基于人工智能算法的电池能量优化管理方法实用新型专利

专利名称：基于人工智能算法的电池能量优化管理方法

专利类型：实用新型专利

专利申请号：CN202411397286.1

专利申请（专利权）人：陕西长风动力有限公司,陕西长风智能科技有限公司,西安长风智存科技有限公司
权利人地址：陕西省咸阳市兴平市咸阳市科技产业园新能源新材料智能制造基地

专利发明（设计）人：唐欢童,王金胜

专利摘要：本申请实施例提供一种基于人工智能算法的电池能量优化管理方法，涉及人工智能技术领域。方法包括：构建基于逻辑门的神经网络的电池能量优化管理模型；采集电池系统中每个电池单体的状态变量参数；将所述每个电池单体的状态变量参数输入至所述电池能量优化管理模型中，所述电池能量优化管理模型执行基于逻辑公式的判断，通过逻辑操作结合神经元权重进行充放电决策，得到每个电池单体的最优充放电决策策略；执行所述每个电池单体的最优充放电决策策略，最终输出每个电池单体的充电电流和放电电流，以确保电池单体在安全范围内运行及电池电量的平衡。通过该方案能够实现电池系统的智能化的充放电控制策略优化，延长电池系统寿命,提升电池组的性能。

主权利要求：
1.一种基于人工智能算法的电池能量优化管理方法，其特征在于，包括：构建基于逻辑门的神经网络的电池能量优化管理模型；其中，所述构建基于逻辑门的神经网络的电池能量优化管理模型，包括：构造输入神经网络的参数变量，即状态变量和决策变量，其中，所述状态变量为每个电池单体的电压、剩余电量，所述决策变量为每个电池的充放电决策；构建基于逻辑神经元的骨干网络，其中，所述骨干网络的神经元为逻辑神经元，即每个神经元代表电池系统中的一个逻辑关系，神经元表达与每个邻居的双向关系，允许在任何方向上进行推理；其中，所述构建基于逻辑神经元的骨干网络，包括：构造三类逻辑神经元，分别是电池电量平衡神经元、充放电约束神经元、电压平衡目标神经元；构造三类输入神经元，分别是第一输入神经元 、第二输入神经元 和 、第三输入神经元；其中，第一输入神经元 ，用于获取与电池剩余电量相关的状态变量信息，表示输入第
个电池单体的当前剩余电量 ；第二输入神经元，包括 和 ，用于获
取第个电池单体当前的充电电流 和放电电流 ；第三输入神经元 ，其
为第 个电池单体的电压 被映射到输入层的神经元，用于表示输入第 个电池单体的电压 ，并将其作为输入传递给中间层的逻辑神经元；构建骨干网络的损失函数，并通过损失函数训练神经网络权重；其中，所述构建骨干网络的损失函数，并通过损失函数训练神经网络权重，包括：损失函数 为根据电池电压差异 和电量平衡计算：
，其中，
为最小化电池之间的电压差异，电量平衡 是为了确保电
量变化与电流匹配，为权衡参数； 表示第个电池单体的电量随时间的变化，由充电电流和放电电流决定；表示时间；构建网络的分类头，用于根据提取的特征进行类别划分和输出充放电决策；其中，所述构建网络的分类头，用于根据提取的特征进行类别划分和输出充放电决策，包括：输出充放电决策，通过调整所有逻辑神经元的权重和偏置，使得网络全连接层根据输入的电池状态信息生成最优的充放电策略，最终网络的输出是每个电池单体的充电电流和放电电流：，其中，是网络的输出向量，该输出向量的表现形式为：
，表示当前时
刻充、放电的优化策略；是电池单体的数量； 是输入变量，包含电池状态信息，输入向量的形式为： ； 表示输出的第 个电池单体的充电电流； 表示输出的第 个电池单体的放电电流； 是每个输入变量的权重，表示每个电池单体对决策的影响；是偏置项，用于调整神经元的输出值； 是ReLU激活函数；采集电池系统中每个电池单体的状态变量参数，所述状态变量参数包括：电压、剩余电量；将所述每个电池单体的状态变量参数输入至所述电池能量优化管理模型中，所述电池能量优化管理模型执行基于逻辑公式的判断，通过逻辑操作结合神经元权重进行充放电决策，得到每个电池单体的最优充放电决策策略；执行所述每个电池单体的最优充放电决策策略，最终输出每个电池单体的充电电流和放电电流，以确保电池单体在安全范围内运行及电池电量的平衡。
