CN118549823B 一種鋰電池電性能測試方法及系統(tǒng) （深圳金仕盾照明科技有限公司）

道茜坑社區(qū)茜坑新村佰公坳工業(yè)區(qū)68US2019025379A1,2019.01.24US2020348355A1,2020.度特征張量輸入動態(tài)卷積網(wǎng)絡進行多層卷積和型對實時拓撲特征圖進行電池性能概率分布估2將所述多尺度特征張量輸入預置的動態(tài)卷積網(wǎng)絡進行多層卷積和將所述時變拓撲特征圖輸入多個異構(gòu)模型進行對抗訓練和集成，得通過所述自適應性能預測模型對實時拓撲特征圖進行對所述電池性能概率分布評分和所述實時拓撲特征圖進行模糊綜合計算對所述原始多模態(tài)時序數(shù)據(jù)進行去噪，得到去噪時序數(shù)據(jù)，并對所對所述增強特征數(shù)據(jù)進行標準化處理，得到標準化特征數(shù)據(jù)，并對所述相關(guān)性特征矩陣進行特征分解，得到特征重要性權(quán)重，并對所述初步特征子集進行特征變換，得到目標時頻特征，并將所述目對所述目標多維時序數(shù)據(jù)集進行分割，得到時間序列片段集，并對根據(jù)所述頻域特征矩陣計算功率譜密度，得到頻域能量分布特根據(jù)所述時頻特征表示提取瞬時頻率和幅值，得到時變特征序根據(jù)所述多尺度固有模態(tài)函數(shù)計算樣本熵，得到多尺度復雜度特征對所述三階特征張量進行分解計算，得到核心張量和因子矩陣，對所述多尺度特征張量進行張量展開操作，得到目標特征矩陣，3對所述初始鄰接矩陣進行自適應閾值分析，得到稀疏化鄰接矩陣，將所述圖結(jié)構(gòu)表示和所述目標特征矩陣輸入預置的動態(tài)卷積網(wǎng)對所述更新后的鄰接矩陣和所述一階特征進行第二層卷積操作，得到對所述卷積特征向量進行多頭自注意力機制處理，得到上下文增對所述異構(gòu)基礎模型集進行交叉驗證訓練，得到每個異構(gòu)模型的初始對所述對抗訓練框架進行交替優(yōu)化，得到每個異構(gòu)模型的對抗性魯根據(jù)所述模型集成權(quán)重對所述多個異構(gòu)模型進行模型加權(quán)集成，得能預測模型對實時拓撲特征圖進行電池性能概率分布估計，得到電池性能概率分布評分，獲取所述目標鋰電池的實時多維時序數(shù)據(jù)集，并根據(jù)所述實時多根據(jù)所述實時拓撲特征圖生成目標輸入序列，并將所述目標輸入基于所述實時拓撲特征圖構(gòu)建拓撲特征矩陣和節(jié)點特征，并將所根據(jù)所述實時拓撲特征圖生成多尺度小波系數(shù)，并將多尺度小波將所述第一預測輸出結(jié)果、所述第二預測輸出結(jié)果和所述第三將所述融合特征向量輸入所述自適應性能預測模型中的全連接層，4對所述電池性能概率分布評分進行分解，得到多個性能指標的評評分向量和預設的模糊規(guī)則庫生成初始模糊健康評估根據(jù)所述實時拓撲特征圖計算全局拓撲指標和局部拓撲指標，并根據(jù)所述電池健康指數(shù)計算對應的置信區(qū)間，并根據(jù)所述電池健根據(jù)所述電池狀態(tài)分類結(jié)果和歷史電池管理策略構(gòu)建優(yōu)化策略搜根據(jù)所述最優(yōu)電池管理策略生成所述目標鋰電池對應采集模塊，用于對目標鋰電池進行多模態(tài)傳感數(shù)據(jù)采集和預處理，得處理模塊，用于對所述目標多維時序數(shù)據(jù)集進行時空特征分解和降維操作模塊，用于將所述多尺度特征張量輸入預置的動態(tài)卷集成模塊，用于將所述時變拓撲特征圖輸入多個異構(gòu)模型進行對抗估計模塊，用于通過所述自適應性能預測模型對實時拓撲特征生成模塊，用于對所述電池性能概率分布評分和所述實所述至少一個處理器調(diào)用所述存儲器中的所述指令，以使得所述鋰所述指令被處理器執(zhí)行時實現(xiàn)如權(quán)利要求1_7中任一項所述的鋰電池電性5[0001]本申請涉及電池性能測試技術(shù)領(lǐng)域，尤其涉及一種鋰電池電性能測試方法及系變得越來越重要。