(qū)間及電壓穩(wěn)定范圍；根據(jù)所述動態(tài)優(yōu)化策略對所述目標(biāo)動力電池的充放電參數(shù)進(jìn)行實時調(diào)整，使得調(diào)整后的充放電參數(shù)滿足預(yù)設(shè)的電池健康度約束條件與能量效率最大化目標(biāo)。2.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的動力電池充放電管理優(yōu)化方法，其特征在于，所述獲取目標(biāo)動力電池在充放電過程中的實時電池狀態(tài)數(shù)據(jù)，包括：通過部署在所述目標(biāo)動力電池表面的分布式溫度傳感器采集連續(xù)時間戳下的電池溫度測量值，并按照預(yù)設(shè)時間窗口對所述電池溫度測量值進(jìn)行滑動平均處理，生成所述電池溫度序列；通過嵌入在電池管理系統(tǒng)的電壓采樣模塊獲取充放電回路中的瞬時電壓值，并基于電壓變化梯度對所述瞬時電壓值進(jìn)行分段擬合，生成所述電壓波動序列；通過電流探頭捕獲充放電電流波形，并對所述電流波形進(jìn)行峰谷檢測及噪聲過濾處理，提取所述電流變化序列中的有效波動區(qū)間作為所述異常波動區(qū)間的候選數(shù)據(jù)。3.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的動力電池充放電管理優(yōu)化方法，其特征在于，所述深度學(xué)習(xí)模型包括并行連接的循環(huán)神經(jīng)網(wǎng)絡(luò)單元和注意力機(jī)制模塊；所述通過所述深度學(xué)習(xí)模型的時間序列預(yù)測分支分析所述電池溫度序列的時變特征，將所述電池溫度序列輸入所述循環(huán)神經(jīng)網(wǎng)絡(luò)單元，通過門控循環(huán)層對溫度變化趨勢進(jìn)行多尺度特征提取，獲得包含短期波動特征和長期趨勢特征的融合溫度特征向量；將所述融合溫度特征向量輸入所述注意力機(jī)制模塊，通過自適應(yīng)權(quán)重分配計算不同時間步的溫度特征對當(dāng)前充放電階段的影響權(quán)重，生成所述時變特征的量化表示。4.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的動力電池充放電管理優(yōu)化方法，其特征在于，所述基于所述時變特征、周期性模式及異常波動區(qū)間的融合分析結(jié)果，生成與當(dāng)前充放電根據(jù)所述時變特征確定電池溫度的安全上升斜率閾值，并結(jié)合所述周期性模式計算電壓波動的允許偏差范圍；識別所述異常波動區(qū)間對應(yīng)的電流突變幅度，并根據(jù)所述電流突變幅度與預(yù)設(shè)安全閾值的比較結(jié)果，動態(tài)設(shè)定充放電速率的降額比例；基于所述安全上升斜率閾值計算溫度控制區(qū)間的動態(tài)上限值，所述動態(tài)上限值根據(jù)實時電池溫度與所述安全上升斜率閾值的乘積進(jìn)行累積更新；根據(jù)所述允許偏差范圍確定電壓穩(wěn)定范圍的中心值，所述中心值通過所述電壓波動序3列的周期性模式中相鄰波峰與波谷的均值動態(tài)校準(zhǔn)；將所述降額比例轉(zhuǎn)換為充放電速率調(diào)整閾值的分段線性函數(shù)，所述分段線性函數(shù)的轉(zhuǎn)折點與所述電流變化序列中異常波動區(qū)間的持續(xù)時間呈負(fù)相關(guān)；融合所述動態(tài)上限值、中心值及分段線性函數(shù)生成多參數(shù)協(xié)同約束條件，其中，所述溫度控制區(qū)間的下限值保持恒定，所述電壓穩(wěn)定范圍的邊界值根據(jù)所述中心值對稱擴(kuò)展預(yù)設(shè)根據(jù)所述多參數(shù)協(xié)同約束條件建立充放電速率調(diào)整閾值、溫度控制區(qū)間及電壓穩(wěn)定范圍的聯(lián)動映射表，所述聯(lián)動映射表中每個充放電速率調(diào)整閾值對應(yīng)唯一的溫度控制區(qū)間和電壓穩(wěn)定范圍組合；基于當(dāng)前充放電階段匹配的實時電池狀態(tài)數(shù)據(jù)索引所述聯(lián)動映射表，輸出包含充放電速率調(diào)整閾值、溫度控制區(qū)間及電壓穩(wěn)定范圍的動態(tài)優(yōu)化策略，其中，所述充放電速率調(diào)整閾值與所述降額比例呈反比關(guān)系，所述溫度控制區(qū)間的上限值由所述安全上升斜率閾值動態(tài)調(diào)整。5.根據(jù)權(quán)利要求4所述的基于深度學(xué)習(xí)的動力電池充放電管理優(yōu)化方法，其特征在于，所述根據(jù)所述動態(tài)優(yōu)化策略對所述目標(biāo)動力電池的充放電參數(shù)進(jìn)行實時調(diào)整，包括：當(dāng)檢測到當(dāng)前充放電速率超過所述充放電速率調(diào)整閾值時，觸發(fā)分級降流控制協(xié)議，按照所述降額比例分階段降低輸出電流，并在每次降流操作后重新評估電壓穩(wěn)定范圍是否滿足所述允許偏差范圍；在充放電過程中實時監(jiān)測電池溫度變化速率，若所述變化速率超過所述安全上升斜率閾值，則激活溫度補(bǔ)償機(jī)制，通過調(diào)節(jié)散熱設(shè)備功率使溫度回歸至所述溫度控制區(qū)間；當(dāng)所述電壓波動序列的實時測量值超出所述電壓穩(wěn)定范圍時，啟動電壓均衡模塊對單體電池進(jìn)行電荷再分配，直至所有單體電池的電壓差異小于預(yù)設(shè)均衡閾值。6.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的動力電池充放電管理優(yōu)化方法，其特征在于，所述方法還包括：通過所述深度學(xué)習(xí)模型的異常檢測分支對所述實時電池狀態(tài)數(shù)據(jù)進(jìn)行異常充放電行為識別，若檢測到持續(xù)超過預(yù)設(shè)時長的電流反向波動或電壓驟降事件，則生成異常告警信號并觸發(fā)保護(hù)性充放電中斷；在所述保護(hù)性充放電中斷期間，利用歷史充放電數(shù)據(jù)重構(gòu)電池內(nèi)部狀態(tài)估計模型，基于重構(gòu)結(jié)果更新所述動態(tài)優(yōu)化策略中的溫度控制區(qū)間及充放電速率調(diào)整閾值；當(dāng)所述異常告警信號解除后，按照更新后的動態(tài)優(yōu)化策略恢復(fù)充放電過程，并增加對所述電流變化序列的采樣頻率以進(jìn)行實時監(jiān)控。7.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的動力電池充放電管理優(yōu)化方法，其特征在于，所述方法還包括對所述深度學(xué)習(xí)模型進(jìn)行離線訓(xùn)練的過程，包括：將歷史充放電數(shù)據(jù)中的電池溫度序列、電壓波動序列及電流變化序列分別拆解為時間連續(xù)的第一訓(xùn)練集和局部波動的第二訓(xùn)練集；將所述電池溫度序列輸入循環(huán)神經(jīng)網(wǎng)絡(luò)單元的門控循環(huán)層，通過前向時間步傳播提取正向溫度變化梯度，通過反向時間步傳播提取逆向溫度變化梯度，將所述正向溫度變化梯度與逆向溫度變化梯度按時間步拼接生成多尺度溫度特征向量；將所述電壓波動序列輸入電壓動態(tài)感知分支的多尺度分解層，通過不同頻率的濾波器4組分割為高頻分量、中頻分量及低頻分量，將各分量分別輸入自相關(guān)函數(shù)層計算峰值間隔，根據(jù)所述峰值間隔篩選滿足整數(shù)倍關(guān)系的分量生成電壓周期特征集合；將所述電流變化序列輸入電流特征映射分支的滑動窗口分割層生成重疊電流片段，對每個電流片段執(zhí)行局部峰谷檢測提取瞬時梯度集合，根據(jù)所述瞬時梯度集合與預(yù)設(shè)梯度閾值的偏差量標(biāo)記候選異常區(qū)間，對所述候選異常區(qū)間進(jìn)行持續(xù)時間和幅度變化率篩選生成異常波動區(qū)間標(biāo)識集；將所述多尺度溫度特征向量輸入注意力機(jī)制模塊生成時變特征權(quán)重分布，將所述電壓周期特征集合輸入模式匹配單元生成周期性模式置信度，將所述異常波動區(qū)間標(biāo)識集輸入時間同步模塊生成異常區(qū)間時間戳；將所述時變特征權(quán)重分布、周期性模式置信度及異常區(qū)間時間戳進(jìn)行特征融合生成聯(lián)合特征向量，將所述聯(lián)合特征向量輸入全連接層映射為充放電速率調(diào)整閾值預(yù)測值、溫度控制區(qū)間預(yù)測值及電壓穩(wěn)定范圍預(yù)測值；計算所述充放電速率調(diào)整閾值預(yù)測值與真實速率調(diào)整標(biāo)簽的第一誤差，計算所述溫度控制區(qū)間預(yù)測值與真實溫度區(qū)間的第二誤差，計算所述電壓穩(wěn)定范圍預(yù)測值與真實電壓范圍的第三誤差，將所述第一誤差、第二誤差及第三誤差加權(quán)求和生成聯(lián)合預(yù)測損失；將所述聯(lián)合特征向量輸入健康度約束分支生成電池容量衰減率預(yù)測值和內(nèi)阻增長率預(yù)測值，計算所述電池容量衰減率預(yù)測值與實測衰減率的第四誤差，計算所述內(nèi)阻增長率預(yù)測值與實測增長率的第五誤差，將所述第四誤差與第五誤差加權(quán)求和生成健康約束損根據(jù)當(dāng)前訓(xùn)練輪次的聯(lián)合預(yù)測損失與健康約束損失的比例動態(tài)調(diào)整兩者的加權(quán)系數(shù)，使所述聯(lián)合預(yù)測損失的系數(shù)隨訓(xùn)練輪次線性降低，所述健康約束損失的系數(shù)隨訓(xùn)練輪次指數(shù)升高；將動態(tài)調(diào)整后的聯(lián)合預(yù)測損失與健康約束損失相加生成總訓(xùn)練損失，通過反向傳播算法更新所述循環(huán)神經(jīng)網(wǎng)絡(luò)單元的權(quán)重矩陣、所述多尺度分解層的濾波器參數(shù)及所述滑動窗口分割層的窗口步長參數(shù)，使得所述充放電速率調(diào)整閾值預(yù)測值、溫度控制區(qū)間預(yù)測值及電壓穩(wěn)定范圍預(yù)測值同時逼近真實標(biāo)簽且滿足電池健康度約束。