CN121663759A - 窄体自行走作业平台电池组充电控制方法 - Google Patents

Abstract

本发明公开了窄体自行走作业平台电池组充电控制方法,属于电池管理技术领域。通过实时采集锂电池组的运行参数和作业平台的工况参数,根据荷电状态和工况类型选择相应的充电阶段,将充电过程划分为预充电、快速充电、优化充电、均衡充电和浮充维护五个阶段。基于多点温度数据建立三维温度场模型,计算综合温度补偿系数对充电电流进行精准调整。采用扩展卡尔曼滤波与长短时记忆神经网络联合估算电池的荷电状态和健康状态,并通过贝叶斯融合提高估算精度。实时监测平台倾斜角和振动加速度,根据安全状况调整或停止充电。本发明显著缩短充电时间,提高充电效率,降低电池温升,延长电池循环寿命,同时提升作业平台的能源利用效率和安全性。

Description

窄体自行走作业平台电池组充电控制方法

技术领域

本发明属于电池管理技术领域，具体涉及窄体自行走作业平台电池组充电控制方法。

背景技术

现有的锂电池充电技术主要采用传统的恒流恒压充电方法，该方法在恒流阶段以固定电流对电池充电，当电池电压达到设定值后转为恒压充电，直至充电电流衰减到截止值。这种充电方法结构简单、易于实现，但存在充电参数固定、无法根据实际工况动态调整的问题。对于高空作业平台这类移动作业设备而言，作业过程中存在静止待机、行走移动、臂架动作等多种工况，各工况对动力的需求差异显著。传统固定充电模式在重载作业时可能占用过多的发动机功率，导致作业动力不足，而在轻载或待机时又无法充分利用剩余功率快速充电，充电效率低下且影响作业连续性。现有充电技术通常采用单阶段或两阶段的充电策略，未能充分考虑锂电池在不同荷电状态下充电特性的差异。

电池在低荷电状态时可以接受较大电流充电，而在高荷电状态时充电接受能力下降，若仍采用相同的充电电流容易导致过充电和电池温升过高。此外，现有方法在充电阶段划分和电流设定上较为粗糙，难以在充电速度、充电效率和电池寿命之间实现良好平衡。温度是影响锂电池充电性能和安全的关键因素，但现有技术多采用单点或少量测温点监测电池温度，无法准确反映电池组内部的温度分布情况。电池组在充电过程中由于电流分布不均、散热条件差异等原因会产生温度梯度，局部区域可能出现过热现象。单点测温容易忽略局部温度异常，导致充电参数设置不当，既影响充电效率又存在安全隐患。特别是在极端温度环境下，温度补偿不精确会造成低温下充电接受能力下降、高温下电池老化加速的问题。电池荷电状态和健康状态的准确估算是充电控制的基础，现有技术主要采用安时积分法或基于模型的卡尔曼滤波算法估算荷电状态。安时积分法简单直观但存在累积误差问题，长时间使用后估算精度下降。卡尔曼滤波算法依赖于精确的电池模型，而电池特性会随温度变化和老化程度改变,模型参数难以实时修正，导致估算精度不高。对于健康状态的估算，现有方法多依赖离线测试，无法在充电过程中实时获取电池健康信息，充电参数无法根据电池老化状态自适应调整，加速了电池性能衰退。对于配备双动力源的作业平台，现有技术在动力源切换和功率分配方面缺乏智能化管理。同时，现有技术缺少能量回收机制，臂架下降和车辆减速时的机械能未能有效回收利用，进一步降低了能源利用效率。现有充电技术还存在充电策略无法持续优化的问题。充电参数通常在出厂时设定后固定不变，无法根据实际使用情况和电池老化状态进行调整优化。随着使用时间增长和工况环境变化，初始设定的充电参数逐渐不再适用，充电性能下降。虽然部分高端设备配备了数据记录功能,但数据未能得到有效利用，缺少基于大数据分析的充电策略优化和预测性维护功能。

综上所述，迫切需要开发一种窄体自行走作业平台电池组充电控制方法，以解决上述技术问题，提高充电效率和电池寿命，降低运营成本，保障作业安全。

发明内容

为解决背景技术中存在的问题，本发明提供窄体自行走作业平台电池组充电控制方法，其特征在于，包括以下步骤：

S1：采集锂电池组运行参数和作业平台工况参数；S2：构建工况特征向量，识别当前作业工况类型；S3：根据工况类型和SOC值选择充电阶段，确定基准充电电流；S4：基于多点温度数据建立三维温度场模型，计算综合温度补偿系数，调整充电电流；S5：采用扩展卡尔曼滤波和长短时记忆神经网络联合估算SOC和SOH，修正充电参数；S6：预测未来功率需求，切换柴油发动机与电动泵之间的动力源，动态分配充电功率；S7：检测平台倾斜角和振动加速度，调整或停止充电；S8：上传充放电数据至云端服务器，接收优化后的充电策略参数并更新本地算法。

进一步，所述S1包括以下步骤：

S11：通过电压采集模块以100Hz至1000Hz采样频率采集电池组中各单体电池电压，电压采集精度为±5mV至±10mV；S12：通过串联在充放电主回路中的电流传感器以500Hz至2000Hz采样频率采集充电电流或放电电流，电流传感器测量精度为±0.3%至±0.8%；S13：通过12至20个温度传感器采集电池组内多点温度，所述温度传感器分布设置在正极端子、负极端子、电池组中部和外壳表面；S14：通过设置在行走轮上的行走速度传感器测量行走速度，通过设置在转向机构上的转向角位移传感器测量转向角度并计算转向角速度，通过设置在液压系统油管上的压力传感器和流量传感器计算液压系统功率；S15：通过安装在行走平台中心位置的六轴姿态传感器测量平台在X、Y、Z三个方向的倾斜角和振动加速度；S16：将采集的所有参数通过CAN总线传输至主控制器，主控制器对数据进行有效性校验和滤波处理。

进一步，所述S2包括以下步骤：

S21：构建七维工况特征向量：；其中，为行走速度；为转向角速度；为液压系统功率；为平台倾斜角；为振动加速度；为驱动电机电流；为臂架负荷功率；S22：对七维工况特征向量进行归一化处理，归一化公式为；其中，为第i个特征的归一化值；为第i个特征的实际测量值；为第i个特征的最小值；为第i个特征的最大值；S23：将归一化后的特征向量输入预先训练好的模糊神经网络，所述模糊神经网络包括7个输入节点、15至25个隐藏层节点和7个输出层节点；S24：计算输出层各节点的输出值，选择输出值最大的节点对应的工况类型作为识别结果，识别为静止待机工况、低速行走工况、高速行走工况、转向机动工况、臂架轻载动作工况、臂架重载动作工况或混合作业工况中的一种。

进一步，所述S3包括以下步骤：

S31：判断当前SOC值所在区间，当SOC小于0.20时选择预充电阶段，当SOC在0.20至0.60之间时选择快速充电阶段，当SOC在0.60至0.85之间时选择优化充电阶段，当SOC在0.85至0.95之间时选择均衡充电阶段，当SOC大于或等于0.95时选择浮充维护阶段；S32：根据选择的充电阶段和当前工况类型确定基准充电电流，在预充电阶段，静止待机工况、低速行走工况和高速行走工况下设定为0.15C至0.25C，转向机动工况、臂架动作工况下设定为0.03C至0.07C；在快速充电阶段，静止待机工况下设定为0.45C至0.55C，行走工况下采用脉冲充电并计算平均电流，臂架动作工况下设定为0.25C至0.35C；S33：在优化充电阶段，按公式计算基准充电电流，其中为最大充电电流，取值0.4C至0.5C；在均衡充电阶段，监测单体电池电压差，按公式计算基准充电电流，其中为单体电池最高电压与最低电压的差值；在浮充维护阶段，采用恒压充电，设定充电电压为54.4V至54.8V；S34：根据工况类型确定工况调整系数，静止待机工况下，低速行走工况下至0.95，高速行走工况下至0.85，转向机动工况下至0.80，臂架轻载动作工况下至0.90，臂架重载动作工况下至0.70，混合作业工况下至0.75；S35：计算调整后的充电电流；其中为调整后的充电电流。

进一步，所述S4包括以下步骤：

S41：读取所有温度传感器的实时温度数据，得到温度向量，其中为第i个温度传感器的测量温度；S42：根据各温度传感器的位置确定位置权重系数，正负极端子处的权重系数为0.15至0.20，电池组中部的权重系数为0.10至0.15，电池组外壳表面的权重系数为0.05至0.10；S43：对每个测温点的温度计算单点温度补偿因子：当小于-10℃时至0.6，当在-10℃至0℃之间时，至；当在0℃至20℃之间时，至；当在20℃至35℃之间时，至1.05；当在35℃至50℃之间时，至；当大于50℃时至0.5；S44：通过加权平均方法计算综合温度补偿系数：；其中为综合温度补偿系数；为第i个测温点的位置权重系数；Σ表示对所有测温点求和；S45：计算电池组内最大温度梯度：；其中为最大温度梯度；为任意两个测温点温度差的绝对值；为两个测温点之间的距离；当超过5℃/dm时，将进一步降低至至，同时启动风冷系统；S46：根据综合温度补偿系数修正充电电流，计算温度补偿后的充电电流；其中为温度补偿后的充电电流。

进一步，所述S5包括以下步骤：

S51：建立二阶RC等效电路模型，定义状态向量：；其中为k时刻的荷电状态；和分别为两个RC支路的电压；T表示矩阵转置；S52：执行扩展卡尔曼滤波算法，计算先验状态估计：；其中为先验状态估计；为前一时刻的后验状态估计；A为状态转移矩阵；B为输入矩阵；为前一时刻的充放电电流；S53：计算卡尔曼增益并更新后验状态估计，从后验状态估计中提取作为扩展卡尔曼滤波算法的SOC估算值；S54：构建包含30个连续采样点的特征向量，所述特征向量包括SOC、电压、电流、温度、内阻、静置后电压变化和累计循环次数，将特征向量输入训练好的长短时记忆神经网络，所述神经网络包括第一LSTM层、Dropout层、第二LSTM层和全连接层，输出和作为神经网络的SOC和SOH估算值；S55：计算扩展卡尔曼滤波和神经网络估算的置信度方差，根据置信度方差计算权重系数：和；其中为扩展卡尔曼滤波估算的置信度方差；为神经网络估算的置信度方差；S56：通过贝叶斯融合计算最终SOC值和SOH值：；其中为修正系数，取值-0.8至-1.2；为内阻相对变化量；S57：根据最终SOH值修正充电参数，当小于0.90时将最大充电电流降低至0.35C至0.45C，当小于0.85时进一步将最大充电电流降低至0.30C至0.40C，当小于0.80时将充电截止电压降低0.03V至0.08V。

进一步，所述S6包括以下步骤：

S61：采集过去5至10分钟的历史功率数据，建立功率序列，采用滑动窗口时间序列分析方法预测未来30至60秒的功率需求，预测公式为：；其中为预测功率；Δt为预测时长；为历史数据权重系数；为历史功率值；为功率变化趋势项；S62：判断动力源切换条件，当负荷功率大于电动泵最大功率的0.80至0.90倍，或SOC小于0.25至0.35，或预测功率大于电动泵额定功率的0.85至0.95倍时，从电动泵切换至柴油发动机；当负荷功率小于柴油发动机输出功率的0.55至0.65倍，且SOC小于0.85至0.95，且持续时间大于8s至12s时，从柴油发动机切换至充电模式；S63：在充电模式下，计算可用于充电的剩余功率：；其中为可用于充电的剩余功率；为柴油发动机输出功率；为负荷功率；为根据预测功率确定的预留功率；S64：计算充电功率：；其中为实际充电功率；min表示取最小值；为最大充电功率；为充电效率，取值0.88至0.95；为基于SOC的功率调整系数；为基于温度的功率调整系数；S65：根据充电功率和电池电压计算充电电流；其中为基于功率分配计算的充电电流；为电池组当前电压；S66：在臂架下降或车辆减速时，检测驱动电机是否处于发电状态，当处于发电状态且满足能量回收条件时，启动能量回收模式，计算能量回收电流并限制在0.3C至0.6C范围内。

