【技术实现步骤摘要】
本专利技术涉及电池监控，更具体地说，本专利技术涉及一种锂电池充放电过程监控方法、系统、设备及介质。
技术介绍
1、随着移动电子设备、电动汽车和可再生能源等领域的快速发展，锂电池作为一种高效、轻量、高能量密度的蓄电技术越来越受到关注；然而，在锂电池的充电过程中，由于外界环境等因素干扰，可能造成电池出现过温情况，严重时可能会造成电池爆炸，因此对锂电池的充放电过程进行准确监控变得至关重要；传统的锂电池监控方法存在一些局限性，例如监测精度不高、实时性差、设备成本较高等问题；因此，有必要提供一种更为先进和有效的锂电池充放电过程监控方法、系统、设备及介质，以满足对锂电池性能、安全性等方面更严格的要求。
2、目前，现有锂电池充放电过程监控方法大多为事中监控，即当锂电池发生充电异常时，才进行自动化管控和调节，难以有效保障锂电池的性能和安全；当然也存在部分改进的技术文献，例如授权公告号为cn115344074b的中国专利公开了一种基于大数据的锂电池恒温控制系统，此类方法虽通过调节散热风扇速度实现了锂电池的恒温控制；但对上述方法以及现有技术进行研究和实际应用发现，上述方法以及现有技术至少存在以下部分缺陷：
3、（1）使用场景有限，无法预测锂电池的未来温度变化，进一步地，无法根据预测温度确定锂电池的未来状态；
4、（2）无法在获取预测温度的前提下，获取锂电池的最佳充电速率/最佳充电电流，从而难以对锂电池的充电过程进行自适应调整，进而无法在保证锂电池充电过程安全的同时，进行不停机的充电；进一步地，难以保证锂电池在既定
技术实现思路
1、为了克服现有技术的上述缺陷，本专利技术的实施例提供一种锂电池充放电过程监控方法、系统、设备及介质。
2、为实现上述目的，本专利技术提供如下技术方案：
3、一种锂电池充放电过程监控方法，所述方法包括：
4、s101：获取锂电池的既定充电时长q，q均为大于零的整数；
5、s102：获取t-n到t时刻下锂电池的监测数据，将监测数据输入预配置第一机器学习模型中，预测在t+n时刻下锂电池的预估温度值，所述监测数据包括锂电池的初始充电数据、实测电压值、环境温度值、电池温度值和温度变化系数，n为大于零的整数；
6、s103：根据预估温度值判断在t+n时刻下的锂电池是否出现过温/低温状态，若未出现，则继续根据初始充电数据对锂电池进行充电，并令t=t+n+m，并返回步骤s101；若出现，则获取锂电池的温控特征数据，m为大于零的整数；
7、s104：将锂电池的温控特征数据输入预配置的第二机器学习模型中，以获取最佳充电数据，根据最佳充电数据对锂电池的初始充电数据进行修正，并在t到t+n时间范围内根据修正后的初始充电数据对锂电池进行充电；
8、s105：重复上述步骤s102～s104，直至q=t+n时，结束循环，以在既定充电时长内完成对锂电池的多次充电调控。
9、进一步地，所述初始充电数据为初始充电电流和初始充电速率；
10、所述温度变化系数的获取逻辑如下：
11、提取t-n到t时间跨度内的环境温度值和电池温度值；
12、对t-n到t时间跨度内的环境温度值和电池温度值进行公式化计算，得到温度变化系数；其计算公式如下：；式中：为温度变化系数，为第i时刻下的环境温度值，为第i-1时刻下的环境温度值，为第i时刻下的电池温度值，为第i-1时刻下的电池温度值，q为t-n到t的时间跨度。
13、进一步地，所述根据预配置第一机器学习模型的生成逻辑如下：
14、获取历史温度变化数据，将历史温度变化数据划分为预估温度训练集和预估温度测试集；所述历史温度变化数据包括用于预测预估温度值的预估温度特征数据及其对应的预估温度值；其中，所述预估温度特征数据中包括多组时间跨度的初始充电数据、实测电压值、环境温度值、电池温度值和温度变化系数；
15、初始化第一回归网络，将预估温度训练集中的预估温度特征数据作为第一回归网络的输入数据，以及将预估温度训练集中的预估温度值作为第一回归网络的输出数据，对第一回归网络进行训练，得到初始第一机器学习网络；
16、利用预估温度测试集对初始第一机器学习网络进行模型验证，输出小于等于预设测试误差的初始第一机器学习网络作为预配置第一机器学习模型。
17、进一步地，所述判断在t+n时刻下的锂电池是否出现过温/低温状态，包括：
18、获取锂电电池的预设温度上限阈值td1和预设温度下限阈值td2，td1＞td2；
