本發(fā)明涉及鋰離子電池管理，尤其涉及一種鋰離子電池儲(chǔ)能系統(tǒng)狀態(tài)監(jiān)測(cè)方法及裝置。

背景技術(shù)：

1、隨著電池技術(shù)的廣泛應(yīng)用，鋰離子電池已成為能源存儲(chǔ)和電動(dòng)汽車領(lǐng)域的關(guān)鍵技術(shù)之一，確保鋰離子電池儲(chǔ)能系統(tǒng)的安全運(yùn)行變得尤為重要。電池管理系統(tǒng)（bms）需要能夠?qū)崟r(shí)監(jiān)控電池的狀態(tài)，以預(yù)防和應(yīng)對(duì)潛在的安全風(fēng)險(xiǎn)，如過(guò)熱、過(guò)充或電池故障等。

2、在傳統(tǒng)的電池狀態(tài)監(jiān)測(cè)方法中，電池管理系統(tǒng)在處理復(fù)雜的電池監(jiān)測(cè)數(shù)據(jù)時(shí)，通常采用單一的神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取和預(yù)測(cè)，如bp神經(jīng)網(wǎng)絡(luò)、convnet深度卷積神經(jīng)網(wǎng)絡(luò)和lstm長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)等。然而，這些傳統(tǒng)的監(jiān)測(cè)方法在數(shù)據(jù)預(yù)處理、模型構(gòu)建和訓(xùn)練方面存在諸多不足；其中，數(shù)據(jù)預(yù)處理往往未能充分?jǐn)U充樣本和模擬實(shí)際操作環(huán)境中的數(shù)據(jù)特性，導(dǎo)致訓(xùn)練數(shù)據(jù)不能全面反映真實(shí)的電池使用情況，增加了安全風(fēng)險(xiǎn)；此外，這些神經(jīng)網(wǎng)絡(luò)模型在訓(xùn)練時(shí)常出現(xiàn)梯度消失、過(guò)擬合及泛化能力不足等問(wèn)題，限制了模型對(duì)新情況的適應(yīng)性和預(yù)測(cè)的準(zhǔn)確性，最終由于訓(xùn)練效率和模型性能的局限，使得監(jiān)測(cè)結(jié)果的反應(yīng)性和準(zhǔn)確性無(wú)法滿足高安全性的要求，存在安全風(fēng)險(xiǎn)隱患。因此，需要一種能夠高效分析和處理復(fù)雜數(shù)據(jù)，同時(shí)提高監(jiān)測(cè)精度的新方案，以增強(qiáng)鋰離子電池儲(chǔ)能系統(tǒng)的安全性和可靠性。

技術(shù)實(shí)現(xiàn)思路

1、為解決現(xiàn)有技術(shù)中存在的不足，本發(fā)明提供一種鋰離子電池儲(chǔ)能系統(tǒng)狀態(tài)監(jiān)測(cè)方法及裝置，以解決現(xiàn)有方法未能充分利用現(xiàn)有數(shù)據(jù)資源來(lái)提高監(jiān)測(cè)結(jié)果的準(zhǔn)確性和及時(shí)性的問(wèn)題，進(jìn)一步增強(qiáng)了鋰離子電池儲(chǔ)能系統(tǒng)的安全性和可靠性。

2、本發(fā)明采用如下的技術(shù)方案。

3、第一方面，本發(fā)明提供一種鋰離子電池儲(chǔ)能系統(tǒng)狀態(tài)監(jiān)測(cè)方法，方法包括：

4、采集鋰離子電池儲(chǔ)能系統(tǒng)中各狀態(tài)類型下的運(yùn)行參數(shù)歷史數(shù)據(jù)；

5、對(duì)采集的歷史數(shù)據(jù)進(jìn)行預(yù)處理，獲得擴(kuò)充后的訓(xùn)練數(shù)據(jù)集；

6、對(duì)擴(kuò)充后的訓(xùn)練數(shù)據(jù)集進(jìn)行特征提取，獲得特征提取后的訓(xùn)練數(shù)據(jù)集；

7、對(duì)特征提取后的訓(xùn)練數(shù)據(jù)集進(jìn)行特征降維，獲得降維后的訓(xùn)練數(shù)據(jù)集；

8、基于降維后的訓(xùn)練數(shù)據(jù)集，結(jié)合基于量子信息糾纏度量的極限學(xué)習(xí)機(jī)算法對(duì)構(gòu)建的分類器模型進(jìn)行優(yōu)化訓(xùn)練；