进一步，所述S7包括以下步骤：

S71：从六轴姿态传感器读取平台前后倾角α和左右倾角β，计算综合倾斜度；其中为综合倾斜度；S72：根据综合倾斜度调整充电电流：当小于3°时充电电流保持不变；当在3°至5°之间时充电电流调整为至；当在5°至8°之间时充电电流调整为至；当大于或等于8°时停止充电并触发声光报警；S73：读取六轴姿态传感器的三轴加速度数据、和，计算综合振动加速度，其中为综合振动加速度；S74：根据综合振动加速度调整充电电流：当超过0.4g至0.6g且持续时间大于2s至4s时，降低充电电流至至；当超过0.8g至1.2g时立即暂停充电，当振动恢复正常后延迟3s至7s恢复充电；S75：监测充电回路电压波动，计算电压波动率；其中为电压波动率；为采样窗口内最大电压；为最小电压；为平均电压；当超过0.04至0.06时，判定连接器可能松动，降低充电电流至0.10C至0.20C并触发告警；S76：选择倾斜调整后的充电电流和振动调整后的充电电流中的较小值作为最终安全充电电流，发送至充电控制器执行。

进一步，所述S8包括以下步骤：

S81：在每次作业结束后，从数据存储模块读取充放电曲线数据、温度历史数据、SOC和SOH估算值、工况类型统计数据、异常事件记录和环境参数；S82：将数据打包为JSON格式或XML格式的数据包，所述数据包包含车辆识别码、作业日期、电池数据、工况数据、异常事件和环境数据字段；S83：通过4G/5G无线通信模块或WiFi模块将数据包采用HTTPS协议上传至云端服务器；S84：云端服务器接收多台作业平台的数据，采用大数据处理框架进行相似工况聚类分析、充电策略效果评估、电池寿命预测模型训练和最优充电参数统计分析；S85：云端服务器基于大数据分析结果生成优化后的充电策略参数，所述参数包括各充电阶段的电流设定值、充电截止电压、均衡充电时间、温度补偿系数矩阵和工况调整系数；S86：云端服务器将优化后的充电策略参数打包为配置文件并推送至作业平台；S87：作业平台的主控制器接收配置文件，进行完整性校验和版本兼容性检查后，更新充电阶段选择单元、温度补偿处理单元和能量管理单元的参数；S88：云端服务器根据电池老化趋势预测电池剩余使用寿命RUL和故障概率，当RUL小于预设阈值或故障概率大于预设阈值时，生成预警信息并推送至作业平台和管理平台。

进一步，所述S32中，在快速充电阶段的行走工况下采用脉冲充电模式，脉冲充电的占空比为；其中为占空比；为当前行走功率；为最大行走功率；脉冲周期为2s至5s，充电脉冲期间电流为0.5C，放电脉冲期间电流为0.05C至0.10C，充电脉冲时间为；放电脉冲时间为；其中为脉冲周期；为充电时间；为放电时间。

本发明所达到的有益效果为：

第一，本发明采用了自适应多阶段充电策略与工况调整相结合的技术方案，充电过程被划分为预充电、快速充电、优化充电、均衡充电和浮充维护五个阶段，每个阶段根据SOC值所在区间采用不同的充电电流设定，同时引入工况调整系数对基准充电电流进行修正。在低负荷工况下增大充电电流以缩短充电时间，在高负荷工况下降低充电电流以保证作业动力需求，实现了充电速度与作业需求的智能平衡。这种多阶段自适应策略相比传统的恒流恒压充电方法，更好地适应了锂电池在不同SOC区间的充电特性变化，既提高了充电接受能力又避免了过充电风险；在混合作业工况下完全消除了动力不足问题，充电时间得到有效缩短，为作业平台的高效运行提供了可靠的能源保障。

第二，本发明通过多维参数采集和工况识别，实现了充电策略对作业工况的自适应响应，构建了七维工况特征向量并输入预先训练的模糊神经网络进行工况识别；这种基于实时工况的充电控制方法突破了传统固定充电模式的局限，使充电电流能够根据作业状态动态调整，在静止待机时充分利用发动机功率快速充电，在重载作业时降低充电电流确保动力供应优先；在全温度范围内显著缩短了充电时间，提高了充电效率，降低了电池温升，同时消除了传统方法中频繁出现的动力不足告警，提高了作业平台的连续性和可靠性。

第三，本发明建立了三维温度场模型和采用扩展卡尔曼滤波与长短时记忆神经网络联合估算的技术，提高了充电控制的精准性和电池状态估算的准确性；根据各测温点的位置权重和温度补偿因子计算综合温度补偿系数，并监测最大温度梯度防止局部过热，相比单点测温方法能够更全面地反映电池组的真实热状态，避免了因局部温度异常导致的充电参数设置不当；在SOC和SOH估算方面，系统融合了基于模型的扩展卡尔曼滤波算法和基于数据的长短时记忆神经网络算法，通过贝叶斯融合实现优势互补，并根据SOH值自适应调整充电参数以适应电池老化状态；在全温度范围内大幅降低了SOC估算误差，精准的温度补偿有效降低了充电温升，根据SOH自适应调整参数的策略显著延长了电池循环寿命，减缓了容量衰减和内阻增长速度，提高了电池组的一致性和长期可靠性。

第四，本发明采用滑动窗口时间序列分析方法预测未来的功率需求，根据预测结果提前进行柴油发动机与电动泵之间的动力源切换决策，避免了动力源频繁切换和功率供应不足的问题；在充电模式下，系统精确计算柴油发动机的剩余功率并动态分配充电功率，在臂架下降或车辆减速时启动能量回收模式将机械能转换为电能回充至电池组，相比被动响应式控制，更合理地协调充电与作业的能量分配，减少了发动机不必要的运行时间和怠速工况，大幅降低了柴油发动机的累计运行时间和燃料消耗，提高了充放电效率和综合能量利用效率，能量回收功能进一步增强了能源利用效果，在降低运营成本的同时减少了碳排放，符合节能环保的要求。

第五，本发明实时监测平台的倾斜角和振动加速度，根据综合倾斜度和综合振动加速度的大小分级调整充电电流或停止充电并触发报警，监测充电回路电压波动以识别连接器松动问题，及时应对作业平台在不平整地面或臂架动作时产生的倾斜和振动工况，避免了异常工况下继续充电导致的电池内部失衡、过热和连接故障等安全隐患；云端协同系统将充放电数据、温度历史、工况统计和异常事件上传至服务器进行大数据分析，通过相似工况聚类、充电策略效果评估和电池寿命预测模型训练生成优化参数并推送至作业平台，实现了充电算法的远程升级和预测性维护；多重安全保护功能在倾斜和振动等极端工况下有效防止了安全事故，安全事件数量大幅减少，提高了系统的智能化水平和全生命周期的经济性。

附图说明

图1是实验1在不同温度下的充电时间、最高温升、充电效率和SOC估算误差对比图；

图2是实验2不同工况下的充电电流自适应调整策略,以及混合作业50次循环的性能对比图；

图3实验3的循环寿命测试结果图,包括容量保持率、内阻增长率、900次循环后的综合性能和预测寿命对比图；

图4是实验4的能量利用效率对比图,包括发动机运行时间、柴油消耗、充放电能量和综合效率；

图5是实验5的安全保护功能验证图,包括倾斜保护、振动保护和安全事件统计；

图6是本发明的窄体自行走作业平台电池组充电控制方法步骤S1-S3的流程图；

图7是本发明的窄体自行走作业平台电池组充电控制方法步骤S4-S6的流程图；

图8是本发明的窄体自行走作业平台电池组充电控制方法步骤S7-S8的流程图；

图9是实施例1中的窄体自行走作业平台的组成结构示意图一；

图10是实施例1中的窄体自行走作业平台的组成结构示意图二。

图中标号：

1、行走平台；11、轮式四驱底盘；111、转向机构；12、柴油发动机；13、柴油箱；14、电动泵；15、电池组；2、作业装置；21、转台；22、主伸缩臂；23、液压机构Ⅰ；24、绝缘臂；25、液压机构Ⅱ；26、回转机构；27、工作斗；3、控制系统；31、控制箱；32、遥控器。

具体实施方式

下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，另外，在以下的实施方式中记载的各结构的形态只不过是例示，本发明并不限定于在以下的实施方式中记载的各结构，在本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施方式都属于本发明保护的范围。

参照图1-图10，本发明提供的窄体自行走作业平台电池组充电控制方法，通过多维度参数采集、智能工况识别、自适应多阶段充电、精准温度补偿、SOC/SOH联合估算、预见性功率分配、安全保护以及云端协同优化，实现对48V锂电池组的智能充电管理。

参照图6至图8，在步骤S1中，系统实时采集锂电池组运行参数和作业平台工况参数，为后续的充电控制提供数据基础。该步骤通过多种传感器和采集模块获取电池状态信息和平台作业状态信息，确保充电控制策略能够响应实际工况变化。

在步骤S11中，通过电压采集模块以100Hz至1000Hz的采样频率采集电池组15中各单体电池的电压，电压采集精度为±5mV至±10mV。电压采集模块采用高精度模数转换器ADC，ADC是Analog-to-DigitalConverter的缩写，用于将模拟电压信号转换为数字信号；优选采用16位或24位分辨率的ADC芯片，以保证电压测量精度；电压采集模块的多个采集通道分别连接至电池组中各单体电池的正负极端子，对于48V锂电池系统，通常采用13串配置，即需要14个采集通道；采样频率的选择需要平衡数据精度和处理器负荷，优选采用500Hz至1000Hz的采样频率，既能捕捉充电过程中的电压动态变化，又不会造成数据处理过载。高采样频率和高精度的电压采集能够及时发现单体电池电压异常，为后续的均衡充电和安全保护提供准确依据。

在步骤S12中，通过串联在充放电主回路中的电流传感器以500Hz至2000Hz的采样频率采集充电电流或放电电流，电流传感器测量精度为±0.3%至±0.8%。电流传感器优选采用霍尔效应电流传感器或分流器电流传感器；霍尔效应传感器基于磁场感应原理，具有非接触测量、响应速度快、线性度好的优点，适用于大电流测量；分流器电流传感器通过测量精密电阻上的压降来计算电流，具有精度高、温度稳定性好的特点；电流传感器的采样频率需要高于电压采样频率，优选采用1000Hz至2000Hz，以便准确捕捉充电电流的脉冲变化和瞬态响应；电流数据通过CAN总线传输至主控制器，CAN是ControllerAreaNetwork的缩写，是一种用于汽车和工业控制的串行通信协议，具有抗干扰能力强、实时性好的特点。精确的电流测量是实现充电功率控制和SOC估算的关键，直接影响充电策略的执行效果。

在步骤S13中，通过12至20个温度传感器采集电池组15内多点温度，温度传感器分布设置在正极端子、负极端子、电池组中部和外壳表面。温度传感器优选采用NTC热敏电阻或数字温度传感器如DS18B20；NTC是NegativeTemperatureCoefficient的缩写，指负温度系数热敏电阻，其阻值随温度升高而降低；正负极端子处各设置2至4个温度传感器，该位置是电流流经的主要路径，温度变化最为剧烈，权重系数设定较高；电池组中部沿单体电池排列方向每隔3至5片单体电池设置一个温度传感器，共6至10个，用于监测电池组内部温度分布；电池组外壳表面设置2至4个温度传感器，用于监测环境温度对电池的影响；多点温度采集构建三维温度场模型，相比传统的单点或双点测温，能够更准确地反映电池组的真实温度状态，避免因局部过热或过冷导致的充电参数设置不当。

在步骤S14中，通过设置在行走轮上的行走速度传感器测量行走速度，通过设置在转向机构111上的转向角位移传感器测量转向角度并计算转向角速度，通过设置在液压系统油管上的压力传感器和流量传感器计算液压系统功率。行走速度传感器优选采用霍尔式轮速传感器或光电编码器，安装在轮式四驱底盘11的行走轮轴上，通过检测轮轴旋转产生的脉冲信号计算行走速度；转向角位移传感器优选采用旋转编码器或角度电位器，安装在转向机构111的转向轴上，实时测量转向角度，通过对转向角度求时间导数得到转向角速度；液压系统功率的计算需要同时测量液压油的压力和流量，压力传感器安装在液压机构Ⅰ23和液压机构Ⅱ25的油管上，测量工作压力，流量传感器测量液压油流量，液压系统功率按公式计算得到；其中为液压系统功率，单位为kW；为液压压力，单位为MPa；为液压流量，单位为L/min；为液压系统效率，通常取值0.85至0.95。工况参数的实时采集为工况识别提供了关键特征，使充电控制能够根据平台的实际作业状态进行动态调整。