8.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的動力電池充放電管理優(yōu)化方法，其特征在于，所述方法還包括：在每次充放電循環(huán)結(jié)束后，提取本次充放電循環(huán)過程中電池狀態(tài)數(shù)據(jù)的關(guān)鍵特征向量及實際應(yīng)用的動態(tài)優(yōu)化策略效果指標(biāo)；將所述關(guān)鍵特征向量與所述動態(tài)優(yōu)化策略效果指標(biāo)組合為增量訓(xùn)練樣本，通過在線學(xué)習(xí)算法更新所述深度學(xué)習(xí)模型的局部參數(shù)；當(dāng)檢測到連續(xù)多個增量訓(xùn)練樣本的預(yù)測誤差超過自適應(yīng)閾值時，觸發(fā)全量模型重訓(xùn)練流程，利用最新積累的樣本數(shù)據(jù)重新訓(xùn)練深度學(xué)習(xí)模型并替換原有模型。9.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的動力電池充放電管理優(yōu)化方法，其特征在于，所述方法還包括：并行運行多個異構(gòu)深度學(xué)習(xí)模型，分別生成針對同一充放電階段的不同候選優(yōu)化策通過策略評估模塊計算各候選優(yōu)化策略的預(yù)期電池健康度維持率、能量轉(zhuǎn)換效率提升5率及安全風(fēng)險系數(shù)；選擇所述預(yù)期電池健康度維持率與能量轉(zhuǎn)換效率提升率的加權(quán)綜合得分最高，且所述安全風(fēng)險系數(shù)低于臨界值的候選優(yōu)化策略作為最終執(zhí)行的動態(tài)優(yōu)化策略。10.一種動力電池管理系統(tǒng)，其特征在于，所述動力電池管理系統(tǒng)包括處理器和存儲器，所述存儲器和所述處理器連接，所述存儲器用于存儲程序、指令或代碼，所述處理器用于執(zhí)行所述存儲器中的程序、指令或代碼，以實現(xiàn)上述權(quán)利要求1-9任意一項所述的基于深度學(xué)習(xí)的動力電池充放電管理優(yōu)化方法。6基于深度學(xué)習(xí)的動力電池充放電管理優(yōu)化方法及系統(tǒng)技術(shù)領(lǐng)域[0001]本申請涉及深度學(xué)習(xí)技術(shù)領(lǐng)域，具體而言，涉及一種基于深度學(xué)習(xí)的動力電池充放電管理優(yōu)化方法及系統(tǒng)。背景技術(shù)[0002]在當(dāng)今電動汽車及各類電子設(shè)備蓬勃發(fā)展的時代，動力電池作為關(guān)鍵供能部件，其充放電管理的優(yōu)化至關(guān)重要，然而現(xiàn)有的相關(guān)技術(shù)存在諸多不足，凸顯了本發(fā)明的創(chuàng)新性與必要性。[0003]傳統(tǒng)的動力電池充放電管理方法大多采用傳統(tǒng)的數(shù)學(xué)模型和算法，對于電池狀態(tài)數(shù)據(jù)中蘊含的復(fù)雜模式和規(guī)律難以準(zhǔn)確挖掘。例如，對于電池溫度隨時間的動態(tài)變化、電壓波動的周期性特征以及電流中的異常波動情況，無法進(jìn)行全面且細(xì)致的分析，進(jìn)而無法制定出針對性強(qiáng)的優(yōu)化策略。[0004]在充放電策略制定方面，傳統(tǒng)方法通常采用靜態(tài)策略，即一旦設(shè)定好充放電參數(shù)，在整個過程中基本保持不變。這種方式?jīng)]有充分考慮到電池在不同充放電階段的特性差異，不能根據(jù)電池實時狀態(tài)進(jìn)行動態(tài)調(diào)整，既無法保障電池的長期健康，也難以實現(xiàn)能量效率的最大化。發(fā)明內(nèi)容[0005]鑒于上述提及的問題，結(jié)合本申請的第一方面，本申請實施例提供一種基于深度學(xué)習(xí)的動力電池充放電管理優(yōu)化方法，所述方法包括：獲取目標(biāo)動力電池在充放電過程中的實時電池狀態(tài)數(shù)據(jù)，所述實時電池狀態(tài)數(shù)據(jù)包括電池溫度序列、電壓波動序列及電流變化序列；將所述實時電池狀態(tài)數(shù)據(jù)輸入預(yù)先訓(xùn)練的深度學(xué)習(xí)模型，通過所述深度學(xué)習(xí)模型的時間序列預(yù)測分支分析所述電池溫度序列的時變特征，通過電壓動態(tài)感知分支提取所述電壓波動序列的周期性模式，通過電流特征映射分支識別所述電流變化序列中的異常波動基于所述時變特征、周期性模式及異常波動區(qū)間的融合分析結(jié)果，生成與當(dāng)前充放電階段匹配的動態(tài)優(yōu)化策略，所述動態(tài)優(yōu)化策略包含充放電速率調(diào)整閾值、溫度控制區(qū)間及電壓穩(wěn)定范圍；根據(jù)所述動態(tài)優(yōu)化策略對所述目標(biāo)動力電池的充放電參數(shù)進(jìn)行實時調(diào)整，使得調(diào)整后的充放電參數(shù)滿足預(yù)設(shè)的電池健康度約束條件與能量效率最大化目標(biāo)。[0006]再一方面，本申請實施例還提供一種動力電池管理系統(tǒng)，包括處理器、機(jī)器可讀存儲介質(zhì)，所述機(jī)器可讀存儲介質(zhì)和所述處理器連接，所述機(jī)器可讀存儲介質(zhì)用于存儲程序、指令或代碼，所述處理器用于執(zhí)行所述機(jī)器可讀存儲介質(zhì)中的程序、指令或代碼，以實現(xiàn)上述的方法。[0007]基于以上方面，本申請實施例獲取包含電池溫度序列、電壓波動序列及電流變化7序列的實時電池狀態(tài)數(shù)據(jù)，利用深度學(xué)習(xí)模型的不同分支分別分析時變特征、周期性模式和異常波動區(qū)間，能夠充分考慮各因素間的相互作用和關(guān)聯(lián)，大大提高了對電池狀態(tài)的理解和判斷能力。接著，基于融合分析結(jié)果生成與當(dāng)前充放電階段匹配的動態(tài)優(yōu)化策略，實現(xiàn)了充放電管理的動態(tài)化和精準(zhǔn)化，從而根據(jù)電池實時狀態(tài)自動調(diào)整，最后根據(jù)動態(tài)優(yōu)化策略實時調(diào)整充放電參數(shù)，以滿足預(yù)設(shè)的電池健康度約束條件與能量效率最大化目標(biāo)，在保障電池長期健康的同時，最大化了能量利用效率，有效平衡了電池使用壽命和充放電性能，顯著提升了動力電池充放電管理的智能化水平，延長了電池使用壽命，提高了能源利用效附圖說明[0008]圖1是本申請實施例提供的基于深度學(xué)習(xí)的動力電池充放電管理優(yōu)化方法的執(zhí)行流程示意圖。[0009]圖2是本申請實施例提供的動力電池管理系統(tǒng)的硬件架構(gòu)示意圖。具體實施方式[0010]下面結(jié)合說明書附圖對本申請進(jìn)行具體說明，圖1是本申請一種實施例提供的基于深度學(xué)習(xí)的動力電池充放電管理優(yōu)化方法的流程示意圖，下面對該基于深度學(xué)習(xí)的動力電池充放電管理優(yōu)化方法進(jìn)行詳細(xì)介紹。[0011]步驟S110,獲取目標(biāo)動力電池在充放電過程中的實時電池狀態(tài)數(shù)據(jù)，所述實時電池狀態(tài)數(shù)據(jù)包括電池溫度序列、電壓波動序列及電流變化序列。[0012]詳細(xì)地，以一個電動汽車中的鋰離子動力電池作為目標(biāo)動力電池的場景為例。在電動汽車行駛過程中，電池處于充放電狀態(tài)。[0013]對于電池溫度序列，可以在電池表面部署了多個分布式溫度傳感器。例如，在電池的不同模塊或者電芯附近均勻分布了10個溫度傳感器，溫度傳感器以固定的時間間隔(比如每10秒)采集電池溫度測量值。假設(shè)在一次充電過程的開始階段，第一個傳感器在第1個10秒采集到的溫度是20℃,第二個傳感器采集到21℃,依此類推。然后，按照預(yù)設(shè)時間窗口(假設(shè)為5分鐘)對以上測量值進(jìn)行滑動平均處理。以第一個傳感器的數(shù)據(jù)為例，在5分鐘(30個10秒的采集周期)內(nèi)，將這30個溫度測量值相加再除以30,得到一個平均溫度值，由此連續(xù)處理各個傳感器的數(shù)據(jù)，生成該電池溫度序列。[0014]對于電壓波動序列，嵌入在電池管理系統(tǒng)的電壓采樣模塊持續(xù)獲取充放電回路中樣模塊獲取到的瞬時電壓值變化比較快。假設(shè)初始時采集到的瞬時電壓值為3.7V,隨著電流增大，電壓下降到3.5V?；陔妷鹤兓荻葘@些瞬時電壓值進(jìn)行分段擬合。如果發(fā)現(xiàn)從3.7V下降到3.6V的過程中，電壓變化比較緩慢，而從3.6V下降到3.5V的過程中變化加快，因此可以根據(jù)這種變化特征將其分為不同的段，從而生成電壓波動序列。[0015]對于電流變化序列，通過電流探頭捕獲充放電電流波形。在電動汽車充電時，當(dāng)充電功率發(fā)生變化時，電流波形會有相應(yīng)的變化。例如，開始時以30A的電流進(jìn)行恒流充電，此時電流波形比較平穩(wěn)。但當(dāng)電池電量接近充滿時，充電模式切換到恒壓充電，電流逐漸減小，電流波形開始下降。對該電流波形進(jìn)行峰谷檢測及噪聲過濾處理。比如在電流從30A下8降到20A的過程中，存在一些由于電路中微小干擾產(chǎn)生的波動，這些波動被視為噪聲被過濾掉，提取其中有效波動區(qū)間作為異常波動區(qū)間的候選數(shù)據(jù)。