基于整车控制大数据与双模态网络的电池状态预测方法及系统与流程

本发明属于新能源汽车，涉及混合动力汽车电池管理系统中的电池状态预测技术，具体涉及一种基于整车控制大数据与双模态网络的电池状态预测方法及系统。

背景技术：

1、混合动力汽车作为新能源汽车的重要组成部分，其动力电池的健康状态和剩余使用寿命的准确预测对于保障车辆安全运行、优化能量管理策略以及降低维护成本具有重要意义。然而，在实际车用工况下，受整车控制器能量管理策略的频繁调度影响，电池的动态老化特征极易被掩盖，导致传统预测方法难以保证预测精度。

2、目前，电池状态预测方法主要分为以下几类：

3、一、基于等效电路模型的方法：该方法通过建立电池的等效电路模型，利用电阻、电容等电路元件模拟电池的电化学特性。然而，等效电路模型的参数辨识依赖于特定的工况条件，在hcu动态调度下的复杂工况中，模型参数难以准确辨识，导致预测精度下降。

4、二、基于电化学模型的方法：该方法基于电池内部的电化学反应机理，建立偏微分方程组描述电池的动态行为。虽然电化学模型具有较强的物理意义，但模型复杂度高，计算成本大，且模型参数难以获取，限制了其在实际车用场景中的应用。

5、三、基于数据驱动的机器学习方法：近年来，随着深度学习技术的发展，基于长短期记忆网络（lstm）、门控循环单元（gru）等循环神经网络的电池状态预测方法得到了广泛研究。然而，这些方法主要基于实验室理想工况下的数据进行训练，难以适应实际车用工况下hcu动态调度产生的高频噪声和复杂负载模式。

6、基于此，现有技术存在以下问题：

7、1. 实验室理想工况与实际车用工况存在显著差异，传统方法多基于恒流充放电等理想工况下的数据进行建模，而实际车用工况下，hcu根据驾驶需求、电池状态、发动机状态等因素动态调度电池的充放电功率，导致电池负载呈现高频波动特性，传统方法难以准确捕捉这种动态特征。

8、2. hcu动态调度掩盖电池动态老化特征，在hcu的能量管理策略下，电池的充放电过程受到频繁干预，导致电池的真实老化特征被掩盖在复杂的负载模式中，传统特征提取方法难以从大跨度历史数据中剥离出对老化影响最显著的关键特征。

9、3. 高频噪声干扰特征提取，hcu动态调度产生的高频负载波动在时序数据中表现为高频噪声，传统的循环神经网络在处理长时序数据时容易受到噪声干扰，导致特征提取不准确。

10、4. 传统方法无法量化预测不确定性，现有的点预测方法仅输出单一的预测值，无法提供预测结果的置信区间，难以评估预测结果的可靠性，限制了预测结果在实际决策中的应用。

11、5. 单一任务预测效率低、信息利用率不足，传统方法通常针对soh或rul单独建模预测，忽略了两者之间的内在关联，导致模型无法充分利用数据中的信息，预测效率低下。

12、因此，亟需一种能够适应hcu动态调度工况、有效剥离高频噪声、量化预测不确定性、实现多任务协同预测的电池状态预测方法。

技术实现思路

1、本发明的目的在于提供一种基于整车控制大数据与双模态网络的电池状态预测方法及系统，以解决现有基础存在的问题，本发明能够有效应对混合动力汽车在hcu动态调度工况下电池状态预测精度低、无法量化预测不确定性等问题。

2、为达到上述目的，本发明采用如下技术方案：

3、基于整车控制大数据与双模态网络的电池状态预测方法，包括以下步骤：

4、步骤1：构建整车控制器动态调度下的电池历史大数据集，所述电池历史大数据集包括电池端充放电时序信号、整车控制器逻辑状态编码以及由所述逻辑状态编码表征的动态调度状态标签；

5、步骤2：将所述电池历史大数据集输入双模态网络的特征提取层，所述特征提取层采用时变耦合状态空间模型tv-ssm，对电池端充放电时序信号与整车控制器逻辑状态编码进行耦合建模，获得表征整车动态调度引起的临时关系局部特征以及表征电池不可逆衰退过程的逆老化特征；

6、步骤3：在所述特征提取层中引入潜在空间正交解耦合机制，基于特征重投影将所述临时关系局部特征投影至与所述逆老化特征正交的潜在子空间，并依据正交约束抑制动态调度状态标签对逆老化特征的混入，以形成因果隔离后的老化状态表征；