在步骤S15中，通过安装在行走平台1中心位置的六轴姿态传感器测量平台在X、Y、Z三个方向的倾斜角和振动加速度。六轴姿态传感器集成三轴加速度计和三轴陀螺仪，加速度计测量三个正交方向的加速度，陀螺仪测量三个旋转轴的角速度；通过融合加速度计和陀螺仪的数据，采用互补滤波算法或卡尔曼滤波算法，可以准确计算出平台的俯仰角pitch、横滚角roll和偏航角yaw；俯仰角对应前后倾角，横滚角对应左右倾角；六轴姿态传感器安装在行走平台1的底盘几何中心位置，确保测量结果能够代表整个平台的姿态；传感器通过I²C总线或SPI总线与主控制器通信，I²C是Inter-IntegratedCircuit的缩写，是一种两线式串行总线，SPI是SerialPeripheralInterface的缩写，是一种高速同步串行通信接口；振动加速度数据用于检测平台在作业过程中的振动状态，当平台在不平整地面行走或臂架伸缩动作时会产生振动，过大的振动可能导致电池组内部短路或连接松动，因此需要根据振动情况调整充电参数。姿态和振动信息的实时监测为安全充电保护提供了重要依据。

在步骤S16中，将采集的所有参数通过CAN总线传输至主控制器，主控制器对数据进行有效性校验和滤波处理。CAN总线采用多主竞争式总线结构，各采集模块作为CAN节点通过双绞线连接到总线上；每个节点发送的数据帧包含标识符、数据长度码和数据域，接收节点根据标识符判断是否接收该帧数据；主控制器作为主节点，定期轮询各传感器节点或由传感器节点主动上报数据；数据有效性校验包括范围检查、变化率检查和CRC校验，CRC是CyclicRedundancyCheck的缩写，即循环冗余校验，用于检测数据传输错误；对于超出合理范围的数据，主控制器将其标记为无效数据并采用上一次的有效数据或默认值代替；滤波处理采用数字滤波算法如滑动平均滤波或卡尔曼滤波，消除采集数据中的噪声干扰；滤波窗口长度根据信号特性确定，对于变化缓慢的温度信号，可采用较长的滤波窗口如10至20个采样点，对于变化快速的电流信号，采用较短的滤波窗口如3至5个采样点。经过校验和滤波的数据质量得到保证，为后续的控制算法提供可靠的输入。

在步骤S2中，构建工况特征向量，识别当前作业工况类型。工况识别是本发明的核心创新点之一，通过智能识别平台的作业状态，实现充电策略的自适应调整，避免传统固定充电模式无法适应工况变化的问题。

在步骤S21中，构建七维工况特征向量：

。其中为行走速度，单位为km/h；为转向角速度，单位为°/s；为液压系统功率，单位为kW；为平台倾斜角，单位为°；为振动加速度，单位为m/s²；为驱动电机电流，单位为A；为臂架负荷功率，单位为kW。行走速度从行走速度传感器直接获取；转向角速度由转向角位移传感器测量的转向角度对时间求导得到；液压系统功率在步骤S14中已通过压力和流量传感器计算获得；平台倾斜角由六轴姿态传感器测量的前后倾角和左右倾角计算得到，计算公式为，该公式将两个方向的倾角合成为综合倾斜度；振动加速度由六轴姿态传感器的三轴加速度、、计算得到，计算公式为，该公式计算三个方向加速度的矢量和；驱动电机电流从电动泵14的驱动控制器读取，反映了行走平台的动力需求；臂架负荷功率根据主伸缩臂22和绝缘臂24的位置、速度以及工作斗27的载荷综合计算得到。这七个特征从不同维度刻画了平台的作业状态，构成了工况识别的输入向量。

在步骤S22中，对七维工况特征向量进行归一化处理，归一化公式为。其中为第i个特征的归一化值；为第i个特征的实际测量值；为第i个特征的最小值；为第i个特征的最大值。归一化处理将不同量纲和数值范围的特征统一映射到0至1的区间内，消除了不同特征之间量纲和数值范围差异对模式识别的影响；各特征的最小值和最大值根据平台的设计参数和实际运行数据确定，例如行走速度的最小值为0km/h，最大值根据平台最高行走速度设定为3至5km/h；归一化后的特征向量各维度具有相同的权重，便于后续神经网络处理。归一化是神经网络输入预处理的标准步骤，能够加快网络收敛速度并提高识别精度。

在步骤S23中，将归一化后的特征向量输入预先训练好的模糊神经网络，模糊神经网络包括7个输入节点、15至25个隐藏层节点和7个输出层节点。模糊神经网络融合了模糊逻辑和神经网络的优点，既能处理不确定性信息，又具有学习能力；输入层的7个节点分别接收归一化特征向量的7个分量；隐藏层节点数量需要根据样本数量和分类复杂度确定，节点过少会导致欠拟合，节点过多会导致过拟合，优选设置15至25个隐藏层节点；输出层的7个节点分别对应静止待机工况W1、低速行走工况W2、高速行走工况W3、转向机动工况W4、臂架轻载动作工况W5、臂架重载动作工况W6和混合作业工况W7；模糊神经网络的训练过程需要收集不少于500个工况切换周期的实测数据作为训练样本，训练样本应涵盖各种工况类型和工况转换场景；训练采用反向传播算法BP，BP是BackPropagation的缩写，通过最小化输出误差调整网络权重；训练完成后的网络参数固化到主控制器的程序存储器中。采用模糊神经网络进行工况识别相比传统的阈值判断方法，能够更好地处理工况边界模糊和多工况并存的复杂情况。

在步骤S24中，计算输出层各节点的输出值，选择输出值最大的节点对应的工况类型作为识别结果，识别为静止待机工况、低速行走工况、高速行走工况、转向机动工况、臂架轻载动作工况、臂架重载动作工况或混合作业工况中的一种。输出层各节点的输出值经过Softmax激活函数归一化，Softmax函数将输出转换为概率分布，各节点输出值之和为1；选择输出值最大的节点即选择概率最大的工况类型；当最大输出值小于预设阈值如0.6时，表明当前工况不够典型或处于工况切换的过渡阶段，此时识别为混合作业工况；工况识别结果输出后传递给充电阶段选择单元，作为选择充电策略的重要依据。准确的工况识别是实现自适应充电的前提，使充电参数能够跟随作业工况动态调整。

在步骤S3中，根据工况类型和SOC值选择充电阶段，确定基准充电电流。充电过程划分为五个阶段，每个阶段采用不同的充电策略，同时根据工况类型进行动态调整，实现充电速度、充电效率、电池温升和电池寿命的综合优化。

在步骤S31中，判断当前SOC值所在区间，当SOC小于0.20时选择预充电阶段，当SOC在0.20至0.60之间时选择快速充电阶段，当SOC在0.60至0.85之间时选择优化充电阶段，当SOC在0.85至0.95之间时选择均衡充电阶段，当SOC大于或等于0.95时选择浮充维护阶段。SOC是StateofCharge的缩写，表示电池的荷电状态或剩余电量，SOC=0表示完全放电，SOC=1表示完全充电；SOC值由SOC估算单元实时计算并输出；五阶段充电策略是本发明针对作业平台特点设计的，预充电阶段采用小电流唤醒深度放电的电池，避免大电流充电造成损伤；快速充电阶段在电池电压较低时采用较大电流快速补充电量，缩短充电时间；优化充电阶段在电池电压升高后逐渐降低充电电流，减少电池极化和发热；均衡充电阶段针对单体电池电压差异进行均衡，提高电池组一致性；浮充维护阶段在电池接近充满时采用恒压浮充，补偿自放电损失。五阶段策略相比传统的两阶段恒流恒压充电，能够更好地适应电池特性变化，延长电池寿命。

在步骤S32中，根据选择的充电阶段和当前工况类型确定基准充电电流。在预充电阶段，静止待机工况、低速行走工况和高速行走工况下设定为0.15C至0.25C，转向机动工况、臂架动作工况下设定为0.03C至0.07C；在快速充电阶段，静止待机工况下设定为0.45C至0.55C，行走工况下采用脉冲充电并计算平均电流，臂架动作工况下设定为0.25C至0.35C。其中C表示电池的额定容量，单位为Ah，例如对于50Ah的电池组，1C=50A，0.2C=10A；基准充电电流的设定综合考虑了充电速度和电池安全，在静止待机等负荷较小的工况下可以采用较大充电电流，而在转向机动和臂架动作等负荷较大的工况下需要降低充电电流，确保动力供应优先；预充电阶段的电流较小是为了保护深度放电的电池，避免锂离子浓度梯度过大导致锂枝晶析出；快速充电阶段的电流较大是为了充分利用电池在低SOC时可接受大电流充电的特性；行走工况下采用脉冲充电能够在充电的同时为行走提供动力，脉冲充电还能减轻电池极化，提高充电接受能力。

在步骤S33中，在优化充电阶段，按公式计算基准充电电流；在均衡充电阶段，监测单体电池电压差，按公式计算基准充电电流；在浮充维护阶段，采用恒压充电，设定充电电压为54.4V至54.8V。其中为最大充电电流，取值0.4C至0.5C，单位为A；SOC为当前荷电状态；为单体电池最高电压与最低电压的差值，单位为V。优化充电阶段的充电电流随SOC线性递减，当SOC=0.6时，当SOC=0.85时接近0，这种递减策略符合锂电池在高SOC时充电接受能力下降的特性，避免过充电；均衡充电阶段的电流根据单体电压差动态调整，电压差越大均衡电流越大，加快均衡速度，当电压差小于50mV时均衡充电结束；浮充维护阶段的恒压值设定为54.6V，对应于48V锂电池系统13串配置时每节电池的浮充电压4.2V，采用恒压充电时充电电流自然衰减，当电流衰减至0.02C以下时判定充电结束。各阶段充电参数的精细设定保证了充电过程的安全性和高效性。

在步骤S34中，根据工况类型确定工况调整系数。静止待机工况下，低速行走工况下至0.95，高速行走工况下至0.85，转向机动工况下至0.80，臂架轻载动作工况下至0.90，臂架重载动作工况下至0.70，混合作业工况下至0.75。工况调整系数反映了不同工况对充电电流的限制程度，系数越小表示充电电流需要降低越多；静止待机工况时平台无负荷，可以全功率充电，因此系数为1.0；行走工况需要部分功率用于驱动，充电功率相应减少；转向机动工况对动力响应性要求高，需要预留较多功率，因此充电电流降低较多；臂架重载动作时液压系统功耗大，充电电流需要大幅降低；混合作业工况综合考虑多种负荷，采用中等偏低的系数。工况调整系数的引入使充电控制能够与作业需求协调，避免充电影响正常作业。

在步骤S35中，计算调整后的充电电流。其中为调整后的充电电流，单位为A。该充电电流综合考虑了充电阶段和工况类型两个因素，是后续温度补偿和功率分配的基准值；通过工况调整，充电电流能够动态适应平台的作业状态变化，实现充电与作业的智能协调。

在步骤S4中，基于多点温度数据建立三维温度场模型，计算综合温度补偿系数，调整充电电流。温度是影响锂电池充电性能的关键因素，温度过低会导致充电接受能力下降和锂枝晶析出风险增加，温度过高会加速电池老化甚至引发热失控，因此需要根据温度精确调整充电参数。

在步骤S41中，读取所有温度传感器的实时温度数据，得到温度向量。其中为第i个温度传感器的测量温度，单位为℃。温度传感器数量根据电池组规模确定，对于48V锂电池组优选配置16个温度传感器；温度数据通过温度数据采集板汇总后经CAN总线传输至主控制器；温度采样频率相对较低，优选为1Hz至10Hz，因为温度变化相对缓慢；读取的温度数据需要进行有效性检查，排除传感器故障导致的异常值。多点温度采集构建了电池组的温度分布图像，为精准温度补偿提供了数据基础。

在步骤S42中，根据各温度传感器的位置确定位置权重系数。正负极端子处的权重系数为0.15至0.20，电池组中部的权重系数为0.10至0.15，电池组外壳表面的权重系数为0.05至0.10。权重系数的设定基于各测温点对充电控制的重要性，正负极端子是电流的主要通道，该处温度对充电性能影响最大，因此权重最高；电池组中部是发热的主要区域，需要重点监测；外壳表面温度受环境影响较大，主要用于判断散热效果，权重相对较低；各测温点权重系数之和归一化为1，即；权重系数可以根据实际运行数据进行优化调整。合理的权重分配能够使综合温度补偿系数更准确地反映电池组的真实热状态。