2.根据权利要求1所述的方法，其特征在于：其中，状态变量为每个电池单体的电压 、剩余电量 ；决策变量为每个电池的充放电决策，即每个电池单体的充电电流 和放电电流 ，具体地， 表示第 个电池单体的充电电流， 表示第 个电池单体的放电电流。
3.根据权利要求1所述的方法，其特征在于：其中，所述构建基于逻辑神经元的骨干网络，还包括：构建与各类逻辑神经元对应的逻辑公式，由此，逻辑神经元与逻辑公式的元素之间建立一一对应关系，即每个神经元代表逻辑公式中的一个操作，神经元的连接和激活函数则对应着逻辑公式中的连接词和运算。
4.根据权利要求3所述的方法，其特征在于：其中，构建逻辑公式包括：构建与所述电池电量平衡神经元对应的电池电量平衡公式；所述电池电量平衡公式为：，所述电池电量平衡神经元，用于执行所述电量平衡公
式以计算第 个电池单体的电量变化率 并进行逻辑判断，并决定是否需要调整充放电电流。
5.根据权利要求4所述的方法，其特征在于：其中，构建逻辑公式还包括：构建与所述充放电约束神经元对应的充放电约束公式；所述充放电约束公式为：，其中， 表示最大
充电电流限制； 表示最大放电电流限制；所述充放电约束神经元，用于表示充电电流和放电电流的约束，其输入是电池的充电或放电电流，且其激活函数被设计为根据输入信息来判断电流是否超过了约束值，具体根据输入电流值与最大电流限制值的比较，执行充放电约束判断：如果充电电流 超过设定的最大值 ，所述充放电约束神经元将激活相应的调整机制，减少充电电流；如果放电电流 超过设定的最大值 ，所述充放电约束神经元将激活相应的调整机制，减少放电电流。
6.根据权利要求5所述的方法，其特征在于：其中，构建逻辑公式还包括：构建与所述电压平衡目标神经元对应的电压平衡目标公式；所述电压平衡目标公式为：，其中， 表示第个电池单体的电压， 表示第个电池单体的
电压；所述电压平衡目标公式的目标是最小化电池单体之间的电压差异，从而实现电压均衡，确保每个电池工作在理想电压范围内；所述电压平衡目标神经元，用于执行电压均衡逻辑，判断两个电池单体之间的电压差异 是否过大：如果 超过设定的阈值 ，则该神经元会激活，并触发相应的充放电策略，以减少电压差异。 说明书 : 基于人工智能算法的电池能量优化管理方法技术领域[0001] 本申请涉及人工智能技术领域，尤其涉及一种基于人工智能算法的电池能量优化管理方法。背景技术[0002] 随着电池技术的快速发展，锂离子电池、铅酸电池等在各类电子设备、电动汽车和储能系统中得到了广泛应用。电池系统通常由多个电池单体组成，单个电池的充放电状态往往不同，长时间不均衡的充放电可能导致电池老化加剧，甚至发生安全问题。为了提高电池系统的使用寿命和效率，均衡充放电策略成为电池管理系统中的一个重要研究方向。传统的电池充放电控制方法通常依赖于简单的电流控制或基于经验规则的算法，但这些方法在复杂的电池系统中往往无法有效应对单体电池的不均衡问题。[0003] 因此，开发一种智能化的均衡充放电策略，对延长电池系统寿命、提升电池组性能具有重要意义。发明内容[0004] 为了解决现有技术的不足，本申请实施例提供了一种基于人工智能算法的电池能量优化管理方法，以解决传统的电池充放电控制方法通常依赖于简单的电流控制或基于经验规则的算法，无法有效解决应单体电池之间不均衡的技术问题。[0005] 本申请实施例提供了一种基于人工智能算法的电池能量优化管理方法，包括：构建基于逻辑门的神经网络的电池能量优化管理模型；采集电池系统中每个电池单体的状态变量参数，所述状态变量参数包括：电压、剩余电量；将所述每个电池单体的状态变量参数输入至所述电池能量优化管理模型中，所述电池能量优化管理模型执行基于逻辑公式的判断，通过逻辑操作结合神经元权重进行充放电决策，得到每个电池单体的最优充放电决策策略；执行所述每个电池单体的最优充放电决策策略，最终输出每个电池单体的充电电流和放电电流，以确保电池单体在安全范围内运行及电池电量的平衡。