CN117977028A - 基于车辆电池监测的智能充电方法及系统 - Google Patents

Abstract

本申请涉及智能充电技术领域，公开了一种基于车辆电池监测的智能充电方法及系统。所述方法包括：对目标车辆电池进行多维状态检测，得到电池多维状态数据并进行静态特征和动态特征提取，得到电池静态状态特征和电池动态状态特征；进行非线性特征映射和特征合并编码，得到融合状态编码特征；进行充电需求分析，得到充电需求分析数据并进行周期性变化规律分析和编码，得到充电需求编码特征；进行分层次编码特征融合，得到综合充电编码特征；基于策略梯度的强化学习算法进行电池状态和充电需求平衡的充电策略分析，生成目标智能充电策略，本申请通过深度学习技术对车辆电池进行多维状态检测进而提高了车辆电池的智能充电准确率。

Description

基于车辆电池监测的智能充电方法及系统

技术领域

本申请涉及智能充电技术领域，尤其涉及一种基于车辆电池监测的智能充电方法及系统。

背景技术

随着电动汽车在全球范围内的快速增长，如何高效、智能地进行电动汽车充电已成为一个迫切需要解决的问题。传统的充电方法往往忽视了电池的实时状态和未来充电需求的预测，导致电池寿命缩短、充电效率低下以及电网负荷不均衡等问题。此外，电网在高峰时段面临的压力大大增加，急需一种能够平衡电网负荷和电动汽车充电需求的智能充电策略。

目前，大多数充电策略缺乏对电池多维状态数据的深入分析和利用，例如电池的电压、电流和温度等信息。这些数据对于评估电池的健康状况、预测充电需求以及制定充电策略至关重要。而现有的充电方法往往采用静态的充电策略，忽略了电池状态随时间变化的动态规律和周期性变化规律，这限制了充电策略的有效性和适应性。此外，现有的充电策略在制定过程中往往未能充分考虑到电网的实时负荷情况，缺乏对未来充电需求的准确预测，导致无法有效地平衡电动汽车用户的充电需求和电网的稳定运行。

发明内容

本申请提供了一种基于车辆电池监测的智能充电方法及系统，用于通过深度学习技术对车辆电池进行多维状态检测进而提高了车辆电池的智能充电准确率。

第一方面，本申请提供了一种基于车辆电池监测的智能充电方法，所述基于车辆电池监测的智能充电方法包括：

对目标车辆电池进行多维状态检测，得到电池多维状态数据并进行静态特征和动态特征提取，得到电池静态状态特征和电池动态状态特征；

对所述电池静态状态特征和所述电池动态状态特征进行非线性特征映射和特征合并编码，得到融合状态编码特征；

对所述目标车辆电池进行充电需求分析，得到充电需求分析数据，并对所述充电需求分析数据进行周期性变化规律分析和编码，得到充电需求编码特征；

对所述融合状态编码特征和所述充电需求编码特征进行分层次编码特征融合，得到综合充电编码特征；

基于策略梯度的强化学习算法对所述综合充电编码特征进行电池状态和充电需求平衡的充电策略分析，生成目标智能充电策略。

第二方面，本申请提供了一种基于车辆电池监测的智能充电系统，所述基于车辆电池监测的智能充电系统包括：

检测模块，用于对目标车辆电池进行多维状态检测，得到电池多维状态数据并进行静态特征和动态特征提取，得到电池静态状态特征和电池动态状态特征；

映射模块，用于对所述电池静态状态特征和所述电池动态状态特征进行非线性特征映射和特征合并编码，得到融合状态编码特征；

编码模块，用于对所述目标车辆电池进行充电需求分析，得到充电需求分析数据，并对所述充电需求分析数据进行周期性变化规律分析和编码，得到充电需求编码特征；

融合模块，用于对所述融合状态编码特征和所述充电需求编码特征进行分层次编码特征融合，得到综合充电编码特征；

分析模块，用于基于策略梯度的强化学习算法对所述综合充电编码特征进行电池状态和充电需求平衡的充电策略分析，生成目标智能充电策略。

本申请第三方面提供了一种基于车辆电池监测的智能充电设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于车辆电池监测的智能充电设备执行上述的基于车辆电池监测的智能充电方法。

本申请的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的基于车辆电池监测的智能充电方法。

本申请提供的技术方案中，通过对目标车辆电池进行多维状态检测，并结合时空分离卷积网络和双向长短期记忆网络，本方法能够全面监测电池的实时状态，并精确提取电池的静态和动态特征。这种全面的监测与精确预测使得充电策略能够更加贴合电池的实际需求和状态，从而有效延长电池寿命，提高充电效率。通过非线性特征映射和特征合并编码技术，本方法能够深度融合电池静态和动态特征，得到融合状态编码特征。这种智能特征融合不仅增强了特征间的关联性，提升了特征的表征能力，还为充电策略的制定提供了更加丰富和准确的数据支持。通过基于GRU-Skip模型的充电需求分析，本方法能够有效挖掘和表征电池充电需求的周期性变化规律，包括日内周期和周内周期的变化。这种周期性变化规律的有效挖掘为预测未来充电需求提供了科学依据，有助于优化充电时段，减少电网负荷。通过多层次注意力机制和基于策略梯度的强化学习算法，本方法能够智能调整充电策略，使其在满足电池充电需求的同时，兼顾电网负荷平衡。这种高度适应性的充电策略不仅提高了充电效率和电网运行的稳定性，还能根据实时电网负荷和电价动态优化充电成本，所以本申请通过深度学习技术对车辆电池进行多维状态检测进而提高了车辆电池的智能充电准确率。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例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发明的一些实施例，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，还可以基于这些附图获得其他的附图。