9、將獲取的各運(yùn)行參數(shù)的實(shí)時(shí)數(shù)據(jù)進(jìn)行特征提取、特征降維后輸入至訓(xùn)練好的分類器模型中進(jìn)行處理，輸出鋰離子電池儲(chǔ)能系統(tǒng)的狀態(tài)監(jiān)測(cè)結(jié)果。

10、可選的，所述運(yùn)行參數(shù)包括電池的電壓、電流、溫度、充電狀態(tài)、震動(dòng)頻率、安裝位置、環(huán)境濕度和環(huán)境溫度中的至少一種；所述狀態(tài)類型的包括正常運(yùn)行、異常狀態(tài)以及危險(xiǎn)預(yù)警。

11、可選的，所述對(duì)采集的歷史數(shù)據(jù)進(jìn)行預(yù)處理的步驟包括：

12、分別統(tǒng)計(jì)各狀態(tài)類型中采集到的歷史數(shù)據(jù)的數(shù)量；

13、將少于設(shè)定數(shù)量對(duì)應(yīng)類型的歷史數(shù)據(jù)作為少數(shù)樣本集合，其余類型的歷史數(shù)據(jù)作為多數(shù)樣本集合；

14、對(duì)于每個(gè)少數(shù)樣本集合均采用基于非線性空間映射的smote過(guò)采樣算法進(jìn)行樣本擴(kuò)充，獲得擴(kuò)充后的合成樣本集合；

15、將擴(kuò)充后的各所述合成樣本集合和各所述多數(shù)樣本集合作為擴(kuò)充后的訓(xùn)練數(shù)據(jù)集。

16、可選的，所述采用基于非線性空間映射的smote過(guò)采樣算法進(jìn)行樣本擴(kuò)充的步驟包括：

17、步驟a、對(duì)于少數(shù)類樣本集合中的任意一個(gè)樣本，基于當(dāng)前的比例系數(shù)，通過(guò)smote過(guò)采樣算法生成其對(duì)應(yīng)的新樣本；

18、步驟b、對(duì)當(dāng)前生成的新樣本進(jìn)行如下的非線性映射函數(shù)處理：

19、?，

20、式中，表示在第次迭代時(shí)非線性映射后的合成樣本；表示樣本在第次迭代生成的新樣本；是sigmoid激活函數(shù)；是樣本的第個(gè)特征，是特征數(shù)量；是在第次迭代時(shí)的非線性映射權(quán)重；

21、步驟c、對(duì)所述非線性映射權(quán)重和比例系數(shù)進(jìn)行更新后，令，返回執(zhí)行步驟a，直至滿足設(shè)定的第一終止迭代條件，輸出當(dāng)前次非線性映射后的合成樣本；

22、步驟d、重復(fù)執(zhí)行步驟a至步驟c，直至歷遍所述少數(shù)類樣本集合中的所有樣本，最終輸出其對(duì)應(yīng)非線性映射后的合成樣本集合。

