基于大数据融合的动力电池能效优化方法及系统与流程

摘要: 本发明涉及数据分析领域,尤其涉及一种基于大数据融合的动力电池能效优化方法及系统。背景技术:1、随着电动汽车产业规模持续扩张,动力电池能效水平已成为制约整车续航性...
基于大数据融合的动力电池能效优化方法及系统与流程

本发明涉及数据分析领域,尤其涉及一种基于大数据融合的动力电池能效优化方法及系统。

背景技术:

1、随着电动汽车产业规模持续扩张,动力电池能效水平已成为制约整车续航性能与用户体验的关键瓶颈。当前,受限于能量利用率低、续航衰减快、能耗管理粗放等问题,电动汽车用户的里程焦虑仍未得到根本性缓解。现行能效评估方法多局限于实验室离线检测,依赖周期性静态容量测试与人工经验判断,难以捕捉实车运行中动态演化形成的能效衰减趋势。具体而言,现有技术在动力电池能效优化方面存在以下缺陷:其一,评估方法多关注电性能指标而忽视热-机械-化学耦合作用下对电池能量转化效率的综合影响,难以全面识别导致能效损失的多维因素;其二,实验室标准测试条件与实车复杂工况之间存在显著差异,导致能效评估结果与真实运行能耗偏离,形成评估偏差与能效管理失准的困境;其三,响应机制相对滞后,传统定期检修与离线分析模式无法对实车运行中的能效衰减、能耗异常等动态变化实施分钟级实时响应与优化调整;其四,尚未建立覆盖生产-服役-退役全生命周期的能效数据闭环,缺乏对电池能效演化轨迹的长期追踪与持续优化能力,难以实现全周期能效最优管理。因此,亟需构建一套融合云端算力与边缘实时性的多维度能效态势感知与优化体系,以实现对动力电池能效的精准评估、动态优化与全生命周期持续改进。

技术实现思路

1、本发明旨在解决现有动力电池能效管理技术中存在的数据维度单一、评估精度不足及优化响应滞后等技术问题,创新性地提出了一种基于大数据融合的动力电池能效优化方法及系统。

2、为了实现本发明的上述目的,本发明提供了一种基于大数据融合的动力电池能效优化方法,包括:

3、s1,构建立体化多模态数据采集架构,同步获取电学、热力学、机械应力及电化学阻抗谱数据流;

4、s2,建立边缘端轻量化特征提取模型,对多模态数据进行自适应预处理与特征工程,生成边缘特征向量;

5、s3,建立云端深度能效状态融合模型,基于图注意力机制计算风险传播权重,实现多尺度时空特征融合;

6、s4,建立多层级能效状态量化评估体系,计算健康状态指数、能效衰减概率及剩余使用寿命;

7、s5,构建云边协同闭环反馈测试机制,动态调整数据采集频率与优化策略,形成虚实映射优化闭环。

8、上述技术方案优选的,所述s1包括:

9、构建立体化多模态数据采集架构,在电池包内部署分布式传感网络,同步采集电学参数、热力学参数、机械应力参数及电化学阻抗谱数据,建立多源异构数据流;所述电学参数包括:单体电压数据、母线电流数据、绝缘阻抗数据,其中i表示单体电池序号,i=1,2,…,n ,n为单体电池总数,t为采样时刻;所述热力学参数包括:单体表面温度数据、模组进出口冷却液温差数据、环境温度;所述机械应力参数包括:电池壳体应变、加速度,其中j表示应变片布设位置编号,k表示加速度传感器轴向标识;所述电化学阻抗谱数据为通过分布式eis传感器获取的实部阻抗与虚部阻抗,其中下标re为实部字母描述,下标im为虚部字母描述,f表示扫频频率点。

10、上述技术方案优选的,所述s2包括:

11、建立边缘端轻量化特征提取模型,对s1采集的多模态数据进行自适应预处理与特征工程,生成边缘特征向量;首先,对各类传感数据进行滑动窗口切分,窗口长度记为,滑动步长记为,得到时间窗口内数据矩阵,其中m 为传感器通道总数;然后,采用自适应加权归一化处理消除量纲差异,归一化后数据的计算公式为:;其中,表示第m个传感器通道在第l个采样点的原始数据,m=1,2,…,m ,l=1,2,…,;为第m通道历史数据均值;为第m 通道历史数据标准差;为数值稳定因子,取量级;为基于信息熵计算的通道权重系数,表征该物理量对能效状态的敏感程度,其计算公式为:;其中,为第m通道数据的信息熵,为该通道数据落入第c个离散区间的概率,c为离散区间总数,分母中的为遍历索引,对包括 m自身所有通道的指数项进行累加。

12、上述技术方案优选的,所述s3包括:

13、建立云端深度能效状态融合模型,通过5g通信链路接收来自边缘端的特征向量,并结合云端存储的全生命周期历史数据进行深度态势感知;所述全生命周期历史数据包括:化成阶段容量、循环次数、累计快充当量、历史滥用事件记录;构建多尺度时空图卷积网络,将电池包内部单体间电气连接关系建模为图结构g=(v,e),其中v为单体电池节点集合,|v|=n,e为表征连接关系的边集合;节点特征矩阵由s2提取的单体级特征构成, 为节点特征维度。