在步骤S43中，对每个测温点的温度计算单点温度补偿因子。当小于-10℃时至0.6，当在-10℃至0℃之间时至，当在0℃至20℃之间时至，当在20℃至35℃之间时至1.05，当在35℃至50℃之间时至，当大于50℃时至0.5。单点温度补偿因子建立了温度与充电电流调整系数的映射关系，该关系基于锂电池的温度特性和安全要求确定；在-10℃以下的极低温环境，电解液粘度增大、锂离子扩散速率降低，充电接受能力显著下降，因此补偿因子设置为0.4至0.6，充电电流降低至正常值的40%至60%；在-10℃至0℃区间，随温度升高电池性能逐渐恢复，补偿因子线性增长；在0℃至20℃区间继续线性增长；在20℃至35℃的适宜温度范围内，电池性能最佳，补偿因子接近1.0，允许正常充电；在35℃至50℃的高温区间，为防止温度进一步升高，补偿因子逐渐降低，限制充电电流；在50℃以上的过高温度时，补偿因子降至0.3至0.5，大幅降低充电电流甚至停止充电。温度补偿因子的分段设定精细刻画了锂电池全温度范围的充电特性。

在步骤S44中，通过加权平均方法计算综合温度补偿系数。其中为综合温度补偿系数；为第i个测温点的位置权重系数；表示对所有测温点求和。综合温度补偿系数将各测温点的信息融合为单一的调整参数，既考虑了温度的空间分布，又通过权重突出了关键位置的温度；相比简单的算术平均或取最值，加权平均方法能够更科学地反映电池组的整体热状态。

在步骤S45中，计算电池组内最大温度梯度。其中为最大温度梯度，单位为℃/dm；为任意两个测温点温度差的绝对值，单位为℃；为两个测温点之间的距离，单位为分米。温度梯度反映了电池组内部温度分布的均匀性，过大的温度梯度表明存在局部过热或散热不良，会导致单体电池性能不一致，加速电池老化；当超过5℃/dm时，将进一步降低至至，同时启动风冷系统增强散热；风冷系统通过控制冷却风扇转速调节散热能力；温度梯度保护能够防止局部过热导致的安全隐患，保障电池组工作在均匀的温度环境中。

在步骤S46中，根据综合温度补偿系数修正充电电流，计算温度补偿后的充电电流。其中为温度补偿后的充电电流，单位为A。该充电电流在工况调整的基础上进一步考虑了温度因素，实现了充电电流对温度变化的自适应响应；温度补偿机制是保证电池全温度范围安全充电的关键措施。

在步骤S5中，采用扩展卡尔曼滤波和长短时记忆神经网络联合估算SOC和SOH，修正充电参数。SOC和SOH的准确估算是电池管理系统的核心功能，SOH是StateofHealth的缩写，表示电池的健康状态，反映了电池容量和性能相对于新电池的衰减程度；本发明融合两种算法的优势，提高了估算精度和鲁棒性。

在步骤S51中，建立二阶RC等效电路模型，定义状态向量。其中SOC(k)为k时刻的荷电状态；和分别为两个RC支路的电压，单位为V；T表示矩阵转置；k表示离散时间步。二阶RC等效电路模型将电池等效为开路电压源、内阻和两个RC并联支路，第一个RC支路模拟电池的电化学极化过程，时间常数较小；第二个RC支路模拟浓差极化过程，时间常数较大；该模型能够较好地描述电池的动态特性，平衡了模型精度和计算复杂度；状态向量包含三个状态变量，SOC是核心估算目标，和是辅助状态变量。

在步骤S52中，执行扩展卡尔曼滤波算法，计算先验状态估计。其中为先验状态估计；为前一时刻的后验状态估计；A为状态转移矩阵；B为输入矩阵；为前一时刻的充放电电流，单位为A。EKF是ExtendedKalmanFilter的缩写，即扩展卡尔曼滤波，是卡尔曼滤波在非线性系统中的推广；EKF算法分为预测步和更新步，预测步根据系统模型预测当前状态，更新步根据测量值修正预测结果；状态转移矩阵A和输入矩阵B由电池模型参数确定，具体形式为，；其中为采样周期，单位为s；和为两个RC支路的时间常数，单位为s；C为电池额定容量，单位为Ah；和为两个RC支路的电阻，单位为Ω；系数3600是将小时转换为秒的换算因子。先验估计基于系统模型给出了当前状态的初步预测。

在步骤S53中，计算卡尔曼增益并更新后验状态估计，从后验状态估计中提取作为扩展卡尔曼滤波算法的SOC估算值。卡尔曼增益的计算公式为；其中为先验估计误差协方差矩阵；H为观测矩阵；R为测量噪声协方差矩阵；上标T表示转置，上标-1表示矩阵求逆；后验状态估计的计算公式为；其中为k时刻的测量值即电池端电压；为根据先验状态估计预测的测量值；为测量残差或新息，反映了实际测量值与预测值的偏差；卡尔曼增益决定了新息对状态估计的修正程度；后验估计融合了模型预测和实际测量，相比单纯的安时积分法具有更好的抗累积误差能力；从后验状态向量的第一个分量即可得到。EKF算法通过递推计算不断修正SOC估算值，具有收敛速度快、计算效率高的优点。

在步骤S54中，构建包含30个连续采样点的特征向量，特征向量包括SOC、电压、电流、温度、内阻、静置后电压变化和累计循环次数，将特征向量输入训练好的长短时记忆神经网络，神经网络包括第一LSTM层、Dropout层、第二LSTM层和全连接层，输出和作为神经网络的SOC和SOH估算值。LSTM是LongShort-TermMemory的缩写，即长短时记忆神经网络，是一种特殊的循环神经网络RNN，能够学习长期依赖关系；30个连续采样点构成了时间窗口，采样间隔为1秒至10秒，时间窗口覆盖了电池动态响应的时间尺度；特征向量的每个采样点包含7个特征参数，因此输入张量维度为30×7；内阻通过电压和电流的比值计算，反映了电池的老化程度；静置后电压变化指电池停止充放电后端电压的恢复情况，反映了电池的极化程度；累计循环次数从电池使用记录中获取；第一LSTM层包含128个单元，用于提取时序特征；Dropout层的dropout率为0.2，即随机丢弃20%的神经元，用于防止过拟合；第二LSTM层包含64个单元，进一步提取高层特征；全连接层包含32个神经元，输出层包含2个神经元分别输出和；神经网络的训练采用历史数据，训练集应包含不同温度、不同老化状态、不同工况的数据，确保网络的泛化能力。LSTM神经网络能够捕捉电池特性随时间和老化的复杂变化规律，弥补了EKF算法对模型依赖性强的不足。

在步骤S55中，计算扩展卡尔曼滤波和神经网络估算的置信度方差，根据置信度方差计算权重系数和。其中为扩展卡尔曼滤波估算的置信度方差；为神经网络估算的置信度方差。置信度方差反映了估算结果的不确定性，方差越小表示估算越可信；EKF的置信度方差从后验估计误差协方差矩阵中提取；LSTM的置信度方差通过多次推理计算输出的标准差得到；权重系数的计算采用方差倒数加权原则，估算方差小的方法权重大，估算方差大的方法权重小；两个权重之和为1，即；动态权重分配实现了两种算法的优势互补，在EKF估算可信度高时增大其权重，在LSTM估算可信度高时增大其权重。

在步骤S56中，通过贝叶斯融合计算最终SOC值和SOH值，计算公式为和。其中为修正系数，取值-0.8至-1.2；为内阻相对变化量。贝叶斯融合是一种概率推理方法，将两种估算结果按权重加权得到最终结果；综合了EKF的模型驱动估算和LSTM的数据驱动估算，具有更高的精度和鲁棒性；在LSTM估算的基础上引入内阻修正项，内阻是反映电池健康状态的重要参数，内阻增大通常意味着电池老化；，其中为当前内阻，为新电池内阻；修正系数为负值，表示内阻增大时降低。融合算法充分利用了多源信息，提高了SOC和SOH估算的准确性。

在步骤S57中，根据最终值修正充电参数，当小于0.90时将最大充电电流降低至0.35C至0.45C，当小于0.85时进一步将最大充电电流降低至0.30C至0.40C，当小于0.80时将充电截止电压降低0.03V至0.08V。充电参数随自适应调整是本发明的重要创新，传统充电方法对所有电池采用相同参数，未考虑电池老化的影响；随着电池老化，内阻增大、活性物质损失，电池的充电接受能力下降，如果仍采用新电池的充电参数，可能导致过充、发热甚至安全事故；降低最大充电电流能够减轻老化电池的充电负担；降低充电截止电压避免过度充电导致老化加速；自适应策略延长了电池的全生命周期使用时间，提高了经济性。

在步骤S6中，预测未来功率需求，切换柴油发动机12与电动泵14之间的动力源，动态分配充电功率。作业平台配备了柴油发动机和电动泵双动力源，合理的动力源切换和功率分配能够提高能源利用效率，减少柴油消耗和碳排放。

在步骤S61中，采集过去5至10分钟的历史功率数据，建立功率序列，采用滑动窗口时间序列分析方法预测未来30至60秒的功率需求，预测公式为。其中为预测功率，单位为kW；为预测时长，单位为s；为历史数据权重系数；为历史功率值，单位为kW；为功率变化趋势项，单位为kW。功率序列记录了平台过去一段时间的功率消耗，包括行走功率、液压功率、辅助设备功率等；滑动窗口分析是时间序列预测的常用方法，通过对历史数据的加权求和预测未来值；历史数据权重系数随时间递减，近期数据权重大，远期数据权重小，例如采用指数衰减权重，其中为衰减系数；功率变化趋势项通过对功率序列求一阶或二阶差分获得，反映了功率的变化方向和速度；预测时长设定为30至60秒，既能提前做出动力源切换决策，又不会因预测时间过长导致误差增大；短期负荷预测为预见性能量管理提供了依据，避免了动力源频繁切换和功率不足的问题。

在步骤S62中，判断动力源切换条件，当负荷功率大于电动泵14最大功率的0.80至0.90倍，或SOC小于0.25至0.35，或预测功率大于电动泵14额定功率的0.85至0.95倍时，从电动泵14切换至柴油发动机12；当负荷功率小于柴油发动机12输出功率的0.55至0.65倍，且SOC小于0.85至0.95，且持续时间大于8s至12s时，从柴油发动机12切换至充电模式。动力源切换遵循负荷优先、效率优先、电池保护的原则；当负荷功率接近电动泵最大功率时，说明电动泵即将过载，需要切换至柴油发动机以保证动力供应；当SOC过低时，说明电池电量不足，需要切换至柴油发动机驱动并对电池充电；当预测功率大于电动泵额定功率时，说明未来负荷将增大，需要提前切换动力源；从柴油发动机切换至充电模式需要满足三个条件，一是负荷功率较小，柴油发动机有剩余功率可用于充电，二是SOC未满，电池有充电需求，三是低负荷状态持续一定时间，避免负荷短暂下降时频繁切换；持续时间判断采用延时滤波，只有条件持续满足8s至12s才执行切换。合理的切换策略减少了柴油发动机的启停次数，延长了发动机寿命，同时保证了作业平台的动力需求。

在步骤S63中，在充电模式下，计算可用于充电的剩余功率。其中为可用于充电的剩余功率，单位为kW；为柴油发动机12输出功率，单位为kW；为负荷功率，单位为kW；为根据预测功率确定的预留功率，单位为kW。柴油发动机的输出功率通过发动机控制器读取；负荷功率包括行走、液压、控制系统等各项功耗的总和；预留功率根据步骤S61预测的未来功率需求设定，预留一定功率可以应对负荷突增，避免动力不足；剩余功率用于电池充电，实现了能量的充分利用。

在步骤S64中，计算充电功率。其中为实际充电功率，单位为kW；表示取最小值；为最大充电功率，单位为kW；为充电效率，取值0.88至0.95；为基于SOC的功率调整系数；为基于温度的功率调整系数。充电功率不能超过电池的最大充电功率，因此需要在剩余功率和最大充电功率之间取较小值；充电效率考虑了充电过程中的能量损失，包括充电模块的转换损失和电池的充电损失；随SOC变化，当SOC较低时可以接受较大功率充电，当SOC较高时需要降低充电功率，例如；根据电池温度调整，温度偏离适宜范围时降低充电功率，例如；充电功率的精确计算和动态调整实现了充电过程的最优控制。

在步骤S65中，根据充电功率和电池电压计算充电电流。其中为基于功率分配计算的充电电流，单位为A；为电池组当前电压，单位为V。电池电压通过电压采集模块实时测量；充电电流根据功率和电压的关系计算得出；该充电电流反映了能量管理的要求，与前面基于充电阶段和工况计算的充电电流综合考虑，取两者中的较小值作为最终充电电流。

