本發(fā)明涉及電池狀態(tài)檢測(cè)，尤其涉及基于深度學(xué)習(xí)的電動(dòng)車電池狀態(tài)檢測(cè)方法及系統(tǒng)。

背景技術(shù)：

1、隨著電動(dòng)車市場(chǎng)的快速增長(zhǎng)，電池作為電動(dòng)車的核心組件之一，其性能和維護(hù)狀況對(duì)車輛的可靠性和安全性至關(guān)重要。電池老化、容量衰減和其他健康問題可能導(dǎo)致電動(dòng)車的性能下降，甚至發(fā)生安全事故。因此，開發(fā)一種高效、準(zhǔn)確的電池狀態(tài)檢測(cè)方法對(duì)于保障電動(dòng)車的安全運(yùn)行和延長(zhǎng)電池使用壽命具有重要意義，傳統(tǒng)的電池狀態(tài)檢測(cè)方法往往依賴于物理測(cè)試和化學(xué)分析，這些方法耗時(shí)長(zhǎng)、成本高且可能對(duì)電池造成損傷。近年來，隨著人工智能和深度學(xué)習(xí)技術(shù)的發(fā)展，為電池狀態(tài)檢測(cè)提供了新的解決方案。深度學(xué)習(xí)能夠通過大量歷史數(shù)據(jù)學(xué)習(xí)電池性能退化的模式和趨勢(shì)，實(shí)現(xiàn)對(duì)電池健康狀況的快速準(zhǔn)確評(píng)估。

2、例如授權(quán)公告號(hào)為cn114720878b的中國(guó)專利公開了一種退役電池的狀態(tài)檢測(cè)方法，包括：采用主程序分析法對(duì)常規(guī)充電工況下電池終止?fàn)顟B(tài)一致性的測(cè)試數(shù)據(jù)分析得到充電曲線的特征值，將特征值運(yùn)用canopy算法融合pso-k-means分類算法進(jìn)行聚類，得到電池最終的分類結(jié)果，利用分類好的該型號(hào)電池的循環(huán)老化測(cè)試數(shù)據(jù)，提取工況曲線的特征值，利用該特征值建立基于自適應(yīng)pso-神經(jīng)網(wǎng)絡(luò)容量預(yù)測(cè)模型建立電池老化模型，用特征值表征電池的容量與內(nèi)阻的衰減情況，提取電池簇核心部分電池特征值，利用建立好的電池老化模型，快速估計(jì)出電池實(shí)際容量與阻抗等參數(shù)。該方法可以對(duì)剩余電量、剩余容量和阻抗?fàn)顟B(tài)未知的退役動(dòng)力電池實(shí)現(xiàn)快速分類和狀態(tài)檢測(cè)。

3、以上專利均存在本背景技術(shù)提出的問題：需要拆解電池或在實(shí)驗(yàn)室條件下進(jìn)行，這不僅增加了檢測(cè)成本，還可能對(duì)電池本身造成傷害，縮短其使用壽命，無法實(shí)現(xiàn)快速檢測(cè)和即時(shí)反饋，為解決以上問題，本技術(shù)設(shè)計(jì)了基于深度學(xué)習(xí)的電動(dòng)車電池狀態(tài)檢測(cè)方法及系統(tǒng)。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明所要解決的技術(shù)問題是針對(duì)現(xiàn)有技術(shù)的不足，提供了基于深度學(xué)習(xí)的電動(dòng)車電池狀態(tài)檢測(cè)方法及系統(tǒng)，首先對(duì)電動(dòng)車電池進(jìn)行余能測(cè)試，并根據(jù)余能測(cè)試結(jié)果計(jì)算電動(dòng)車電池的荷電狀態(tài)soc，其次通過紅外成像儀獲取電池放電過程的紅外視頻，并對(duì)獲取的紅外視頻進(jìn)行處理，提取電動(dòng)車電池的放電輪廓特征，最后通過電池健康狀態(tài)識(shí)別網(wǎng)絡(luò)對(duì)電動(dòng)車電池的放電輪廓特征進(jìn)行訓(xùn)練，輸出電動(dòng)車電池的健康狀態(tài)soh。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：

3、基于深度學(xué)習(xí)的電動(dòng)車電池狀態(tài)檢測(cè)方法，其特征在于，包括以下步驟；

4、s1：對(duì)電動(dòng)車電池進(jìn)行余能測(cè)試，提取容量損失特征參數(shù)，并根據(jù)容量損失特征參數(shù)計(jì)算電動(dòng)車電池的荷電狀態(tài)soc；

