本發(fā)明涉及電池退化監(jiān)測，更具體地說，本發(fā)明涉及基于數(shù)據(jù)驅(qū)動的動力電池管理方法及系統(tǒng)。

背景技術(shù)：

1、混合動力汽車的動力電池在實際工作中經(jīng)常處于淺充淺放的微循環(huán)狀態(tài)，而非深度充放電，這種微循環(huán)狀態(tài)不同于深度循環(huán)，會對電池內(nèi)部材料產(chǎn)生特有的影響，可能導致電池內(nèi)部活性材料逐漸顆粒化，并引發(fā)結(jié)構(gòu)性退化，從而縮短電池的使用壽命，在現(xiàn)有技術(shù)中對微循環(huán)狀態(tài)下的材料顆?；徒Y(jié)構(gòu)退化現(xiàn)象缺乏深入探討。

2、現(xiàn)有技術(shù)中難以有效識別并評估微循環(huán)導致的材料退化趨勢，這樣會造成電池在使用過程中出現(xiàn)隱性損傷積累，使得電池性能逐漸下降，使用壽命縮短。

3、為了解決上述問題，現(xiàn)提供一種技術(shù)方案。

技術(shù)實現(xiàn)思路

1、為了克服現(xiàn)有技術(shù)的上述缺陷，本發(fā)明的實施例提供基于數(shù)據(jù)驅(qū)動的動力電池管理方法及系統(tǒng)以解決上述背景技術(shù)中提出的問題。

2、為實現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：

3、基于數(shù)據(jù)驅(qū)動的動力電池管理方法，包括如下步驟：

4、通過瞬態(tài)頻譜聚類算法對微循環(huán)能量頻譜分布進行分析，評估頻譜集中異常對結(jié)構(gòu)退化的潛在風險；

5、對電池內(nèi)阻的偏移趨勢進行分析，評估內(nèi)阻波動對活性材料顆?；臐撛谟绊?；

6、基于頻譜集中異常對結(jié)構(gòu)退化的潛在風險和內(nèi)阻波動對活性材料顆?；臐撛谟绊?，判定動力電池是否存在微循環(huán)異常風險；

7、當動力電池存在微循環(huán)異常風險時，通過張量分解與奇異值分解對電池單元的應力累積張量進行分析，評估應力集中對材料結(jié)構(gòu)的損傷程度；通過變分模態(tài)分解和遞歸神經(jīng)網(wǎng)絡對電極極化信號的衰減梯度進行分析，評估顆?；铀賹﹄姌O結(jié)構(gòu)的退化程度；

8、通過綜合分析應力集中對材料結(jié)構(gòu)的損傷程度和顆粒化加速對電極結(jié)構(gòu)的退化程度，評估動力電池在微循環(huán)狀態(tài)下的整體退化趨勢；基于該整體退化趨勢優(yōu)化動力電池管理。

9、在一個優(yōu)選的實施方式中，通過瞬態(tài)頻譜聚類算法對微循環(huán)能量頻譜分布進行分析，評估頻譜集中異常對結(jié)構(gòu)退化的潛在風險，具體為：

10、對動力電池微循環(huán)狀態(tài)下的能量頻譜進行分解，提取頻譜的幅度特征和頻率特征；

11、對提取的幅度特征和頻率特征按頻率劃分為不同頻帶，生成頻帶的特征數(shù)據(jù)；

12、通過多尺度分解方法對各頻帶的特征數(shù)據(jù)進行分層聚類，分析各頻帶的波動模式和變化速率；

13、計算頻譜中的突變點和異常區(qū)間，識別微循環(huán)狀態(tài)下的頻譜能量偏移情況；

14、根據(jù)頻譜能量偏移情況和分層聚類結(jié)果，評估頻譜集中異常對結(jié)構(gòu)退化的潛在風險。

15、在一個優(yōu)選的實施方式中，根據(jù)頻譜能量偏移情況和分層聚類結(jié)果，評估頻譜集中異常對結(jié)構(gòu)退化的潛在風險，具體為：

16、計算結(jié)構(gòu)退化風險值，其表達式為：；其中，是結(jié)構(gòu)退化風險值，表示分層聚類的聚類層次的總數(shù)量，表示第個聚類層次的權(quán)重因子，表示第個聚類層次的波動模式，表示第個聚類層次的變化速率；

17、設(shè)定結(jié)構(gòu)退化風險閾值，將結(jié)構(gòu)退化風險值與結(jié)構(gòu)退化風險閾值進行比較：

18、當結(jié)構(gòu)退化風險值大于結(jié)構(gòu)退化風險閾值，則判定頻譜集中異常對結(jié)構(gòu)退化的潛在風險較高；當結(jié)構(gòu)退化風險值小于等于結(jié)構(gòu)退化風險閾值，則判定頻譜集中異常對結(jié)構(gòu)退化的潛在風險正常。

