一种用于智能机器人的锂电池SOC预测方法及系统与流程

本发明涉及锂电池soc估算，具体涉及一种用于智能机器人的锂电池soc预测方法及系统。

背景技术：

1、智能机器人（如巡检、搬运、人形机器人）在运动过程中关节电机频繁启停、加减速及下坡回馈制动，使电池负载电流呈现大幅波动与双向变化特征，远超电动汽车等平稳工况的复杂度。

2、现有soc估算方法中，安时积分法在电流剧烈波动下累计误差显著，且需依赖准确的初始soc；开路电压法需电池长时间静置，无法适应机器人连续作业需求；基于卡尔曼滤波或单一神经网络的方法虽有一定改善，但未充分利用机器人本体可获取的关节电机驱动指令这一高层工况信息，也未针对性处理电压平台的畸变特征，导致在机器人特有的“重载爬坡—回馈制动”交替工况下估算偏差较大，影响续航判断与作业安全。

技术实现思路

1、针对上述存在的技术不足，本发明的目的是提供一种用于智能机器人的锂电池soc预测方法及系统，解决现有智能机器人锂电池soc估算在动态变负载工况下精度低、鲁棒性差的问题。

2、为解决上述技术问题，本发明采用如下技术方案：

3、第一方面，本发明提供一种用于智能机器人的锂电池soc预测方法，包括：

4、步骤s1、采集智能机器人运动过程中的电池端电压、负载电流及关节电机驱动指令，依据关节电机驱动指令的占空比变化率与负载电流的上升沿斜率对采样窗口进行负载工况分段，得到若干连续工况片段及各片段对应的工况标签；

5、步骤s2、对各工况片段内的端电压与负载电流进行滑动差分处理，提取增量容量曲线的峰值位置与半高宽作为电压畸变特征，电压畸变特征结合负载电流的方向符号生成该工况片段的残差修正向量；

6、步骤s3、将各工况片段的端电压、负载电流、工况标签及残差修正向量按时间轴拼接为带标注的时序输入样本；

7、步骤s4、将时序输入样本输入预训练的双向门控循环单元网络，得到当前时刻的锂电池soc预测值。

8、优选地，在第一方面的一种可能的实施方式中，所述步骤s1中，采样窗口的长度与滑动步长依据关节电机驱动指令的更新周期设定；

9、在每一采样窗口内对关节电机驱动指令的占空比序列计算一阶差分得到占空比变化率；

10、对负载电流序列计算一阶差分并标记差分值为正的连续区段作为上升沿，取上升沿区段内负载电流一阶差分的最大值作为上升沿斜率；

11、将占空比变化率与上升沿斜率分别与第一预设界限和第二预设界限比较；

12、当占空比变化率超过第一预设界限时，以此时采样时刻作为第一分段切点；当上升沿斜率超过第二预设界限时，以此时上升沿区段内负载电流一阶差分最大值对应的采样时刻作为第二分段切点；

13、依据所有分段切点将采样窗口切分为若干连续工况片段，每一工况片段赋予一个工况标签。

14、优选地，在第一方面的一种可能的实施方式中，所述第一预设界限由关节电机的额定转速与占空比的线性映射关系确定；第二预设界限由关节电机的堵转电流与负载电流上升速率的标定曲线确定；

15、工况标签与关节电机驱动指令的占空比绝对值区间及负载电流的均值区间建立映射表；

16、每一连续工况片段根据占空比绝对值的中位数与负载电流的算术平均值，通过查表得到该工况片段的工况标签；

17、当占空比绝对值的中位数与所在区间任一分界边界的距离小于预设阈值时，以该工况片段内占空比变化率的累计量与分界边界两侧两个候选标签的历史平均累计量的偏差作为判别依据，偏差较小者作为该工况片段的最终工况标签。

18、优选地，在第一方面的一种可能的实施方式中，所述步骤s2中，对每一工况片段内的端电压与负载电流施加滑动差分处理，滑动差分窗的宽度根据该工况片段的采样点数确定，且为不小于3的奇数；

19、在滑动差分窗内将负载电流与采样间隔的乘积进行累加得到增量电荷，将端电压在同一窗内的首尾差值的绝对值作为增量电压，以增量电荷的绝对值与增量电压的比值作为该滑动差分窗中心点的增量容量曲线值，遍历整个工况片段得到完整的增量容量曲线；

20、对增量容量曲线进行局部极大值检测，将每一个局部极大值对应的端电压值记为峰值位置，自该局部极大值所在峰的半高位置，即峰值幅值的一半处，作水平线，与曲线在该峰左右两侧分别相交于两点，两点之间的端电压差值的绝对值记为半高宽，将峰值位置与半高宽作为该工况片段的电压畸变特征。

21、优选地，在第一方面的一种可能的实施方式中，所述滑动差分处理之前对端电压与负载电流进行savitzky-golay平滑滤波，滤波窗长与滑动差分窗长相同且为奇数，滤波阶数固定为2；

22、取幅值最大的局部极大值，将其峰值位置和半高宽作为该工况片段的电压畸变特征；

23、负载电流的方向符号由该工况片段内负载电流的代数和的正负决定，正值表示放电方向，负值表示回馈制动方向；

24、将峰值位置、半高宽与方向符号按固定次序组成三维向量，并进一步将幅值最大的局部极大值之外的次大局部极大值的幅值作为第四维分量，构成四维向量；若不存在次大局部极大值，则第四维分量置为零；