5、s2：對(duì)電動(dòng)車電池進(jìn)行2c倍率放電，并使用紅外成像儀采集電池放電過程前五分鐘的紅外視頻；

6、s3：對(duì)獲取的紅外視頻進(jìn)行處理，提取電動(dòng)車電池的放電輪廓特征；

7、s4：構(gòu)建電池健康狀態(tài)識(shí)別網(wǎng)絡(luò)，將所述電動(dòng)車電池的放電輪廓特征作為所述電池健康狀態(tài)識(shí)別網(wǎng)絡(luò)的輸入?yún)?shù)，通過所述電池健康狀態(tài)識(shí)別網(wǎng)絡(luò)對(duì)輸入?yún)?shù)進(jìn)行訓(xùn)練，輸出電動(dòng)車電池的健康狀態(tài)soh。

8、所述余能測(cè)試包括：

9、s1.1：在標(biāo)準(zhǔn)室溫條件下，以1/4c大小的電流對(duì)電動(dòng)車電池進(jìn)行放電，當(dāng)電動(dòng)車電池電壓等于放電截止電壓時(shí)停止放電，記錄數(shù)據(jù)并靜置；

10、s1.2：在標(biāo)準(zhǔn)室溫條件下，以1/4c大小的電流對(duì)電動(dòng)車電池進(jìn)行充電，當(dāng)電動(dòng)車電池電壓等于充電截止電壓時(shí)轉(zhuǎn)為恒壓充電，并對(duì)充電電流進(jìn)行檢測(cè)，當(dāng)充電電流等于充電截止電流時(shí)停止充電，記錄數(shù)據(jù)并靜置；

11、s1.3：在標(biāo)準(zhǔn)室溫條件下，將已充滿的電動(dòng)車電池以1/4c大小的電流進(jìn)行放電，當(dāng)電動(dòng)車電池電壓等于放電截止電壓時(shí)停止放電，記錄數(shù)據(jù)并靜置；

12、s1.4：在標(biāo)準(zhǔn)室溫條件下，將已放空的電動(dòng)車電池以1/4c大小的電流進(jìn)行充電，當(dāng)電動(dòng)車電池電壓等于充電截止電壓時(shí)停止充電，記錄數(shù)據(jù)并靜置；

13、s1.5：根據(jù)模式搜索非線性優(yōu)化算法對(duì)s1.1至s1.4中記錄的數(shù)據(jù)進(jìn)行曲線擬合，通過損失函數(shù)對(duì)擬合結(jié)果進(jìn)行優(yōu)化，輸出容量損失特征參數(shù)，損失函數(shù)的計(jì)算公式為：

14、

15、其中，l表示損失函數(shù)，i表示余能測(cè)試中的測(cè)量時(shí)間點(diǎn)，j表示余能測(cè)試的總測(cè)量時(shí)間點(diǎn)，e{·}表示退火遺傳函數(shù)，kb表示波爾茲曼常數(shù)，ymodel[·]表示模式搜索輸出函數(shù)，up表示正極電勢(shì)，po表示正極初始嵌鋰率，li表示第i個(gè)測(cè)量時(shí)間點(diǎn)的電流，qp表示正極初始容量，un表示負(fù)極電勢(shì)，no表示負(fù)極初始嵌鋰率，qn表示負(fù)極初始容量，θ表示模型參數(shù)矩陣，ui表示第i個(gè)測(cè)量時(shí)間點(diǎn)的電壓。

16、所述容量損失特征參數(shù)包括負(fù)極材料活性損失參數(shù)、內(nèi)阻材料活性損失參數(shù)、正極材料活性損失參數(shù)和鋰損失參數(shù)，所述根據(jù)容量損失特征參數(shù)計(jì)算電動(dòng)車電池的荷電狀態(tài)soc包括數(shù)據(jù)預(yù)處理、soc評(píng)估模型參數(shù)優(yōu)化和soc評(píng)估模型應(yīng)用。