7、步骤4：将所述因果隔离后的老化状态表征输入双模态网络的预测生成层，所述预测生成层采用基于常微分方程ode的修正流rectified flow生成模型，学习由先验分布至电池状态目标分布的确定性速度场，并沿所述确定性速度场积分生成电池健康状态soh和剩余使用寿命rul的预测分布；

8、步骤5：对所述双模态网络进行训练，并在训练时引入物理单调性约束和多任务协同约束；其中，所述物理单调性约束用于约束电池健康状态soh预测值满足电池老化不可逆规律；所述多任务协同约束用于使电池健康状态soh预测任务与剩余使用寿命rul预测任务共享所述因果隔离后的老化状态表征；

9、步骤6：基于经所述物理单调性约束和多任务协同约束训练后的双模态网络，对所述预测分布进行统计处理，输出电池健康状态soh预测值、剩余使用寿命rul预测值及其不确定性区间。

10、进一步地，所述构建整车控制器动态调度下的电池历史大数据集，包括：

11、采集混合动力汽车在实际运行工况下的电池端充放电时序信号，所述电池端充放电时序信号包括电池电流、电池电压、电池温度、荷电状态soc、充放电功率中的至少一种；

12、采集整车控制器逻辑状态编码，所述整车控制器逻辑状态编码包括驱动模式、制动能量回收模式、发动机启停状态、充放电功率分配状态和热管理状态中的至少一种；

13、依据所述整车控制器逻辑状态编码生成动态调度状态标签，并将所述动态调度状态标签与对应时刻的电池端充放电时序信号对齐；

14、对对齐后的数据进行归一化、异常值剔除、缺失值填补和滑动窗口划分，构成所述电池历史大数据集。

15、进一步地，步骤2中的时变耦合状态空间模型tv-ssm包括状态转移模块、输入耦合模块和时变参数生成模块；

16、所述状态转移模块用于更新电池潜在状态；

17、所述输入耦合模块用于将电池端充放电时序信号与整车控制器逻辑状态编码映射至同一潜在状态空间；

18、所述时变参数生成模块根据整车控制器逻辑状态编码生成状态转移矩阵、输入矩阵或门控系数中的至少一种时变参数，使tv-ssm的状态演化随整车控制器动态调度状态自适应变化。

19、进一步地，所述tv-ssm的状态演化满足如下形式：

20、

21、

22、其中，表示第t时刻的潜在状态，表示第t时刻的电池端充放电时序输入，表示第t时刻的整车控制器逻辑状态编码，、、、为由时变参数生成模块生成的时变参数，表示输出特征；通过引入项及其时变参数，使由整车控制器调度引起的瞬态响应在状态空间中被显式表征。

23、进一步地，步骤3中的潜在空间正交解耦合机制包括特征分解子模块、特征重投影子模块和正交约束子模块；

24、所述特征分解子模块将tv-ssm输出特征分解为临时关系局部特征和逆老化特征；

25、所述特征重投影子模块用于将所述临时关系局部特征重投影至所述逆老化特征的正交补空间，所述正交补空间构成与所述逆老化特征正交的潜在子空间，并得到正交重投影特征；

26、所述正交约束子模块用于基于所述临时关系局部特征与所述逆老化特征之间的内积或相关性构建正交约束损失，以抑制所述临时关系局部特征与所述逆老化特征之间的特征混入。

27、进一步地，所述正交重投影特征满足如下形式：

28、

29、其中，zd表示临时关系局部特征，za表示逆老化特征，zd⊥表示正交重投影特征，ε为防止分母为零的稳定系数；通过从所述临时关系局部特征中减去其在所述逆老化特征方向上的投影分量，抑制整车控制器动态调度特征对逆老化特征的混入。

30、进一步地，步骤4中的修正流rectified flow生成模型包括条件编码模块、速度场预测模块和ode积分模块；

31、所述条件编码模块用于对所述因果隔离后的老化状态表征进行编码，得到条件特征；所述速度场预测模块用于基于先验变量、目标变量、连续时间变量以及所述条件特征预测速度场；所述ode积分模块用于沿所述速度场从先验分布积分至电池状态目标分布，生成电池健康状态soh和剩余使用寿命rul的预测分布；

32、在所述双模态网络的训练过程中，所述修正流rectified flow生成模型以最小化流匹配损失为训练目标，使所述速度场预测模块输出的速度场拟合由先验变量至电池状态目标变量的线性路径速度；所述流匹配损失满足如下形式：

33、

34、其中，表示从先验分布采样得到的先验变量，表示电池状态目标变量，表示由和线性插值得到的中间变量，t为0至1之间的连续时间变量，c表示所述条件特征，表示速度场预测模块输出的速度场，表示流匹配损失，e表示数学期望。

