1.基于卷积自注意力网络的无人机电池多参数估计方法,其特征在于:具体步骤包括:
步骤一,采集端电压、电流、表面温度、环境温度,建立由双电阻电容支路与集总热容组成的电热耦合物理模型,得到核心温度、表面温度、生热强度物理特征;
步骤二,统一时间窗口,对各模态数据及物理特征时间对齐、排列、归一化,形成多模态时序特征矩阵,作为模型输入;
步骤三,构建由一维卷积分支、模态注意力融合模块和多层自注意力变换结构组成的多任务深度学习模型,将多模态时序特征矩阵输入各卷积分支提取电压、电流、温度及物理特征表示,经模态注意力融合和变换编码得到融合特征;
步骤四,将融合特征经全局池化后输入任务解码网络,分别输出荷电状态、健康状态、功率状态、能量状态和温度状态估计结果;
步骤五,构建由各状态估计误差和基于电热耦合物理模型计算温度与电压一致性约束组成的多任务损失函数,对多任务深度学习模型联合训练,并将训练后的模型部署于电池管理系统,利用在线数据更新电池状态并调节功率与热管理策略;
步骤三具体包括:
为电压模态、电流模态、温度模态和物理特征模态分别设置一维卷积分支,每一卷积分支在时间维度上对对应模态的时序特征执行卷积运算、非线性变换和降采样处理,以提取局部时序变化模式并压缩序列长度;
将各模态卷积分支输出的特征图输入模态注意力融合模块,以目标模态特征为查询信息,以其他模态特征为关联信息,根据查询信息与关联信息之间的相关程度确定注意力权重,按照注意力权重对各模态特征进行组合汇聚,得到融合特征表示;
将所述融合特征表示输入由多层自注意力单元与前馈网络交替构成的变换结构,通过残差连接与归一化处理进一步建模长程依赖关系,得到融合后的高层特征表示;
在获得融合后的高层特征表示后,对时间维度执行全局汇聚运算得到固定长度的特征向量,将所述特征向量分别输入对应于荷电状态、健康状态、功率状态、能量状态和温度状态的多个任务解码子网络,每一任务解码子网络依次执行全连接变换和非线性变换,输出相应状态量的估计值;
构建多任务损失函数时,以各状态量估计值与目标值之间的误差为基础,根据不同状态量在应用中的重要程度为各误差配置比例系数,并将配置比例系数后的误差相加得到第一损失分量;
以所述多任务深度学习模型计算得到的温度和端电压与所述电热耦合物理模型计算得到的温度和端电压之间的偏差为基础构建第二损失分量,将所述第一损失分量与所述第二损失分量相加得到总损失;
根据总损失对多任务深度学习模型的参数进行迭代更新,直至总损失满足收敛条件后;
将训练完成的多任务深度学习模型嵌入电池管理系统中,通过通信总线接收在线采集数据并输出状态估计结果,用于调整功率控制策略和热管理策略。
2.根据权利要求1所述的基于卷积自注意力网络的无人机电池多参数估计方法,其特征在于:步骤一具体包括:在不同工作工况下按固定采样周期采集电池组总电压、总电流、各模块表面温度以及环境温度;
在滑动时间窗口内根据当前窗口内样本的统计分布判定采样值是否超出预设范围,若超出则将该采样值标记为异常并予以剔除;
对剔除异常后产生的缺失数据,根据相邻有效采样点的时间和数值进行插值补齐;
将补齐后的电压、电流及温度数据输入状态估计算法,递推估计开路电压和电池内阻,以电流、开路电压、内阻及极化参数构成由欧姆电阻和两组阻容支路组成的电学子模型,以核心温度和表面温度为状态量、以生热功率和环境温度为输入构建集总热容热学子模型,电学子模型与热学子模型耦合形成所述电热耦合物理模型,用于输出核心温度、表面温度和生热强度的物理特征。
3.根据权利要求2所述的基于卷积自注意力网络的无人机电池多参数估计方法,其特征在于:所述步骤二具体包括:设定统一的时间窗口长度和滑动步长,将经过预处理的电压、电流、模块表面温度、环境温度以及由所述电热耦合物理模型输出的核心温度、表面温度、生热强度、极化电压、等效内阻物理特征,按照时间顺序在所述时间窗口内排列,得到按时间步和特征维度组织的时序特征片段;