23、可選的，所述對(duì)擴(kuò)充后的訓(xùn)練數(shù)據(jù)集進(jìn)行特征提取的步驟包括：

24、采用3層的全連接神經(jīng)網(wǎng)絡(luò)構(gòu)建特征提取模型；

25、基于擴(kuò)充后的訓(xùn)練數(shù)據(jù)集，結(jié)合基于植物生長(zhǎng)光敏反應(yīng)的優(yōu)化算法對(duì)構(gòu)建的特征提取模型進(jìn)行訓(xùn)練，并利用稀疏約束策略優(yōu)化所述神經(jīng)網(wǎng)絡(luò)的參數(shù)選擇，使所述神經(jīng)網(wǎng)能夠在學(xué)習(xí)過(guò)程中自動(dòng)剔除不重要的連接，從而獲得訓(xùn)練并優(yōu)化好的特征提取模型；

26、將擴(kuò)充后的訓(xùn)練數(shù)據(jù)集輸入至訓(xùn)練并優(yōu)化好的特征提取模型中，輸出特征提取后的訓(xùn)練數(shù)據(jù)集。

27、可選的，所述特征提取模型的訓(xùn)練優(yōu)化步驟具體包括：

28、s3.1、初始化特征提取模型的神經(jīng)網(wǎng)絡(luò)參數(shù)：權(quán)重和偏置，以模擬植物生長(zhǎng)的初期狀態(tài)；

29、s3.2、通過(guò)模擬植物對(duì)光照強(qiáng)度的反應(yīng)進(jìn)行神經(jīng)網(wǎng)絡(luò)參數(shù)的更新，其表達(dá)式如下：

30、，

31、式中，為第次迭代的神經(jīng)網(wǎng)絡(luò)的權(quán)重；為第次迭代的神經(jīng)網(wǎng)絡(luò)的權(quán)重；是神經(jīng)網(wǎng)絡(luò)的損失函數(shù)，其中，損失函數(shù)中輸入樣本對(duì)應(yīng)的預(yù)測(cè)標(biāo)簽為特征提取后得到的特征向量經(jīng)預(yù)設(shè)的softmax分類函數(shù)計(jì)算得到的概率最大的類別；為損失函數(shù)關(guān)于神經(jīng)網(wǎng)絡(luò)權(quán)重的梯度；為第次迭代的學(xué)習(xí)率；是光敏效應(yīng)的調(diào)節(jié)系數(shù)；表示模擬光合作用效率的函數(shù)；表示第次迭代的模擬光合作用效率的函數(shù)；為稀疏正則化項(xiàng)；

32、s3.3、基于當(dāng)前更新的神經(jīng)網(wǎng)絡(luò)參數(shù)，評(píng)估各層神經(jīng)網(wǎng)絡(luò)對(duì)模型輸出結(jié)果的貢獻(xiàn)度量；當(dāng)所有網(wǎng)絡(luò)層的貢獻(xiàn)度量均大于預(yù)設(shè)的閾值且損失函數(shù)收斂時(shí)，停止迭代，得到最終訓(xùn)練好的特征提取模型；否則，對(duì)學(xué)習(xí)率進(jìn)行更新后，令，返回執(zhí)行步驟s3.2。

33、可選的，步驟s3.2中模擬光合作用效率的函數(shù)及稀疏正則化項(xiàng)的計(jì)算式分別為：

34、?，

35、?，

36、式中，是sigmoid激活函數(shù)；表示神經(jīng)網(wǎng)絡(luò)中間層的輸出特征；為權(quán)重矩陣的行數(shù)；為第行神經(jīng)元的權(quán)重參數(shù)；為調(diào)節(jié)因子，用于平衡權(quán)重的l1正則化；表示權(quán)重矩陣中第行的l1范數(shù)，用于模擬光合作用的能量消耗；是權(quán)重矩陣中第列的l2范數(shù)；為稀疏正則化調(diào)節(jié)因子；為權(quán)重矩陣的列數(shù)。

