1.一种面向复杂实车场景的多模态动力电池健康预测方法,其特征在于,包括:
S1获取受控实验室环境下的电池循环数据,构建对应的电池健康状态第一 SOH 序列;采集复杂真实环境下电动汽车的运行数据和车载BMS数据,构建第二 SOH 序列;
S2基于对真实电动车辆 SOH 序列的噪声统计分布特性,在第一 SOH 序列上叠加合成噪声,生成模拟真实车载噪声特性的带噪第三 SOH 序列;
S3针对实验室场景,从第三 SOH 序列中截取历史时段的噪声片段,并从第一 SOH 序列中截取包含历史时段及未来预测时段的平滑片段;针对真实电动汽车场景,从第二 SOH序列中截取历史时段的噪声片段,并对第二 SOH 序列进行趋势提取得到第四 SOH 序列,从第四 SOH 序列中截取包含历史时段及未来预测时段的平滑片段;
S4将实验室场景中的噪声片段和平滑片段分别转换为对应的第一灰度图像和第二灰度图像,形成受控实验室场景的图像训练样本对;将真实电动汽车场景中的噪声片段和平滑片段分别转换为对应的第三灰度图像和第四灰度图像,形成真实电动汽车场景的图像训练样本对;
S5构建计算机视觉驱动的深度生成预测模型,包括视觉分支、数值分支以及自适应融合模块;视觉分支用于从输入的带噪 SOH 灰度图像中提取和重建平滑退化轨迹的空间结构特征;数值分支用于从与历史时段对应的电池多源特征序列中提取时序退化特征;自适应融合模块用于根据视觉分支和数值分支的输出特征,动态生成融合权重并进行跨模态特征融合与噪声抑制;
S6利用图像训练样本对及对应的多源特征序列对深度生成预测模型进行训练,模型输出未来预测时段的平滑 SOH 轨迹预测图像;
S7将 SOH 轨迹预测图像通过像素-数值映射与曲线重建,转换为未来预测时段的 SOH数值预测序列;
S8将实验室训练好的模型通过迁移学习技术迁移到实车场景。
2.根据权利要求1所述的面向复杂实车场景的多模态动力电池健康预测方法,其特征在于,步骤S2中,合成噪声的分布参数基于真实车辆 SOH 序列与其内在平滑趋势分量之间的残差序列的统计特性确定,以使注入的噪声在统计特性上逼近真实车载噪声。
3.根据权利要求1所述的面向复杂实车场景的多模态动力电池健康预测方法,其特征在于,步骤S4中,将 SOH 序列片段转换为灰度图像具体为:将循环序号映射为图像的横向坐标,将 SOH 数值映射为图像的纵向坐标,并在统一的像素化尺度下绘制轨迹曲线,生成固定尺寸的灰度图像。
4.根据权利要求1所述的面向复杂实车场景的多模态动力电池健康预测方法,其特征在于,步骤S5中,视觉分支包含编码器和解码器,编码器用于对输入的 SOH 灰度图像进行多尺度下采样以提取特征,解码器用于对特征进行上采样以重建 SOH 轨迹图像,并且在编码器与解码器之间设置有跨层跳跃连接;其中,编码器包含多级由卷积层、激活函数和下采样层组成的模块;解码器包含多级由转置卷积层和卷积层组成的上采样模块。
5.根据权利要求1所述的面向复杂实车场景的多模态动力电池健康预测方法,其特征在于,步骤S5中,数值分支采用双向循环神经网络对多源特征序列进行时序编码,以提取前后向长期依赖关系,并将提取的时序特征映射为与视觉分支深层特征空间尺寸对齐的特征图;多源特征序列由电池运行过程中的电压、电流、温度、荷电状态SOC、充电持续时间、放电持续时间中的一个或多个参数的序列提取得到,并与历史窗口在循环索引或时间戳上对齐。
6.根据权利要求1所述的面向复杂实车场景的多模态动力电池健康预测方法,其特征在于,步骤S5中,自适应融合模块包括权重生成单元和融合单元;权重生成单元基于视觉分支和数值分支输出的特征,生成用于特征融合的动态权重;融合单元依据动态权重对视觉特征和时序特征进行加权组合,得到融合特征;自适应融合模块进一步包含注意力增强单元,用于对融合特征依次执行通道注意力操作和空间注意力操作,以增强与退化轨迹相关的特征响应并抑制噪声。
7.根据权利要求1所述的面向复杂实车场景的多模态动力电池健康预测方法,其特征在于,步骤S6中,训练包括源域预训练和目标域迁移微调两个阶段;首先在由实验室数据构建的样本上进行预训练,然后利用由真实车辆数据构建的少量样本进行迁移微调;迁移微调过程中,冻结视觉分支编码器的全部或部分参数,更新数值分支以及视觉分支解码器的全部或部分参数。
8.根据权利要求1所述的面向复杂实车场景的多模态动力电池健康预测方法,其特征在于,步骤S7中,像素-数值映射具体如下:对 SOH 轨迹预测图像沿横向逐列扫描,确定每一列中代表 SOH 轨迹的像素位置;根据预设的图像坐标与 SOH 数值的标定关系,将像素位置换算为对应的 SOH 数值,形成离散的 SOH 点集;其中,确定代表 SOH 轨迹的像素位置是在每一列像素中依据灰度阈值或连通性规则确定候选像素,并从中选取满足预设轨迹连续性约束的像素作为目标像素;离散的 SOH 点集进行曲线拟合或插值以重建连续 SOH曲线,并对连续曲线进行等间隔采样,得到未来预测时段的 SOH 数值预测序列。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,当所述程序被处理器执行时,实现如权利要求1-8中任一项所述的方法。
10.一种电子设备,其特征在于,包括存储器和处理器,所述存储器存储有计算机程序,当所述程序被处理器执行时,实现如权利要求1-8中任一项所述的方法。