图1为本申请实施例中基于车辆电池监测的智能充电方法的一个实施例示意图；

图2为本申请实施例中基于车辆电池监测的智能充电系统的一个实施例示意图。

具体实施方式

本申请实施例提供了一种基于车辆电池监测的智能充电方法及系统。本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

为便于理解，下面对本申请实施例的具体流程进行描述，请参阅图1，本申请实施例中基于车辆电池监测的智能充电方法的一个实施例包括：

步骤S101、对目标车辆电池进行多维状态检测，得到电池多维状态数据并进行静态特征和动态特征提取，得到电池静态状态特征和电池动态状态特征；

可以理解的是，本申请的执行主体可以为基于车辆电池监测的智能充电系统，还可以是终端或者服务器，具体此处不做限定。本申请实施例以服务器为执行主体为例进行说明。

具体的，对目标车辆电池进行多维状态检测，得到初始多维状态数据，包括电压、电流以及温度等关键参数。对初始多维状态数据进行数据清洗处理，得到电池多维状态数据，确保后续分析的准确性和可靠性。通过时空分离卷积网络对清洗后的电池多维状态数据进行特征提取。时空分离卷积网络利用时间卷积核和空间卷积核分别提取时间特征和空间特征，进而通过动态卷积操作生成电池的静态状态特征。该网络结构利用了快速傅里叶变换和逆变换，以及元素乘法操作等数学工具，有效地提取电池状态数据中的复杂特征，并通过动态调整函数进一步优化特征提取过程。通过双向长短期记忆网络（Bi-LSTM）从电池多维状态数据中提取动态状态特征。Bi-LSTM网络通过其前向和后向的长短期记忆单元层，能够捕捉时间序列数据中的前向和后向依赖关系，从而提取出更加丰富和深入的时间特征。通过注意力机制处理前向和后向隐藏状态特征，这种机制能够自动识别和强调那些对当前输出更为重要的输入特征，生成更为精确的电池动态状态特征。注意力机制通过计算每个输入的能量评分和注意力权重，有效地集中了模型的焦点于那些关键的状态特征上。

步骤S102、对电池静态状态特征和电池动态状态特征进行非线性特征映射和特征合并编码，得到融合状态编码特征；

具体的，通过非线性特征映射函数对电池的静态和动态状态特征进行映射，该映射函数利用指数衰减和余弦函数的组合增强特征的非线性属性，并将其映射到一个高维空间中。非线性特征映射函数的设计考虑到了电池状态特征中潜在的非线性复杂性，通过引入正参数γ和λ，分别控制映射强度和余弦波动频率，增加了模型的灵活性，也使得映射后的特征能够更好地反映电池状态的多样性和复杂性。同时，欧几里得范数的使用确保不同特征之间的距离能够准确度量，这有助于捕捉电池状态变化的细微差别。对映射后的静态和动态特征进行特征合并编码，将映射后的特征进行合并和编码处理，生成具有更高信息含量的编码特征。这些编码特征保留了原始特征的重要信息，并且通过合并过程，增强了不同特征之间的互补性和协同效应。将编码后的静态状态特征和动态状态特征进行特征映射强化和特征融合，得到融合状态编码特征，优化特征的表达能力，同时，特征融合过程通过算法，如深度学习中的融合层或注意力机制，综合考虑各个特征的重要性和贡献，确保最终得到的融合状态编码特征能够全面反映电池的综合状态。

步骤S103、对目标车辆电池进行充电需求分析，得到充电需求分析数据，并对充电需求分析数据进行周期性变化规律分析和编码，得到充电需求编码特征；

具体的，获取目标车辆电池的充电历史数据，这些数据包含电池的充电量、充电时间等基本信息，并反映车辆的使用习惯和充电需求的动态变化。基于充电历史数据，进行充电需求分析，从历史数据中提炼出充电需求的基本模式和趋势，为后续的周期性变化规律分析奠定基础。通过GRU-Skip模型中的第一GRU网络对充电需求分析数据进行周期性变化规律分析，捕捉充电需求在时间维度上的变化模式，得到第一周期性变化序列。通过GRU网络的循环特性，识别和提取充电数据中隐含的时间依赖关系，揭示出充电需求的周期性变化规律。通过GRU-Skip模型中独特的Skip连接，对第一周期性变化序列进行处理，该过程通过隐藏层状态的连接，强化了模型对时间序列中长期依赖关系的捕捉能力，从而得到线性周期性变化序列。这一设计使得模型能够在保持对短期依赖敏感的同时，也对长期的周期性模式有更好的识别和预测能力。通过模型中的第二GRU网络对线性周期性变化序列进行周期性变化规律分析，获得第二周期性变化序列。通过两阶段的处理，分层次地提炼和加强周期性特征的提取，确保模型对充电需求周期性变化的高度敏感和准确预测。对第二周期性变化序列进行日内周期性特征和周内周期性特征的分析，挖掘充电需求在一天中和一周内的变化规律，揭示更细粒度的周期性模式。通过对周期性特征进行特征编码融合，得到充电需求编码特征，这些编码特征综合了时间序列的多维周期性信息，还通过编码融合过程，提高了特征的表达能力和对充电策略影响的敏感度。

步骤S104、对融合状态编码特征和充电需求编码特征进行分层次编码特征融合，得到综合充电编码特征；

具体的，对融合状态编码特征进行一般性注意力权重计算，通过评估电池状态特征的重要性，为每个状态特征分配一个权重。这些权重反映了各个状态特征对于电池充电策略决定过程中的贡献大小，使得系统能够识别并优先考虑那些对电池性能和充电效率影响最大的因素。同时，对充电需求编码特征进行周期性注意力权重计算，识别和强调充电需求中那些具有明显周期性变化规律的特征。周期性注意力机制基于对电动车使用模式和充电行为的理解，旨在捕捉到充电需求随时间变化的内在规律，如日内和周内的充电模式变化。通过这种方式，模型能够预测充电需求的未来趋势，并在充电策略中提前做出相应的调整。基于一般性注意力权重，对融合状态编码特征进行特征加权处理。通过加权机制增强对电池状态中重要特征的关注，得到第一加权编码特征。同样，基于周期性注意力权重，对充电需求编码特征进行特征加权处理，得到第二加权编码特征。通过对第一加权编码特征和第二加权编码特征进行特征拼接，得到综合充电编码特征。将电池状态和充电需求的关键信息合并为一个统一的特征表示，为智能充电策略的制定提供全面的视角。