[0006] 一种可以的实现方式中，所述构建基于逻辑门的神经网络的电池能量优化管理模型，包括：构造输入神经网络的参数变量，即状态变量和决策变量，其中，所述状态变量为每个电池单体的电压、剩余电量，所述决策变量为每个电池的充放电决策；构建基于逻辑神经元的骨干网络，其中，所述骨干网络的神经元为逻辑神经元，即每个神经元代表电池系统中的一个逻辑关系，神经元表达与每个邻居的双向关系，允许在任何方向上进行推理；构建骨干网络的损失函数，并通过损失函数训练神经网络权重；构建网络的分类头，用于根据提取的特征进行类别划分和输出充放电决策。[0007] 一种可以的实现方式中，其中，状态变量包括每个电池单体的电压 、剩余电量 ；决策变量包括每个电池的充放电决策，即每个电池单体的充电电流 和放电电流，具体地， 表示第 个电池单体的充电电流， 表示第 个电池单体的放电电流。[0008] 一种可以的实现方式中，其中，所述构建基于逻辑神经元的骨干网络，包括：构造三类逻辑神经元，分别是电池电量平衡神经元、充放电约束神经元、电压平衡目标神经元；构造三类输入神经元，分别是第一输入神经元 、第二输入神经元 和、第三输入神经元 ；其中，第一输入神经元 ，用于获取与电池剩余电量相关的状态变量信息，表示输入第个电池单体的当前剩余电量 ；第二输入神经元，包括和 ，用于获取第个电池单体当前的充电电流 和放电电流；第三输入神经元 ，其为第 个电池单体的电压 被映射到输入层的神经元，用于表示输入第个电池单体的电压 ，并将其作为输入传递给中间层的逻辑神经元。[0009] 一种可以的实现方式中，其中，所述构建基于逻辑神经元的骨干网络，还包括：构建与各类逻辑神经元对应的逻辑公式，由此，逻辑神经元与逻辑公式的元素之间建立一一对应关系，即每个神经元代表逻辑公式中的一个操作，神经元的连接和激活函数则对应着逻辑公式中的连接词和运算。[0010] 一种可以的实现方式中，其中，所述构建逻辑公式包括：构建与所述电池电量平衡神经元对应的电池电量平衡公式；所述电池电量平衡公式为：[0011] ，其中， 表示第 个电池单体的电量随时间的变化，由充电电流和放电电流决定；表示时间；所述电池电量平衡神经元，用于执行所述电量平衡公式以计算第 个电池单体的电量变化率 并进行逻辑判断，并决定是否需要调整充放电电流。[0012] 一种可以的实现方式中，其中，所述构建逻辑公式还包括：构建与所述充放电约束神经元对应的充放电约束公式；所述充放电约束公式为：，其中， 表示最大充电电流限制； 表示最大放电电流限制；所述充放电约束神经元，用于表示充电电流和放电电流的约束，其输入是电池的充电或放电电流，且其激活函数被设计为根据输入信息来判断电流是否超过了约束值，具体根据输入电流值与最大电流限制值的比较，执行充放电约束判断：如果充电电流 超过设定的最大值 ，所述充放电约束神经元将激活相应的调整机制，减少充电电流；如果放电电流 超过设定的最大值 ，所述充放电约束神经元将激活相应的调整机制，减少放电电流。[0013] 一种可以的实现方式中，其中，所述构建逻辑公式还包括：构建与所述电压平衡目标神经元对应的电压平衡目标公式；所述电压平衡目标公式为：[0014] ，其中， 表示第 个电池单体的电压， 表示第 个电池单体的电压；所述电压平衡目标公式的目标是最小化电池单体之间的电压差异，从而实现电压均衡，确保每个电池工作在理想电压范围内；所述电压平衡目标神经元，用于执行电压均衡逻辑，判断两个电池单体之间的电压差异 是否过大：如果 超过设定的阈值 ，则该神经元会激活，并触发相应的充放电策略，以减少电压差异。[0015] 一种可以的实现方式中，所述构建骨干网络的损失函数，并通过损失函数训练神经网络权重，包括：损失函数 为根据电池电压差异 和电量平衡计算：[0016] ，其 中 ，为最小化电池之间的电压差异，电量平衡 是为了确保电量变化与电流匹配，为权衡参数。