19、在一個優(yōu)選的實施方式中，對電池內(nèi)阻的偏移趨勢進行分析，評估內(nèi)阻波動對活性材料顆?；臐撛谟绊?，具體為：

20、采集動力電池在微循環(huán)狀態(tài)下的內(nèi)阻數(shù)據(jù)，通過內(nèi)阻曲線提取偏移特征；

21、利用高斯過程回歸模型對內(nèi)阻偏移特征進行建模，使用高斯過程回歸預測內(nèi)阻未來的偏移情況，公式如下：；其中，為時間時刻的內(nèi)阻值，為均值函數(shù)，為協(xié)方差函數(shù)，表示另一個時間點，表示高斯過程；

22、計算顆?；L險值，其表達式為：；其中，為顆?；L險值，為分析時間段，表示內(nèi)阻變化的速率；

23、設(shè)定顆?；L險閾值，將顆?；L險值與顆?；L險閾值進行比較：

24、當顆粒化風險值大于顆?；L險閾值時，則判定動力電池內(nèi)阻偏移存在對材料退化的風險；當顆?；L險值小于等于顆?；L險閾值時，則判定動力電池內(nèi)阻波動未對材料退化構(gòu)成風險。

25、在一個優(yōu)選的實施方式中，基于頻譜集中異常對結(jié)構(gòu)退化的潛在風險和內(nèi)阻波動對活性材料顆?；臐撛谟绊?，判定動力電池是否存在微循環(huán)異常風險，具體為：

26、當頻譜集中異常對結(jié)構(gòu)退化的潛在風險正常，且動力電池內(nèi)阻波動未對材料退化構(gòu)成風險時，則判定動力電池不存在微循環(huán)異常風險；否則，則判定動力電池存在微循環(huán)異常風險。

27、在一個優(yōu)選的實施方式中，通過張量分解與奇異值分解對電池單元的應力累積張量進行分析，評估應力集中對材料結(jié)構(gòu)的損傷程度，具體為：

28、采集動力電池在微循環(huán)異常狀態(tài)下的應力數(shù)據(jù)，應用濾波方法對數(shù)據(jù)進行去噪和平滑處理；

29、將預處理后的應力數(shù)據(jù)按三維空間坐標進行組織，構(gòu)建三階應力張量；

30、對應力張量進行張量分解，分解得到不同方向上的應力分量，揭示各方向應力分布的局部集中情況；

31、基于張量分解的結(jié)果，采用奇異值分解方法提取應力張量中的奇異值；

32、通過奇異值中的最大值計算應力損傷影響指數(shù)，量化應力集中對材料結(jié)構(gòu)的損傷程度。

33、在一個優(yōu)選的實施方式中，通過變分模態(tài)分解和遞歸神經(jīng)網(wǎng)絡對電極極化信號的衰減梯度進行分析，評估顆?；铀賹﹄姌O結(jié)構(gòu)的退化程度，具體為：

34、在動力電池的微循環(huán)異常狀態(tài)下采集電極極化信號；

35、采用變分模態(tài)分解方法將電極極化信號分解為不同模態(tài)，得到各模態(tài)的頻率成分和衰減特征；

36、基于模態(tài)的頻率成分和衰減特征構(gòu)建遞歸神經(jīng)網(wǎng)絡模型，對不同模態(tài)的顆?；铀仝厔葸M行學習；

37、將歷史電極極化信號導入遞歸神經(jīng)網(wǎng)絡模型進行訓練，利用遞歸神經(jīng)網(wǎng)絡模型預測衰減梯度的未來變化，并獲得顆粒化衰減速率；

38、將遞歸神經(jīng)網(wǎng)絡模型的輸出作為各模態(tài)衰減梯度的預測結(jié)果，計算顆粒累積退化指數(shù)以量化顆?；铀賹﹄姌O結(jié)構(gòu)的退化程度。

39、在一個優(yōu)選的實施方式中，計算顆粒累積退化指數(shù)以量化顆?；铀賹﹄姌O結(jié)構(gòu)的退化程度，具體為：

40、將各模態(tài)的顆粒化衰減速率用于計算顆粒累積退化指數(shù)，其表達式為：；其中，是顆粒累積退化指數(shù)，是模態(tài)的總數(shù)，是模態(tài)的編號，是評估的總時間段，是第個模態(tài)的顆粒化衰減速率。