步骤S105、基于策略梯度的强化学习算法对综合充电编码特征进行电池状态和充电需求平衡的充电策略分析，生成目标智能充电策略。

具体的，定义强化学习算法中的核心元素：状态空间、动作空间和奖励函数。状态空间由综合充电编码特征构成，这些特征综合了电池状态和充电需求的关键信息，提供了进行决策的基础。动作空间则由候选的智能充电策略组成，为算法提供了可能的行动方向。奖励函数旨在评价一个给定策略的效率以及该策略对电网负荷平衡的贡献，为算法提供了优化的目标。创建策略梯度强化学习算法中的Actor模型和Critic模型，这两个模型分别生成智能充电策略的动作和评估所选动作的期望收益。Actor模型直接作用于状态空间，根据当前的状态生成充电策略动作，而Critic模型则评估这些动作的期望收益，为Actor模型的决策提供反馈。通过策略梯度更新函数，算法不断迭代更新Actor和Critic模型的参数，以优化充电策略。这一更新过程中引入的优势函数，通过评估选取特定动作相对于平均策略的优势，帮助算法更加精确地调整行动方向。同时，引入熵正则化项，通过鼓励探索不同的动作，平衡算法的探索和利用，避免过早地陷入局部最优解。Actor-Critic模型根据综合充电编码特征进行电池状态和充电需求的平衡分析，利用优势函数指导算法生成最终的智能充电策略。这一过程考虑了即时奖励，并通过折扣因子和Critic模型对未来状态价值的评估，考虑长期收益，确保生成的充电策略在提升充电效率的同时，也考虑到了电网负荷的平衡和电池健康状态的维护。

其中，Actor模型的核心任务是在给定的状态下选择一个最优的动作。这一过程通过动作选择函数实现，该函数采用多头注意力机制来同时捕获状态的多个独立特征表示，增强模型处理复杂状态信息的能力。在这个过程中，每个注意力头通过加权、激活和偏置调整操作处理状态信息，最终通过softmax激活函数输出一个概率分布，从中选择概率最高的动作作为此时刻的决策。提供Critic模型评估Actor模型选择的动作的期望收益。Critic模型通过价值函数对给定状态的价值进行评估，这一价值函数结合了多层的非线性处理，其中引入残差网络结构提高模型的学习能力和稳定性。每个残差块通过权重矩阵和偏置项对输入进行处理，并通过ReLU激活函数增加非线性，使得Critic模型能够准确估计在特定状态下采取某一动作的长期收益。深度网络结构的应用，特别是残差块的使用，提升了模型处理复杂评估任务的能力，还有助于避免在训练过程中出现的梯度消失或爆炸问题。通过Actor-Critic架构，模型在每一时间步都进行动态的决策和评估。Actor模型基于当前状态提出动作建议，而Critic模型评估这一动作的潜在价值，二者的相互作用推动智能充电策略的持续优化。在策略梯度强化学习算法的指导下，通过不断迭代学习，模型能够在探索和利用之间找到平衡，逐渐逼近最优充电策略。这种方法考虑了电池的即时状态和充电需求，也考虑了充电策略对电网负荷平衡的影响，实现了充电效率和电网运行效率的双重优化。

本申请实施例中，通过对目标车辆电池进行多维状态检测，并结合时空分离卷积网络和双向长短期记忆网络，本方法能够全面监测电池的实时状态，并精确提取电池的静态和动态特征。这种全面的监测与精确预测使得充电策略能够更加贴合电池的实际需求和状态，从而有效延长电池寿命，提高充电效率。通过非线性特征映射和特征合并编码技术，本方法能够深度融合电池静态和动态特征，得到融合状态编码特征。这种智能特征融合不仅增强了特征间的关联性，提升了特征的表征能力，还为充电策略的制定提供了更加丰富和准确的数据支持。通过基于GRU-Skip模型的充电需求分析，本方法能够有效挖掘和表征电池充电需求的周期性变化规律，包括日内周期和周内周期的变化。这种周期性变化规律的有效挖掘为预测未来充电需求提供了科学依据，有助于优化充电时段，减少电网负荷。通过多层次注意力机制和基于策略梯度的强化学习算法，本方法能够智能调整充电策略，使其在满足电池充电需求的同时，兼顾电网负荷平衡。这种高度适应性的充电策略不仅提高了充电效率和电网运行的稳定性，还能根据实时电网负荷和电价动态优化充电成本，所以本申请通过深度学习技术对车辆电池进行多维状态检测进而提高了车辆电池的智能充电准确率。

在一具体实施例中，执行步骤S101的过程可以具体包括如下步骤：

（1）对目标车辆电池进行多维状态检测，得到初始多维状态数据，并对初始多维状态数据进行数据清洗处理，得到电池多维状态数据，电池多维状态数据包括：电压、电流以及温度；

（2）通过时空分离卷积网络中的时间卷积核对所述电池多维状态数据进行时间特征提取，得到时间状态特征，并通过所述时空分离卷积网络中的空间卷积核对所述电池多维状态数据进行空间特征提取，得到空间状态特征，以及对所述时间状态特征和所述空间状态特征进行动态卷积操作，生成电池静态状态特征，所述时空分离卷积网络包括：