在步骤S66中，在臂架22下降或车辆减速时，检测驱动电机是否处于发电状态，当处于发电状态且满足能量回收条件时，启动能量回收模式，计算能量回收电流并限制在0.3C至0.6C范围内。能量回收是提高能源利用效率的重要手段，臂架下降时重力势能转换为电能，车辆减速时动能转换为电能；驱动电机工作在发电状态可通过电机控制器的工作模式寄存器判断，或通过检测电流方向判断；能量回收条件包括SOC小于0.95、电池温度小于45℃、回收电流不超过0.5C；能量回收电流根据臂架下降速度或车辆减速度计算，计算公式为。其中为能量回收电流，单位为A；为能量回收效率，取值0.70至0.85；m为臂架或载荷质量，单位为kg；g为重力加速度，取值9.8米每二次方秒m/s²；h为臂架下降高度，单位为m；为下降时间，单位为s；J为转动惯量，单位为kg·m²；为角速度，单位为rad/s；回收电流限制在0.3C至0.6C范围内是为了保护电池，避免过大的充电电流导致电池损伤；能量回收模式的应用降低了整体能耗，延长了单次充电后的作业时间。

在步骤S7中，检测平台倾斜角和振动加速度，调整或停止充电。高空作业平台在不平整地面或臂架伸展时会产生倾斜和振动，工况对电池充电安全有影响，需要采取相应的保护措施。

在步骤S71中，从六轴姿态传感器读取平台前后倾角和左右倾角，计算综合倾斜度。其中为综合倾斜度，单位为°；为前后倾角，向前倾斜为正，向后倾斜为负，单位为°；为左右倾角，向右倾斜为正，向左倾斜为负，单位为°。综合倾斜度通过向量合成计算两个方向倾角的综合效果；倾角数据从六轴姿态传感器实时读取，更新频率为10Hz至100Hz；平台倾斜会导致电池组内电解液分布不均，影响各单体电池的充电状态，严重倾斜可能引发安全隐患。

在步骤S72中，根据综合倾斜度调整充电电流，当小于3°时充电电流保持不变，当在3°至5°之间时充电电流调整为至，当在5°至8°之间时充电电流调整为至，当大于或等于8°时停止充电并触发声光报警。其中为倾斜调整后的充电电流，单位为A。倾斜度小于3°属于正常范围，大多数地面和作业姿态下倾斜度在此范围内，充电不受影响；倾斜度在3°至5°之间属于轻度倾斜，需要适当降低充电电流，优选降低至原值的85%至95%；倾斜度在5°至8°之间属于中度倾斜，充电电流大幅降低至原值的65%至75%；倾斜度大于等于8°属于严重倾斜，此时电池组受力状态异常，必须立即停止充电，同时触发声光报警提示操作人员调整平台姿态；报警信号通过控制箱31上的蜂鸣器和指示灯输出；充电停止后系统进入故障保护状态，记录异常事件，只有当倾斜度恢复正常且操作人员确认后才能恢复充电。倾斜保护策略有效防止了倾斜工况下的充电安全隐患。

在步骤S73中，读取六轴姿态传感器的三轴加速度数据、和，计算综合振动加速度。其中为综合振动加速度，单位为m/s²；、、分别为X、Y、Z三个方向的加速度分量，单位为m/s²。综合振动加速度通过三个方向加速度的矢量和计算，反映了平台的整体振动强度；加速度数据从六轴姿态传感器的加速度计读取；平台振动主要来源于不平整地面行走、臂架快速动作、发动机振动等；振动会导致电池组内部结构应力、连接松动、电解液晃动等问题。

在步骤S74中，根据综合振动加速度调整充电电流，当超过0.4g至0.6g且持续时间大于2s至4s时，降低充电电流至至，当超过0.8g至1.2g时立即暂停充电，当振动恢复正常后延迟3s至7s恢复充电。其中为振动调整后的充电电流，单位为A；g为重力加速度单位，1g=9.8m/s²。轻度振动加速度在0.4g至0.6g之间，需要持续一定时间才触发保护，避免瞬时振动引起误动作；中度振动时充电电流大幅降低至原值的25%至35%，降低充电带来的热量和应力；严重振动加速度超过0.8g至1.2g时，说明平台处于剧烈振动状态，必须立即暂停充电；暂停充电后即使振动恢复正常，也需要延迟3s至7s才恢复充电，该延迟确保振动确实停止而非短暂波动；延迟恢复还给电池组内部提供了稳定时间。振动保护策略减少了振动引起的内部短路和连接故障风险。

在步骤S75中，监测充电回路电压波动，计算电压波动率。其中为电压波动率；为采样窗口内最大电压，单位为V；为最小电压，单位为V；为平均电压，单位为V。采样窗口设定为1秒至5秒，包含多个电压采样点；电压波动率反映了充电回路电压的稳定性；正常充电时电压波动很小；当超过0.04至0.06时，判定连接器可能松动，降低充电电流至0.10C至0.20C并触发告警。连接器松动会导致接触电阻增大和接触不稳定，表现为电压波动增大；连接器松动的原因包括振动、热胀冷缩、安装不当等；降低充电电流可以减少松动连接器的发热和打火；告警信号提醒操作人员检查连接器，及时处理松动问题；连接器监测是电气安全的重要环节，防止了因接触不良导致的过热和起火风险。

在步骤S76中，选择倾斜调整后的充电电流和振动调整后的充电电流中的较小值作为最终安全充电电流，发送至充电控制器执行。最终安全充电电流；其中为最终充电电流，单位为A；表示取最小值函数。取较小值遵循安全优先原则，确保充电电流同时满足倾斜和振动两个方面的安全要求；最终充电电流综合了充电阶段、工况调整、温度补偿、功率分配、倾斜保护和振动保护等多个因素，是各环节协调优化的结果；该充电电流发送至充电执行单元的充电控制器，充电控制器控制充电模块的输出电流执行该指令。

在步骤S8中，上传充放电数据至云端服务器，接收优化后的充电策略参数并更新本地算法。云端协同是实现充电策略持续优化和预测性维护的重要手段，通过大数据分析和机器学习不断改进充电控制算法。

在步骤S81中，在每次作业结束后，从数据存储模块读取充放电曲线数据、温度历史数据、SOC和SOH估算值、工况类型统计数据、异常事件记录和环境参数。数据存储模块采用FLASH存储器或SD卡，容量根据数据量需求确定；充放电曲线数据包括电压、电流随时间的变化曲线，记录间隔为1秒至10秒；温度历史数据包括各测温点的温度随时间变化；工况类型统计数据记录了各工况的持续时间和切换次数；异常事件记录包括倾斜报警、振动报警、温度异常、电压异常等事件的发生时间和参数；环境参数包括环境温度、湿度、海拔等信息，可从气象传感器或GPS模块获取。全面的数据采集为云端分析提供了丰富的素材。

在步骤S82中，将数据打包为JSON格式或XML格式的数据包，数据包包含车辆识别码、作业日期、电池数据、工况数据、异常事件和环境数据字段。JSON是JavaScriptObjectNotation的缩写，是一种轻量级的数据交换格式；XML是eXtensibleMarkupLanguage的缩写，即可扩展标记语言；两种格式都具有良好的可读性和可扩展性；车辆识别码VIN是VehicleIdentificationNumber的缩写，唯一标识该作业平台；作业日期记录了数据产生的时间；各字段采用键值对形式组织，例如battery_data包含SOC、SOH、voltage、current等子字段；数据打包过程包括格式化、压缩和加密，压缩减少数据传输量，加密保护数据安全。

在步骤S83中，通过4G/5G无线通信模块或WiFi模块将数据包采用HTTPS协议上传至云端服务器。4G/5G通信模块提供广域网络连接，适用于户外作业场景；WiFi模块提供局域网络连接，适用于停放地点有WiFi覆盖的场景；HTTPS是HypertextTransferProtocolSecure的缩写，即安全超文本传输协议，基于HTTP协议并使用SSL/TLS加密；SSL是SecureSocketsLayer的缩写，TLS是TransportLayerSecurity的缩写，都是加密通信协议；HTTPS协议保证了数据传输的机密性、完整性和身份认证；云端服务器地址通过域名配置，支持域名解析和IP地址访问；数据上传采用后台任务方式，不影响充电控制的实时性；上传失败时数据保存在本地，等待下次上传。

在步骤S84中，云端服务器接收多台作业平台的数据，采用大数据处理框架进行相似工况聚类分析、充电策略效果评估、电池寿命预测模型训练和最优充电参数统计分析。云端服务器具有强大的计算能力和存储能力，能够处理海量数据；大数据处理框架如Hadoop、Spark提供了分布式计算能力；相似工况聚类分析将不同车辆在相似工况下的数据归类，便于对比分析；充电策略效果评估计算不同充电参数下的充电时间、温升、效率、寿命等指标；电池寿命预测模型采用机器学习算法如支持向量机SVM、随机森林RF或深度学习模型，输入电池的历史数据和当前状态，输出剩余使用寿命RUL；RUL是RemainingUsefulLife的缩写；最优充电参数统计分析通过对大量数据的统计找出在各种条件下的最优参数组合。云端分析挖掘了数据中的规律和知识，指导充电策略优化。

在步骤S85中，云端服务器基于大数据分析结果生成优化后的充电策略参数，参数包括各充电阶段的电流设定值、充电截止电压、均衡充电时间、温度补偿系数矩阵和工况调整系数。优化后的参数相比初始参数在充电性能和电池寿命方面有所改进；参数优化采用多目标优化算法，优化目标包括最小化充电时间、最小化温升、最大化充电效率、最大化电池寿命等；优化约束包括充电电流限制、温度限制、SOC范围等；优化算法可采用遗传算法GA、粒子群优化PSO或梯度下降法；优化结果经过仿真验证和专家审核后才推送至车辆；温度补偿系数矩阵针对不同温度点给出补偿系数；工况调整系数针对不同工况类型给出调整系数。

在步骤S86中，云端服务器将优化后的充电策略参数打包为配置文件并推送至作业平台。配置文件采用JSON或XML格式，包含版本号、生效时间、参数内容等信息；版本号用于参数管理和回溯；生效时间允许参数在指定时间生效，方便统一更新；推送采用订阅-发布模式，云端服务器作为发布者，作业平台作为订阅者；推送消息通过MQTT协议或WebSocket协议发送；MQTT是MessageQueuingTelemetryTransport的缩写，是一种轻量级的消息传输协议；作业平台的无线通信模块接收推送消息并存储配置文件。

在步骤S87中，作业平台的主控制器接收配置文件，进行完整性校验和版本兼容性检查后，更新充电阶段选择单元、温度补偿处理单元和能量管理单元的参数。完整性校验通过计算配置文件的哈希值或校验和，与云端发送的校验值对比，确保文件未损坏；版本兼容性检查确保新参数与当前软件版本兼容，避免参数不匹配导致的错误；参数更新采用原子操作，保证参数的一致性；更新过程记录日志，便于追溯；参数更新后进行功能测试，确认充电控制正常工作；参数更新实现了充电策略的远程升级，即OTA更新；OTA是Over-The-Air的缩写，指通过无线方式进行软件或参数更新。

在步骤S88中，云端服务器根据电池老化趋势预测电池剩余使用寿命RUL和故障概率，当RUL小于预设阈值或故障概率大于预设阈值时，生成预警信息并推送至作业平台和管理平台。电池老化趋势通过对SOH、容量、内阻等参数的时间序列分析获得；RUL预测模型输入当前SOH、充放电循环次数、使用时间、温度历史等特征，输出预计的剩余使用天数或循环次数；故障概率预测模型基于历史故障数据训练，识别故障前兆特征；预设阈值根据维护策略确定，例如RUL小于30天或故障概率大于20%触发预警；预警信息包含预警类型、严重程度、原因分析、维护建议等内容；推送至作业平台的预警在控制箱显示屏显示并触发声光提示；推送至管理平台的预警由维护人员查看并安排维护计划；预测性维护避免了突发故障导致的停机损失，降低了维护成本。云端协同实现了充电策略的智能化和充电系统的可维护性提升。

通过上述步骤S1至S8的详细实施，本发明的窄体自行走作业平台电池组充电控制方法实现了参数采集、工况识别、阶段选择、温度补偿、SOC/SOH估算、功率分配、安全保护和云端优化的全流程智能控制。该方法相比传统充电方法具有显著优势，充电时间缩短15%至25%，充电效率提高6%至9%，电池温升降低8℃至12℃，电池循环寿命延长20%至30%，适应性强能够应对多种工况和全温度范围，安全性高具备倾斜、振动、温度等多重保护机制，智能化程度高能够自主学习和持续优化，经济效益好降低运营成本15%至20%。本发明为窄体自行走作业平台提供了一套完整的电池充电管理解决方案，满足了配电线路作业在狭窄复杂环境下对设备可靠性和作业效率的高要求。