[0016]步驟S120,將所述實時電池狀態(tài)數(shù)據(jù)輸入預(yù)先訓(xùn)練的深度學(xué)習(xí)模型，通過所述深度學(xué)習(xí)模型的時間序列預(yù)測分支分析所述電池溫度序列的時變特征，通過電壓動態(tài)感知分支提取所述電壓波動序列的周期性模式，通過電流特征映射分支識別所述電流變化序列中的異常波動區(qū)間。[0017]詳細(xì)地，可以把上述獲取到的電池狀態(tài)數(shù)據(jù)輸入深度學(xué)習(xí)模型。該深度學(xué)習(xí)模型可包含并行連接的循環(huán)神經(jīng)網(wǎng)絡(luò)單元和注意力機(jī)制模塊。[0018]對于電池溫度序列的時變特征分析，在時間序列預(yù)測分支中，將電池溫度序列輸入循環(huán)神經(jīng)網(wǎng)絡(luò)單元。例如，對于前面提到的電動汽車電池充電過程中的溫度序列，循環(huán)神經(jīng)網(wǎng)絡(luò)單元中的門控循環(huán)層對溫度變化趨勢進(jìn)行多尺度特征提取。假設(shè)在充電的前30分鐘內(nèi)，溫度從20℃緩慢上升到22℃,這是短期波動特征；而從整個充電過程看，溫度是從20℃最終上升到25℃,這是長期趨勢特征，通過門控循環(huán)層將這些短期和長期的特征融合成一個包含短期波動特征和長期趨勢特征的融合溫度特征向量。然后，將該融合溫度特征向量輸入注意力機(jī)制模塊。例如，在充電過程的中間階段(假設(shè)第20-30分鐘),該階段的溫度變化對整個充電過程的影響可能較大，通過自適應(yīng)權(quán)重分配計算，該階段的溫度特征被賦予較高的權(quán)重，從而生成時變特征的量化表示。[0019]對于電壓波動序列的周期性模式提取，在電壓動態(tài)感知分支中，將電壓波動序列輸入多尺度分解層進(jìn)行時頻分解。例如，在電動汽車放電過程中，當(dāng)車輛處于不同的行駛狀態(tài)(如勻速行駛、加速、減速)時，電壓波動序列包含不同的頻率成分。分解后生成包含不同頻率成分的電壓子序列集合。對每個電壓子序列執(zhí)行自相關(guān)函數(shù)計算。假設(shè)在勻速行駛階段，某個電壓子序列的自相關(guān)函數(shù)中，發(fā)現(xiàn)峰值間隔為5秒的成分比較明顯，這可能是一個候選周期成分。將該候選周期成分輸入周期驗證層，檢測相鄰周期內(nèi)電壓波形形態(tài)的相似度。如果在多個相鄰的5秒周期內(nèi)，電壓波形的形狀非常相似(相似度超過預(yù)設(shè)閾值，如0.9),則將該候選周期成分作為有效周期模式。然后基于有效周期模式對應(yīng)的頻率成分構(gòu)建電壓周期特征向量，該電壓周期特征向量包含各頻率成分的幅值占比及相位偏移量。例如，某種頻率成分的幅值占總幅值的30%,相位偏移量為10度等。最后將該電壓周期特征向量輸入模式匹配單元，與預(yù)存儲的典型充放電階段電壓模板進(jìn)行動態(tài)時間規(guī)整對齊。假設(shè)預(yù)存儲的勻速行駛放電階段的電壓模板有特定的模式，通過動態(tài)時間規(guī)整對齊后，輸出周期性模式的匹配置信度(如0.85)及模式類型標(biāo)識(如勻速行駛放電電壓模式)。[0020]對于電流變化序列中的異常波動區(qū)間識別，通過電流特征映射分支對電流變化序列進(jìn)行滑動窗口分割。例如，以5秒為滑動窗口長度，生成電流片段中執(zhí)行局部峰谷檢測。假設(shè)在充電過程中，某個電流片段中電流從30A突然上升到35A,這是一個瞬時上升梯度，然后又下降到32A,這是下降梯度。計算該瞬時上升梯度與下降梯度的絕對值與預(yù)設(shè)梯度閾值(如2A)的偏差量。如果上升梯度偏差量達(dá)到3A(超過第一閾值),則將該梯度點標(biāo)記為候選異常波動點。對相鄰候選異常波動點進(jìn)行時間聚類。例如，在10秒內(nèi)有多個候選異常波動點，將它們組合成一個包含起始時間(如第100秒)和持續(xù)時間(如10秒)的候選異常波動區(qū)間。然后基于候選異常波動區(qū)間的持續(xù)時間和幅度變化率，假設(shè)持續(xù)時間超過5秒且幅度變化率超過30%,則將該候選異常波動區(qū)間作為最終異常波動9區(qū)間。將最終異常波動區(qū)間的起始時間、持續(xù)時間及最大幅度值(如起始時間第100秒，持續(xù)時間10秒，最大幅度值35A)編碼為異常波動區(qū)間標(biāo)識，并且該異常波動區(qū)間標(biāo)識與前面得到的周期性模式進(jìn)行時間同步關(guān)聯(lián)，比如確定該異常波動區(qū)間發(fā)生在某個周期性模式的哪個階段。[0021]步驟S130,基于所述時變特征、周期性模式及異常波動區(qū)間的融合分析結(jié)果，生成與當(dāng)前充放電階段匹配的動態(tài)優(yōu)化策略，所述動態(tài)優(yōu)化策略包含充放電速率調(diào)整閾值、溫度控制區(qū)間及電壓穩(wěn)定范圍。[0022]詳細(xì)地，根據(jù)前面得到的時變特征，假設(shè)在充電過程中電池溫度的安全上升斜率閾值確定為每10分鐘上升2℃。結(jié)合周期性模式，例如在前面確定的勻速行駛放電電壓模式下，計算出電壓波動的允許偏差范圍為±0.1V。[0023]識別異常波動區(qū)間對應(yīng)的電流突變幅度，假設(shè)在充電過程中某個異常波動區(qū)間內(nèi)電流突變幅度為5A,預(yù)設(shè)安全閾值為3A,根據(jù)該電流突變幅度與預(yù)設(shè)安全閾值的比較結(jié)果，動態(tài)設(shè)定充放電速率的降額比例。如果5A大于3A,可能將充放電速率降額比例設(shè)定為20%。[0024]基于安全上升斜率閾值計算溫度控制區(qū)間的動態(tài)上限值。假設(shè)當(dāng)前電池溫度為20℃,按照每10分鐘上升2℃的斜率，在接下來的10分鐘內(nèi)，動態(tài)上限值為20℃+2℃=22℃,并且該上限值會根據(jù)實時電池溫度與安全上升斜率閾值的乘積進(jìn)行累積更新。[0025]根據(jù)允許偏差范圍確定電壓穩(wěn)定范圍的中心值。例如，在前面提到的電壓波動序列中，相鄰波峰與波谷的均值為3.6V,以這個值作為電壓穩(wěn)定范圍的中心值，并且電壓穩(wěn)定范圍的邊界值根據(jù)中心值對稱擴(kuò)展預(yù)設(shè)百分比(如10%),則電壓穩(wěn)定范圍為3.24V-3.96V。[0026]將降額比例轉(zhuǎn)換為充放電速率調(diào)整閾值的分段線性函數(shù)。假設(shè)分段線性函數(shù)的轉(zhuǎn)折點與電流變化序列中異常波動區(qū)間的持續(xù)時間呈負(fù)相關(guān)，例如異常波動區(qū)間持續(xù)時間為10秒時，轉(zhuǎn)折點對應(yīng)的充放電速率調(diào)整閾值為0.8A,當(dāng)持續(xù)時間為5秒時，轉(zhuǎn)折點對應(yīng)的充放電速率調(diào)整閾值為1.2A。[0027]融合動態(tài)上限值、中心值及分段線性函數(shù)生成多參數(shù)協(xié)同約束條件。溫度控制區(qū)間的下限值保持恒定(如15℃),這樣就建立了充放電速率調(diào)整閾值、溫度控制區(qū)間及電壓穩(wěn)定范圍的聯(lián)動映射表。例如，當(dāng)充放電速率調(diào)整閾值為1A時，對應(yīng)的溫度控制區(qū)間為15℃-22℃,電壓穩(wěn)定范圍為3.24V-3.96V。基于當(dāng)前充放電階段匹配的實時電池狀態(tài)數(shù)據(jù)索引該聯(lián)動映射表，輸出包含充放電速率調(diào)整閾值、溫度控制區(qū)間及電壓穩(wěn)定范圍的動態(tài)優(yōu)化策略。例如，在當(dāng)前充電階段，輸出的動態(tài)優(yōu)化策略為充放電速率調(diào)整閾值為0.8A,溫度控制區(qū)間為15℃-22℃,電壓穩(wěn)定范圍為3.24V-3.96V,其中充放電速率調(diào)整閾值與降額比例呈反比關(guān)系，溫度控制區(qū)間的上限值由安全上升斜率閾值動態(tài)調(diào)整。[0028]步驟S140,根據(jù)所述動態(tài)優(yōu)化策略對所述目標(biāo)動力電池的充放電參數(shù)進(jìn)行實時調(diào)整，使得調(diào)整后的充放電參數(shù)滿足預(yù)設(shè)的電池健康度約束條件與能量效率最大化目標(biāo)。[0029]詳細(xì)地，在充電過程中，當(dāng)檢測到當(dāng)前充放電速率超過充放電速率調(diào)整閾值時，例如當(dāng)前充電速率為1.2A,而充放電速率調(diào)整閾值為0.8A,觸發(fā)分級降流控制協(xié)議。按照降額比例分階段降低輸出電流。假設(shè)降額比例為20%,首先將電流降低到1A,然后在每次降流操作后重新評估電壓穩(wěn)定范圍是否滿足允許偏差范圍。如果在降流到1A后，發(fā)現(xiàn)電壓穩(wěn)定范圍仍然滿足3.24V-3.96V,則繼續(xù)觀察；如果不滿足，則進(jìn)一步調(diào)整充電策略。[0030]在充放電過程中實時監(jiān)測電池溫度變化速率。假設(shè)在充電過程中，電池溫度在10分鐘內(nèi)上升了3℃,而安全上升斜率閾值為每10分鐘上升2℃,則該變化速率超過了安全上升斜率閾值。此時激活溫度補(bǔ)償機(jī)制，通過調(diào)節(jié)散熱設(shè)備功率使溫度回歸至溫度控制區(qū)間。例如，增加散熱風(fēng)扇的轉(zhuǎn)速或者提高冷卻液的流速，使電池溫度下降到22℃以內(nèi)。[0031]當(dāng)電壓波動序列的實時測量值超出電壓穩(wěn)定范圍時，例如電壓波動到4.1V,超出了3.96V的上限。