[0017] 一种可以的实现方式中，其中，所述构建网络的分类头，用于根据提取的特征进行类别划分和输出充放电决策，包括：输出充放电决策，通过调整所有逻辑神经元的权重和偏置，使得网络全连接层根据输入的电池状态信息生成最优的充放电策略，最终网络的输出是每个电池单体的充电电流和放电电流：[0018] ，其中，是网络的输出向量，该输出向量的表现形式为：[0019] ，表示当前时刻充、放电的优化策略；是电池单体的数量； 表示输出的第 个电池单体的充电电流； 表示输出的第 个电池单体的放电电流；是输入变量，包含电池状态信息，输入向量的形式为：[0020] ； 是每个输入变量的权重，表示每个电池单体对决策的影响；是偏置项，用于调整神经元的输出值； 是ReLU激活函数。[0021] 相比于现有技术，本发明取得的有益效果如下：本发明提出的一种基于人工智能算法的电池能量优化管理方法，不仅可以学习电池系统中的复杂非线性关系，还可以通过逻辑公式表达电池单体之间的充放电约束和均衡需求，进而实现智能化的充放电控制策略优化，确保电池单体在安全范围内运行及电池电量的平衡。本发明的人工智能算法使得充放电控制策略能够根据电池的实际状态进行自适应调整，提高了控制的精确性和有效性，有效解决了单体电池之间的不均衡问题，从而延长了电池系统寿命、提升了电池组的性能。另外，本发明基于神经网络构建，具有良好的可扩展性和灵活性。当电池系统的规模或复杂度增加时，可以通过调整神经网络的结构和参数来适应新的需求。同时，该方法也可以与其他电池管理技术相结合，形成更加完善的电池管理系统。附图说明[0022] 为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。[0023] 图1为本申请实施例提供的一种基于人工智能算法的电池能量优化管理方法的流程示意图。具体实施方式[0024] 现在将参照附图来详细描述本申请的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本申请的范围。[0025] 本领域技术人员可以理解，本申请实施例中的“第一”、“第二”等术语仅用于区别不同步骤、设备或模块等，既不代表任何特定技术含义，也不表示它们之间的必然逻辑顺序。还应理解，在本申请实施例中，“多个”可以指两个或两个以上，“至少一个”可以指一个、两个或两个以上。还应理解，对于本申请实施例中提及的任一部件、数据或结构，在没有明确限定或者在前后文给出相反启示的情况下，一般可以理解为一个或多个。另外，本申请中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本申请中字符“/”，一般表示前后关联对象是一种“或”的关系还应理解，本申请对各个实施例的描述着重强调各个实施例之间的不同之处，其相同或相似之处可以相互参考，为了简洁，不再一一赘述。[0026] 同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本申请及其应用或使用的任何限制。对于相关领域普通技术人员已知的技术、方法和设备可以不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。[0027] 为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。[0028] 本发明提出了一种基于人工智能算法的电池能量优化管理方法，基于逻辑门的神经网络构建的电池能量优化管理模型，不仅可以学习电池系统中的复杂非线性关系，还可以通过逻辑公式表达电池单体之间的充放电约束和均衡需求，进而实现智能化的充放电控制策略优化。[0029] 图1为本申请实施例提供的一种基于人工智能算法的电池能量优化管理方法的流程示意图。