实施例1，本实施例介绍用于实现本发明方法的窄体自行走作业平台锂电池组充电控制系统，包括行走平台1、作业装置2和控制系统3。行走平台1具有轮式四驱底盘11，柴油发动机12安装在底盘中央位置，柴油箱13设置在轮式四驱底盘11的后部并通过油管与柴油发动机12连接，电动泵14设置在轮式四驱底盘11的前部，电池组15设置在轮式四驱底盘11的底盘下方或侧面。作业装置2设置在行走平台1上，包括转台21、主伸缩臂22、液压机构Ⅰ23、绝缘臂24、液压机构Ⅱ25、回转机构26和工作斗27，转台21通过回转支承安装在轮式四驱底盘11上，主伸缩臂22铰接在转台21上并通过液压机构Ⅰ23实现起伏和伸缩动作，绝缘臂24铰接在主伸缩臂22的末端并通过液压机构Ⅱ25实现起伏动作，工作斗27通过回转机构26连接在绝缘臂24的末端。控制系统3包括控制箱31和遥控器32，控制箱31设置在转台21的支架上，遥控器32通过无线信号与控制箱31内的无线接收模块通信连接。

控制箱31内部安装有主控制器、参数采集单元、工况识别单元、充电阶段选择单元、温度补偿处理单元、SOC/SOH联合估算单元、能量管理单元、安全保护单元、充电执行单元和云端协同单元。参数采集单元通过电压采集模块采集电池组15中各单体电池电压，通过电流传感器采集充放电电流，通过温度传感器阵列采集电池组15内多点温度，通过行走速度传感器测量行走速度，通过转向角位移传感器测量转向角度并计算转向角速度，通过液压压力传感器和液压流量传感器计算液压系统功率，通过六轴姿态传感器测量平台倾斜角和振动加速度，所有参数通过CAN总线传输至主控制器。工况识别单元构建七维工况特征向量并输入模糊神经网络，识别当前作业工况类型为静止待机工况、低速行走工况、高速行走工况、转向机动工况、臂架轻载动作工况、臂架重载动作工况或混合作业工况中的一种，工况识别结果通过CAN总线传输至充电阶段选择单元。

充电阶段选择单元根据工况类型和SOC值选择充电阶段，包括预充电阶段、快速充电阶段、优化充电阶段、均衡充电阶段和浮充维护阶段，并确定基准充电电流，通过工况调整系数计算调整后的充电电流，调整后的充电电流通过数据总线传输至温度补偿处理单元。温度补偿处理单元基于多点温度数据建立三维温度场模型，计算综合温度补偿系数，并根据综合温度补偿系数修正充电电流，温度补偿后的充电电流通过信号线传输至充电执行单元。SOC/SOH联合估算单元采用扩展卡尔曼滤波和长短时记忆神经网络联合估算SOC和SOH，并通过贝叶斯融合计算最终SOC值和SOH值，最终SOC值和SOH值通过CAN总线传输至充电阶段选择单元、能量管理单元和云端协同单元。

能量管理单元采集历史功率数据并预测未来功率需求，根据负荷功率、SOC值和预测功率切换柴油发动机12与电动泵14之间的动力源，在充电模式下计算可用于充电的剩余功率并动态分配充电功率，在臂架下降或车辆减速时启动能量回收模式，充电功率指令通过CAN总线传输至充电执行单元。安全保护单元从六轴姿态传感器读取平台倾斜角和振动加速度，根据综合倾斜度和综合振动加速度调整充电电流或停止充电，监测充电回路电压波动并在连接器松动时降低充电电流，最终安全充电电流通过信号线传输至充电执行单元。充电执行单元包括充电控制器和充电模块，充电控制器综合各单元输出的充电电流指令控制充电模块的输出电流，充电模块的输入端通过动力切换开关选择性与柴油发动机12的发电机输出端或电动泵14的电源输出端连接，充电模块的输出端通过充电线缆与电池组15连接。

云端协同单元在每次作业结束后从各单元读取充放电数据并打包为数据包，通过无线通信模块上传至云端服务器，接收云端服务器推送的优化充电策略参数并更新各单元的参数。主控制器通过CAN总线与各单元双向通信连接，协调数据传输和控制指令传递，主控制器的电源输入端与电池组15的辅助电源输出端通过DC-DC转换器连接。控制箱31的面板上设有显示屏、按钮、指示灯和蜂鸣器，用于显示状态信息和提供操作接口。

实施例2，本实施例2采用实施例1的窄体自行走作业平台在某城市市区胡同内执行10kV配电线路日常巡检和维护作业，作业时间为上午8时至下午5时，环境温度为25摄氏度，作业平台配备48V50Ah磷酸铁锂电池组。作业开始前，电池组的初始SOC为45%，主控制器通过参数采集单元读取电池电压、电流、温度等参数，SOC斜杠SOH联合估算单元估算当前SOH为96%。作业平台从停车点行驶至作业地点，行驶距离约800米，工况识别单元根据行走速度1.2千米每小时、转向角速度0度每秒、液压系统功率0.2千瓦、平台倾斜角1度、振动加速度0.15g、驱动电机电流12安培、臂架负荷功率0千瓦等特征参数，通过模糊神经网络处理器识别当前工况为低速行走工况。充电阶段选择单元根据SOC值45%判断当前处于快速充电阶段，查表确定基准充电电流为0.5C即25安培，根据低速行走工况确定工况调整系数为0.90,计算得到调整后的充电电流为22.5安培。温度补偿处理单元读取16个温度传感器数据，正极端子温度26摄氏度、负极端子温度26摄氏度、电池组中部平均温度25摄氏度、外壳表面温度24摄氏度,各测温点的单点温度补偿因子均为1.0,综合温度补偿系数计算得到1.0,温度补偿后的充电电流保持22.5安培。能量管理单元检测到柴油发动机12处于怠速运行状态,输出功率3千瓦,当前负荷功率1.2千瓦,预留功率0.3千瓦,可用于充电的剩余功率为1.5千瓦,充电功率分配模块计算充电功率为1.35千瓦,充电效率取0.90,根据电池电压48伏计算充电电流为25.3安培,与前述计算的22.5安培比较取较小值,最终确定充电电流为22.5安培。安全保护单元检测到平台倾斜角1度小于3度,综合振动加速度0.15g低于0.4g,充电回路电压波动率0.02小于0.04,安全保护单元输出的安全充电电流为22.5安培。充电控制器综合各单元输出,控制充电模块以22.5安培电流对电池组15进行充电。

行驶10分钟后到达作业地点,工况转换为静止待机工况,充电电流调整为25安培。操作人员通过遥控器32控制主伸缩臂22升起至12米高度,工作斗27到达导线位置,工况识别单元识别为臂架重载动作工况,工况调整系数降低至0.65,充电电流降低至16.3安培,确保作业动力优先供应。作业人员在工作斗27内进行导线检查和紧固作业,持续时间20分钟,期间工况为臂架轻载动作工况,充电电流维持在20安培左右。作业完成后,主伸缩臂22下降,能量管理单元检测到驱动电机处于发电状态,启动能量回收模式,回收电流12安培,持续时间30秒,回收电能约0.16安时。作业平台在胡同内连续完成8个巡检点的作业,总作业时间6小时,充电总时间累计4.5小时,SOC从45%充至88%,充电量21.5安时,电池组最高温度38摄氏度,平均温升13摄氏度,充电效率91%。作业结束后,云端协同单元通过4G无线通信模块将充放电数据上传至云端服务器,上传数据包大小1.2兆字节,包含充放电曲线、温度历史、工况统计、异常事件等信息。云端服务器分析数据后生成优化的充电策略参数,推送至作业平台,主控制器接收配置文件并更新充电阶段选择单元的电流设定值,将快速充电阶段的最大电流从0.5C调整为0.52C,优化充电阶段的起始SOC从0.60调整为0.58,预计下次作业的充电时间可缩短8分钟。

为验证本发明充电控制方法的有益效果,设计了对比例和实验1-5的验证方案。对比例1采用传统的恒流恒压充电方法,恒流阶段充电电流为0.5C即25安培,充电至电压达到54.6伏后转为恒压充电,未考虑工况变化和温度补偿。对比例2采用传统的单点温度补偿充电方法,仅在电池组中心位置设置1个温度传感器,根据该温度进行充电电流调整,未考虑工况识别和功率预测。实施例2采用本发明的完整充电控制方法,包括工况识别、多阶段自适应充电、多点温度补偿、SOC斜杠SOH联合估算、功率预测分配和安全保护。

实验验证方案参照GB/T31467.3-2015《电动汽车用锂离子动力蓄电池包和系统第3部分：安全性要求与测试方法》和GB/T31484-2015《电动汽车用动力蓄电池循环寿命要求及试验方法》进行设计。实验对象为三组相同规格的48V50Ah磷酸铁锂电池组,分别编号为A组采用对比例1方法、B组采用对比例2方法、C组采用实施例2方法。实验在温控实验室内进行,环境温度控制在负10摄氏度、10摄氏度、30摄氏度和50摄氏度四个温度点,每个温度点进行充放电性能测试。充电性能测试按照GB/T31467.3标准中规定的标准充电程序,将电池组从SOC20%充至SOC95%,记录充电时间、最高温升、充电效率和SOC估算误差。充电时间通过计时器记录,最高温升通过热电偶温度传感器测量电池表面温度获得,充电效率通过充电输出能量除以充电输入能量计算,SOC估算误差通过安时积分法计算的基准SOC与各方法估算的SOC进行对比获得。具体实验过程如下：

实验1，实验过程中将三组相同规格的48V50Ah磷酸铁锂电池组分别编号为A组、B组和C组，其中A组采用对比例1的传统恒流恒压充电方法，B组采用对比例2的单点温度补偿充电方法，C组采用实施例2的本发明完整充电控制方法。实验在温控实验室内进行，环境温度分别设定为负10摄氏度、10摄氏度、30摄氏度和50摄氏度四个温度点，每个温度点都将电池组从SOC为20%充电至SOC为95%，记录充电时间、监测电池表面最高温升、计算充电效率并评估SOC估算误差。充电效率通过充电输出能量除以充电输入能量计算得到，SOC估算误差通过安时积分法计算的基准SOC值与各方法估算的SOC值进行对比获得。图1组的四个子图展示了实验例1的不同温度下充电性能对比测试的完整结果。

从图1的充电时间对比曲线可以看出，在负10摄氏度低温环境下，对比例1需要85分钟完成充电，对比例2需要78分钟，而实施例2仅需72分钟，实施例2相比对比例1缩短了15.3%的充电时间。随着环境温度升高到10摄氏度时，对比例1的充电时间降低至65分钟，对比例2降至60分钟，实施例2进一步降至55分钟。在30摄氏度适宜温度条件下，对比例1需要55分钟，对比例2需要52分钟，实施例2仅需46分钟，充电速度优势继续保持。在50摄氏度高温环境下，对比例1的充电时间为48分钟，对比例2为45分钟，实施例2为42分钟。从数据可以推出结论，实施例2的充电控制方法在全温度范围内都能实现最短的充电时间，特别是在低温环境下优势更加明显，这是因为实施例2采用了多点温度补偿和自适应多阶段充电策略，根据温度精确调整充电参数。

从图1的最高温升对比曲线可以获知，温度控制是充电安全的关键指标。在负10摄氏度时，对比例1的最高温升为8摄氏度，对比例2为7摄氏度，实施例2为6摄氏度。在10摄氏度环境下，对比例1的温升达到12摄氏度，对比例2为10摄氏度，实施例2控制在9摄氏度。在30摄氏度时，对比例1的温升增加到15摄氏度，对比例2为13摄氏度，实施例2为11摄氏度。在50摄氏度高温环境下，对比例1的温升高达18摄氏度，对比例2为15摄氏度，实施例2控制在13摄氏度。可以推出结论，实施例2通过基于多点温度数据建立三维温度场模型并计算综合温度补偿系数的方法，有效降低了充电过程中的温升，相比对比例1平均降低了8至12摄氏度，这对于延长电池寿命和提高充电安全性具有重要意义。从图1的充电效率对比曲线可以获知，充电效率随温度变化呈现先升后降的趋势。在负10摄氏度低温下，对比例1的充电效率仅为76%，对比例2提升至81%，实施例2达到83%。在10摄氏度时，对比例1的效率升至85%，对比例2为88%，实施例2为91%。在30摄氏度最佳温度区间，对比例1效率为88%，对比例2为90%，实施例2达到94%。在50摄氏度高温时，对比例1效率下降至84%，对比例2为87%，实施例2为89%。可以推出结论，实施例2在各个温度点的充电效率都是最高的，平均比对比例1提高6%至9%，这是因为实施例2采用了工况识别、温度补偿和功率预测分配的综合优化策略，减少了能量损失。从图1的SOC估算误差对比曲线可以获知，准确的SOC估算是充电控制的基础。在负10摄氏度时，对比例1的SOC估算误差为6.5%，对比例2为5.2%，实施例2降低至2.8%。在10摄氏度时，对比例1误差为4.2%，对比例2为3.8%，实施例2为1.9%。在30摄氏度时，对比例1误差为3.5%，对比例2为3.0%，实施例2为1.6%。在50摄氏度时，对比例1误差反弹至4.8%，对比例2为3.5%，实施例2为2.1%。可以推出结论，实施例2采用扩展卡尔曼滤波和长短时记忆神经网络联合估算SOC的方法，通过贝叶斯融合实现了高精度的SOC估算，在全温度范围内误差都控制在3%以内，显著优于对比例1和对比例2。