；

其中，表示空间卷积核，X表示电池多维状态数据的空间数据，/>表示空间卷积核的偏置项，/>表示激活函数，/>表示快速傳里叶变换，/>表示逆快速傳里叶变换，/>表示元素乘法操作，/>表示时间卷积核，/>表示时间卷积的步长，/>表示电池多维状态数据的时间数据，/>表示动态调整函数，/>表示动态卷积操作，/>表示电池静态状态特征；

（3）通过双向长短期记忆网络中的前向长短期记忆单元层对所述电池多维状态数据进行前向隐藏状态特征提取，得到前向隐藏状态特征，并通过所述双向长短期记忆网络中的后向长短期记忆单元层对所述电池多维状态数据进行后向隐藏状态特征提取，得到后向隐藏状态特征，以及对所述前向隐藏状态特征和所述后向隐藏状态特征进行注意力机制特征处理，得到电池动态状态特征，其中，注意力机制函数为：

；

；

其中，和/>表示注意力机制的权重矩阵，/>表示元素总数，/>表示遍历变量，分别用于当前状态和前一状态的调节，/>表示注意力机制的偏置项，/>表示当前状态的隐藏层向量，/>表示前一状态的隐藏层向量，/>表示第/>时刻对第/>个输入的注意力权重，/>表示能量评分，用于衡量第/>个输入对于当前输出的重要性，/>表示/>和/>间的交互操作，/>是在序列中索引为k的元素对应的隐藏状态，/>是序列中前一个元素的隐藏状态。

具体的，对目标车辆的电池进行多维状态检测，通过高精度的传感器，收集电池的电压、电流以及温度等多维状态数据。得到的初始数据往往包含噪声或不必要的信息，因此需要进行数据清洗处理，以确保后续分析的准确性。数据清洗的过程中，去除异常值、填补缺失值以及数据标准化等，确保得到的电池多维状态数据是准确和可靠的。采用时空分离卷积网络处理清洗后的电池多维状态数据。该网络通过空间卷积核和时间卷积核分别提取电池状态数据的空间特征和时间特征。空间特征捕捉电池状态在不同维度上的关系，如电压和电流之间的相互作用，而时间特征揭示了电池状态随时间的变化趋势，如温度的升高速率。动态卷积操作进一步融合了时间和空间特征，生成更加全面的电池静态状态特征。采用双向长短期记忆网络（Bi-LSTM）处理电池多维状态数据。Bi-LSTM能够同时考虑电池状态数据的前向和后向信息，更全面地捕捉电池状态随时间的动态变化。通过前向和后向长短期记忆单元层的处理，得到电池状态数据的前向和后向隐藏状态特征。通过注意力机制对这些隐藏状态特征进行处理，计算每个时间点上不同状态特征的重要性，捕捉到影响电池性能最关键的因素。注意力机制通过计算每个状态特征的能量评分和注意力权重来实现，这个过程依赖于注意力权重矩阵和偏置项的调整，确保模型能够自动关注到最关键的状态特征。通过这种方式，模型不仅能够理解电池状态的当前状况，还能够预测电池未来的性能变化。通过结合时空分离卷积网络和双向长短期记忆网络的处理结果，以及注意力机制的应用，得到电池的综合状态特征，这些特征综合了电池的静态和动态信息，为智能充电系统提供了准确的电池状态评估。

在一具体实施例中，执行步骤S102的过程可以具体包括如下步骤：

（1）通过非线性特征映射函数分别对所述电池静态状态特征和所述电池动态状态特征进行非线性特征映射，得到映射后的静态特征和映射后的动态特征，其中，所述非线性特征映射函数为：

；

其中，表示非线性映射函数，将电池静态状态特征或者电池动态状态特征/>映射到一个高维空间，/>表示控制映射强度的正参数，/>表示当前电池静态状态特征或者电池动态状态特征，/>表示训练集中的第/>个向量，/>表示调节余弦波动频率的参数，/>表示欧几里得范数，/>表示向量总数，/>表示索引；

（2）对映射后的静态特征和映射后的动态特征进行特征合并编码，得到编码静态状态特征和编码动态状态特征；

（3）对编码静态状态特征和编码动态状态特征进行特征映射强化和特征融合，得到融合状态编码特征。

具体的，通过非线性特征映射函数分别对电池静态状态特征和电池动态状态特征进行非线性特征映射。该函数结合了指数衰减项和余弦项，旨在将原始特征映射到一个高维空间中，以揭示特征间复杂的非线性关系。指数衰减项关注于特征间的差异性，强调不同状态特征之间的距离，而余弦项则引入了周期性的变化，体现了特征随时间的波动性。参数和/>分别调控这两种效应的强度，使得映射能够灵活适应不同的特征分布。将映射后的静态特征和动态特征进行特征合并编码。这一步骤通过融合不同类型的特征，构建了一个综合性的特征表示，增加特征间的互补性。合并编码的过程可能涉及到特征拼接、加权平均或通过深度神经网络进一步提取特征的方法。得到的编码静态状态特征和编码动态状态特征，更全面地反映了电池的综合状态。对编码后的静态状态特征和动态状态特征进行映射强化和特征融合。通过非线性处理方法，如深度神经网络，以强化特征之间的相互作用和区分度。通过强化和融合，最终得到的融合状态编码特征包含了电池状态的全面信息，也优化了特征的表达，使其更适合于支持复杂的决策过程。