如图1所示，一种基于人工智能算法的电池能量优化管理方法100，包括如下步骤：S110：构建基于逻辑门的神经网络的电池能量优化管理模型。[0030] 具体地，该步骤S110中构建基于逻辑门的神经网络的电池能量优化管理模型，包括如下步骤：S111：构造输入神经网络的参数变量，即状态变量和决策变量，其中，状态变量为每个电池单体的电压、剩余电量，决策变量为每个电池的充放电决策。[0031] 具体的，状态变量包括每个电池单体的电压 、剩余电量 ；决策变量包括每个电池的充放电决策，即每个电池单体的充电电流 和放电电流 ，具体地，表示第个电池单体的充电电流， 表示第个电池单体的放电电流。[0032] S112：构建基于逻辑神经元的骨干网络，其中，骨干网络的神经元为逻辑神经元，即每个神经元代表电池系统中的一个逻辑关系，神经元表达与每个邻居的双向关系，允许在任何方向上进行推理；本发明的神经网络不同于传统的神经网络。[0033] 其中，构建基于逻辑神经元的骨干网络构造三类逻辑神经元，分别是电池电量平衡神经元、充放电约束神经元、电压平衡目标神经元。[0034] 构造三类输入神经元，分别是第一输入神经元 、第二输入神经元 和、第三输入神经元 。[0035] 其中，第一输入神经元 ，用于获取与电池剩余电量相关的状态变量信息，表示第 个电池单体的当前剩余电量 ；第二输入神经元，包括 和 ，用于获取第个电池单体当前的充电电流 和放电电流 ；第三输入神经元，其为第个电池单体的电压 被映射到输入层的神经元，用于表示第个电池单体的电压 ，并将其作为输入传递给中间层的逻辑神经元。[0036] 可选的，在一些实施例中，其中，构建基于逻辑神经元的骨干网络，还包括：构建与各类逻辑神经元对应的逻辑公式，由此，逻辑神经元与逻辑公式的元素之间建立一一对应关系，即每个神经元代表逻辑公式中的一个操作，神经元的连接和激活函数则对应着逻辑公式中的连接词和运算。[0037] 本实施例中，通过逻辑公式来定义神经元的激活函数，原本在传统神经网络中起到特定作用的权重在逻辑神经网络里不再存在，取而代之的是逻辑门。这些逻辑门在网络中承担着连接和处理信息的功能，逻辑规则会通过符号逻辑进行表示。执行基于逻辑公式的判断，通过逻辑操作结合神经元权重进行充放电决策。[0038] 具体的，构建基于逻辑神经元的骨干网络的逻辑公式，包括以下几部分：（1）构建逻辑公式包括：构建与电池电量平衡神经元对应的电池电量平衡公式。[0039] 电池电量平衡公式表示电池电量随时间的变化，由充电电流和放电电流决定，电池的电量变化等于充电电流减去放电电流。充电电流和放电电流的值可以作为输入信号传递给电池电量平衡神经元，电池电量平衡神经元的激活函数会根据这些输入信号以及电池电量平衡神经元的权重，计算出电量的变化量。这个计算过程可以模拟电量平衡公式的关系，使得神经元的行为与电量平衡的物理规律相符合。[0040] 具体地，电池电量平衡公式为：[0041] ，其中， 表示第 个电池单体的电量随时间的变化，由充电电流和放电电流决定； 表示第 个电池单体的电量（单位：Ah）； 表示第个电池单体的充电电流(单位：A)； 表示第 个电池单体的放电电流（单位：A）；表示时间（单位：小时）。其中，第一输入神经元 ，用于负责获取与电池剩余电量相关的状态变量信息，表示第 个电池单体的当前剩余电量 ；第二输入神经元，包括和 ，用于获取第个电池单体当前的充电电流 和放电电流；电池电量平衡神经元，用于执行所述电量平衡公式以计算第个电池单体的电量变化率 并进行逻辑判断，并决定是否需要调整充放电电流。由神经元实现的这个计算公式表示为：[0042] ， 表示电池电量平衡神经元，如果神经元的输出过大或过小，表示电池的电量变化率不符合预期，需要进行调整。[0043] 充放电电流调整：如果某个电池的电量变化不在期望范围内，逻辑神经元将触发输出神经元，调整电流。如果电池电量过低，逻辑神经元会触发充电电流增加，公式为：[0044] 反之，电量过高时，会触发放电电流增加。