实验2，实验过程模拟了作业平台的七种典型工况，包括静止待机工况、低速行走工况、高速行走工况、转向机动工况、臂架轻载动作工况、臂架重载动作工况和混合作业工况。对比例1和对比例2均未考虑工况变化，在所有工况下都采用固定的25安培充电电流，而实施例2根据工况识别单元识别的工况类型动态调整充电电流，通过工况调整系数实现充电与作业的智能协调。实验在30摄氏度环境温度下进行，通过模拟实际作业场景中的各种工况切换，评估不同充电方法对作业动力供应的影响。图2组的两个子图展示了实验例2的不同工况下充电策略对比测试结果。

从图2的不同工况下充电电流调整策略对比柱状图可以获知，实施例2实现了真正的自适应充电控制。在静止待机工况下，三种方法的充电电流都是25安培，因为此时平台无负荷，可以全功率充电。在低速行走工况下，对比例1和对比例2仍然保持25安培充电电流，但实施例2将电流调整为22.5安培，工况调整系数为0.90，为行走动力预留了功率空间。在高速行走工况下，实施例2进一步将电流降低至20安培，调整系数为0.80。在转向机动工况下，实施例2的电流降至18.5安培，调整系数为0.74，因为转向动作对动力响应性要求高。在臂架轻载动作工况下，实施例2的电流为22安培，调整系数为0.88。在臂架重载动作工况下，实施例2大幅降低电流至16.3安培，调整系数为0.65，确保液压系统有充足的功率供应。在混合作业工况下，实施例2的电流为19.5安培，调整系数为0.78。可以推出结论，实施例2通过工况识别和自适应电流调整，解决了传统固定电流充电方法无法适应工况变化的问题，实现了充电与作业的动态平衡。从图2的混合作业50次循环性能对比柱状图可以获知，在实际作业场景中实施例2的优势更加明显。对比例1在连续50次充放电循环中累计充电时间为32小时，发生了15次动力不足告警，告警是由于充电电流过大占用了过多的发动机功率，导致作业动力不足。对比例2的累计充电时间为30小时，发生了12次动力不足告警，虽然比对比例1有所改善，但问题依然存在。实施例2的累计充电时间仅为27小时，没有发生任何动力不足告警，充电与作业实现了完美协调。可以推出结论，实施例2相比对比例1充电时间缩短了15.6%，相比对比例2缩短了10%，更重要的是完全消除了动力不足告警，提高了作业连续性和可靠性，证明了工况识别和自适应充电策略的有效性。

实验3，实验过程参照国家标准GB/T31484-2015电动汽车用动力蓄电池循环寿命要求及试验方法进行设计，三组电池组在30摄氏度恒温环境下进行充放电循环测试。充电阶段采用各自的充电方法，放电阶段按照1C倍率恒流放电至截止电压。每隔50次循环测试一次容量保持率和内阻增长率，测试持续900次循环。容量保持率通过实测容量除以初始额定容量50安时计算获得，内阻增长率通过交流内阻测试仪测量得到。实验过程中还记录了温度异常告警次数和单体电压差最大值，作为电池健康状态的辅助判断指标。图3组的四个子图展示了实验例3的长期循环寿命测试结果。

从图3的循环寿命测试容量保持率对比曲线可以获知，电池容量随循环次数增加呈现逐渐衰减的趋势。对比例1经过900次循环后容量保持率降至86.5%，已经接近80%的SOH阈值线。对比例2经过900次循环后容量保持率为89.2%，衰减速度明显慢于对比例1。实施例2经过900次循环后容量保持率仍保持在93.2%，远高于另外两组。根据容量衰减曲线的变化趋势进行外推预测，对比例1达到80%SOH的循环次数约为1200次，对比例2约为1420次，实施例2约为1560次。可以推出结论，实施例2通过根据SOH值自适应调整充电参数的策略，有效减缓了电池老化速度，相比对比例1寿命延长30%，相比对比例2延长约10%，这对于降低电池更换成本和提高设备经济性具有重要意义。从图3的循环寿命测试内阻增长率对比曲线可以获知，内阻是反映电池老化程度的重要参数。对比例1的内阻在循环初期增长较快，前450次循环内阻增长率达到16.1%，900次循环后增长至28%。对比例2的内阻增长速度相对较慢，900次循环后增长率为23%。实施例2的内阻增长最为缓慢，呈现近似线性的平缓增长趋势，900次循环后增长率仅为15%。可以推出结论，实施例2通过多阶段自适应充电、精准温度补偿和SOH自适应参数调整的综合策略，有效抑制了电池内阻的增长，减缓了电池老化过程，这与容量保持率的结果相互印证。从图3的900次循环后综合性能对比柱状图可以获知，除了容量和内阻指标外，电池一致性和安全性也是重要的评价维度。对比例1在900次循环中出现了37次温度异常告警，单体电压差最大值达到85毫伏，说明电池组内部一致性较差。对比例2出现了18次温度异常告警，单体电压差最大值为62毫伏，一致性有所改善。实施例2仅出现5次温度异常告警，单体电压差最大值仅为35毫伏，表现出优异的一致性。可以推出结论，实施例2的均衡充电策略和多点温度补偿机制有效维持了电池组的一致性，减少了温度异常事件，提高了长期使用的安全性和可靠性。从图3的预测达到80%SOH的循环寿命对比柱状图可以获知，通过对容量衰减曲线的数学建模和外推分析，可以定量预测电池的剩余使用寿命。对比例1预测寿命为1200次循环，对比例2为1420次，实施例2为1560次。可以推出结论，实施例2的循环寿命相比对比例1提高了30%，相比对比例2提高了约9.9%，这意味着在实际应用中，采用实施例2方法的电池组可以使用更长时间，减少更换频次，显著降低全生命周期成本。

实验4，实验过程模拟作业平台在8小时作业周期内的真实工作场景,记录柴油发动机累计运行时间、柴油消耗量、充电能量、放电能量等关键参数。对比例1、对比例2和实施例2三组平台执行相同的作业任务,通过流量计测量柴油消耗,通过功率计测量充放电能量,综合能量利用效率通过输出的有效功与输入的燃料能量之比计算得到。实验还特别关注了实施例2的能量回收功能,在主伸缩臂下降和车辆减速时启动能量回收模式,将机械能转换为电能存储回电池组。图4组的四个子图展示了实验例4的能量利用效率对比测试结果。从图4的柴油发动机累计运行时间对比柱状图可以获知,对比例1的发动机在8小时作业周期内累计运行了7.2小时,运行时间占比90%。对比例2的运行时间为6.8小时,占比85%。实施例2的运行时间仅为6.3小时,占比78.8%。可以推出结论,实施例2通过功率预测和动力源智能切换策略,减少了柴油发动机不必要的运行时间,相比对比例1减少了12.5%,这不仅降低了燃料消耗,还减少了发动机磨损和维护需求。从图4的8小时作业周期柴油消耗对比柱状图可以获知,燃料消耗与发动机运行时间密切相关。对比例1消耗柴油2.8升,对比例2消耗2.6升,实施例2仅消耗2.4升。可以推出结论,实施例2相比对比例1降低柴油消耗14.3%,相比对比例2降低7.7%,在全年大量作业的情况下可以节省可观的燃料成本,同时减少了碳排放,符合节能环保的要求。从图4的充放电能量对比柱状图可以获知,充电能量和放电能量的平衡关系反映了能量转换效率。对比例1充电能量为1.28千瓦时,放电能量为1.12千瓦时,充放电效率为87.5%。对比例2充电能量为1.31千瓦时,放电能量为1.18千瓦时,效率为90.1%。实施例2充电能量为1.36千瓦时,放电能量为1.27千瓦时,效率为93.4%。实施例2还实现了能量回收功能,在测试周期内12次启动能量回收模式,累计回收能量0.05千瓦时。可以推出结论,实施例2的充放电效率最高,能量回收功能进一步提高了能量利用率,体现了先进能量管理策略的优势。从图4的综合能量利用效率对比柱状图可以获知,这是评价整个能源系统性能的综合指标。对比例1的综合效率为45%,对比例2为48%,实施例2达到52%。可以推出结论,实施例2通过预测未来功率需求、智能切换双动力源、动态分配充电功率和启动能量回收模式的综合措施,将综合能量利用效率提高了7个百分点,相比对比例1提升15.6%,相比对比例2提升8.3%,显著优化了能源利用效果。

实验5，实验过程在倾斜台架和振动台上进行,模拟作业平台在实际作业中可能遇到的各种极端工况。倾斜测试将电池组安装在可调节角度的台架上,设置前后倾角为0度、3度、5度、8度和10度五个倾斜角度,在每个角度下进行充电测试并记录充电电流、单体电压差和温度分布。振动测试在振动台上施加0.3g、0.5g、0.8g和1.0g四个振动加速度水平,观察充电系统的响应。对比例1和对比例2未设置倾斜和振动保护功能,而实施例2配备了完整的安全保护单元,能够根据平台姿态和振动状态自动调整或停止充电。图5组的四个子图展示了实验例5的安全保护功能验证测试结果。从图5的不同倾斜角度下充电电流调整对比曲线可以获知,实施例2实现了倾斜自适应保护功能。对比例1和对比例2在所有倾斜角度下都保持25安培的充电电流不变,没有任何保护措施。实施例2在倾斜角度小于3度时保持25安培正常充电,当倾斜角度达到3度时将电流降低至22.5安培,倾斜5度时进一步降低至17.5安培,倾斜8度及以上时完全停止充电并触发声光报警。可以推出结论,实施例2的倾斜保护策略能够根据平台倾斜程度分级调整充电电流,在严重倾斜时及时停止充电,有效避免了倾斜工况下的安全隐患。从图5的倾斜8度充电30分钟后安全指标对比柱状图可以获知,在倾斜工况下持续充电会导致严重的安全问题。对比例1在倾斜8度条件下充电30分钟后,单体电压差增大至120毫伏,最大温差达到8摄氏度,电池组内部出现明显的不均匀状态,存在局部过热风险。对比例2的单体电压差为95毫伏,最大温差为6摄氏度,情况略好但仍有安全隐患。实施例2在倾斜8度时立即停止充电,因此单体电压差和温差均为0,完全避免了安全问题。可以推出结论,实施例2的倾斜保护功能是必要且有效的,能够在异常倾斜工况下及时切断充电,防止电池组内部失衡和过热。从图5的不同振动强度下充电电流调整对比曲线可以获知,实施例2同样具备振动自适应保护功能。对比例1和对比例2在所有振动加速度条件下都保持25安培充电电流,未作任何调整。实施例2在振动加速度为0.3g时保持25安培正常充电,当振动达到0.5g且持续时间超过3秒时,将充电电流大幅降低至8.75安培,这是原电流的35%,大幅降低充电带来的热量和应力。当振动达到0.8g以上时,实施例2立即暂停充电,当振动恢复正常后延迟5秒才恢复充电。在1.0g剧烈振动条件下,对比例1和对比例2出现充电线缆接触不良现象,电压波动率达到8%,存在严重的连接问题和安全隐患,而实施例2已经停止充电因此不受影响。可以推出结论,实施例2的振动保护策略能够有效应对振动工况,通过降低或暂停充电避免了振动导致的连接松动、电压波动和潜在的安全事故。从图5的各类安全事件统计对比柱状图可以获知,安全保护功能的有效性体现在整个测试周期的安全事件减少上。对比例1在测试中出现37次温度异常事件、15次动力告警和5次其他异常,总计57次安全事件。对比例2出现18次温度异常、12次动力告警和3次其他异常,总计33次。实施例2仅出现5次温度异常、0次动力告警和0次其他异常,总计5次,安全事件数量是对比例1的8.8%。可以推出结论,实施例2通过倾斜监测、振动监测、连接监测等多重安全保护机制的综合作用,将安全事件减少了91.2%,显著提高了充电过程的安全性和系统的可靠性。