啟動電壓均衡模塊對單體電池進(jìn)行電荷再分配，直至所有單體電池的電壓差異小于預(yù)設(shè)均衡閾值。假設(shè)預(yù)設(shè)均衡閾值為0.05V,通過電荷再分配，使各個單體電池的電壓差異在0.05V以內(nèi)，從而保證電池的整體性能和安全性，滿足預(yù)設(shè)的電池健康度約束條件與能量效率最大化目標(biāo)。[0032]基于以上步驟，本申請實施例獲取包含電池溫度序列、電壓波動序列及電流變化序列的實時電池狀態(tài)數(shù)據(jù)，利用深度學(xué)習(xí)模型的不同分支分別分析時變特征、周期性模式和異常波動區(qū)間，能夠充分考慮各因素間的相互作用和關(guān)聯(lián)，大大提高了對電池狀態(tài)的理解和判斷能力。接著，基于融合分析結(jié)果生成與當(dāng)前充放電階段匹配的動態(tài)優(yōu)化策略，實現(xiàn)了充放電管理的動態(tài)化和精準(zhǔn)化，從而根據(jù)電池實時狀態(tài)自動調(diào)整，最后根據(jù)動態(tài)優(yōu)化策略實時調(diào)整充放電參數(shù)，以滿足預(yù)設(shè)的電池健康度約束條件與能量效率最大化目標(biāo)，在保障電池長期健康的同時，最大化了能量利用效率，有效平衡了電池使用壽命和充放電性能，顯著提升了動力電池充放電管理的智能化水平，延長了電池使用壽命，提高了能源利用效[0033]在一種可能的實施方式中，步驟S110包括：步驟S111,通過部署在所述目標(biāo)動力電池表面的分布式溫度傳感器采集連續(xù)時間戳下的電池溫度測量值，并按照預(yù)設(shè)時間窗口對所述電池溫度測量值進(jìn)行滑動平均處理，生成所述電池溫度序列。[0034]繼續(xù)以電動汽車中的鋰離子動力電池為例，可以在電動汽車的鋰離子動力電池表面部署例如8個分布式溫度傳感器。在一次完整的充電過程中，這些傳感器持續(xù)采集電池溫度測量值，時間戳以每5秒為間隔。從充電開始時，第一個傳感器在第1個5秒采集到的溫度為21℃,第二個傳感器采集到20.5℃,第三個傳感器采集到20.8℃等等，依次記錄每個傳感器在每個時間戳下的溫度測量值。假設(shè)預(yù)設(shè)時間窗口為10分鐘(即120個5秒的時間間隔),對每個傳感器采集到的這120個溫度測量值進(jìn)行滑動平均處理。以第一個傳感器為例，將第1到120個5秒采集到的溫度值相加，然后除以120,得到第一個平均值，接著從第2個5秒到第121個5秒采集到的溫度值相加再除以120,得到第二個平均值，如此持續(xù)進(jìn)行，這樣就為第一個傳感器生成了一系列平均溫度值。按照同樣的方法處理其它7個傳感器的數(shù)據(jù)，最終得到整個電池的電池溫度序列。該電池溫度序列反映了電池在充電過程中不同階段的溫度變化趨勢。[0035]步驟S112,通過嵌入在電池管理系統(tǒng)的電壓采樣模塊獲取充放電回路中的瞬時電壓值，并基于電壓變化梯度對所述瞬時電壓值進(jìn)行分段擬合，生成所述電壓波動序列。[0036]例如，在電動汽車放電過程中，當(dāng)車輛處于起步加速階段，電池需要提供較大的功率，此時電流較大，根據(jù)歐姆定律，電壓會有明顯的下降。假設(shè)電壓采樣模塊在這一階段采集到一系列瞬時電壓值，初始瞬時電壓值為3.8V,隨著車輛加速，在某一時刻下降到3.5V。由于電壓變化不是均勻的，需要基于電壓變化梯度對這些瞬時電壓值進(jìn)行分段擬合。例如，從3.8V下降到3.7V的過程中，經(jīng)過計算發(fā)現(xiàn)電壓每5秒下降0.02V,這是一個電壓變化梯度；11而從3.7V下降到3.5V的過程中，電壓每3秒下降0.05V,這是另一個電壓變化梯度。根據(jù)這些不同的電壓變化梯度，將這一段電壓變化過程分為兩段，按照這種方式對整個放電過程中的瞬時電壓值進(jìn)行分段擬合，從而生成電壓波動序列。該電壓波動序列能夠體現(xiàn)出電池在不同工況下的電壓變化特性。[0037]步驟S113,通過電流探頭捕獲充放電電流波形，并對所述電流波形進(jìn)行峰谷檢測及噪聲過濾處理，提取所述電流變化序列中的有效波動區(qū)間作為所述異常波動區(qū)間的候選[0038]例如，在電動汽車充電過程中，假設(shè)充電設(shè)備提供的初始充電電流為30A,電流保持穩(wěn)定一段時間后，由于充電設(shè)備內(nèi)部的一些自動調(diào)整機(jī)制或者外部干擾因素，電流波形會發(fā)生變化。電流探頭準(zhǔn)確地捕獲該電流波形。對該電流波形進(jìn)行峰谷檢測，例如發(fā)現(xiàn)電流從30A上升到32A形成一個波峰，然后下降到28A形成一個波谷。同時，在該過程中可能存在一些微小的波動，這些波動可能是由于電路中的噪聲引起的。通過噪聲過濾處理，去除那些小于0.5A的微小波動。在該過程中，將電流從30A上升到32A,再下降到28A該區(qū)間確定為一個有效波動區(qū)間，將其作為異常波動區(qū)間的候選數(shù)據(jù)，從而能夠篩選出電流變化中具有實際意義的波動區(qū)間。[0039]在一種可能的實施方式中，所述深度學(xué)習(xí)模型包括并行連接的循環(huán)神經(jīng)網(wǎng)絡(luò)單元和注意力機(jī)制模塊。[0040]所述通過所述深度學(xué)習(xí)模型的時間序列預(yù)測分支分析所述電池溫度序列的時變步驟S210,將所述電池溫度序列輸入所述循環(huán)神經(jīng)網(wǎng)絡(luò)單元，通過門控循環(huán)層對溫度變化趨勢進(jìn)行多尺度特征提取，獲得包含短期波動特征和長期趨勢特征的融合溫度特征向量。[0041]例如，之前獲取到的電池溫度序列被輸入到深度學(xué)習(xí)模型中的循環(huán)神經(jīng)網(wǎng)絡(luò)單元。該循環(huán)神經(jīng)網(wǎng)絡(luò)單元中的門控循環(huán)層開始對溫度變化趨勢進(jìn)行多尺度特征提取。例如，在充電的前30分鐘內(nèi)，溫度從20℃緩慢上升到21℃,這是一個短期的波動特征。在整個充電過程中，從開始的20℃最終上升到25℃,這是長期趨勢特征。門控循環(huán)層會詳細(xì)分析這些不同尺度的溫度變化情況。假設(shè)在每個小的時間段內(nèi)，如每5分鐘為一個小時間段，門控循環(huán)層會計算每個時間段內(nèi)溫度的上升幅度、上升速度等特征。對于短期波動特征，可以關(guān)注每個5分鐘內(nèi)溫度的微小變化，像第一個5分鐘溫度上升了0.2℃,第二個5分鐘上升了0.15℃等。對于長期趨勢特征，可以綜合考慮整個充電過程中溫度的總體上升趨勢。通過這樣的分析，將短期波動特征和長期趨勢特征融合成一個包含這兩種特征的融合溫度特征向量。[0042]步驟S220,將所述融合溫度特征向量輸入所述注意力機(jī)制模塊，通過自適應(yīng)權(quán)重分配計算不同時間步的溫度特征對當(dāng)前充放電階段的影響權(quán)重，生成所述時變特征的量化[0043]在充電過程中，不同時間步的溫度特征對當(dāng)前充放電階段的影響是不同的。例如，在充電的中間階段(假設(shè)是第20-30分鐘),該中間階段的溫度變化可能對整個充電過程的影響較大。注意力機(jī)制模塊通過自適應(yīng)權(quán)重分配來計算這種影響權(quán)重，例如，可以根據(jù)之前門控循環(huán)層分析得到的各個時間步的溫度特征，比如在第20-30分鐘該時間段內(nèi)溫度上升了0.3℃,該上升幅度相對其它時間段比較大。注意力機(jī)制模塊會根據(jù)該上升幅度以及其它時間步的溫度特征情況，為每個時間步分配一個權(quán)重。假設(shè)第20-30分鐘該時間段被分配的權(quán)重為0.8,而其它時間段的權(quán)重相對較低。通過這種方式，生成了時變特征的量化表示，該量化表示能夠準(zhǔn)確反映出不同時間步的溫度特征在當(dāng)前充放電階段的重要性程度。[0044]譬如，在一種可能的實施方式中，所述通過電壓動態(tài)感知分支提取所述電壓波動步驟S310,將所述電壓波動序列輸入所述電壓動態(tài)感知分支的多尺度分解層進(jìn)行時頻分解，生成包含不同頻率成分的電壓子序列集合。[0045]在電動汽車放電過程中，之前生成的電壓波動序列被輸入到電壓動態(tài)感知分支的多尺度分解層進(jìn)行時頻分解。在這個過程中，由于車輛處于不同的行駛狀態(tài)(如勻速行駛、加速、減速),電池的電壓波動序列包含不同的頻率成分。例如，在勻速行駛時，電壓波動相對較為平穩(wěn)，可能包含低頻成分；而在加速或減速時，電壓波動會比較劇烈，可能包含高頻成分。多尺度分解層會將這些不同頻率成分的電壓波動分解出來，生成包含不同頻率成分的電壓子序列集合。[0046]步驟S320,對每個電壓子序列執(zhí)行自相關(guān)函數(shù)計算，識別所述自相關(guān)函數(shù)中峰值間隔滿足整數(shù)倍關(guān)系的候選周期成分。[0047]例如，對于一個在勻速行駛階段對應(yīng)的電壓子序列，自相關(guān)函數(shù)計算會顯示出該電壓子序列中電壓值之間的相關(guān)性。在該自相關(guān)函數(shù)中，發(fā)現(xiàn)峰值間隔為5秒的成分比較明顯，并且該峰值間隔可能是其它峰值間隔的整數(shù)倍關(guān)系，比如10秒、15秒等間隔都是5秒的整數(shù)倍，那么這個5秒的峰值間隔對應(yīng)的成分就被識別為候選周期成分。[0048]步驟S330,將所述候選周期成分輸入周期驗證層，檢測相鄰周期內(nèi)電壓波形形態(tài)的相似度，保留相似度超過預(yù)設(shè)閾值的周期成分作為有效周期模式。[0049]假設(shè)在勻速行駛階段，有多個5秒的周期成分。在相鄰的5秒周期內(nèi)，電壓波形的形狀非常相似。具體來說，每個周期內(nèi)電壓的波峰和波谷的位置、高度等特征都非常接近。