在一具体实施例中，执行步骤S103的过程可以具体包括如下步骤：

（1）获取目标车辆电池的充电历史数据，并对充电历史数据进行充电需求分析，得到充电需求分析数据；

（2）通过GRU-Skip模型中的第一GRU网络对充电需求分析数据进行周期性变化规律分析，得到第一周期性变化序列；

（3）通过GRU-Skip模型中的Skip连接对第一周期性变化序列进行隐藏层状态连接，得到线性周期性变化序列；

（4）通过GRU-Skip模型中的第二GRU网络对线性周期性变化序列进行周期性变化规律分析，得到第二周期性变化序列，其中，第一GRU网络和第二GRU网络相同；

（5）对第二周期性变化序列进行日内周期性特征分析，得到日内周期性特征，并对第二周期性变化序列进行周内周期性特征分析，得到周内周期性特征；

（6）对日内周期性特征和周内周期性特征进行特征编码融合，得到充电需求编码特征。

具体的，获取目标车辆电池的充电历史数据。这些数据通常包括充电时间、充电持续时间、充电速度、电池在充电前后的状态等信息。通过对历史数据的分析，得到用户的充电习惯，例如充电的频率、充电时间的选择、充电量的需求等。通过GRU-Skip模型的第一GRU网络对充电需求分析数据进行周期性变化规律分析。GRU（门控循环单元）网络能够有效处理时间序列数据，通过学习和记忆过去的信息预测未来的状态。第一GRU网络从充电历史数据中捕捉到周期性变化的模式，比如每天特定时间的充电行为或每周特定日的高需求模式，生成第一周期性变化序列。通过GRU-Skip模型中的Skip连接将第一周期性变化序列的隐藏层状态进行连接。Skip连接是一种特殊的结构，能够直接将较早层的信息传递到后续层，有助于模型捕捉长期依赖关系，从而克服传统循环神经网络难以处理长序列数据的缺点，得到线性周期性变化序列。第二GRU网络对线性周期性变化序列进行周期性变化规律分析，得到第二周期性变化序列。对第二周期性变化序列进行日内和周内周期性特征分析，分别提取出日内和周内的周期性特征，这些特征反映了电池充电需求在一天中和一周内的变化规律。将日内和周内的周期性特征进行特征编码融合，生成最终的充电需求编码特征。这一编码特征综合了电池充电需求的多维周期性信息。

在一具体实施例中，执行步骤S104的过程可以具体包括如下步骤：

（1）对融合状态编码特征进行一般性注意力权重计算，得到融合状态编码特征的一般性注意力权重；

（2）对充电需求编码特征进行周期性注意力权重计算，得到充电需求编码特征的周期性注意力权重；

（3）基于一般性注意力权重对融合状态编码特征进行特征加权，得到第一加权编码特征；

（4）基于周期性注意力权重对充电需求编码特征进行特征加权，得到第二加权编码特征；

（5）对第一加权编码特征和第二加权编码特征进行特征拼接，得到综合充电编码特征。

具体的，对融合状态编码特征进行一般性注意力权重计算，确定在给定的融合状态编码特征中，哪些特征是对当前充电决策最为关键的。一般性注意力权重的计算通过一个软注意力机制实现，该机制通常涉及到一个全连接层，其输入是融合状态编码特征，输出是一个权重向量，每个权重代表了相应特征的重要性。对充电需求编码特征进行周期性注意力权重的计算。周期性注意力权重专注于识别那些显示出明显周期性变化模式的充电需求特征，如日内或周内的充电需求高峰。周期性注意力权重同样通过软注意力机制获得，但其训练过程会强调充电需求数据中的周期性模式，使得系统能够预测并适应这些周期性变化。基于一般性注意力权重和周期性注意力权重对相应的特征进行加权。将一般性注意力权重应用于融合状态编码特征，以及将周期性注意力权重应用于充电需求编码特征，得到两组加权后的特征：第一加权编码特征和第二加权编码特征。通过强调那些更加重要的特征，同时减少其他非关键特征的影响，提高特征表示的有效性和精确性。通过将第一加权编码特征和第二加权编码特征进行特征拼接，得到综合充电编码特征。这一综合特征集成了电池状态和充电需求的所有关键信息，同时考虑这些信息的一般重要性和周期性变化模式。

在一具体实施例中，执行步骤S105的过程可以具体包括如下步骤：

（1）定义策略梯度的强化学习算法中的状态空间为综合充电编码特征、动作空间为候选的智能充电策略、奖励函数为基于智能充电策略的效率和电网负荷平衡；

（2）创建策略梯度的强化学习算法中Actor模型生成智能充电策略动作以及Critic模型评估所选动作的期望收益；

（3）通过策略梯度更新函数对策略梯度的强化学习算法进行策略梯度更新，生成Actor-Critic模型，策略梯度更新函数为：，表示策略的梯度，用于更新Actor模型参数，/>表示期望值，表示在策略/>下的平均效果，/>表示在策略/>下，给定状态/>采取动作/>的概率，/>表示优势函数，评估选取动作/>相对于平均策略的优势，/>表示熵正则化项的系数，用于平衡探索与利用，表示策略/>的熵，用于鼓励探索不同动作，/>表示参数/>的二阶导数，用于计算熵的梯度；

（4）通过Actor-Critic模型对综合充电编码特征进行电池状态和充电需求平衡的充电策略分析，并通过优势函数生成目标智能充电策略，优势函数包括：，/>表示优势函数，/>表示在时间/>接收到的即时奖励，/>表示折扣因子，/>表示Critic模型评估的下一状态/>的价值，/>表示Critic模型评估的当前状态/>的价值。