37、可選的，所述對(duì)特征提取后的訓(xùn)練數(shù)據(jù)集進(jìn)行特征降維的步驟包括：

38、采用自編碼器構(gòu)建特征降維模型，所述自編碼器包括編碼器和解碼器；

39、基于特征提取后的訓(xùn)練數(shù)據(jù)集，結(jié)合基于非線性動(dòng)態(tài)規(guī)劃的優(yōu)化算法對(duì)構(gòu)建的特征降維模型進(jìn)行優(yōu)化訓(xùn)練，包括：利用編碼器將高維的輸入數(shù)據(jù)壓縮為低維特征向量，解碼器根據(jù)所述低維特征向量重構(gòu)原始輸入，通過(guò)最小化輸入與輸出之間的重構(gòu)誤差來(lái)優(yōu)化所述特征降維模型的網(wǎng)絡(luò)參數(shù)，從而獲得訓(xùn)練并優(yōu)化好的特征降維模型；

40、將特征提取后的訓(xùn)練數(shù)據(jù)集輸入至訓(xùn)練并優(yōu)化好的特征降維模型中，輸出降維后的訓(xùn)練數(shù)據(jù)集。

41、可選的，所述結(jié)合基于非線性動(dòng)態(tài)規(guī)劃的優(yōu)化算法對(duì)構(gòu)建的特征降維模型進(jìn)行優(yōu)化訓(xùn)練的具體步驟包括：

42、s4.1、初始化自編碼器的權(quán)重和偏置；

43、s4.2、采用前向傳播的方式，通過(guò)編碼器對(duì)特征提取后的訓(xùn)練數(shù)據(jù)樣本進(jìn)行處理，將高維數(shù)據(jù)映射到一個(gè)低維空間，生成其對(duì)應(yīng)的低維特征向量，表示為：

44、?，

45、式中，為對(duì)原始輸入樣本編碼后的低維特征向量；和分別是編碼器的權(quán)重和偏置；是relnu激活函數(shù)；

46、s4.3、通過(guò)解碼器利用低維特征向量來(lái)重構(gòu)原始輸入，表示為：

47、?，

48、式中，是重構(gòu)的輸入數(shù)據(jù)；和分別是解碼器的權(quán)重和偏置；

49、s4.4、利用均方誤差來(lái)衡量所期望的最小化原始輸入與重構(gòu)輸出之間的差異，根據(jù)重構(gòu)誤差計(jì)算損失函數(shù)的表達(dá)式如下：

50、?，

51、式中，為損失函數(shù)；為數(shù)據(jù)樣本的數(shù)量；表示第個(gè)原始輸入樣本，表示第個(gè)重構(gòu)輸入樣本；

52、s4.5、采用梯度下降法更新自編碼器中的權(quán)重和偏置，以減少重構(gòu)誤差；

53、s4.6、基于當(dāng)前次更新的自編碼器的權(quán)重和偏置，重復(fù)執(zhí)行步驟s4.2至s4.5，直至滿足設(shè)定的第二終止迭代條件，得到最終訓(xùn)練好的特征降維模型。

54、可選的，所述結(jié)合基于量子信息糾纏度量的極限學(xué)習(xí)機(jī)算法對(duì)構(gòu)建的分類器模型進(jìn)行優(yōu)化訓(xùn)練包括：

55、將降維后的特征轉(zhuǎn)換為量子位的形式，利用量子位的疊加和糾纏狀態(tài)來(lái)增強(qiáng)特征表示的能力，以提高分類器模型的分類精度。

56、可選的，所述結(jié)合基于量子信息糾纏度量的極限學(xué)習(xí)機(jī)算法對(duì)構(gòu)建的分類器模型進(jìn)行優(yōu)化訓(xùn)練的具體步驟包括：

57、s501、通過(guò)下式將輸入的降維后的訓(xùn)練數(shù)據(jù)集中特征轉(zhuǎn)換為量子位的形式：

58、?，

59、?，

60、式中，為第個(gè)特征的量子位表示；表示第個(gè)量子基態(tài)；為所述訓(xùn)練數(shù)據(jù)集的樣本特征數(shù)量，其數(shù)量等于量子基態(tài)的數(shù)量；為特征在量子基態(tài)的疊加系數(shù)；為訓(xùn)練數(shù)據(jù)集中的第個(gè)輸入特征；為控制映射敏感性的超參數(shù)；表示第個(gè)量子基態(tài)的中心向量；表示輸入特征與量子基態(tài)中心之間的歐氏距離；表示第個(gè)量子基態(tài)的中心向量；表示輸入特征與量子基態(tài)中心之間的歐氏距離；