17、所述數(shù)據(jù)預(yù)處理用于對(duì)容量損失特征參數(shù)進(jìn)行預(yù)處理，將預(yù)處理后的數(shù)據(jù)分為訓(xùn)練集和測(cè)試集，并進(jìn)行歸一化處理，所述soc評(píng)估模型參數(shù)優(yōu)化根據(jù)訓(xùn)練集通過飛蛾優(yōu)化算法對(duì)soc評(píng)估模型的核參數(shù)和懲罰因子進(jìn)行尋優(yōu)，所述soc評(píng)估模型應(yīng)用用于根據(jù)優(yōu)化后的核參數(shù)和懲罰因子對(duì)測(cè)試集進(jìn)行評(píng)估，輸出電動(dòng)車電池的荷電狀態(tài)soc。

18、所述s3具體步驟如下：

19、s3.1：根據(jù)紅外成像儀采集電池放電過程前五分鐘的紅外視頻，通過對(duì)紅外視頻進(jìn)行差分，對(duì)紅外視頻差分圖像進(jìn)行去噪處理，提取紅外視頻幀間圖像；

20、s3.2：根據(jù)紅外視頻幀間圖像，對(duì)連續(xù)的紅外視頻幀間圖像相對(duì)應(yīng)像素點(diǎn)的灰度值進(jìn)行作差運(yùn)算，將像素點(diǎn)差值的絕對(duì)值與背景閾值進(jìn)行對(duì)比，如果大于或等于背景閾值，將該像素點(diǎn)定義為圖像前景，如果小于背景閾值，將該像素點(diǎn)定義為圖像背景并刪除，對(duì)圖像前景的像素點(diǎn)進(jìn)行二值化處理，獲取關(guān)鍵幀二值圖像；

21、s3.3：對(duì)差分去噪后的關(guān)鍵幀二值圖像進(jìn)行背景減除，并通過形態(tài)學(xué)的開操作對(duì)關(guān)鍵幀二值圖像進(jìn)行增強(qiáng)，關(guān)鍵幀二值圖像增強(qiáng)的計(jì)算公式為：

22、

23、其中，eikey表示增強(qiáng)后的關(guān)鍵幀二值圖像，k表示關(guān)鍵幀二值圖像在混合高斯模型中的單個(gè)高斯分布，k表示關(guān)鍵幀二值圖像在混合高斯模型中的高斯分布總數(shù)量，ωk表示第k個(gè)高斯分布的權(quán)重值，μ(·)表示高斯分布的概率密度函數(shù)，x表示關(guān)鍵幀二值圖像，mx表示關(guān)鍵幀二值圖像的高斯分布均值，vx表示關(guān)鍵幀二值圖像的高斯分布方差，⊙表示腐蝕操作，表示膨脹操作；

24、s3.4：通過邊緣檢測(cè)算法提取關(guān)鍵幀二值圖像的輪廓特征，對(duì)關(guān)鍵幀二值圖像的輪廓特征進(jìn)行短時(shí)傅里葉變換，計(jì)算輪廓特征的時(shí)域頻譜特征，對(duì)時(shí)域頻譜特征進(jìn)行對(duì)數(shù)運(yùn)算和尺寸重構(gòu)，獲取電動(dòng)車電池的放電輪廓特征。

25、所述對(duì)紅外視頻差分圖像進(jìn)行去噪處理具體步驟如下：

26、s3.1.1：根據(jù)高斯差分濾波對(duì)當(dāng)前幀和后一幀的紅外視頻差分圖像進(jìn)行特征信息提取，得到四層二維高斯差分濾波紅外視頻差分圖像；

27、s3.1.2：將四層二維高斯差分濾波紅外視頻差分圖像分割為四個(gè)方向，通過空域?yàn)V波對(duì)分割后的四層二維高斯差分濾波紅外視頻差分圖像濾除高頻噪聲，將四個(gè)方向去噪后的四層二維高斯差分濾波紅外視頻差分圖像進(jìn)行融合，得到去高頻噪聲后的四層二維高斯差分濾波紅外視頻差分圖像；

28、s3.1.3：對(duì)各層去噪后的二維高斯差分濾波紅外視頻差分圖像進(jìn)行融合，得到紅外視頻差分去噪圖像。

29、所述電池健康狀態(tài)識(shí)別網(wǎng)絡(luò)包括輸入層、特征融合層和輸出層；

30、所述輸入層，用于對(duì)輸入?yún)?shù)進(jìn)行卷積，根據(jù)雙線性差值擴(kuò)大輸入?yún)?shù)的平面維度，將不同層次且尺度不一的輪廓特征轉(zhuǎn)化為統(tǒng)一尺度；