具体的，定义强化学习算法中的状态空间、动作空间和奖励函数。状态空间由综合充电编码特征构成，这些特征综合了电池状态和充电需求的关键信息。动作空间则包含了所有可能的充电策略，每种策略都是基于当前电池状态和充电需求来设计的。奖励函数考虑了充电策略的效率和对电网负荷的影响，奖励那些能够提高充电效率同时平衡电网负荷的策略。创建Actor模型和Critic模型。Actor模型根据当前的状态生成充电策略动作，而Critic模型则评估这些动作的期望收益。Actor模型通过学习状态空间和动作空间之间的映射关系，能够为每个给定的状态提出一个或多个可能的充电策略。Critic模型则通过评估这些策略带来的长期收益，提供对Actor模型决策的反馈。通过策略梯度更新函数对策略梯度的强化学习算法进行策略梯度更新，该更新函数考虑了每个动作的期望收益，并引入熵正则化项以鼓励策略的探索性。这种更新机制使得Actor-Critic模型能够在探索新策略和利用已知策略之间找到平衡，从而不断优化充电策略。通过Actor-Critic模型对综合充电编码特征进行电池状态和充电需求平衡的充电策略分析，并通过优势函数生成目标智能充电策略。优势函数通过比较Critic模型对当前状态和下一状态的价值评估，确定采取某一动作的优势程度。这种机制使得算法能够区分哪些动作对于改进当前策略更为有效，从而指导Actor模型生成更优的充电策略。通过Actor-Critic模型，系统能够不断地分析综合充电编码特征，调整和优化充电策略。例如，如果在某个时间段内电网负荷较高，系统可能会优先选择低功率充电策略，以减轻电网压力；反之，在电网负荷较低时，系统则可能会采用更快的充电速度，以提高充电效率。这种动态调整的能力，使得智能充电策略能够在保证电池健康的同时，最大化利用电网资源，实现能源的高效使用。

在一具体实施例中，执行步骤创建策略梯度的强化学习算法中Actor模型生成智能充电策略动作以及Critic模型评估所选动作的期望收益的过程可以具体包括如下步骤：

（1）创建策略梯度的强化学习算法中Actor模型生成智能充电策略动作，其中，Actor模型动作选择函数为：，表示在时间/>的动作，根据Actor模型的输出概率分布选择，softmax表示激活函数，用于将输出转换为概率分布，确保所有可能动作的概率和为1，/>表示注意力机制的头数，用于同时捕获状态的多个独立特征表示，/>表示第/>个注意力头中用于状态输入的第一层权重矩阵，/>表示第/>个注意力头中用于第一层输出的第二层权重矩阵，/>表示第/>个注意力头中第一层的偏置项，/>表示第/>个注意力头中第二层的偏置项，ReLU表示非线性激活函数，用于增加模型的表达能力，/>表示在时间/>的状态；

（2）创建策略梯度的强化学习算法中Critic模型评估所选动作的期望收益，其中，Critic模型价值函数为：，表示Critic模型评估的在状态/>下的价值函数，/>表示残差块的数量，表示网络深度，表示第/>个残差块中权重矩阵，/>表示第/>个残差块中的偏置项，/>表示在时间/>的状态。

具体的，创建策略梯度的强化学习算法中Actor模型生成智能充电策略动作。通过动作选择函数，考虑电池状态信息的多维性和复杂性。动作选择函数采用多头注意力机制，该机制通过分离输入状态的不同特征，能够使模型更加关注于那些对当前充电决策最重要的状态信息。每个注意力头通过第一层权重矩阵和偏置项/>对输入状态/>进行初步处理，接着使用ReLU函数增加非线性，然后通过第二层权重矩阵/>和偏置项进一步加工处理，通过softmax函数将输出转换成概率分布，从而决定采取的动作。通过Critic模型评估由Actor模型生成的动作的期望收益。这一过程中，Critic模型采用一个深度神经网络，该网络通过残差块的堆叠来增加模型的深度和复杂性，从而能够捕捉到电池状态和充电动作之间复杂的非线性关系。每个残差块通过权重矩阵/>和偏置项对输入进行处理，并使用ReLU激活函数引入非线性。通过Critic模型准确评估当前状态下动作的长期收益，还能够通过反馈帮助Actor模型不断优化其策略选择。通过策略梯度更新函数，模型能够根据Critic模型的评估结果调整Actor模型的参数，从而在策略空间中搜索最优的充电策略。这个更新过程依赖于选取动作的优势函数，并通过熵正则化项以鼓励策略的探索，确保模型不会过早地收敛到局部最优解。通过Actor-Critic框架，智能充电系统能够实现对电池状态和充电需求的管理，同时考虑到电网负载的平衡。例如，如果系统预测到未来某个时段电网负载较高，Actor模型可能会生成延迟充电或使用较低充电速率的策略，而Critic模型则评估这些策略的长期收益，指导Actor模型不断调整和优化策略选择。

上面对本申请实施例中基于车辆电池监测的智能充电方法进行了描述，下面对本申请实施例中基于车辆电池监测的智能充电系统进行描述，请参阅图2，本申请实施例中基于车辆电池监测的智能充电系统一个实施例包括：