61、s502、通過(guò)下式分別計(jì)算各量子位之間的糾纏度量：

62、?，

63、式中，分別表示第個(gè)輸入特征和第個(gè)輸入特征之間的糾纏度量；為量子位在輸入特征的概率分布；為量子位在輸入特征的概率分布；

64、s503、基于各量子位之間的糾纏度量，分別對(duì)各輸入特征進(jìn)行重新組合和優(yōu)化，得到各對(duì)應(yīng)重構(gòu)后的特征向量；

65、s504、將由各重構(gòu)后的特征向量組成的重構(gòu)特征集合輸入到極限學(xué)習(xí)機(jī)中進(jìn)行訓(xùn)練，得到訓(xùn)練好的分類器模型。

66、可選的，步驟s502中，量子位在輸入特征的概率分布的計(jì)算方式表示為：

67、?，

68、式中，表示特征在量子基態(tài)的疊加系數(shù)的平方，表示特征在量子基態(tài)的疊加系數(shù)的平方。

69、可選的，步驟s503中，對(duì)各輸入特征進(jìn)行重新組合和優(yōu)化的表達(dá)式如下：

70、?，

71、式中，為對(duì)第個(gè)輸入特征進(jìn)行重構(gòu)后的特征向量。

72、第二方面，本發(fā)明提供一種鋰離子電池儲(chǔ)能系統(tǒng)狀態(tài)監(jiān)測(cè)裝置，運(yùn)行如本發(fā)明第一方面中任一項(xiàng)所述方法的步驟，裝置包括：

73、采集數(shù)據(jù)模塊，用于采集鋰離子電池儲(chǔ)能系統(tǒng)中各狀態(tài)類型下的運(yùn)行參數(shù)歷史數(shù)據(jù)；

74、預(yù)處理模塊，用于對(duì)采集的歷史數(shù)據(jù)進(jìn)行預(yù)處理，獲得擴(kuò)充后的訓(xùn)練數(shù)據(jù)集；

75、特征提取模塊，用于對(duì)擴(kuò)充后的訓(xùn)練數(shù)據(jù)集進(jìn)行特征提取，獲得特征提取后的訓(xùn)練數(shù)據(jù)集；

76、特征降維模塊，用于對(duì)特征提取后的訓(xùn)練數(shù)據(jù)集進(jìn)行特征降維，獲得降維后的訓(xùn)練數(shù)據(jù)集；

77、分類器訓(xùn)練模塊，用于基于降維后的訓(xùn)練數(shù)據(jù)集，結(jié)合基于量子信息糾纏度量的極限學(xué)習(xí)機(jī)算法對(duì)構(gòu)建的分類器模型進(jìn)行優(yōu)化訓(xùn)練；

78、狀態(tài)監(jiān)測(cè)模塊，用于將獲取的各運(yùn)行參數(shù)的實(shí)時(shí)數(shù)據(jù)進(jìn)行特征提取、特征降維后輸入至訓(xùn)練好的分類器模型中進(jìn)行處理，輸出鋰離子電池儲(chǔ)能系統(tǒng)的狀態(tài)監(jiān)測(cè)結(jié)果。

79、第三方面，本發(fā)明提供一種終端，包括處理器及存儲(chǔ)介質(zhì)；

80、所述存儲(chǔ)介質(zhì)用于存儲(chǔ)指令；

81、所述處理器用于根據(jù)所述指令進(jìn)行操作以執(zhí)行本發(fā)明第一方面中任一項(xiàng)所述方法的步驟。

82、第四方面，本發(fā)明提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，該程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)本發(fā)明第一方面中任一項(xiàng)所述方法的步驟。