傳統(tǒng)的電池性能測試方法主要依賴于靜態(tài)參數(shù)測量和簡單的數(shù)學模型，難以準確捕捉電池在復雜工作環(huán)境下的動態(tài)行為[0007]對所述目標多維時序數(shù)據(jù)集進行時空特征分解和降維處理，得到多尺度特征張6[0016]集成模塊，用于將所述時變拓撲特征圖輸入多個異構(gòu)模得所述鋰電池電性能測試設備執(zhí)行上述的鋰電池電性能可以互換，以便這里描述的實施例能夠以除了在這里圖示或描述的內(nèi)容以外的順序?qū)嵤?片段代表鋰電池電性能在不同時間點上的變化情況。對時間序列片段集進行傅里葉變換，8[0032]步驟S103、將多尺度特征張量輸入預置的動態(tài)卷積網(wǎng)絡進行多層卷積和池化操9模型中的時間卷積網(wǎng)絡，通過膨脹卷積和殘差連接技術(shù)捕捉時間序列中的長期依賴關(guān)系，準一套高精度的傳感器系統(tǒng)，這些傳感器能夠同時記錄鋰電池在不同工作狀態(tài)下的電壓數(shù)據(jù)構(gòu)成了一個包含四個通道的矩陣X=[V(t),I(t),T(t),Z(t)]，其中每一列對應一個數(shù)據(jù)計算自相關(guān)和互相關(guān)函數(shù)。自相關(guān)函數(shù)用于度量單個特征在不同時間點上的相關(guān)性，長度，N是特征的數(shù)量。通過分割操作得到時間序列片段集X}，每個片段xi的維度為的公式為：[0063]P(f)=IX(f)I2；[0069]X?入,arobrocr；[0071]x[0079]具體的，對多尺度特征張量進行展開操作。設多尺度特征張量為，其維度為開，則得到的目標特征矩陣的維度為IX(JK)，其中每一行表示一個時間點的多尺度特計算公式為：[0087]其中，Aj為節(jié)點i和節(jié)點j之間的注集構(gòu)建異構(gòu)基礎模型集。異構(gòu)基礎模型集包含多個具有不同結(jié)構(gòu)和特征提取能力的模型，器生成的數(shù)據(jù)與真實數(shù)據(jù)難以區(qū)分。對每個異構(gòu)模型的對抗性魯棒模型進行動態(tài)加權(quán)計各個時間點之間的相似度，并根據(jù)相似度構(gòu)建鄰接矩陣。假設A(t)為鄰接矩陣，其元素Aj(t)表示時間點i和時間點j之間的相似度。鄰接矩陣的llx(t)-xj(t)ll表示時間點i和時間點j之間的歐氏距離，σ為高斯核的帶[0116]其中，A為歸一化的鄰接矩陣，h)為第l層的節(jié)點特征矩陣，w1)為第l層的權(quán)重時拓撲特征圖生成多尺度小波系數(shù)，并將其輸入自適應性能預測模型中的時間卷積網(wǎng)絡。1x(dusmM+dccw+drcw)，其中dusmw、dccw、drcw分別為據(jù)評分向量和預設的模糊規(guī)則庫生成初始模糊健康評估結(jié)果。模糊規(guī)則庫包含一系列規(guī)[0133]操作模塊203，用于將多尺度特征張量輸入預置的動態(tài)卷積網(wǎng)絡進行多層卷積和[0135]估計模塊205，用于通過自適應性能預測模型對實時拓撲特征圖進行電池性能概[0136]生成模塊206，用于對電池性能概率分布評分