检测模块201，用于对目标车辆电池进行多维状态检测，得到电池多维状态数据并进行静态特征和动态特征提取，得到电池静态状态特征和电池动态状态特征；

映射模块202，用于对电池静态状态特征和电池动态状态特征进行非线性特征映射和特征合并编码，得到融合状态编码特征；

编码模块203，用于对目标车辆电池进行充电需求分析，得到充电需求分析数据，并对充电需求分析数据进行周期性变化规律分析和编码，得到充电需求编码特征；

融合模块204，用于对融合状态编码特征和充电需求编码特征进行分层次编码特征融合，得到综合充电编码特征；

分析模块205，用于基于策略梯度的强化学习算法对综合充电编码特征进行电池状态和充电需求平衡的充电策略分析，生成目标智能充电策略。

通过上述各个组成部分的协同合作，通过对目标车辆电池进行多维状态检测，并结合时空分离卷积网络和双向长短期记忆网络，本方法能够全面监测电池的实时状态，并精确提取电池的静态和动态特征。这种全面的监测与精确预测使得充电策略能够更加贴合电池的实际需求和状态，从而有效延长电池寿命，提高充电效率。通过非线性特征映射和特征合并编码技术，本方法能够深度融合电池静态和动态特征，得到融合状态编码特征。这种智能特征融合不仅增强了特征间的关联性，提升了特征的表征能力，还为充电策略的制定提供了更加丰富和准确的数据支持。通过基于GRU-Skip模型的充电需求分析，本方法能够有效挖掘和表征电池充电需求的周期性变化规律，包括日内周期和周内周期的变化。这种周期性变化规律的有效挖掘为预测未来充电需求提供了科学依据，有助于优化充电时段，减少电网负荷。通过多层次注意力机制和基于策略梯度的强化学习算法，本方法能够智能调整充电策略，使其在满足电池充电需求的同时，兼顾电网负荷平衡。这种高度适应性的充电策略不仅提高了充电效率和电网运行的稳定性，还能根据实时电网负荷和电价动态优化充电成本，所以本申请通过深度学习技术对车辆电池进行多维状态检测进而提高了车辆电池的智能充电准确率。

本申请还提供一种基于车辆电池监测的智能充电设备，所述基于车辆电池监测的智能充电设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述基于车辆电池监测的智能充电方法的步骤。

本申请还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述基于车辆电池监测的智能充电方法的步骤。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，系统和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random acceS memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

1.一种基于车辆电池监测的智能充电方法，其特征在于，所述基于车辆电池监测的智能充电方法包括：

对目标车辆电池进行多维状态检测，得到电池多维状态数据并进行静态特征和动态特征提取，得到电池静态状态特征和电池动态状态特征；

对所述电池静态状态特征和所述电池动态状态特征进行非线性特征映射和特征合并编码，得到融合状态编码特征；

对所述目标车辆电池进行充电需求分析，得到充电需求分析数据，并对所述充电需求分析数据进行周期性变化规律分析和编码，得到充电需求编码特征；

对所述融合状态编码特征和所述充电需求编码特征进行分层次编码特征融合，得到综合充电编码特征；

基于策略梯度的强化学习算法对所述综合充电编码特征进行电池状态和充电需求平衡的充电策略分析，生成目标智能充电策略。

2.根据权利要求1所述的基于车辆电池监测的智能充电方法，其特征在于，所述对目标车辆电池进行多维状态检测，得到电池多维状态数据并进行静态特征和动态特征提取，得到电池静态状态特征和电池动态状态特征，包括：

对目标车辆电池进行多维状态检测，得到初始多维状态数据，并对所述初始多维状态数据进行数据清洗处理，得到电池多维状态数据，所述电池多维状态数据包括：电压、电流以及温度；

通过时空分离卷积网络中的时间卷积核对所述电池多维状态数据进行时间特征提取，得到时间状态特征，并通过所述时空分离卷积网络中的空间卷积核对所述电池多维状态数据进行空间特征提取，得到空间状态特征，以及对所述时间状态特征和所述空间状态特征进行动态卷积操作，生成电池静态状态特征，所述时空分离卷积网络包括：

；

其中，表示空间卷积核，X表示电池多维状态数据的空间数据，/>表示空间卷积核的偏置项，/>表示激活函数，/>表示快速傳里叶变换，/>表示逆快速傳里叶变换，/>表示元素乘法操作，/>表示时间卷积核，/>表示时间卷积的步长，/>表示电池多维状态数据的时间数据，/>表示动态调整函数，/>表示动态卷积操作，/>表示电池静态状态特征；

通过双向长短期记忆网络中的前向长短期记忆单元层对所述电池多维状态数据进行前向隐藏状态特征提取，得到前向隐藏状态特征，并通过所述双向长短期记忆网络中的后向长短期记忆单元层对所述电池多维状态数据进行后向隐藏状态特征提取，得到后向隐藏状态特征，以及对所述前向隐藏状态特征和所述后向隐藏状态特征进行注意力机制特征处理，得到电池动态状态特征，其中，注意力机制函数为：

；

；

其中，和/>表示注意力机制的权重矩阵，/>表示元素总数，/>表示遍历变量，分别用于当前状态和前一状态的调节，/>表示注意力机制的偏置项，/>表示当前状态的隐藏层向量，表示前一状态的隐藏层向量，/>表示第/>时刻对第/>个输入的注意力权重，/>表示能量评分，用于衡量第/>个输入对于当前输出的重要性，/>表示/>和/>间的交互操作，/>是在序列中索引为k的元素对应的隐藏状态，/>是序列中前一个元素的隐藏状态。

3.根据权利要求1所述的基于车辆电池监测的智能充电方法，其特征在于，所述对所述电池静态状态特征和所述电池动态状态特征进行非线性特征映射和特征合并编码，得到融合状态编码特征，包括：

通过非线性特征映射函数分别对所述电池静态状态特征和所述电池动态状态特征进行非线性特征映射，得到映射后的静态特征和映射后的动态特征，其中，所述非线性特征映射函数为：

；

其中，表示非线性映射函数，将电池静态状态特征或者电池动态状态特征/>映射到一个高维空间，/>表示控制映射强度的正参数，/>表示当前电池静态状态特征或者电池动态状态特征，/>表示训练集中的第/>个向量，/>表示调节余弦波动频率的参数，/>表示欧几里得范数，/>表示向量总数，/>表示索引；

对所述映射后的静态特征和所述映射后的动态特征进行特征合并编码，得到编码静态状态特征和编码动态状态特征；

对所述编码静态状态特征和所述编码动态状态特征进行特征映射强化和特征融合，得到融合状态编码特征。

4.根据权利要求1所述的基于车辆电池监测的智能充电方法，其特征在于，所述对所述目标车辆电池进行充电需求分析，得到充电需求分析数据，并对所述充电需求分析数据进行周期性变化规律分析和编码，得到充电需求编码特征，包括：