如果這種相似度超過預(yù)設(shè)閾值(例如預(yù)設(shè)閾值為0.9),那么該周期成分就被保留作為有效周期模式。[0050]步驟S340,基于所述有效周期模式對應(yīng)的頻率成分構(gòu)建電壓周期特征向量，所述電壓周期特征向量包含各頻率成分的幅值占比及相位偏移量。[0051]例如，在該有效周期模式中，某種頻率成分的幅值占總幅值的30%,這是通過計算該頻率成分的幅值與所有頻率成分幅值總和的比例得到的。同時，該頻率成分的相位偏移量為10度，這是通過與某個參考相位的比較得到的。該電壓周期特征向量就包含了各頻率成分的幅值占比及相位偏移量等信息。[0052]步驟S350,將所述電壓周期特征向量輸入電壓動態(tài)感知分支的模式匹配單元，與預(yù)存儲的典型充放電階段電壓模板進(jìn)行動態(tài)時間規(guī)整對齊，輸出所述周期性模式的匹配置信度及模式類型標(biāo)識。[0053]假設(shè)預(yù)存儲的勻速行駛放電階段的電壓模板有特定的模式，該模式包含了在勻速行駛放電時電壓的波動范圍、周期等特征。通過動態(tài)時間規(guī)整對齊，計算出該電壓周期特征向量與預(yù)存儲模板的匹配程度。例如，如果在很多特征上都非常接近，那么輸出的周期性模式的匹配置信度可能為0.85,同時輸出模式類型標(biāo)識為勻速行駛放電電壓模式。該匹配置信度和模式類型標(biāo)識能夠準(zhǔn)確反映出當(dāng)前電壓波動序列的周期性模式與預(yù)存儲模板的匹配情況，從而為后續(xù)的分析和決策提供依據(jù)。[0054]譬如，在一種可能的實施方式中，所述通過電流特征映射分支識別所述電流變化步驟S410,通過電流特征映射分支，對所述電流變化序列進(jìn)行滑動窗口分割，生成連續(xù)重疊的電流片段集合。[0056]步驟S420,對每個電流片段執(zhí)行局部峰谷檢測，提取所述電流片段的瞬時上升梯度與下降梯度集合。[0057]在充電過程中，假設(shè)一個電流片段中，電流從30A開始，先上升到32A,這就是一個瞬時上升梯度。然后電流又下降到28A,這就是一個下降梯度。這樣就提取出了該電流片段的瞬時上升梯度與下降梯度集合。[0058]步驟S430,計算所述瞬時上升梯度與下降梯度的絕對值與預(yù)設(shè)梯度閾值的偏差量，標(biāo)記偏差量超過第一閾值的梯度點為候選異常波動點。[0059]假設(shè)預(yù)設(shè)梯度閾值為2A,對于該電流片段中的上升梯度，其絕對值為2A(32A-30A=2A),與預(yù)設(shè)梯度閾值相比，偏差量為0(2A-2A=0)。對于下降梯度，其絕對值為4A(32A-28A=4A),偏差量為2A(4A-2A=2A)。如果該偏差量超過第一閾值(假設(shè)第一閾值為1A),那么該梯度點就被標(biāo)記為候選異常波動點。在這個例子中，下降梯度點因為偏差量為2A超過了1A,所以被標(biāo)記為候選異常波動點。[0060]步驟S440,對相鄰候選異常波動點進(jìn)行時間聚類，生成包含起始時間和持續(xù)時間的候選異常波動區(qū)間。[0061]比如，在第100秒有一個候選異常波動點，在第105秒又有一個候選異常波動點，將這些相鄰的候選異常波動點組合在一起，生成一個包含起始時間(如第100秒)和持續(xù)時間(如5秒)的候選異常波動區(qū)間。[0062]步驟S450,基于所述候選異常波動區(qū)間的持續(xù)時間和幅度變化率，篩選同時滿足持續(xù)時間超過第二閾值且幅度變化率超過第三閾值的區(qū)間作為最終異常波動區(qū)間。[0063]假設(shè)第二閾值為3秒，第三閾值為30%。如果該候選異常波動區(qū)間的持續(xù)時間為5秒，超過了3秒，并且幅度變化率為(32A-28A)/30A×100%=13.3%(這里30A是取之前電流片段中的初始電流值進(jìn)行計算),沒有超過30%,那么該候選異常波動區(qū)間暫時不被作為最終異常波動區(qū)間。只有當(dāng)持續(xù)時間超過第二閾值且幅度變化率超過第三閾值的區(qū)間才會被作為最終異常波動區(qū)間。[0064]步驟S460,將所述最終異常波動區(qū)間的起始時間、持續(xù)時間及最大幅度值編碼為異常波動區(qū)間標(biāo)識，所述異常波動區(qū)間標(biāo)識與所述周期性模式進(jìn)行時間同步關(guān)聯(lián)。[0065]例如，起始時間為第120秒，持續(xù)時間為8秒，最大幅度值為35A,將這些信息編碼成一個標(biāo)識。并且該異常波動區(qū)間標(biāo)識與前面得到的周期性模式進(jìn)行時間同步關(guān)聯(lián)。比如確定該異常波動區(qū)間發(fā)生在某個周期性模式的哪個階段，是在周期性模式的上升階段還是下降階段等，以便于綜合分析電池的狀態(tài)。[0066]在一種可能的實施方式中，步驟S130包括：步驟S131,根據(jù)所述時變特征確定電池溫度的安全上升斜率閾值，并結(jié)合所述周期性模式計算電壓波動的允許偏差范圍。[0067]例如，在充電過程中，通過之前對電池溫度序列的分析得到的時變特征，例如在多個充電周期的數(shù)據(jù)分析中發(fā)現(xiàn)，在正常充電且電池性能穩(wěn)定的情況下，電池溫度在每10分鐘內(nèi)上升幅度不超過2℃,這個2℃每10分鐘就是電池溫度的安全上升斜率閾值。對于電壓波動的允許偏差范圍，結(jié)合之前從電壓波動序列中提取出的周期性模式，比如在勻速行駛放電階段的周期性模式下，分析該模式下多個周期內(nèi)電壓波峰與波谷的差值情況。假設(shè)經(jīng)過統(tǒng)計分析，在該周期性模式下，電壓波峰與波谷的差值最大為0.2V,綜合考慮電池的性能和安全要求，將該差值的一定比例(如50%)確定為電壓波動的允許偏差范圍，即0.1V。[0068]步驟S132,識別所述異常波動區(qū)間對應(yīng)的電流突變幅度，并根據(jù)所述電流突變幅度與預(yù)設(shè)安全閾值的比較結(jié)果，動態(tài)設(shè)定充放電速率的降額比例。[0069]例如，在充電過程中，如果之前識別出的異常波動區(qū)間內(nèi)，電流從30A突然上升到35A,那么該異常波動區(qū)間對應(yīng)的電流突變幅度就是5A。假設(shè)預(yù)設(shè)安全閾值為3A,由于5A大于3A,這表明電流的突變可能對電池產(chǎn)生不良影響。為了保護(hù)電池，需要動態(tài)設(shè)定充放電速率的降額比例。如果設(shè)定當(dāng)電流突變幅度超過預(yù)設(shè)安全閾值1A時，降額比例增加5%,那么在這個例子中，電流突變幅度超過預(yù)設(shè)安全閾值2A,降額比例就設(shè)定為10%。這種設(shè)定是基于對電池性能和安全性的考慮，以避免過大的電流突變對電池造成損害。[0070]步驟S133,基于所述安全上升斜率閾值計算溫度控制區(qū)間的動態(tài)上限值，所述動態(tài)上限值根據(jù)實時電池溫度與所述安全上升斜率閾值的乘積進(jìn)行累積更新。[0071]例如，假設(shè)在充電過程中的某一時刻，實時電池溫度為20℃,安全上升斜率閾值為每10分鐘2℃。在接下來的10分鐘內(nèi)，溫度控制區(qū)間的動態(tài)上限值計算如下：初始溫度為20℃,按照安全上升斜率閾值，10分鐘內(nèi)溫度最多上升2℃,所以動態(tài)上限值為20℃+2℃=22℃。隨著充電過程的繼續(xù)，如果再過10分鐘，此時以新的溫度22℃為基礎(chǔ)，按照安全上升斜率閾值，溫度最多再上升2℃,則動態(tài)上限值更新為22℃+2℃=24℃,這樣不斷根據(jù)實時電池溫度與安全上升斜率閾值的乘積進(jìn)行累積更新，確保電池溫度在安全范圍內(nèi)。[0072]步驟S134,根據(jù)所述允許偏差范圍確定電壓穩(wěn)定范圍的中心值，所述中心值通過所述電壓波動序列的周期性模式中相鄰波峰與波谷的均值動態(tài)校準(zhǔn)。[0073]例如，在放電過程中，根據(jù)之前分析得到的電壓波動的允許偏差范圍為±0.1V。從電壓波動序列的周期性模式中獲取相鄰波峰與波谷的值，假設(shè)在某個周期內(nèi)，波峰電壓為3.8V,波谷電壓為3.6V,它們的均值為(3.8V+3.6V)÷2=3.7V,這個3.7V就被確定為電壓穩(wěn)定范圍的中心值。通過這種方式，能夠根據(jù)電池實際的電壓波動特性來確定合適的電壓穩(wěn)定范圍中心值，有助于維持電池的穩(wěn)定運行。[0074]步驟S135,將所述降額比例轉(zhuǎn)換為充放電速率調(diào)整閾值的分段線性函數(shù)，所述分段線性函數(shù)的轉(zhuǎn)折點與所述電流變化序列中異常波動區(qū)間的持續(xù)時間呈負(fù)相關(guān)。[0075]例如，假設(shè)降額比例為10%,要將其轉(zhuǎn)換為充放電速率調(diào)整閾值的分段線性函數(shù)。如果電流變化序列中異常波動區(qū)間的持續(xù)時間為5秒，根據(jù)預(yù)先設(shè)定的關(guān)系(例如持續(xù)時間每減少1秒，轉(zhuǎn)折點對應(yīng)的充放電速率調(diào)整閾值增加0.1A),由于持續(xù)時間較短，轉(zhuǎn)折點對應(yīng)的充放電速率調(diào)整閾值可能設(shè)定為較高的值，如1.5A。如果異常波動區(qū)間的持續(xù)時間為10秒，按照設(shè)定關(guān)系，轉(zhuǎn)折點對應(yīng)的充放電速率調(diào)整閾值可能為1.0A。這樣隨著異常波動區(qū)間持續(xù)時間的變化，分段線性函數(shù)的轉(zhuǎn)折點對應(yīng)的充放電速率調(diào)整閾值也相應(yīng)變化，從而適應(yīng)不同的電流波動情況。[0076]步驟S136,融合所述動態(tài)上限值、中心值及分段線性函數(shù)生成多參數(shù)協(xié)同約束條件，其中，所述溫度控制區(qū)間的下限值保持恒定，所述電壓穩(wěn)定范圍的邊界值根據(jù)所述中心值對稱擴(kuò)展預(yù)設(shè)百分比。