一种电力无人机的充放电管理方法、设备及介质与流程

本发明涉及一种电力无人机的充放电管理方法、设备及介质，属于无人机电池。

背景技术：

1、随着电力巡检和电网运维智能化水平的不断提升，电力无人机因其机动灵活、作业效率高等优势，已在输电线路巡检、故障排查、应急响应等领域得到广泛应用。作为无人机的核心动力来源，其储能系统的性能与安全直接关系到飞行任务的可靠性和作业时长。目前，半固态锂电池因兼具高能量密度和较好的热稳定性，正逐步成为电力无人机的主力电源之一。然而，在实际作业过程中，无人机的充放电工况复杂多变，频繁的高倍率充放电、大功率负载突变、高温环境以及任务航程约束等因素，均可能导致电池内部极化加剧、温升失控、锂枝晶析出等安全隐患，同时影响电池的可用容量和循环寿命。

2、现有充放电管理方法多依赖静态阈值或简单规则，未能充分融合电池自身状态、热安全特性与飞行任务动态需求等多维信息，难以实现对安全风险的精准预判和充放电策略的自适应优化。此外，不同特征量之间的耦合关系复杂，传统方法在特征利用和权重分配上存在主观性强、实时性差等问题，无法有效平衡作业效能与电池安全。

技术实现思路

1、为了解决上述现有技术中存在的问题，本发明提出了一种电力无人机的充放电管理方法、设备及介质。

2、本发明的技术方案如下：

3、一方面，本发明提供了一种电力无人机的充放电管理方法，包括以下步骤：

4、获取电力无人机的半固态锂电池运行数据，基于半固态锂电池运行数据构建电力无人机的工况安全状态特征；

5、对工况安全状态特征进行分类和投影编码，得到电池状态特征编码向量、热安全与极化特征编码向量以及电力无人机任务耦合特征编码向量；

6、基于电池状态特征编码向量、热安全与极化特征编码向量以及电力无人机任务耦合特征编码向量获取安全状态向量；

7、基于安全状态向量获取注意力融合向量；

8、将注意力融合向量与安全状态向量进行残差拼接得到残差融合向量；

9、将残差融合向量作为风险预测模型的输入，得到预测向量；

10、基于预测向量构建安全充放电策略优化模型，求解安全充放电策略优化模型得到电力无人机最优的充放电策略。

11、优选的，对工况安全状态特征进行分类和投影编码，具体步骤为：

12、根据预设分类规则将工况安全状态特征进行分类，得到电池状态特征、热安全与极化特征以及电力无人机任务耦合特征；

13、采用各特征对应的编码器对电池状态特征、热安全与极化特征以及电力无人机任务耦合特征进行投影编码，得到电池状态特征编码向量、热安全与极化特征编码向量以及电力无人机任务耦合特征编码向量。

14、优选的，基于电池状态特征编码向量、热安全与极化特征编码向量以及电力无人机任务耦合特征编码向量采用门控机制获取安全状态向量。

15、优选的，基于安全状态向量获取注意力融合向量，具体步骤为：

16、将安全状态向量根据电池状态特征编码向量、热安全与极化特征编码向量以及电力无人机任务耦合特征编码向量对应的维度分解；

17、构建分解后的安全状态向量的注意力得分；

18、对注意力得分进行归一化，得到注意力系数；

19、基于注意力系数将分解后的安全状态向量进行融合，得到注意力融合向量。

20、优选的，所述风险预测模型为mlp模型。

21、优选的，所述安全充放电策略优化模型以公式表示为：

22、；

23、式中，表示最小值函数，表示安全充放电策略优化模型，表示能量损失权重，表示静置时间权重，表示续航收益权重，表示在时刻的能量损失，表示在时刻的充电电流，表示在时刻的静置时间，表示在时刻的续航收益，示在时刻的放电功率，表示端电压截止上限；

24、所述安全充放电策略优化模型的约束条件以公式表示为：

25、；

26、；

27、；

28、式中，表示在时刻的充电电流需求，表示在时刻的功率需求，表示在时刻的任务允许最大静置时间，表示在时刻的最大充电电流，表示在时刻的最大放电功率，表示在时刻的最小静置时间。

29、优选的，所述半固态锂电池运行数据包括端电压、充电电流、放电电流、放电功率、静止时间。

30、优选的，所述工况安全状态特征，包括端电压、静置端电压恢复量、充电电流、放电电流、放电功率、充放电倍率、电力无人机负载功率、半固态锂电池温度、半固态锂电池最高温度、半固态锂电池平均温度、半固态锂电池温升量、半固态锂电池温升速率、环境温度、环境最高温度、环境平均温度、环境温升量、环境温升速率、荷电状态、健康状态、等效内阻、极化电压、静止时间、电力无人机飞行阶段、电力无人机剩余航程、电力无人机返航能量需求以及环境风速。

31、再一方面，本发明还提供一种电子设备，其上存储有计算机程序，所述计算机程序被处理器执行时实现如本发明任一实施例所述的电力无人机的充放电管理方法。

32、再一方面，本发明还提供一种计算机可读存储介质，用于存储一个或者多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如本发明任一实施例所述的电力无人机的充放电管理方法。

33、本发明具有如下有益效果：

34、1、本发明基于风险预测向量构建安全充放电策略优化模型，在求解过程中同时考虑能量损失、静置时间和续航收益等多个优化目标，并根据实时预测的风险水平动态调整各目标的权重。当预测到较高的安全风险时，模型会自动增加对安全相关目标的重视程度；当安全风险较低时，则更多地考虑续航收益和能量效率。此外，优化模型还设置了多项约束条件，确保求解得到的充放电策略既满足无人机飞行任务的基本需求，又不会超出电池的安全运行边界。这种多目标约束优化方法能够在保障电池安全的前提下，最大限度地提升无人机的作业效能。

35、2、本发明在安全状态向量的基础上引入注意力机制进行特征融合。通过将安全状态向量按照三类特征的维度分解，分别计算各类特征的注意力得分并进行归一化处理，得到注意力系数，再基于注意力系数对分解后的安全状态向量进行加权融合，得到注意力融合向量。这一过程能够动态地根据当前工况调整不同特征的重要性，使得模型更加关注对安全风险影响更大的特征。同时，将注意力融合向量与安全状态向量进行残差拼接得到残差融合向量，既保留了经过注意力加权后的高阶融合信息，又保留了原始安全状态向量的基础信息，有效防止了信息在深层网络传递过程中的丢失。这种设计增强了风险预测模型对复杂工况下安全风险的识别和预测能力。

36、3、本发明将电池运行数据构建为工况安全状态特征，并将其分为电池状态特征、热安全与极化特征以及电力无人机任务耦合特征三大类。通过对这三类特征分别进行投影编码，能够将不同物理含义和量纲的特征统一映射到相同的向量空间中，便于后续的融合处理。采用门控机制对三类编码向量进行融合，可以自动学习各类特征之间的相互关系及其对安全状态的影响权重，避免了传统方法中依赖人工设定固定阈值或简单规则所带来的主观性强、适应性差的问题。这种多维度的特征融合方式能够全面反映电池在当前工况下的真实安全状态，不仅考虑了电池自身的电气特性，还充分考虑了热安全、极化效应以及无人机飞行任务需求，从而显著提升了安全状态评估的准确性和可靠性。