1.一种锂电池健康状态预测方法,其特征在于,包括以下步骤:
步骤一、在设定工况下进行锂电池全周期充放电老化实验,采集锂电池在健康状态低于安全阈值前不同循环次数下的充放电数据,包括循环次数、电流、电压以及剩余容量;
步骤二、构建包含IC、DV曲线标准化图像和时序数据的特征数据集:S21.基于步骤一采集的锂电池充放电数据,计算锂电池各循环的IC曲线和DV曲线,并统一坐标轴后生成IC、DV曲线标准化图像;
S22. 对循环间的连续变量进行归一化处理,形成时序数据;
步骤三、搭建锂电池健康状态多模态预测模型,该预测模型包括:
图像数据学习模型,采用视觉Transformer架构搭建,模型输入为锂电池每个循环的IC、DV曲线标准化图像,输出为图像特征;
多维度数据特征融合模型,采用CNN-Transformer架构构建,模型输入为所述图像数据学习模型输出的图像特征、以及从时序数据中提取的时序特征,通过交叉注意力机制学习图像特征与时序特征的关系,输出为预测的未来锂电池健康状态;
步骤四、将步骤二构建的特征数据集输入步骤三搭建的锂电池健康状态预测模型进行训练,得到训练后的锂电池健康状态预测模型及其参数文件;进行锂电池健康状态预测。
2.如权利要求1所述的一种锂电池健康状态预测方法,其特征在于,所述S21包括:S211.将步骤一采集到的锂电池的电流数据和电压数据进行滤波,获得滤波平滑的电流数据和电压数据;
对于每个循环,分别计算出IC曲线和DV曲线;
S212.每个循环的IC曲线以及DV曲线计算完成后,得到全局的电压V的上下限以及IC、DV值的上下限值;统一绘制图的大小,并将电压V的上下限用于x轴的边界,IC值的上下限值用于IC曲线图的y轴边界,DV值的上下限值用于DV曲线图的y轴边界,得到每个循环的IC、DV曲线标准化图像。
3.如权利要求2所述的一种锂电池健康状态预测方法,其特征在于,所述S21中:IC曲线y轴为增量容量值IC,x轴为电压V,IC值计算公式为:
;
其中,为容量变化量,为电压变化量;
DV曲线为IC曲线的倒数,y轴为差分电压DV,x轴为电压V,DV值计算公式为:。
4.如权利要求1所述的一种锂电池健康状态预测方法,其特征在于,所述S22中,循环间的连续变量为循环次数。
5.如权利要求1所述的一种锂电池健康状态预测方法,其特征在于,所述步骤三中,所述图像数据学习模型通过卷积神经网络将IC、DV曲线标准化图像进行分块处理,获得若干子图,并在每个分块中加入空间位置编码,使模型学习子图在完整图像中的空间关系,最终输入自注意力层,输出从图像数据中提取出的图像特征。
6.如权利要求1所述的一种锂电池健康状态预测方法,其特征在于,所述步骤三中,所述多维度数据特征融合模型采用交叉注意力机制,即双向跨模态注意力机制实现模态间的特征融合:一方面,通过"图像特征→时序特征"注意力将视觉特征注入时序特征,增强时序特征中的空间语义信息;另一方面,通过"时序特征→图像特征"注意力将时序特征反馈至视觉表示,为图像特征补充时间维度信息;随后,模型通过拼接四模态特征并经过线性层降维,实现特征压缩与信息融合;最终,通过Transformer解码器学习耦合特征与锂电池健康状态间的复杂非线性关系,并通过回归层输出锂电池的健康状态预测结果。
7.如权利要求1所述的一种锂电池健康状态预测方法,其特征在于,所述步骤四中,所述参数文件包含图像数据学习模型和多维度数据特征融合模型各层的权重参数以及训练时的归一化参数。