[0077]例如，假設(shè)溫度控制區(qū)間的下限值設(shè)定為15℃,這是根據(jù)電池的基本性能要求確定的一個固定值。對于電壓穩(wěn)定范圍，以之前確定的中心值3.7V為例，預(yù)設(shè)擴(kuò)展百分比為10%,那么電壓穩(wěn)定范圍的下限值為3.7V-3.7V×10%=3.33V,上限值為3.7V+3.7V×10%=4.07V。將這些動態(tài)上限值、中心值以及分段線性函數(shù)等多參數(shù)融合在一起，形成多參數(shù)協(xié)同約束條件，確保各個參數(shù)之間相互協(xié)調(diào)，共同維護(hù)電池的充放電狀態(tài)。[0078]步驟S137,根據(jù)所述多參數(shù)協(xié)同約束條件建立充放電速率調(diào)整閾值、溫度控制區(qū)間及電壓穩(wěn)定范圍的聯(lián)動映射表，所述聯(lián)動映射表中每個充放電速率調(diào)整閾值對應(yīng)唯一的溫度控制區(qū)間和電壓穩(wěn)定范圍組合。[0079]例如，當(dāng)充放電速率調(diào)整閾值為1.0A時，對應(yīng)的溫度控制區(qū)間為15℃-22℃(假設(shè)之前計算得到的動態(tài)上限值為22℃),電壓穩(wěn)定范圍為3.33V-4.07V。當(dāng)充放電速率調(diào)整閾值為1.5A時，可能對應(yīng)的溫度控制區(qū)間為15℃-20℃(根據(jù)不同的參數(shù)協(xié)同關(guān)系確定),電壓穩(wěn)定范圍為3.2V-4.2V(同樣根據(jù)參數(shù)關(guān)系確定)。通過這樣建立聯(lián)動映射表，能夠清晰地反映出不同充放電速率調(diào)整閾值下，溫度控制區(qū)間和電壓穩(wěn)定范圍的對應(yīng)關(guān)系。[0080]步驟S138,基于當(dāng)前充放電階段匹配的實時電池狀態(tài)數(shù)據(jù)索引所述聯(lián)動映射表，輸出包含充放電速率調(diào)整閾值、溫度控制區(qū)間及電壓穩(wěn)定范圍的動態(tài)優(yōu)化策略，其中，所述充放電速率調(diào)整閾值與所述降額比例呈反比關(guān)系，所述溫度控制區(qū)間的上限值由所述安全上升斜率閾值動態(tài)調(diào)整。[0081]例如，在實際的充電或放電過程中，根據(jù)當(dāng)前時刻獲取到的電池溫度、電壓、電流等實時電池狀態(tài)數(shù)據(jù)，在聯(lián)動映射表中查找對應(yīng)的條目。例如，當(dāng)前電池溫度為20℃,電流波動情況對應(yīng)的降額比例為10%,通過索引聯(lián)動映射表，找到對應(yīng)的充放電速率調(diào)整閾值為1.0A,溫度控制區(qū)間為15℃-22℃,電壓穩(wěn)定范圍為3.33V-4.07V的動態(tài)優(yōu)化策略。在該動態(tài)優(yōu)化策略中，由于降額比例為10%,充放電速率調(diào)整閾值為1.0A,符合充放電速率調(diào)整閾值與降額比例呈反比關(guān)系的設(shè)定；溫度控制區(qū)間的上限值22℃是根據(jù)安全上升斜率閾值動態(tài)計算得到的，能夠有效地對電池的充放電過程進(jìn)行優(yōu)化，保障電池的健康度和能量效率。[0082]在一種可能的實施方式中，步驟S140包括：步驟S141,當(dāng)檢測到當(dāng)前充放電速率超過所述充放電速率調(diào)整閾值時，觸發(fā)分級降流控制協(xié)議，按照所述降額比例分階段降低輸出電流，并在每次降流操作后重新評估電壓穩(wěn)定范圍是否滿足所述允許偏差范圍。[0083]本實施例中，在充電過程中，假設(shè)當(dāng)前的充放電速率調(diào)整閾值為1.0A,而實際檢測到的當(dāng)前充放電速率為1.2A,這表明當(dāng)前充放電速率超過了設(shè)定的閾值。此時，根據(jù)降額比例(例如降額比例為10%)觸發(fā)分級降流控制協(xié)議。首先，計算第一次降流后的電流值，初始電流為1.2A,降額10%后的電流值為1.2A×(1-10%)=1.08A。在將電流降低到1.08A之后，需要重新評估電壓穩(wěn)定范圍是否滿足允許偏差范圍。假設(shè)之前確定的電壓穩(wěn)定范圍為3.33V-4.07V,通過電壓采樣模塊獲取此時的電壓值，若電壓值在該允許偏差范圍內(nèi)，則繼續(xù)觀察；若不在該允許偏差范圍內(nèi)，例如電壓值低于3.33V,可能需要進(jìn)一步調(diào)整充電策略，如降低充電速率或者檢查電池是否存在故障等。如果電壓值仍然滿足要求，繼續(xù)按照降額比例進(jìn)行下一次降流操作，直至電流達(dá)到合適的值，確保充放電過程的穩(wěn)定性和電池的安全性。[0084]步驟S142,在充放電過程中實時監(jiān)測電池溫度變化速率，若所述變化速率超過所述安全上升斜率閾值，則激活溫度補(bǔ)償機(jī)制，通過調(diào)節(jié)散熱設(shè)備功率使溫度回歸至所述溫度控制區(qū)間。[0085]例如，在放電過程中，假設(shè)安全上升斜率閾值為每10分鐘2℃。通過之前部署在電池表面的分布式溫度傳感器持續(xù)監(jiān)測電池溫度，計算在一段時間內(nèi)的溫度變化速率。例如，在10分鐘內(nèi)，電池溫度從20℃上升到了23℃,溫度變化速率為(23℃-20℃)÷10分鐘=0.3備了液冷散熱系統(tǒng)，通過調(diào)節(jié)冷卻液的流速來控制散熱設(shè)備的功率。假設(shè)初始冷卻液流速為10升/分鐘，當(dāng)溫度變化速率超過閾值時，增加冷卻液流速到15升/分鐘，從而帶走更多的熱量，使電池溫度下降。持續(xù)監(jiān)測電池溫度，直到電池溫度回歸到溫度控制區(qū)間，例如溫度下降到22℃,滿足之前設(shè)定的溫度控制區(qū)間(如15℃-22℃),這樣就保證了電池在合適的溫度范圍內(nèi)工作，避免過高的溫度對電池性能和壽命造成損害。[0086]步驟S143,當(dāng)所述電壓波動序列的實時測量值超出所述電壓穩(wěn)定范圍時，啟動電壓均衡模塊對單體電池進(jìn)行電荷再分配，直至所有單體電池的電壓差異小于預(yù)設(shè)均衡閾值。[0087]例如，在充電過程中，假設(shè)之前確定的電壓穩(wěn)定范圍為3.33V-4.07V。通過電壓采樣模塊持續(xù)監(jiān)測電壓波動序列的實時測量值，若某個時刻檢測到單體電池的電壓為4.15V,這個值超出了電壓穩(wěn)定范圍。此時，啟動電壓均衡模塊對單體電池進(jìn)行電荷再分配。在電池組中，各個單體電池的電壓可能存在差異，電壓均衡模塊的作用是將高電壓單體電池的電荷轉(zhuǎn)移到低電壓單體電池。假設(shè)在該電池組中有10個單體電池，最高電壓的單體電池為4.15V,最低電壓的單體電池為3.95V,電壓差異為0.2V,而預(yù)設(shè)均衡閾值為0.05V。電壓均衡模塊開始工作，將高電壓單體電池的電荷慢慢轉(zhuǎn)移到低電壓單體電池，在這個過程中持續(xù)監(jiān)測各個單體電池的電壓。經(jīng)過一段時間的電荷再分配后，最高電壓的單體電池電壓下降到4.05V,最低電壓的單體電池電壓上升到4.00V,此時電壓差異為0.05V,小于預(yù)設(shè)均衡閾值。通過這種方式，保證了所有單體電池的電壓在合理的范圍內(nèi)，維持了電池組的整體性能，避免了由于單體電池電壓差異過大而對電池組造成的不良影響。步驟S510,通過所述深度學(xué)習(xí)模型的異常檢測分支對所述實時電池狀態(tài)數(shù)據(jù)進(jìn)行異常充放電行為識別，若檢測到持續(xù)超過預(yù)設(shè)時長的電流反向波動或電壓驟降事件，則生成異常告警信號并觸發(fā)保護(hù)性充放電中斷。[0089]在電動汽車的充電過程中，深度學(xué)習(xí)模型的異常檢測分支持續(xù)監(jiān)控電池的實時狀態(tài)數(shù)據(jù)。假設(shè)預(yù)設(shè)時長為30秒，在充電過程中，如果電流出現(xiàn)反向波動，即電流從正常的正向充電電流(如30A)突然變?yōu)榉聪螂娏?如-5A),并且這種反向電流持續(xù)了35秒，超過了預(yù)設(shè)時長30秒；或者電壓驟降，例如正常充電時電壓為3.8V,突然下降到3.0V以下并持續(xù)了30秒以上，此時異常檢測分支就會檢測到這種異常情況。一旦檢測到這樣的持續(xù)異常，就會生成異常告警信號，該異常告警信號被發(fā)送到電池管理系統(tǒng)，觸發(fā)保護(hù)性充放電中斷，意味著充電過程會立即停止，以防止電池受到進(jìn)一步的損害。[0090]步驟S520,在所述保護(hù)性充放電中斷期間，利用歷史充放電數(shù)據(jù)重構(gòu)電池內(nèi)部狀態(tài)估計模型，基于重構(gòu)結(jié)果更新所述動態(tài)優(yōu)化策略中的溫度控制區(qū)間及充放電速率調(diào)整閾值。步驟S521,從所述歷史充放電數(shù)據(jù)中提取保護(hù)性充放電中斷前連續(xù)N個充放電周期的電池溫度序列、電壓波動序列及電流變化序列，并去除每個序列中因傳感器失效導(dǎo)致的異常采樣點。[0092]例如，假設(shè)N為5個充放電周期，在這5個周期的電池溫度序列中，可能由于某個溫度傳感器在某個時刻出現(xiàn)故障，采集到了明顯不合理的溫度值(如100℃,而正常充電溫度不會達(dá)到這么高),這種異常采樣點就會被去除。對于電壓波動序列和電流變化序列也是同樣的處理方式，去除那些由于傳感器故障或者其它干擾因素導(dǎo)致的異常數(shù)據(jù)點。