[0045] 输出神经元：输出神经元根据逻辑神经元即电池电量平衡神经元的判断，控制每个电池的充放电电流。输出神经元 和 会根据电量平衡的需求调整充电或放电电流，以确保电池电量的平衡。[0046] 激活函数：逻辑神经元即电池电量平衡神经元通过激活函数实现电量平衡控制，根据电量变化率的阈值判断：[0047] ，如果电池的电量变化率偏离目标值，则激活充放电调整操作。（2）构建逻辑公式还包括：构建与充放电约束神经元对应的充放电约束公式；充放电约束公式为：[0048] ，其中， 表示最大充电电流限制（单位：A）； 表示最大放电电流限制（单位：A）。[0049] 该充放电约束公式表示为了保护电池，充放电电流不能超过设备允许的最大值，定义充放电电流的上限，保证电池和设备的安全运行。通过充放电约束神经元来表示充电电流和放电电流的约束，这些充放电约束神经元的输入是与电池的充电或放电电流。充放电约束神经元的激活函数被设计为根据输入信息来判断电流是否超过了约束值。[0050] 第二输入神经元：负责获取每个电池单体的当前充电和放电电流。第二输入神经元 和 读取电池的实际充电电流和放电电流。[0051] 充放电约束神经元：用于表示充电电流和放电电流的约束，其输入是电池的充电或放电电流，且其激活函数被设计为根据输入信息来判断电流是否超过了约束值，具体根据输入电流值与最大电流限制值的比较，执行充放电约束判断。[0052] 例如，逻辑神经元 会判断充电电流是否超过最大值：[0053] ，如果充电电流 超过设定的最大值 ，充放电约束神经元将激活相应的调整机制，减少充电电流。[0054] 类似地，放电电流也会有类似的逻辑判断。对于放电电流 ，逻辑神经元也会执行类似的逻辑：[0055] ，如果放电电流 超过设定的最大值 ，充放电约束神经元将激活相应的调整机制，减少放电电流。[0056] 这些逻辑判断通过激活函数和神经元输出决定充放电是否在安全范围内运行。[0057] 输出神经元：输出神经元根据逻辑判断结果生成调整信号，确保电流在安全范围内。如果充电电流 超过最大值，输出神经元 会减少充电电流：[0058] ，对于放电电流，如果超过最大值，输出神经元 会减少放电电流。[0059] 激活函数用于判断是否执行充放电调整。对于充放电约束，激活函数可以设置为根据充放电电流与最大限制值的比较来激活。[0060] 激活函数：当电流超过最大限制时，激活信号为0，表示需要减少电流；否则，激活信号为1，表示正常运行：[0061] ，类似地，放电的激活函数也是根据电流与放电最大值比较决定。[0062] （3）构建逻辑公式还包括：构建与电压平衡目标神经元对应的电压平衡目标公式；其中，电压平衡目标公式为：[0063] ，其中， 表示第 个电池单体的电压（单位：V）， 表示第个电池单体的电压（单位：V）。[0064] 该电压平衡目标公式的目标是最小化电池单体之间的电压差异，从而实现电压均衡，确保每个电池工作在理想电压范围内。[0065] 第三输入神经元 ，其为第 个电池单体的电压 被映射到输入层的神经元，用于表示第个电池单体的电压 ，并将其作为输入传递给中间层的逻辑神经元。[0066] 电压平衡目标神经元，用于执行电压均衡逻辑，判断两个电池单体之间的电压差异 是否过大。[0067] 一个逻辑神经元即电压平衡目标神经元 可以计算：[0068] ，如果 超过设定的阈值 ，则该神经元会激活，并触发相应的充放电策略，以减少电压差异。[0069] 输出神经元：输出神经元负责生成充放电电流的控制信号。例如，当逻辑神经元判断 和 之间的差异过大时，输出神经元 会增大 电池的充电电流，以减少电压差异。[0070] 线性激活函数：如果电压差 超过某个阈值，则输出充放电控制信号：[0071] ，逻辑操作定义为：[0072] 。[0073] S113：构建骨干网络的损失函数，并通过损失函数训练神经网络权重。