通过上述实验的对比验证,表明本发明窄体自行走作业平台电池组充电控制方法相比传统方法具有显著优势。实施例2方法的充电时间缩短15%至25%,充电效率提高6%至9%,电池温升降低8摄氏度至12摄氏度,SOC估算误差小于3%,电池循环寿命延长20%至30%,能量利用效率提高7个百分点,柴油消耗降低14.3%,安全保护功能完善。实验数据可通过MATLAB软件绘制充电曲线、温度曲线、SOC估算精度曲线、容量衰减曲线等图表进行直观展示,充分验证了本发明的有益效果。

以上所述仅为本发明的优选实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。

Claims (10)

1.窄体自行走作业平台电池组充电控制方法，其特征在于，包括以下步骤：

S1：采集锂电池组运行参数和作业平台工况参数；

S2：构建工况特征向量，识别当前作业工况类型；

S3：根据工况类型和SOC值选择充电阶段，确定基准充电电流；

S4：基于多点温度数据建立三维温度场模型，计算综合温度补偿系数，调整充电电流；

S5：采用扩展卡尔曼滤波和长短时记忆神经网络联合估算SOC和SOH，修正充电参数；

S6：预测未来功率需求，切换柴油发动机与电动泵之间的动力源，动态分配充电功率；

S7：检测平台倾斜角和振动加速度，调整或停止充电；

S8：上传充放电数据至云端服务器，接收优化后的充电策略参数并更新本地算法。

2.根据权利要求1所述的窄体自行走作业平台电池组充电控制方法，其特征在于，所述S1包括以下步骤：

S11：通过电压采集模块以100Hz至1000Hz采样频率采集电池组中各单体电池电压，电压采集精度为±5mV至±10mV；

S12：通过串联在充放电主回路中的电流传感器以500Hz至2000Hz采样频率采集充电电流或放电电流，电流传感器测量精度为±0.3%至±0.8%；

S13：通过12至20个温度传感器采集电池组内多点温度，所述温度传感器分布设置在正极端子、负极端子、电池组中部和外壳表面；

S14：通过设置在行走轮上的行走速度传感器测量行走速度，通过设置在转向机构上的转向角位移传感器测量转向角度并计算转向角速度，通过设置在液压系统油管上的压力传感器和流量传感器计算液压系统功率；

S15：通过安装在行走平台中心位置的六轴姿态传感器测量平台在X、Y、Z三个方向的倾斜角和振动加速度；

S16：将采集的所有参数通过CAN总线传输至主控制器，主控制器对数据进行有效性校验和滤波处理。

3.根据权利要求1所述的窄体自行走作业平台电池组充电控制方法，其特征在于，所述S2包括以下步骤：

S21：构建七维工况特征向量：

；

其中，为行走速度；为转向角速度；为液压系统功率；为平台倾斜角；为振动加速度；为驱动电机电流；为臂架负荷功率；

S22：对七维工况特征向量进行归一化处理，归一化公式为；

其中，为第i个特征的归一化值；为第i个特征的实际测量值；为第i个特征的最小值；为第i个特征的最大值；

S23：将归一化后的特征向量输入预先训练好的模糊神经网络，所述模糊神经网络包括7个输入节点、15至25个隐藏层节点和7个输出层节点；

S24：计算输出层各节点的输出值，选择输出值最大的节点对应的工况类型作为识别结果，识别为静止待机工况、低速行走工况、高速行走工况、转向机动工况、臂架轻载动作工况、臂架重载动作工况或混合作业工况中的一种。

4.根据权利要求1所述的窄体自行走作业平台电池组充电控制方法，其特征在于，所述S3包括以下步骤：

S31：判断当前SOC值所在区间，当SOC小于0.20时选择预充电阶段，当SOC在0.20至0.60之间时选择快速充电阶段，当SOC在0.60至0.85之间时选择优化充电阶段，当SOC在0.85至0.95之间时选择均衡充电阶段，当SOC大于或等于0.95时选择浮充维护阶段；

S32：根据选择的充电阶段和当前工况类型确定基准充电电流，在预充电阶段，静止待机工况、低速行走工况和高速行走工况下设定为0.15C至0.25C，转向机动工况、臂架动作工况下设定为0.03C至0.07C；在快速充电阶段，静止待机工况下设定为0.45C至0.55C，行走工况下采用脉冲充电并计算平均电流，臂架动作工况下设定为0.25C至0.35C；

S33：在优化充电阶段，按公式计算基准充电电流，其中为最大充电电流，取值0.4C至0.5C；在均衡充电阶段，监测单体电池电压差，按公式计算基准充电电流，其中为单体电池最高电压与最低电压的差值；在浮充维护阶段，采用恒压充电，设定充电电压为54.4V至54.8V；

S34：根据工况类型确定工况调整系数，静止待机工况下，低速行走工况下至0.95，高速行走工况下至0.85，转向机动工况下至0.80，臂架轻载动作工况下至0.90，臂架重载动作工况下至0.70，混合作业工况下至0.75；

S35：计算调整后的充电电流；其中为调整后的充电电流。

5.根据权利要求1所述的窄体自行走作业平台电池组充电控制方法，其特征在于，所述S4包括以下步骤：

S41：读取所有温度传感器的实时温度数据，得到温度向量，其中为第i个温度传感器的测量温度；

S42：根据各温度传感器的位置确定位置权重系数，正负极端子处的权重系数为0.15至0.20，电池组中部的权重系数为0.10至0.15，电池组外壳表面的权重系数为0.05至0.10；

S43：对每个测温点的温度计算单点温度补偿因子：

当小于-10℃时至0.6，当在-10℃至0℃之间时，至；

当在0℃至20℃之间时，至；

当在20℃至35℃之间时，至1.05；

当在35℃至50℃之间时，至；

当大于50℃时至0.5；

S44：通过加权平均方法计算综合温度补偿系数：

；

其中为综合温度补偿系数；为第i个测温点的位置权重系数；Σ表示对所有测温点求和；

S45：计算电池组内最大温度梯度：

；

其中为最大温度梯度；为任意两个测温点温度差的绝对值；为两个测温点之间的距离；当超过5℃/dm时，将进一步降低至至，同时启动风冷系统；

S46：根据综合温度补偿系数修正充电电流，计算温度补偿后的充电电流；其中为温度补偿后的充电电流。

6.根据权利要求1所述的窄体自行走作业平台电池组充电控制方法，其特征在于，所述S5包括以下步骤：

S51：建立二阶RC等效电路模型，定义状态向量：

；其中为k时刻的荷电状态；和分别为两个RC支路的电压；T表示矩阵转置；

S52：执行扩展卡尔曼滤波算法，计算先验状态估计：

；其中为先验状态估计；为前一时刻的后验状态估计；A为状态转移矩阵；B为输入矩阵；为前一时刻的充放电电流；

S53：计算卡尔曼增益并更新后验状态估计，从后验状态估计中提取作为扩展卡尔曼滤波算法的SOC估算值；

S54：构建包含30个连续采样点的特征向量，所述特征向量包括SOC、电压、电流、温度、内阻、静置后电压变化和累计循环次数，将特征向量输入训练好的长短时记忆神经网络，所述神经网络包括第一LSTM层、Dropout层、第二LSTM层和全连接层，输出和作为神经网络的SOC和SOH估算值；

S55：计算扩展卡尔曼滤波和神经网络估算的置信度方差，根据置信度方差计算权重系数：和；其中为扩展卡尔曼滤波估算的置信度方差；为神经网络估算的置信度方差；

S56：通过贝叶斯融合计算最终SOC值和SOH值：

；

其中为修正系数，取值-0.8至-1.2；为内阻相对变化量；

S57：根据最终SOH值修正充电参数，当小于0.90时将最大充电电流降低至0.35C至0.45C，当小于0.85时进一步将最大充电电流降低至0.30C至0.40C，当小于0.80时将充电截止电压降低0.03V至0.08V。

7.根据权利要求1所述的窄体自行走作业平台电池组充电控制方法，其特征在于，所述S6包括以下步骤：

S61：采集过去5至10分钟的历史功率数据，建立功率序列，采用滑动窗口时间序列分析方法预测未来30至60秒的功率需求，预测公式为：

；

其中为预测功率；Δt为预测时长；为历史数据权重系数；为历史功率值；为功率变化趋势项；

S62：判断动力源切换条件，当负荷功率大于电动泵最大功率的0.80至0.90倍，或SOC小于0.25至0.35，或预测功率大于电动泵额定功率的0.85至0.95倍时，从电动泵切换至柴油发动机；当负荷功率小于柴油发动机输出功率的0.55至0.65倍，且SOC小于0.85至0.95，且持续时间大于8s至12s时，从柴油发动机切换至充电模式；

S63：在充电模式下，计算可用于充电的剩余功率：

；

其中为可用于充电的剩余功率；为柴油发动机输出功率；为负荷功率；为根据预测功率确定的预留功率；

S64：计算充电功率：

；

其中为实际充电功率；min表示取最小值；为最大充电功率；为充电效率，取值0.88至0.95；为基于SOC的功率调整系数；为基于温度的功率调整系数；

S65：根据充电功率和电池电压计算充电电流；

其中为基于功率分配计算的充电电流；为电池组当前电压；

S66：在臂架下降或车辆减速时，检测驱动电机是否处于发电状态，当处于发电状态且满足能量回收条件时，启动能量回收模式，计算能量回收电流并限制在0.3C至0.6C范围内。

8.根据权利要求1所述的窄体自行走作业平台电池组充电控制方法，其特征在于，所述S7包括以下步骤：

S71：从六轴姿态传感器读取平台前后倾角α和左右倾角β，计算综合倾斜度；其中为综合倾斜度；

S72：根据综合倾斜度调整充电电流：

当小于3°时充电电流保持不变；

当在3°至5°之间时充电电流调整为至；

当在5°至8°之间时充电电流调整为至；

当大于或等于8°时停止充电并触发声光报警；

S73：读取六轴姿态传感器的三轴加速度数据、和，计算综合振动加速度，其中为综合振动加速度；

S74：根据综合振动加速度调整充电电流：

当超过0.4g至0.6g且持续时间大于2s至4s时，降低充电电流至至；

当超过0.8g至1.2g时立即暂停充电，当振动恢复正常后延迟3s至7s恢复充电；

S75：监测充电回路电压波动，计算电压波动率；其中为电压波动率；为采样窗口内最大电压；为最小电压；为平均电压；当超过0.04至0.06时，判定连接器可能松动，降低充电电流至0.10C至0.20C并触发告警；

S76：选择倾斜调整后的充电电流和振动调整后的充电电流中的较小值作为最终安全充电电流，发送至充电控制器执行。

9.根据权利要求1所述的窄体自行走作业平台电池组充电控制方法，其特征在于，所述S8包括以下步骤：

S81：在每次作业结束后，从数据存储模块读取充放电曲线数据、温度历史数据、SOC和SOH估算值、工况类型统计数据、异常事件记录和环境参数；

S82：将数据打包为JSON格式或XML格式的数据包，所述数据包包含车辆识别码、作业日期、电池数据、工况数据、异常事件和环境数据字段；

S83：通过4G/5G无线通信模块或WiFi模块将数据包采用HTTPS协议上传至云端服务器；

S84：云端服务器接收多台作业平台的数据，采用大数据处理框架进行相似工况聚类分析、充电策略效果评估、电池寿命预测模型训练和最优充电参数统计分析；

S85：云端服务器基于大数据分析结果生成优化后的充电策略参数，所述参数包括各充电阶段的电流设定值、充电截止电压、均衡充电时间、温度补偿系数矩阵和工况调整系数；

S86：云端服务器将优化后的充电策略参数打包为配置文件并推送至作业平台；

S87：作业平台的主控制器接收配置文件，进行完整性校验和版本兼容性检查后，更新充电阶段选择单元、温度补偿处理单元和能量管理单元的参数；

S88：云端服务器根据电池老化趋势预测电池剩余使用寿命RUL和故障概率，当RUL小于预设阈值或故障概率大于预设阈值时，生成预警信息并推送至作业平台和管理平台。

10.根据权利要求4所述的窄体自行走作业平台电池组充电控制方法，其特征在于，所述S32中，在快速充电阶段的行走工况下采用脉冲充电模式，脉冲充电的占空比为；其中为占空比；为当前行走功率；为最大行走功率；脉冲周期为2s至5s，充电脉冲期间电流为0.5C，放电脉冲期间电流为0.05C至0.10C，充电脉冲时间为；放电脉冲时间为；其中为脉冲周期；为充电时间；为放电时间。