19、将预估温度值与预设温度上限阈值td1进行比较，若预估温度值大于td1，则判定t+n时刻下的锂电池出现过温状态；若预估温度值小于等于td1，则将预估温度值与预设温度下限阈值td2进行比对；若预估温度值大于等于td2，则判定t+n时刻下的锂电池未出现过温/低温状态；若预估温度值小于td2，则判定t+n时刻下的锂电池出现低温状态。
20、进一步地，所述锂电池的温控特征数据包括第一温度差和第二温度差，所述第一温度差为预估温度值与预设温度上限阈值td1的差值，所述第二温度差为预估温度值与预设温度下限阈值td2的差值；
21、所述预配置的第二机器学习模型中根据锂电池测试数据训练生成得到，所述锂电池测试数据至少包括最佳充电电流与温控特征数据的关系或最佳充电速率与温控特征数据的关系中的一种。
22、进一步地，所述预配置的第二机器学习模型的生成逻辑如下：
23、获取锂电池的历史充电测试数据，将历史充电测试数据划分为最佳充电训练集和最佳充电测试集；所述历史充电测试数据包括温控特征数据及其对应的最佳充电电流或最佳充电速率；
24、初始化第二回归网络，将最佳充电训练集中的温控特征数据作为第二回归网络的输入数据，以及将最佳充电训练集中最佳充电电流或最佳充电速率作为第二回归网络的输出数据，对第二回归网络进行训练，得到初始第二机器学习网络；
25、利用最佳充电测试集对初始第二机器学习网络进行模型验证，输出小于等于预设测试误差的初始第二机器学习网络作为预配置的第二机器学习模型。
26、进一步地，所述最佳充电电流与温控特征数据的关系的生成逻辑为：
27、步骤a1：在测试场景中，将 t-n到t时刻下测试锂电池的初始充电数据、实测电压值、环境温度值、电池温度值和温度变化系数输入预配置第一机器学习模型中，获取t+n时刻下测试锂电池的预估温度值；
28、步骤a2：将预估温度值分别与预设温度上限阈值td1和预设温度下限阈值td2进行差值计算，得到第一温度差和第二温度差，读取初始充电数据中的初始充电电流r，并令r=r+1或r=r-1，并返回步骤a1，r为大于零的整数；
29、步骤a3：重复上述步骤a1～步骤a2，直至第一温度差或第二温度差等于设定第一阈值时，结束循环，将第一温度差或第二温本文档来自技高网...
【技术保护点】
1.一种锂电池充放电过程监控方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种锂电池充放电过程监控方法，其特征在于，所述初始充电数据为初始充电电流和初始充电速率；
3.根据权利要求2所述的一种锂电池充放电过程监控方法，其特征在于，所述预配置第一机器学习模型的生成逻辑如下：
4.根据权利要求3所述的一种锂电池充放电过程监控方法，其特征在于，所述温度异常包括过温状态和低温状态；
5.根据权利要求4所述的一种锂电池充放电过程监控方法，其特征在于，所述锂电池的温控特征数据包括第一温度差和第二温度差，所述第一温度差为预估温度值与预设温度上限阈值Td1的差值，所述第二温度差为预估温度值与预设温度下限阈值Td2的差值；
6.根据权利要求5所述的一种锂电池充放电过程监控方法，其特征在于，所述预配置的第二机器学习模型的生成逻辑如下：
7.根据权利要求6所述的一种锂电池充放电过程监控方法，其特征在于，所述最佳充电电流与温控特征数据的关系的生成逻辑为：
8.一种锂电池充放电过程监控系统，其特征在于，包括：<...
【技术特征摘要】
1.一种锂电池充放电过程监控方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种锂电池充放电过程监控方法，其特征在于，所述初始充电数据为初始充电电流和初始充电速率；
3.根据权利要求2所述的一种锂电池充放电过程监控方法，其特征在于，所述预配置第一机器学习模型的生成逻辑如下：
4.根据权利要求3所述的一种锂电池充放电过程监控方法，其特征在于，所述温度异常包括过温状态和低温状态；
5.根据权利要求4所述的一种锂电池充放电过程监控方法，其特征在于，所述锂电池的温控特征数据包括第一温度差和第二温度差，所述第一温度差为预估温度值与预设温度上限阈值td1的差值，所述第二温度差为预估温度值与预设温度下限阈值td2的差值；
【专利技术属性】
技术研发人员：刘文清，刘广辉，王翔，张桥桥，王礼刚，
申请(专利权)人：东莞市嘉佰达电子科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。