14、上述技术方案优选的,所述s4包括:

15、建立多层级能效状态量化评估体系,基于s3的深度学习输出,计算健康状态指数soh(t)、能效衰减概率及剩余使用寿命rul(t);所述健康状态指数计算公式为:其中,为基于卡尔曼滤波估计的当前可用容量,为标称容量;所述能效衰减概率通过融合多维度异常分数计算:;其中,为电学异常分数,基于电压离散度与电流波动率计算;为热损耗异常分数,基于温度场不均匀度与温升速率计算;为机械滥用分数,基于应变幅值与振动频谱特征计算;为电化学衰退分数,基于阻抗谱偏移量计算;为各维度权重系数,满足。

16、上述技术方案优选的,所述s5包括:

17、构建云边协同的闭环反馈测试机制,云端根据s4的评估结果生成优化策略调整指令,下发至边缘端执行;所述优化策略包括:调整数据采集频率、切换特征提取算法模式、触发主动性能评估程序;当时,其中 为风险阈值。

18、上述技术方案优选的,所述s5包括:

19、优化策略调整指令为三维决策向量,其数学表达式为,其中为t时刻数据采集频率,为t时刻特征提取算法模式,为t时刻主动性能评估程序触发标识;

20、首先,云端计算综合测试需求指数,量化当前时刻对测试精度的需求程度,其计算公式为: ;

21、其中,为经指数平滑处理的风险概率,,其中为s4计算的能效衰减概率,∈[0,1]为平滑系数,取0.7,δt为采样时间间隔;=soh(t)/100%为归一化健康状态,soh(t)为s4计算的健康状态指数;为s4计算的剩余使用寿命;为标称初始寿命;为需求权重系数,满足,且根据电池化学体系差异化设置。

22、上述技术方案优选的,所述s5包括:

23、云端评估边缘资源约束函数,表征边缘端可用计算与通信资源,其计算公式为: ;

24、其中为当前时刻5g链路剩余带宽;为最大带宽;为边缘处理器空闲算力百分比;为边缘网关备用电源电量;为最低工作电量阈值;

25、基于上述与,分别计算优化策略的三个分量:

26、(1)数据采集频率的自适应计算:

27、首先,计算多模态信号的综合变化率:式中:为s2中第m通道归一化数据;为s2计算的通道权重系数;m为传感器通道总数;d/dt采用差分近似,表示为;

28、然后,计算基于风险态势的最低频率需求:

29、计算公式为;

30、式中:系数2 满足奈奎斯特最低采样要求;为采样系数;

31、建立频率-资源权衡函数:

32、计算公式为 ;

33、式中:为基础频率;为硬件极限频率;为防止除零的数值稳定因子;第一项为优化收益项,第二项为资源惩罚项;

34、求解优化问题获得: ;

35、其解析解为:;

36、当计算结果低于时,取;高于时,取。

37、上述技术方案优选的,所述s5包括:

38、特征提取算法模式的决策计算:

39、首先,计算当前工况复杂度指数:

40、;

41、其中为当前电压极差的标准差;为历史平均电压极差;为s3计算的图注意力系数;为注意力系数均值;为工况标识符,快充时取1.5,慢充时取1.0,静置时取0.8;

42、然后,计算边缘计算负载裕度: ;

43、式中:为上一周期特征提取实际耗时;为当前采样周期时长;

44、建立动态决策阈值和:;

45、;

46、其中=0.3为基础阈值;=0.7为基础阈值;

47、最终决策为:

48、;

49、其中=1表示轻量级统计模式,=2表示深度时序模式,=3表示全量图神经网络模式;

50、(3)主动性能评估程序的触发判定:

51、首先,计算风险累积指数:

52、;

53、其中=300s为风险观察窗口;为衰减系数;积分采用离散求和近似:,其中k=/δτ;

54、然后,计算风险突变率:;

55、建立老化阶段因子:

56、;

57、调整触发阈值:,,其中=0.6×为累积风险阈值,=0.85 为高风险阈值;

58、最终触发判定为

59、;

60、式中:为指示函数,条件满足时取1,否则取0;为风险突变率阈值。

61、本发明还公开一种计算机系统,包括:

62、处理器;

63、用于存储处理器可执行指令的存储器;

64、其中,所述处理器被配置为执行所述可执行指令时实现权利要求1~9之一所述的应用基于大数据融合的动力电池能效优化方法。

65、综上所述,由于采用了上述技术方案,本发明的有益效果是:

66、本发明通过构建立体化多模态数据采集架构,突破了传统单一能耗监测模式的局限,实现了热-机械-电化学耦合作用下电池能效状态的全面感知;通过边缘端轻量化特征提取与云端深度能效态势感知的协同计算架构,解决了能效监测实时性与分析精度的矛盾,边缘端毫秒级响应与云端秒级深度分析形成互补;通过全生命周期历史数据的持续积累与数字孪生体的构建,建立了从生产化成到退役回收的完整数据链条,实现了老化轨迹的可追溯与可预测,为能效衰减趋势的精准研判提供了数据基础;通过多层级能效状态量化评估体系,将主观经验判断转化为客观概率输出,显著提升了能效衰减评估的准确性与可解释性,实现了电池系统能效的精细化管控。

67、本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。