31、所述特征融合層包括快分支、慢分支和3dresnet50融合網(wǎng)絡(luò)，所述快分支用于對(duì)特征融合層的輸入?yún)?shù)進(jìn)行時(shí)間特征提取，所述慢分支用于對(duì)特征融合層的輸入?yún)?shù)進(jìn)行空間特征提取，所述3dresnet50融合網(wǎng)絡(luò)用于將時(shí)間特征和空間特征進(jìn)行特征轉(zhuǎn)換處理，通過注意力機(jī)制對(duì)時(shí)間特征和空間特征進(jìn)行自相關(guān)性賦權(quán)，根據(jù)賦予的權(quán)重將時(shí)間特征和空間特征進(jìn)行融合，獲取融合特征；

32、所述輸出層包括一個(gè)lstm模型，通過lstm模型處理融合特征中長(zhǎng)時(shí)間序列的溫度變化上下文聯(lián)系信息，通過全連接dropout進(jìn)行整合輸出，輸出電動(dòng)車電池的健康狀態(tài)soh。

33、基于深度學(xué)習(xí)的動(dòng)力電池狀態(tài)檢測(cè)系統(tǒng)，所述系統(tǒng)包括荷電狀態(tài)評(píng)估模塊和健康狀態(tài)評(píng)估模塊；

34、所述荷電狀態(tài)評(píng)估模塊，用于對(duì)電動(dòng)車電池進(jìn)行余能測(cè)試，提取容量損失特征參數(shù)，并根據(jù)容量損失特征參數(shù)計(jì)算電動(dòng)車電池的荷電狀態(tài)soc；

35、所述健康狀態(tài)評(píng)估模塊，用于通過紅外成像儀對(duì)電動(dòng)車電池的放電過程進(jìn)行錄制，并對(duì)紅外視頻進(jìn)行處理，提取電動(dòng)車電池的放電輪廓特征，根據(jù)電池健康狀態(tài)識(shí)別網(wǎng)絡(luò)對(duì)電動(dòng)車電池的放電輪廓特征進(jìn)行訓(xùn)練，輸出電動(dòng)車電池的健康狀態(tài)soh；

36、所述荷電狀態(tài)評(píng)估模塊包括：

37、余能測(cè)試單元，用于對(duì)電動(dòng)車電池進(jìn)行余能測(cè)試，提取容量損失特征參數(shù)；

38、荷電狀態(tài)計(jì)算單元，用于根據(jù)soc評(píng)估模型通過容量損失特征參數(shù)計(jì)算電動(dòng)車電池的荷電狀態(tài)soc；

39、所述健康狀態(tài)評(píng)估模塊包括：

40、紅外視頻獲取單元，用于使用紅外成像儀采集電池放電過程前五分鐘的紅外視頻；

41、紅外視頻處理單元，用于對(duì)獲取的紅外視頻進(jìn)行處理，提取電動(dòng)車的放電輪廓特征；

42、健康狀態(tài)計(jì)算單元，用于構(gòu)建動(dòng)力電池健康狀態(tài)識(shí)別網(wǎng)絡(luò)，將所述退役動(dòng)力電池的放電輪廓特征作為所述動(dòng)力電池健康狀態(tài)識(shí)別網(wǎng)絡(luò)的輸入?yún)?shù)，通過所述動(dòng)力電池健康狀態(tài)識(shí)別網(wǎng)絡(luò)對(duì)輸入?yún)?shù)進(jìn)行訓(xùn)練，輸出退役動(dòng)力電池的健康狀態(tài)soh。

43、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

44、1.本發(fā)明通過余能測(cè)試，建立表征活性鋰損失及活性材料損失的容量損失特征，將辨識(shí)后的特征參數(shù)與支持向量回歸模型相結(jié)合，實(shí)現(xiàn)對(duì)電動(dòng)汽車退役電池的余能快速和準(zhǔn)確估計(jì)；

45、2.本發(fā)明提出一種基于紅外熱成像的鋰離子電池健康狀態(tài)快速檢測(cè)方法，根據(jù)不同老化電池放電過程中溫度變化規(guī)律不同，將其轉(zhuǎn)換為電池紅外視頻的區(qū)別，通過視頻識(shí)別實(shí)現(xiàn)電池健康狀態(tài)快速檢測(cè)，大大降低了鋰電池梯次利用的成本。