[0093]步驟S522,基于預(yù)設(shè)的電池老化敏感度指標(biāo)篩選所述連續(xù)N個充放電周期中與當(dāng)前電池健康度衰減模式匹配的目標(biāo)周期數(shù)據(jù)，所述目標(biāo)周期數(shù)據(jù)的篩選條件包括溫度變化率閾值、電壓標(biāo)準(zhǔn)差上限及電流峰谷比范圍。[0094]例如，設(shè)定溫度變化率閾值為每10分鐘不超過2℃,電壓標(biāo)準(zhǔn)差上限為0.2V,電流峰谷比范圍為1.5-2.5.在這5個充放電周期的數(shù)據(jù)中，逐個檢查每個周期的溫度變化率、電壓標(biāo)準(zhǔn)差和電流峰谷比。假設(shè)在第一個充放電周期中，溫度變化率為每10分鐘1.5℃,電壓標(biāo)準(zhǔn)差為0.15V,電流峰谷比為2.0,滿足所有篩選條件，那么該周期的數(shù)據(jù)就被選為目標(biāo)周期數(shù)據(jù)；而在第三個充放電周期中，溫度變化率為每10分鐘2.5℃,超過了設(shè)定的閾值，該周[0095]步驟S523,將所述目標(biāo)周期數(shù)據(jù)輸入預(yù)先定義的電池內(nèi)部狀態(tài)映射函數(shù)，生成反映電池內(nèi)部材料退化程度的內(nèi)部狀態(tài)向量，所述內(nèi)部狀態(tài)向量包含正極活性物質(zhì)損失率、電解液分解速率及負(fù)極鋰沉積厚度的等效量化值。[0096]例如，假設(shè)目標(biāo)周期數(shù)據(jù)中的某些特征(如溫度上升速率、電壓波動幅度等)與電池內(nèi)部材料的退化有一定的映射關(guān)系，通過電池內(nèi)部狀態(tài)映射函數(shù)計算。如果在目標(biāo)周期數(shù)據(jù)中，溫度上升速率較快，這可能意味著正極活性物質(zhì)損失率較高，經(jīng)過映射函數(shù)計算得出正極活性物質(zhì)損失率為5%;同時，根據(jù)電壓波動幅度和電流變化情況等，計算出電解液分解速率為10%(這里的百分比是一種等效量化值，表示相對于初始狀態(tài)的變化程度),負(fù)極鋰沉積厚度的等效量化值為0.1mm(假設(shè)),這樣就生成了內(nèi)部狀態(tài)向量。[0097]步驟S524,根據(jù)所述內(nèi)部狀態(tài)向量與溫度控制區(qū)間的歷史映射關(guān)系，建立基于動態(tài)時間規(guī)整算法的溫度控制區(qū)間自適應(yīng)調(diào)整模型，所述自適應(yīng)調(diào)整模型通過匹配當(dāng)前內(nèi)部狀態(tài)向量與歷史向量的相似度權(quán)重，輸出更新后的溫度控制區(qū)間的上限偏移量。[0098]假設(shè)在歷史數(shù)據(jù)中，當(dāng)正極活性物質(zhì)損失率為5%、電解液分解速率為10%、負(fù)極鋰沉積厚度為0.1mm時，與之前的歷史數(shù)據(jù)進(jìn)行對比，通過動態(tài)時間規(guī)整算法計算相似度權(quán)重。如果發(fā)現(xiàn)與某個歷史狀態(tài)的相似度為80%,根據(jù)該歷史狀態(tài)下溫度控制區(qū)間的調(diào)整情況，計算出更新后的溫度控制區(qū)間的上限偏移量。例如，在歷史數(shù)據(jù)中，這種相似狀態(tài)下溫度控制區(qū)間的上限從22℃偏移到了20℃,那么這個-2℃就是更新后的溫度控制區(qū)間的上限偏移量。[0099]步驟S525,基于所述目標(biāo)周期數(shù)據(jù)中電流變化序列與充放電速率調(diào)整閾值的關(guān)聯(lián)規(guī)則庫，計算所述電流突變幅度在多個目標(biāo)周期內(nèi)的累積分布函數(shù)，并將所述累積分布函數(shù)的設(shè)定分位數(shù)作為更新后的充放電速率調(diào)整閾值的基準(zhǔn)值。[0100]例如，在這幾個目標(biāo)周期的數(shù)據(jù)中，統(tǒng)計每個周期內(nèi)電流突變幅度的情況。例如，在第一個目標(biāo)周期中電流突變幅度為3A,第二個目標(biāo)周期中為2A等。將這些電流突變幅度的值進(jìn)行整理，計算它們在多個目標(biāo)周期內(nèi)的累積分布函數(shù)。假設(shè)設(shè)定分位數(shù)為90%,通過計算得出在90%分位數(shù)下對應(yīng)的電流突變幅度值為2.5A,這個2.5A就被作為更新后的充放電速率調(diào)整閾值的基準(zhǔn)值。[0101]步驟S526,根據(jù)所述更新后的溫度控制區(qū)間的上限偏移量和所述更新后的充放電速率調(diào)整閾值的基準(zhǔn)值，生成包含偏移量補(bǔ)償系數(shù)和基準(zhǔn)值衰減因子的動態(tài)優(yōu)化策略更新參數(shù)，其中，所述偏移量補(bǔ)償系數(shù)與所述正極活性物質(zhì)損失率呈線性正相關(guān)，所述基準(zhǔn)值衰減因子與所述電解液分解速率的倒數(shù)呈指數(shù)關(guān)系。[0102]例如，由于前面計算出正極活性物質(zhì)損失率為5%,假設(shè)偏移量補(bǔ)償系數(shù)與正極活性物質(zhì)損失率的線性關(guān)系為每1%的正極活性物質(zhì)損失率對應(yīng)0.1的偏移量補(bǔ)償系數(shù)，那么這里的偏移量補(bǔ)償系數(shù)就是0.5.對于電解液分解速率為10%,其倒數(shù)為1/10%=10,假設(shè)基準(zhǔn)值衰減因子與電解液分解速率倒數(shù)的指數(shù)關(guān)系為以自然常數(shù)e為底的指數(shù)函數(shù)，根據(jù)該函數(shù)關(guān)系計算出基準(zhǔn)值衰減因子為2(這里只是假設(shè)的一個計算結(jié)果)。這樣就生成了包含偏移量補(bǔ)償系數(shù)和基準(zhǔn)值衰減因子的動態(tài)優(yōu)化策略更新參數(shù)。[0103]步驟S530,當(dāng)所述異常告警信號解除后，按照更新后的動態(tài)優(yōu)化策略恢復(fù)充放電過程，并增加對所述電流變化序列的采樣頻率以進(jìn)行實時監(jiān)控。[0104]詳細(xì)地，當(dāng)導(dǎo)致保護(hù)性充放電中斷的異常情況被解決，例如導(dǎo)致電流反向波動的故障被修復(fù)或者電壓恢復(fù)正常后，異常告警信號解除。此時，按照前面更新后的動態(tài)優(yōu)化策略恢復(fù)充電過程。如果之前更新后的溫度控制區(qū)間為15℃-20℃(假設(shè)上限從22℃偏移到20℃),充放電速率調(diào)整閾值的基準(zhǔn)值為2.5A,就按照這些新的參數(shù)進(jìn)行充電。同時，為了更好地監(jiān)控電池狀態(tài)，防止再次出現(xiàn)異常情況，增加對電流變化序列的采樣頻率。原本電流變化序列的采樣頻率為每5秒一次，現(xiàn)在提高到每3秒一次，以便更及時地發(fā)現(xiàn)任何潛在的異常波動，確保電池充放電過程的安全和穩(wěn)定。[0105]在一種可能的實施方式中，所述方法還包括對所述深度學(xué)習(xí)模型進(jìn)行離線訓(xùn)練的步驟S101,將歷史充放電數(shù)據(jù)中的電池溫度序列、電壓波動序列及電流變化序列分別拆解為時間連續(xù)的第一訓(xùn)練集和局部波動的第二訓(xùn)練集。[0106]以歷史充放電數(shù)據(jù)中的電池溫度序列為例，時間連續(xù)的第一訓(xùn)練集可以是從多次完整的充電-放電循環(huán)過程中，按照固定時間間隔(如每3分鐘)連續(xù)采集的溫度數(shù)據(jù)。這些數(shù)據(jù)能夠體現(xiàn)電池溫度在較長時間段內(nèi)的整體變化趨勢，例如，在一次完整的充電過程中，從開始充電時溫度為20℃,隨著充電的進(jìn)行，溫度逐漸上升，在充電結(jié)束時達(dá)到25℃,這一系列連續(xù)的溫度數(shù)據(jù)就構(gòu)成了第一訓(xùn)練集的一部分。而局部波動的第二訓(xùn)練集則是從整個溫度序列中選取那些溫度波動比較顯著的部分。比如在充電過程中的某個短暫階段，由于電池內(nèi)部的熱管理系統(tǒng)短暫故障或者外部環(huán)境溫度的突然變化，導(dǎo)致電池溫度在5-10分鐘內(nèi)快速上升了3℃,這部分溫度數(shù)據(jù)就被提取出來作為第二訓(xùn)練集。對于電壓波動序列和電流變化序列，也采用類似的方式進(jìn)行拆解。對于電壓波動序列，第一訓(xùn)練集是在正常充放電過程中按固定時間間隔采集的電壓數(shù)據(jù)，反映整體電壓變化趨勢。第二訓(xùn)練集則是選取電壓波動較大(如在車輛急加速或急減速時)的部分?jǐn)?shù)據(jù)。對于電流變化序列，第一訓(xùn)練集是正常充放電時連續(xù)的電流數(shù)據(jù)，第二訓(xùn)練集是電流有較大波動(如充電模式切換時)的部分?jǐn)?shù)據(jù)。[0107]步驟S102,將所述電池溫度序列輸入循環(huán)神經(jīng)網(wǎng)絡(luò)單元的門控循環(huán)層，通過前向時間步傳播提取正向溫度變化梯度，通過反向時間步傳播提取逆向溫度變化梯度，將所述正向溫度變化梯度與逆向溫度變化梯度按時間步拼接生成多尺度溫度特征向量。[0108]在充電過程中，假設(shè)電池溫度序列有多個時間步的數(shù)據(jù)點。對于前向時間步傳播，從充電開始的時間步逐步向充電結(jié)束的時間步進(jìn)行分析。例如，在最初的幾個時間步中，溫度從20℃上升到21℃,計算每個時間步的溫度變化量(如第一個時間步到第二個時間步溫度上升了0.2℃),這就是正向溫度變化梯度。對于反向時間步傳播，從充電結(jié)束的時間步往回分析。假設(shè)充電結(jié)束時溫度為25℃,在最后幾個時間步中，溫度從24.5℃上升到25℃,計算這個逆向的溫度變化量(如最后一個時間步相對于倒數(shù)第二個時間步溫度上升了0.5℃),這就是逆向溫度變化梯度。然后按照時間步將正向溫度變化梯度與逆向溫度變化梯度拼接起來。