83、本發(fā)明的有益效果在于，與現(xiàn)有技術(shù)相比：

84、1、本發(fā)明針對(duì)現(xiàn)有數(shù)據(jù)資源訓(xùn)練樣本不足容易導(dǎo)致模型泛化能力差，同時(shí)影響模型的精度的問(wèn)題，采用基于非線性空間映射的smote過(guò)采樣算法進(jìn)行樣本生成，實(shí)現(xiàn)對(duì)數(shù)據(jù)樣本的擴(kuò)充；并且本發(fā)明采用非線性映射層對(duì)生成樣本進(jìn)行非線性映射增強(qiáng)，以更精細(xì)地鋰離子電池儲(chǔ)能系統(tǒng)數(shù)據(jù)的復(fù)雜性，從而生成更符合實(shí)際情況的合成數(shù)據(jù)，以提高監(jiān)測(cè)精度。

85、2、本發(fā)明針對(duì)現(xiàn)有的特征提取網(wǎng)絡(luò)模型容易遇到梯度消失、梯度爆炸或陷入局部最優(yōu)解，影響訓(xùn)練的穩(wěn)定性和模型性能的缺點(diǎn)；本發(fā)明采用基于植物生長(zhǎng)光敏反應(yīng)的優(yōu)化算法對(duì)構(gòu)建的特征提取模型進(jìn)行優(yōu)化訓(xùn)練，解決了神經(jīng)網(wǎng)絡(luò)在特征提取過(guò)程中過(guò)擬合和學(xué)習(xí)速率緩慢的問(wèn)題，并采用稀疏約束策略優(yōu)化神經(jīng)網(wǎng)絡(luò)的參數(shù)選擇，使網(wǎng)絡(luò)能夠在學(xué)習(xí)過(guò)程中自動(dòng)剔除不重要的連接，從而提高模型的泛化能力和訓(xùn)練效率。

86、3、本發(fā)明采用結(jié)合基于非線性動(dòng)態(tài)規(guī)劃的優(yōu)化算法對(duì)構(gòu)建的特征降維模型進(jìn)行優(yōu)化訓(xùn)練，使得特征降維模型的自編碼器在特征降維時(shí)能更加高效地選擇和組合輸入特征，優(yōu)化網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程，提高了模型對(duì)數(shù)據(jù)內(nèi)在結(jié)構(gòu)的捕捉能力。

87、4、本發(fā)明采用基于量子信息糾纏度量的極限學(xué)習(xí)機(jī)算法對(duì)構(gòu)建的分類器模型進(jìn)行優(yōu)化訓(xùn)練，將降維后的特征轉(zhuǎn)換為量子位的形式，利用量子位的疊加和糾纏狀態(tài)來(lái)增強(qiáng)特征表示的能力，提高了分類器模型的分類精度。

88、5、總的來(lái)說(shuō)，本發(fā)明通過(guò)對(duì)采樣數(shù)據(jù)進(jìn)行擴(kuò)充、結(jié)合基于植物生長(zhǎng)光敏反應(yīng)的優(yōu)化算法、基于非線性動(dòng)態(tài)規(guī)劃的優(yōu)化算以及基于量子信息糾纏度量的極限學(xué)習(xí)機(jī)分類器，顯著提高了鋰離子電池儲(chǔ)能系統(tǒng)在復(fù)雜數(shù)據(jù)環(huán)境下的處理和預(yù)測(cè)能力，不僅增強(qiáng)了數(shù)據(jù)的代表性和特征的準(zhǔn)確性，還提高了模型的泛化能力和訓(xùn)練效率，從而有效提升了系統(tǒng)的安全監(jiān)測(cè)和風(fēng)險(xiǎn)預(yù)警的及時(shí)性和準(zhǔn)確性，以便及早采取對(duì)應(yīng)措施，極大地增強(qiáng)了鋰離子電池儲(chǔ)能系統(tǒng)的安全性和可靠性。