35、进一步地，所述双模态网络的训练总损失函数包括soh预测损失、rul预测损失、修正流流匹配损失、潜在空间正交约束损失和soh单调性约束损失；

36、其中，所述soh预测损失用于约束电池健康状态soh预测值与soh真实值之间的偏差，所述rul预测损失用于约束剩余使用寿命rul预测值与rul真实值之间的偏差，所述修正流流匹配损失用于训练所述速度场预测模块，所述潜在空间正交约束损失用于惩罚临时关系局部特征与逆老化特征之间的相关性，所述soh单调性约束损失用于惩罚相邻预测时刻soh的非物理上升。

37、进一步地，步骤6中的不确定性区间通过对所述修正流生成模型的先验变量进行多次采样并沿相同ode速度场积分获得多个预测样本，再基于所述多个预测样本的分位数计算soh和rul的不确定性区间；

38、所述不确定性区间与soh预测值、rul预测值通过车载通信接口发送至整车控制器，用于充放电功率分配、制动能量回收策略调整、热管理策略调整或电池维护提醒。

39、基于整车控制大数据与双模态网络的电池状态预测系统，包括：

40、第一模块：用于构建整车控制器动态调度下的电池历史大数据集，所述电池历史大数据集包括电池端充放电时序信号、整车控制器逻辑状态编码以及由所述逻辑状态编码表征的动态调度状态标签；

41、第二模块：用于将所述电池历史大数据集输入双模态网络的特征提取层，所述特征提取层采用时变耦合状态空间模型tv-ssm，对电池端充放电时序信号与整车控制器逻辑状态编码进行耦合建模，获得表征整车动态调度引起的临时关系局部特征以及表征电池不可逆衰退过程的逆老化特征；

42、第三模块：用于在所述特征提取层中引入潜在空间正交解耦合机制，基于特征重投影将所述临时关系局部特征投影至与所述逆老化特征正交的潜在子空间，并依据正交约束抑制动态调度状态标签对逆老化特征的混入，以形成因果隔离后的老化状态表征；

43、第四模块：用于将所述因果隔离后的老化状态表征输入双模态网络的预测生成层，所述预测生成层采用基于常微分方程ode的修正流rectified flow生成模型，学习由先验分布至电池状态目标分布的确定性速度场，并沿所述确定性速度场积分生成电池健康状态soh和剩余使用寿命rul的预测分布；

44、第五模块：用于对所述双模态网络进行训练，并在训练时引入物理单调性约束和多任务协同约束；其中，所述物理单调性约束用于约束电池健康状态soh预测值满足电池老化不可逆规律；所述多任务协同约束用于使电池健康状态soh预测任务与剩余使用寿命rul预测任务共享所述因果隔离后的老化状态表征；

45、第六模块：用于基于经所述物理单调性约束和多任务协同约束训练后的双模态网络，对所述预测分布进行统计处理，输出电池健康状态soh预测值、剩余使用寿命rul预测值及其不确定性区间。

46、与现有技术相比，本发明具有以下有益的技术效果：

47、1. 本发明采用时变耦合状态空间模型tv-ssm对电池端充放电时序信号与hcu（整车控制器）逻辑状态编码进行联合建模，能够显式表征纯电、混动、发动机直驱和制动回收等动态调度状态对电池端响应的影响，提高复杂实车工况下的特征表达能力。

48、2. 本发明引入潜在空间正交解耦合机制，将整车控制器频繁能量调度引起的临时关系局部特征与电池容量衰减、内阻增长等不可逆衰退相关的逆老化特征进行分离，并通过特征重投影和正交约束抑制两类特征之间的混入，从而降低动态调度干扰对真实老化状态表征的影响。

49、3. 本发明采用基于常微分方程ode的修正流rectified flow生成模型，学习由先验分布至电池状态目标分布的确定性速度场，并沿所述确定性速度场积分生成soh和rul的预测分布，从而提高预测分布生成过程的稳定性和可复现性。

50、4. 本发明的修正流rectified flow预测生成层可通过ode积分模块进行单步或少步近似求解，减少预测生成过程中的迭代计算量，从而降低在线预测延迟。

51、5. 本发明引入物理单调性约束，对相邻预测时刻soh的非物理上升进行约束，使电池健康状态soh预测值符合电池老化不可逆规律，提高预测结果的物理合理性和可靠性。

52、6. 本发明引入多任务协同约束，使电池健康状态soh预测任务与剩余使用寿命rul预测任务共享因果隔离后的老化状态表征，利用soh与rul之间的关联关系实现协同预测，并结合不确定性区间为整车控制器能量管理策略优化提供决策支持