例如，先將第一個正向溫度變化梯度(0.2℃)與最后一個逆向溫度變化梯度(0.5℃)拼接，接著將第二個正向溫度變化梯度與倒數(shù)第二個逆向溫度變化梯度拼接，以此類推，這樣就生成了多尺度溫度特征向量，該多尺度溫度特征向量能夠全面地反映電池溫度在不同時間尺度上的變化特征。[0109]步驟S103,將所述電壓波動序列輸入電壓動態(tài)感知分支的多尺度分解層，通過不同頻率的濾波器組分割為高頻分量、中頻分量及低頻分量，將各分量分別輸入自相關(guān)函數(shù)層計算峰值間隔，根據(jù)所述峰值間隔篩選滿足整數(shù)倍關(guān)系的分量生成電壓周期特征集合。[0110]在電動汽車的放電過程中，電壓波動序列包含了不同頻率的波動成分。多尺度分解層中的不同頻率的濾波器組對電壓波動序列進(jìn)行分割。例如，高頻濾波器組可以將那些在短時間內(nèi)快速波動的電壓成分(如車輛急加速或急減速時產(chǎn)生的高頻波動)提取出來作為高頻分量。中頻濾波器組則提取在中等時間尺度上波動的成分(如車輛勻速行駛時，由于電池自身的一些內(nèi)部反應(yīng)和外部負(fù)載的穩(wěn)定影響下產(chǎn)生的波動)作為中頻分量。低頻濾波器組提取在較長時間尺度上緩慢波動的成分(如隨著電池電量逐漸下降，整體電壓緩慢降低的趨勢成分)作為低頻分量。然后將這些分量分別輸入自相關(guān)函數(shù)層。以高頻分量為例，自相關(guān)函數(shù)層會計算該高頻分量中各個數(shù)據(jù)點之間的相關(guān)性，找到相關(guān)性最高(即峰值)的那些峰值間隔滿足整數(shù)倍關(guān)系的分量(如1秒是0.5秒的2倍),將這些滿足關(guān)系的高頻分量(以及同樣處理后的中頻分量和低頻分量)組合起來生成電壓周期特征集合，該電壓周期特征集合能夠準(zhǔn)確地反映電壓波動的周期性特征。[0111]步驟S104,將所述電流變化序列輸入電流特征映射分支的滑動窗口分割層生成重疊電流片段，對每個電流片段執(zhí)行局部峰谷檢測提取瞬時梯度集合，根據(jù)所述瞬時梯度集合與預(yù)設(shè)梯度閾值的偏差量標(biāo)記候選異常區(qū)間，對所述候選異常區(qū)間進(jìn)行持續(xù)時間和幅度變化率篩選生成異常波動區(qū)間標(biāo)識集。[0112]在充電過程中，滑動窗口分割層以固定的窗口長度(如5秒)對電流變化序列進(jìn)行分割，生成重疊的電流片段。例如，第一個窗口從第0秒到第5秒，第二個窗口從第3秒到第8秒，以此類推。對每個電流片段執(zhí)行局部峰谷檢測。在一個電到25A然后又下降到22A,這個從20A到25A的上升過程就是一個峰，計算其上升梯度(25-20=5A),從25A到22A的下降過程就是一個谷，計算其下降梯度(25-22=3A),這樣就提取出了該電流片段的瞬時梯度集合。假設(shè)預(yù)設(shè)梯度閾值為2A,對于上升梯度5A,其與預(yù)設(shè)梯度閾值的偏差量為3A(5-2=3A),如果這個偏差量超過了預(yù)設(shè)閾值，就將這個區(qū)間標(biāo)記為候選異常區(qū)間。對所有的候選異常區(qū)間進(jìn)行持續(xù)時間和幅度變化率的篩選。例如，某個候選異常區(qū)間的持續(xù)時間為3秒，幅度變化率計算為(25-22)÷20×100%=15%,如果設(shè)定持續(xù)時間的篩選閾值為2秒，幅度變化率的篩選閾值為10%,由于這個候選異常區(qū)間的持續(xù)時間和幅度變化率都滿足要求，就將這個區(qū)間的起始時間、持續(xù)時間和最大幅度值等信息編碼為異常波動區(qū)間標(biāo)識，所有滿足篩選條件的標(biāo)識組成異常波動區(qū)間標(biāo)識集。[0113]步驟S105,將所述多尺度溫度特征向量輸入注意力機(jī)制模塊生成時變特征權(quán)重分布，將所述電壓周期特征集合輸入模式匹配單元生成周期性模式置信度，將所述異常波動區(qū)間標(biāo)識集輸入時間同步模塊生成異常區(qū)間時間戳。[0114]在多尺度溫度特征向量輸入注意力機(jī)制模塊后，注意力機(jī)制模塊會根據(jù)電池在充放電過程中的不同階段對溫度特征的重要性進(jìn)行評估，生成時變特征權(quán)重分布。例如，在充電初期，電池溫度的初始上升階段可能對整個充電過程影響較大，那么這個階段對應(yīng)的溫度特征在時變特征權(quán)重分布中會被賦予較高的權(quán)重。而在充電末期，溫度趨于穩(wěn)定，這個階段的溫度特征權(quán)重相對較低。對于電壓周期特征集合輸入模式匹配單元，模式匹配單元將這些特征與預(yù)存儲的典型充放電階段電壓模式進(jìn)行對比。假設(shè)預(yù)存儲的放電階段有幾種典型的電壓模式，模式匹配單元計算當(dāng)前電壓周期特征集合與這些典型模式的匹配程度，輸出周期性模式置信度。如果當(dāng)前的電壓周期特征與某一種典型的勻速行駛放電電壓模式非常匹配，那么對應(yīng)的周期性模式置信度可能會很高，比如0.9.將異常波動區(qū)間標(biāo)識集輸入時間同步模塊，時間同步模塊會根據(jù)整個充放電過程的時間軸，為每個異常波動區(qū)間標(biāo)識分配一個準(zhǔn)確的異常區(qū)間時間戳。例如，如果一個異常波動區(qū)間在充電過程中的第20-30秒發(fā)生，時間同步模塊就會為這個區(qū)間標(biāo)記上這個時間范圍作為異常區(qū)間時間戳。[0115]步驟S106,將所述時變特征權(quán)重分布、周期性模式置信度及異常區(qū)間時間戳進(jìn)行特征融合生成聯(lián)合特征向量，將所述聯(lián)合特征向量輸入全連接層映射為充放電速率調(diào)整閾值預(yù)測值、溫度控制區(qū)間預(yù)測值及電壓穩(wěn)定范圍預(yù)測值。[0116]在特征融合過程中，時變特征權(quán)重分布中的溫度權(quán)重信息、周期性模式置信度中的電壓周期特征信息以及異常區(qū)間時間戳中的電流異常波動信息按照一定的規(guī)則組合在一起。例如，將與充電初期高權(quán)重溫度特征相關(guān)的信息、高置信度的電壓周期模式信息以及在這個溫度和電壓狀態(tài)下對應(yīng)的異常波動區(qū)間時間戳信息進(jìn)行融合。然后將這個聯(lián)合特征向量輸入全連接層，全連接層中的神經(jīng)元對這個聯(lián)合特征向量進(jìn)行線性變換，將其映射到與充放電速率調(diào)整閾值、溫度控制區(qū)間及電壓穩(wěn)定范圍對應(yīng)的空間。例如，根據(jù)聯(lián)合特征向量中的綜合信息，全連接層預(yù)測出充放電速率調(diào)整閾值為1.0A,溫度控制區(qū)間為15℃-22℃,電壓穩(wěn)定范圍為3.33V-4.07V。[0117]步驟S107,計算所述充放電速率調(diào)整閾值預(yù)測值與真實速率調(diào)整標(biāo)簽的第一誤差，計算所述溫度控制區(qū)間預(yù)測值與真實溫度區(qū)間的第二誤差，計算所述電壓穩(wěn)定范圍預(yù)測值與真實電壓范圍的第三誤差，將所述第一誤差、第二誤差及第三誤差加權(quán)求和生成聯(lián)合預(yù)測損失。[0118]假設(shè)真實的充放電速率調(diào)整閾值為1.2A,預(yù)測值為1.0A,先計算差值(1.0A-1.2A=-0.2A),然后將差值的絕對值或平方(這里假設(shè)為平方)得到第一誤差((-0.2A)2=0.04A2)。對于溫度控制區(qū)間，假設(shè)真實溫度區(qū)間為16℃-23℃,預(yù)測的溫度控制區(qū)間為15℃-22℃,分別計算下限和上限的誤差，下限誤差為(15-16)2=1,上限誤差為(22-23)2=1,將這兩電壓穩(wěn)定范圍為3.33V-4.07V,同樣分別計算下限和上限的誤差，下限誤上限誤差為(4.07-4.1)2,將這兩個誤差求和得到第三誤差(這里假設(shè)為0.005)。假設(shè)給這[0119]步驟S108,將所述聯(lián)合特征向量輸入健康度約束分支生成電池容量衰減率預(yù)測值的絕對值或平方(這里假設(shè)為平方)得到第四誤差((-1%)2=0.01%2)。假設(shè)預(yù)測內(nèi)阻增長率為8%,實測增長率為10%,計算差值(8%-10%=-2%),將差值的絕對值或平方(這里假設(shè)為平方)得到第五誤差((-2%)2=0.04%2)。假設(shè)給這兩個誤差的權(quán)重分別為0.5和0.5,那么健康[0121]步驟S109,根據(jù)當(dāng)前訓(xùn)練輪次的聯(lián)合預(yù)測損失與健康約束損失的比例動態(tài)調(diào)整兩為0.4。隨著訓(xùn)練輪次的增加，假設(shè)訓(xùn)練輪次每增加1次，聯(lián)合預(yù)測損失的系數(shù)線性遞減0.05,健康約束損失的系數(shù)按照指數(shù)函數(shù)(如y=e^(0.1x),x[0123]步驟S1010,將動態(tài)調(diào)整后的聯(lián)合預(yù)測損失與健康約束損失相加生成總訓(xùn)練損失，損失的系數(shù)為0.6.如果聯(lián)合預(yù)測損失為0.08,健康約束損失為0.06,那么總訓(xùn)練損失為0.4步驟S610,在每次充放電循環(huán)結(jié)束后，提取本次充放電循環(huán)過程中電池狀態(tài)數(shù)據(jù)的關(guān)鍵特征向量及實際應(yīng)用的動態(tài)優(yōu)化策略效果指標(biāo)。[0126]例如，在電動汽車的一次充電循環(huán)結(jié)束時，從整個充電過程中獲取的電池狀態(tài)數(shù)據(jù)里提取關(guān)鍵特征向量。對于電池溫度數(shù)據(jù)，關(guān)鍵特征可能包括充電過程中的最高溫度、溫度上升的平均速率以及溫度波動的幅度等。例如，在這次充電過程中，最高溫度達(dá)到了25℃,溫度從20℃開