25、依据离线标定得到的各分量均值与标准差，逐分量对四维向量进行标准化后得到该工况片段的残差修正向量。

26、优选地，在第一方面的一种可能的实施方式中，所述步骤s3中，将每一工况片段内的端电压序列、负载电流序列、工况标签的整数编码以及残差修正向量按采样时刻对齐，同一时刻的四个数据沿特征维度堆叠形成一个时间步特征向量；

27、将该工况片段所有时间步的特征向量按时间顺序排列成二维矩阵，矩阵的行数为该工况片段的时间步数，列数为特征维数，将所有工况片段的二维矩阵沿时间轴依次拼接形成二维时序输入样本；

28、拼接时在相邻片段的交界处保留一个重叠窗，重叠窗的长度由前一片段末端占空比变化率与后一片段首端占空比变化率的差值的绝对值通过线性映射得到。

29、优选地，在第一方面的一种可能的实施方式中，所述重叠窗内每一采样时刻的端电压与负载电流取前后两片段对应时刻的加权平均值，权重由交界点处前一片段末端与后一片段首端的占空比变化率差值反比分配，交界点处前一片段权重与后一片段权重之和为1；

30、重叠窗内的工况标签沿用后一片段的标签，残差修正向量也沿用后一片段的向量；

31、拼接完成后对时序输入样本沿特征维逐通道进行最小最大值归一化；其中端电压、负载电流通道以及工况标签整数编码通道、残差修正向量各分量通道的上下限均依据训练集上通道的统计极值设定，将数据线性映射至区间。

32、优选地，在第一方面的一种可能的实施方式中，所述步骤s4中，双向门控循环单元网络包含前向gru层与后向gru层，前向gru层按时间正序读取时序输入样本，后向gru层按时间逆序读取时序输入样本，每一时间步前向gru层输出前向隐藏状态，后向gru层输出后向隐藏状态，将同一时间步的前向隐藏状态与后向隐藏状态进行向量拼接后送入全连接映射层，全连接映射层的输出维度为1，激活函数为线性函数；

33、前向gru层与后向gru层的隐藏层维度相同且在训练阶段通过交叉验证确定；

34、在全连接映射层之前设置一个时间注意力层，注意力得分由当前时间步的拼接隐藏状态与查询向量经线性变换映射至与拼接隐藏状态相同维度后所得向量的缩放点积计算得到；

35、查询向量由上一时间步的soc预测值与当前时间步的残差修正向量拼接而成；其中，第一个时间步的上一时间步soc预测值由机器人启动前电池静置时的开路电压通过开路电压-soc标定曲线查表得到。

36、优选地，在第一方面的一种可能的实施方式中，所述预训练具体为：

37、采集智能机器人在多种工况下运行的电池数据，以基于开路电压校准的安时积分法计算的soc值作为主监督标签，以工况标签作为辅助监督标签，构建训练集与验证集；

38、将训练集的时序输入样本输入双向门控循环单元网络得到每一时间步的soc预测值，主损失函数为soc预测值与主监督标签的均方误差；

39、与全连接映射层并联设置一个工况分类分支，该工况分类分支自同一时间步的拼接隐藏状态处分出，输出工况类别概率，辅损失函数为工况类别概率与辅助监督标签的交叉熵；

40、主损失与辅损失加权求和得到总损失，通过反向传播更新网络参数，当验证集上的总损失连续多个轮次不再下降时停止训练，得到预训练的双向门控循环单元网络。

41、第二方面，本发明提供一种用于智能机器人的锂电池soc预测系统，所述系统用于实现如第一方面所述的一种用于智能机器人的锂电池soc预测方法，包括：

42、采集与分段模块，采集智能机器人运动过程中的电池端电压、负载电流及关节电机驱动指令，依据关节电机驱动指令的占空比变化率与负载电流的上升沿斜率对采样窗口进行负载工况分段，得到若干连续工况片段及各片段对应的工况标签；

43、差分与残差模块，对各工况片段内的端电压与负载电流进行滑动差分处理，提取增量容量曲线的峰值位置与半高宽作为电压畸变特征，电压畸变特征结合负载电流的方向符号生成该工况片段的残差修正向量；

44、样本拼接模块，将各工况片段的端电压、负载电流、工况标签及残差修正向量按时间轴拼接为带标注的时序输入样本；

45、soc预测模块，将时序输入样本输入预训练的双向门控循环单元网络，得到当前时刻的锂电池soc预测值。

46、本发明的有益效果在于：将机器人关节电机驱动指令引入soc估算流程，通过占空比变化率与负载电流上升沿斜率联合切分工况片段，使分段结果贴合机器人实际运动模态。

47、对各片段端电压与电流做滑动差分提取增量容量曲线峰值位置与半高宽作为电压畸变特征，结合电流方向符号生成残差修正向量，能够捕捉电池在动态负载下的非线性电压响应。

48、将工况标签、残差修正向量与时序电气量拼接为多维输入，送入双向gru网络并在全连接层前引入以“上一时刻soc预测值+当前残差修正向量”为查询的时间注意力机制，使模型在关键工况切换时刻聚焦相关历史隐藏状态。

49、训练阶段并联工况分类分支做多任务学习，增强特征判别性。

50、本发明显著提升智能机器人变负载、回馈制动等复杂工况下的soc估算精度与抗漂移能力。