本發明涉及電池狀態的估計，具體涉及基于雙交叉物理引導框架的soc-soh聯合估計方法。

背景技術：

1、隨著電池技術在新能源汽車、儲能系統以及便攜式設備中的廣泛應用，對電池狀態監控的精度和實時性提出了更高要求。電池的充電狀態（soc）和健康狀態（soh）作為評估電池性能的兩個關鍵指標，其準確估計對于確保設備安全、延長電池壽命和優化能量管理具有至關重要的意義。然而，在實際應用中，電池狀態估計面臨諸多挑戰。首先，電池在充放電過程中表現出明顯的動態響應和瞬態特征，如電壓波動、溫度梯度以及電流脈沖，這要求模型能夠捕捉多尺度、多維度的時序信息。同時，電池老化過程往往伴隨著非線性、復雜的退化機理，例如活性物質流失、sei?膜增厚以及鋰沉積等，導致?soh?的衰減曲線呈現出突變與漸變相結合的特性。此外，由于實際工況下傳感器噪聲、數據采樣頻率不均及環境因素的影響，傳統的單一數據驅動或物理模型在準確捕捉電池內部狀態時存在局限性，容易出現過擬合或外推能力不足的問題。為了解決上述問題，必須在保證數據充分表達的基礎上，引入電池內在物理機理的先驗知識，從而提高模型的預測準確性與物理合理性。傳統方法大多分別對?soc?與?soh?進行獨立建模，忽略了兩者之間存在的內在耦合關系，且無法同時兼顧短期充放電動態與長期老化演化，并缺乏物理一致性約束，導致在實際應用中無法充分反映電池充放電行為與退化過程的相互影響。

技術實現思路

1、針對現有技術中的需求，本發明提供基于雙交叉物理引導框架的soc-soh聯合估計方法，目的在于解決現有方法在復雜工況下難以同時捕捉電池短期動態響應和長期老化趨勢的問題。

2、基于雙交叉物理引導框架的soc-soh聯合估計方法，包括以下步驟：

3、步驟1：獲取電池充放電的數據特征；

4、步驟2：將數據特征送入送入雙交叉物理引導模型，該雙交叉物理引導模型包括時空特征編碼器、雙流互注意力模塊和物理約束解碼器；

5、步驟3：時空特征編碼器基于擴張卷積、多頭自注意力和前饋網絡提取數據特征中的高維特征張量；

6、步驟4：高維特征張量通過特征引導解耦機制中的并行的兩個可學習投影頭進行轉換，生成兩條任務導向的特征流，并分別記為充電狀態特征流和健康狀態特征流；

7、步驟5：雙流互注意力模塊計算充電狀態特征流和健康狀態特征流之間的跨注意力信息，并通過動態交互機理對跨注意力信息進行動態調控和融合，獲得最終的充電狀態動態交互結果和健康狀態動態交互結果；

8、步驟6：物理約束解碼器基于多層感知器和物理修正項將最終的充電狀態動態交互結果和健康狀態動態交互結果映射到充電狀態預測值和健康狀態預測值。

9、進一步為：時空特征編碼器中，數據特征經擴張卷積后依次經多頭自注意力層和前饋網絡層處理，且在多頭自注意力層和前饋網絡層均設置有殘差連接，并在多頭自注意力層和前饋網絡層后均設置有層歸一化。

10、進一步為：跨注意力信息包括充電狀態到健康狀態方向的注意力?以及健康狀態到充電狀態方向的注意力?；

11、其中，為充電狀態特征流中的特征向量映射，和均為健康狀態特征流中的特征向量映射；為縮放因子；為健康狀態特征流中的特征向量映射，和均為充電狀態特征流中的特征向量映射。

12、進一步為：動態交互機理通過門控函數和交互評分函數進行自適應調控，并將門控函數值和交互評分函數值分別與、進行加權融合。

13、進一步為：步驟6具體為：

14、步驟6.1：將充電狀態動態交互結果和健康狀態動態交互結果分別輸入到兩個多層感知器中，得到初步的和；

15、步驟6.2：在每個時間片段中，通過對當前時段的累積電量以及溫度等變量進行積分或遞推，分別計算庫侖積分約束項和arrhenius?退化項；

16、步驟6.3：將初步的和分別與庫侖積分約束項和arrhenius退化項在解碼器末端進行融合，形成最終的與。

17、進一步為：；

18、其中，為額定容量，為庫侖效率離散化實現時，可將積分替換為逐步累加，并在每個時間步對做限幅（clamping）以防止數值漂移；在解碼器中，庫侖約束往往以?coulombconstraint?層的形式出現，先根據網絡當前時段的電流、溫度等特征估計，再與?mlp?的輸出進行耦合；簡化的耦合方式為：

19、；

20、其中，為?sigmoid?函數，以確保輸出位于[0,1]區間；為可調節的權重或門控因子，用于平衡數據驅動預測與物理積分結果。

21、進一步為：；

22、其中，為累計放電量或循環次數，表示衰減非線性系數；該方程核心是根據當前溫度和累積容量動態計算衰減量，并輸出一個與?mlp?預測的相乘或相加的修正項；耦合方式為：

23、；

24、其中，為sigmoid?函數。

25、進一步為：從預測誤差、物理一致性和交叉一致性?三個維度對雙交叉物理引導的transformer模型進行約束和優化，總體損失為：

26、；

27、其中與為超參數，用于平衡不同子損失的貢獻度；

28、；

29、；

30、；

31、其中，和分別表示模型對充電狀態與健康狀態的預測值，和分別表示模型對充電狀態與健康狀態的真實值；為調節參數，用于平衡預測容量與對于實際觀測到的電流積分值計算得到的實際電荷轉移之間的偏差；為調節參數，用于控制與阿倫尼烏斯方程的一致性程度；為新電池的額定容量；表示電池材料固有的物理量，a是阿倫尼烏斯模型中的指數前因子；t為當前電池溫度，i為電流。

32、進一步為：步驟1具體包括以下步驟：

33、步驟1.1：建立電池循環壽命試驗的實驗平臺，對鋰離子電池進行循環壽命測試并獲得電池充放電數據；

34、步驟1.2：從電池充放電數據中對原始信號進行多尺度處理和衍生特征提取，獲得的特征包括電壓變化率、溫度梯度、累計吞吐電量、等效循環次數、滑動窗口統計量和弛豫期電壓恢復率；

35、步驟1.3：將提取后的所有特征進行動態歸一化策略處理，并獲得電池充放電的數據特征。

36、進一步為：動態歸一化策略，其數學表達如下：

37、；

38、其中，為動態歸一化策略的輸出，是時間步t的原始特征值；為防止除以0的小常數；為均值，為標準差，分別表示為：

39、；

40、；

41、為動態滑動窗口長度且為：

42、?；

43、其中，為窗口初始長度；為增長速率系數；為當前時間步模型預測的健康狀態，則表示健康衰退程度。

44、本發明的有益效果：借助時空特征編碼器與任務解耦機制，能夠有效區分短期動態行為與長期老化演化特征，實現特征層面的異質性建模；通過雙向跨任務注意力機制與門控交互結構，顯式增強soc與soh之間的耦合感知能力，提升多任務協同估計效果；有效解決了現有方法難以兼顧短時響應捕捉與長期退化刻畫的核心難題，為構建高可靠性智能電池管理系統提供了堅實支撐。