获取所述目标车辆电池的充电历史数据，并对所述充电历史数据进行充电需求分析，得到充电需求分析数据；

通过GRU-Skip模型中的第一GRU网络对所述充电需求分析数据进行周期性变化规律分析，得到第一周期性变化序列；

通过所述GRU-Skip模型中的Skip连接对所述第一周期性变化序列进行隐藏层状态连接，得到线性周期性变化序列；

通过所述GRU-Skip模型中的第二GRU网络对所述线性周期性变化序列进行周期性变化规律分析，得到第二周期性变化序列，其中，所述第一GRU网络和所述第二GRU网络相同；

对所述第二周期性变化序列进行日内周期性特征分析，得到日内周期性特征，并对所述第二周期性变化序列进行周内周期性特征分析，得到周内周期性特征；

对所述日内周期性特征和所述周内周期性特征进行特征编码融合，得到充电需求编码特征。

5.根据权利要求1所述的基于车辆电池监测的智能充电方法，其特征在于，所述对所述融合状态编码特征和所述充电需求编码特征进行分层次编码特征融合，得到综合充电编码特征，包括：

对所述融合状态编码特征进行一般性注意力权重计算，得到所述融合状态编码特征的一般性注意力权重；

对所述充电需求编码特征进行周期性注意力权重计算，得到所述充电需求编码特征的周期性注意力权重；

基于所述一般性注意力权重对所述融合状态编码特征进行特征加权，得到第一加权编码特征；

基于所述周期性注意力权重对所述充电需求编码特征进行特征加权，得到第二加权编码特征；

对所述第一加权编码特征和所述第二加权编码特征进行特征拼接，得到综合充电编码特征。

6.根据权利要求1所述的基于车辆电池监测的智能充电方法，其特征在于，所述基于策略梯度的强化学习算法对所述综合充电编码特征进行电池状态和充电需求平衡的充电策略分析，生成目标智能充电策略，包括：

定义策略梯度的强化学习算法中的状态空间为综合充电编码特征、动作空间为候选的智能充电策略、奖励函数为基于智能充电策略的效率和电网负荷平衡；

创建所述策略梯度的强化学习算法中Actor模型生成智能充电策略动作以及Critic模型评估所选动作的期望收益；

通过策略梯度更新函数对所述策略梯度的强化学习算法进行策略梯度更新，生成Actor-Critic模型，所述策略梯度更新函数为：，表示策略的梯度，用于更新Actor模型参数，/>表示期望值，表示在策略/>下的平均效果，/>表示在策略/>下，给定状态/>采取动作/>的概率，/>表示优势函数，评估选取动作/>相对于平均策略的优势，/>表示熵正则化项的系数，用于平衡探索与利用，表示策略/>的熵，用于鼓励探索不同动作，/>表示参数/>的二阶导数，用于计算熵的梯度；

通过所述Actor-Critic模型对所述综合充电编码特征进行电池状态和充电需求平衡的充电策略分析，并通过优势函数生成目标智能充电策略，所述优势函数包括：，/>表示优势函数，/>表示在时间/>接收到的即时奖励，/>表示折扣因子，/>表示Critic模型评估的下一状态/>的价值，/>表示Critic模型评估的当前状态/>的价值。

7.根据权利要求6所述的基于车辆电池监测的智能充电方法，其特征在于，所述创建所述策略梯度的强化学习算法中Actor模型生成智能充电策略动作以及Critic模型评估所选动作的期望收益，包括：

创建所述策略梯度的强化学习算法中Actor模型生成智能充电策略动作，其中，Actor模型动作选择函数为：，表示在时间/>的动作，根据Actor模型的输出概率分布选择，softmax表示激活函数，用于将输出转换为概率分布，确保所有可能动作的概率和为1，/>表示注意力机制的头数，用于同时捕获状态的多个独立特征表示，/>表示第/>个注意力头中用于状态输入的第一层权重矩阵，/>表示第/>个注意力头中用于第一层输出的第二层权重矩阵，/>表示第/>个注意力头中第一层的偏置项，/>表示第/>个注意力头中第二层的偏置项，ReLU表示非线性激活函数，用于增加模型的表达能力，/>表示在时间/>的状态；

创建所述策略梯度的强化学习算法中Critic模型评估所选动作的期望收益，其中，Critic模型价值函数为：，表示Critic模型评估的在状态/>下的价值函数，/>表示残差块的数量，表示网络深度，表示第/>个残差块中权重矩阵，/>表示第/>个残差块中的偏置项，/>表示在时间/>的状态。

8.一种基于车辆电池监测的智能充电系统，其特征在于，所述基于车辆电池监测的智能充电系统包括：

检测模块，用于对目标车辆电池进行多维状态检测，得到电池多维状态数据并进行静态特征和动态特征提取，得到电池静态状态特征和电池动态状态特征；

映射模块，用于对所述电池静态状态特征和所述电池动态状态特征进行非线性特征映射和特征合并编码，得到融合状态编码特征；

编码模块，用于对所述目标车辆电池进行充电需求分析，得到充电需求分析数据，并对所述充电需求分析数据进行周期性变化规律分析和编码，得到充电需求编码特征；

融合模块，用于对所述融合状态编码特征和所述充电需求编码特征进行分层次编码特征融合，得到综合充电编码特征；

分析模块，用于基于策略梯度的强化学习算法对所述综合充电编码特征进行电池状态和充电需求平衡的充电策略分析，生成目标智能充电策略。

9.一种基于车辆电池监测的智能充电设备，其特征在于，所述基于车辆电池监测的智能充电设备包括：存储器和至少一个处理器，所述存储器中存储有指令；

所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于车辆电池监测的智能充电设备执行如权利要求1-7中任一项所述的基于车辆电池监测的智能充电方法。

10.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-7中任一项所述的基于车辆电池监测的智能充电方法。