41、在一個優(yōu)選的實施方式中，通過綜合分析應力集中對材料結(jié)構(gòu)的損傷程度和顆?；铀賹﹄姌O結(jié)構(gòu)的退化程度，評估動力電池在微循環(huán)狀態(tài)下的整體退化趨勢；基于該整體退化趨勢優(yōu)化動力電池管理，具體為：

42、將應力損傷影響指數(shù)和顆粒累積退化指數(shù)進行歸一化處理，將歸一化處理后的應力損傷影響指數(shù)和顆粒累積退化指數(shù)分別賦予權(quán)重系數(shù)，計算得到整體退化趨勢指數(shù)；

43、設(shè)定整體退化趨勢閾值；將整體退化趨勢指數(shù)與整體退化趨勢閾值進行比較：

44、當整體退化趨勢指數(shù)大于整體退化趨勢閾值時，則判定動力電池整體退化趨勢明顯；此時優(yōu)化動力電池管理；

45、當整體退化趨勢指數(shù)小于等于整體退化趨勢閾值時，則判定動力電池整體退化趨勢正常。

46、另一方面，本發(fā)明提供基于數(shù)據(jù)驅(qū)動的動力電池管理系統(tǒng)，包括頻譜聚類分析模塊、內(nèi)阻偏移分析模塊、循環(huán)風險判定模塊、應力累積分析模塊、極化退化分析模塊以及整體退化評估模塊；

47、頻譜聚類分析模塊：通過瞬態(tài)頻譜聚類算法對微循環(huán)能量頻譜分布進行分析，評估頻譜集中異常對結(jié)構(gòu)退化的潛在風險；

48、內(nèi)阻偏移分析模塊：對電池內(nèi)阻的偏移趨勢進行分析，評估內(nèi)阻波動對活性材料顆?；臐撛谟绊?；

49、循環(huán)風險判定模塊：基于頻譜集中異常對結(jié)構(gòu)退化的潛在風險和內(nèi)阻波動對活性材料顆?；臐撛谟绊?，判定動力電池是否存在微循環(huán)異常風險；

50、應力累積分析模塊：當動力電池存在微循環(huán)異常風險時，通過張量分解與奇異值分解對電池單元的應力累積張量進行分析，評估應力集中對材料結(jié)構(gòu)的損傷程度；

51、極化退化分析模塊：當動力電池存在微循環(huán)異常風險時，通過變分模態(tài)分解和遞歸神經(jīng)網(wǎng)絡對電極極化信號的衰減梯度進行分析，評估顆?；铀賹﹄姌O結(jié)構(gòu)的退化程度；

52、整體退化評估模塊：通過綜合分析應力集中對材料結(jié)構(gòu)的損傷程度和顆?；铀賹﹄姌O結(jié)構(gòu)的退化程度，評估動力電池在微循環(huán)狀態(tài)下的整體退化趨勢；基于該整體退化趨勢優(yōu)化動力電池管理。

53、本發(fā)明基于數(shù)據(jù)驅(qū)動的動力電池管理方法及系統(tǒng)的技術(shù)效果和優(yōu)點：

54、1、本發(fā)明利用瞬態(tài)頻譜聚類算法對微循環(huán)能量頻譜分布進行分析，能夠識別出微循環(huán)狀態(tài)下頻譜集中異常對結(jié)構(gòu)退化的潛在影響。通過對電池內(nèi)阻偏移趨勢的分析，評估了內(nèi)阻波動對活性材料顆?；臐撛谟绊?，從而有效彌補了傳統(tǒng)深度循環(huán)研究在微循環(huán)狀態(tài)下對電池退化評估的不足。結(jié)合頻譜異常分析和內(nèi)阻偏移的監(jiān)測，本發(fā)明能夠?qū)崟r判斷動力電池是否存在微循環(huán)異常風險，實現(xiàn)了對電池隱性退化的早期預警，有助于在使用過程中精準識別細微退化趨勢，保障電池的可靠性。

55、2、當判定電池存在微循環(huán)異常風險時，本發(fā)明進一步通過張量分解與奇異值分解分析電池單元的應力累積狀態(tài)，評估應力集中對材料結(jié)構(gòu)的損傷程度。同時，結(jié)合變分模態(tài)分解與遞歸神經(jīng)網(wǎng)絡對電極極化信號衰減梯度的分析，有效評估了顆粒化加速對電極結(jié)構(gòu)退化的影響。通過對應力集中損傷和顆?；嘶木C合分析，本發(fā)明可準確評估動力電池的整體退化趨勢，并基于該趨勢優(yōu)化電池管理策略，動態(tài)調(diào)整充放電參數(shù)，從而延長電池的使用壽命并提高其運行安全性和穩(wěn)定性。