将所述时序特征片段按采集顺序拼接形成多模态时序特征矩阵,并对每一特征维度根据其历史均值和变化范围进行缩放与平移处理,使各特征数值落入预设区间内,作为所述多任务深度学习模型的标准化输入。
4.根据权利要求3所述的基于卷积自注意力网络的无人机电池多参数估计方法,其特征在于:任务解码包括针对荷电状态、健康状态、能量状态、功率状态和温度状态分别设置的各解码分支,每个解码分支均包括:对高层语义特征在时间维度上进行全局汇聚得到全局特征向量;
将所述全局特征向量依次输入至少一层全连接映射与非线性函数组合的解码网络得到对应状态量的预测结果;
荷电状态解码分支的输出被限定在零到一的区间并表示剩余电量百分比,健康状态解码分支的输出被限定在零到一的区间并表示性能衰减程度,能量状态解码分支输出剩余可用能量,功率状态解码分支输出在安全约束下的可用功率上限,温度状态解码分支输出热风险等级或无人机电池内部特征温度。
5.根据权利要求4所述的基于卷积自注意力网络的无人机电池多参数估计方法,其特征在于:多任务损失函数至少包括参数估计误差项和物理一致性约束项,其中的参数估计误差项用于度量荷电状态、健康状态、能量状态、功率状态和温度状态预测值与对应标注值之间的偏差,物理一致性约束项用于度量深度学习模型输出的无人机电池核心温度和端电压与电热耦合物理模型计算得到的核心温度和端电压之间的偏差;
在模型训练过程中,根据不同状态量在应用中的重要程度为各误差项配置比例系数,将配置比例系数后的各误差项进行求和作为总损失,对网络参数进行逐步迭代更新,使多参数估计结果在数据驱动精度和物理机理一致性之间取得平衡。
6.根据权利要求5所述的基于卷积自注意力网络的无人机电池多参数估计方法,其特征在于:所述多任务深度学习模型的训练过程包括:在实验台架或实际运行工况下采集覆盖不同荷电水平、环境温度、充放电倍率和老化阶段的多模态样本数据,基于时间顺序构建样本序列并划分为训练集、验证集和测试集;
以批量方式将样本序列输入所述多任务深度学习模型,针对每一批次根据联合损失函数计算损失值,并采用具有自适应步长的迭代优化算法更新网络参数;
在训练过程中根据验证集上的综合指标对网络层数、每层神经元数量、学习步长和正则化强度进行调整,直至训练阶段的损失趋于收敛且在测试集上的预测精度达到预设要求。
7.根据权利要求6所述的基于卷积自注意力网络的无人机电池多参数估计方法,其特征在于:将训练完成的多任务深度学习模型部署于无人机电池管理系统中,通过控制器局域网络总线与整车控制器或储能系统上位控制器进行数据交互,具体包括:无人机电池管理系统按照统一采样周期采集电压、电流、温度及环境温度的实时运行数据并输入所述多任务深度学习模型得到荷电状态、健康状态、能量状态、功率状态和温度状态的预测值;
将各预测值按照预设标识符和缩放系数进行编码,组装为总线数据帧发送至上位控制器;上位控制器根据所述状态预测值执行续航里程估计、充放电策略制定、运行状态监视和故障预警。
8.根据权利要求7所述的基于卷积自注意力网络的无人机电池多参数估计方法,其特征在于:利用在线数据更新电池状态并调节功率与热管理策略,具体包括:根据功率状态预测值与健康状态预测值共同确定当前允许的最大充电功率和最大放电功率,当健康状态预测值降低或温度状态预测值接近预设风险等级时相应降低功率上限或限制充放电倍率;
根据温度状态预测值与环境温度选择不同级别的冷却或加热方式,当温度状态处于正常区间时采用普通冷却策略,当温度状态超过第一温度阈值时提高冷却强度或调整功率请求,当温度状态超过第二温度阈值时触发紧急保护或强制降载,从而在保障无人机电池安全性的前提下兼顾能量利用效率和使用寿命。