[0074] 在该步骤S113中,通过损失函数训练神经网络权重，损失函数通过为骨干网络提供一个优化目标，通过衡量预测的类别与真实类别之间的差异，骨干网络的参数沿着损失函数下降最快的方向进行更新，引导骨干网络学习能够更好地完成特定任务的特征表示。通过构建损失函数，能够明确地优化电池之间的电压差异和电量平衡，使得充放电策略更加精准地满足电池管理的需求。损失函数的引入为神经网络的训练提供了明确的优化目标，提高了训练效率和效果。[0075] 其 中 ，损 失 函 数 为 根 据 电 池 电 压 差 异 和 电 量 平 衡计算：[0076] ，其 中 ，为最小化电池之间的电压差异，电量平衡 是为了确保电量变化与电流匹配，为权衡参数。[0077] 在理想状态下，电量平衡 。[0078] S114：构建网络的分类头，用于根据提取的特征进行类别划分和输出充放电决策。[0079] 在该步骤S114中，构建网络的分类头（也可以叫全连接层，功能是根据提取的特征进行类别划分）。[0080] 输出充放电决策，通过调整所有逻辑神经元的权重和偏置，使得网络全连接层根据输入的电池状态信息生成最优的充放电策略。最终的输出是每个电池单体的充电电流和放电电流， ，其中，y是网络的输出，表示当前时刻充、放电的优化策略。输出向量的形式为：[0081] 。其中，是电池单体的数量。输出充电电流 ：表示第 个电池单体的充电电流。输出放电电流 ：表示第个电池单体的放电电流。[0082] 是输入变量，包含电池状态信息，输入向量的形式为：[0083] 。其中，电池电压 ：表示每个电池单体的电压状态。电池电量 ：表示每个电池单体的当前电量。当前充电电流 和放电电流 ：前几层计算得出的充放电电流值。 是每个输入的权重，表示每个电池单元对决策的影响。是偏置项，调整神经元的输出值。 是ReLU激活函数。[0084] S120：采集电池系统中每个电池单体的状态变量参数，状态变量参数包括：电压、剩余电量。[0085] S130：将每个电池单体的状态变量参数输入至电池能量优化管理模型中，电池能量优化管理模型执行基于逻辑公式的判断，通过逻辑操作结合神经元权重进行充放电决策，得到每个电池单体的最优充放电决策策略。[0086] S140：执行每个电池单体的最优充放电决策策略，最终输出每个电池单体的充电电流和放电电流，以确保电池单体在安全范围内运行及电池电量的平衡。[0087] 根据本发明的上述实施例，通过逻辑公式表达电池单体之间的充放电约束和均衡需求，进而实现智能化的充放电控制策略优化，确保电池单体在安全范围内运行及电池电量的平衡。该方法使得充放电控制策略能够根据电池的实际状态进行自适应调整，提高了控制的精确性和有效性。构建的逻辑神经元和逻辑公式综合考虑了电池的电量平衡、充放电约束以及电压平衡等多个方面，确保了电池在充放电过程中的安全性和稳定性。有效解决了单体电池之间的不均衡问题，从而延长了电池系统寿命、提升了电池组的性能。[0088] 通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到上述实施例方法中的全部或部分步骤可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者诸如媒体网关等网络通信设备，等等)执行本申请各个实施例或者实施例的某些部分所述的方法。[0089] 需要说明的是，本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。[0090] 还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。[0091] 对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

专利地区：陕西

专利申请日期：2024-10-09

专利公开日期：2024-11-29

专利公告号：CN118888884B