本发明涉及电动车储能技术，尤其涉及纯电动车充电控制方法及系统。
背景技术：
1、传统的充电控制方法往往采用固定的充电策略，无法根据电池的实时状态进行动态调整。这种方法忽视了电池在不同使用阶段和环境条件下的性能变化，难以实现最优的充电效果，可能导致充电效率低下或缩短电池寿命。
2、现有的充电控制系统缺乏对电池状态的全面评估。大多数系统仅依赖简单的电压和电流监测，无法准确估算电池的剩余容量、健康状态和内阻等关键参数。这种信息不足可能导致充电过程中的决策失误，影响充电性能和电池安全。
3、当前的充电安全监控机制相对简单，主要依赖单一的阈值判断。这种方法难以应对复杂的充电异常情况，无法及时识别和处理潜在的安全风险。同时，缺乏有效的反馈机制，难以根据安全预案的执行结果对充电策略进行实时优化调整。
技术实现思路
1、本发明实施例提供纯电动车充电控制方法及系统，能够解决现有技术中的问题。
2、本发明实施例的第一方面，
3、提供纯电动车充电控制方法，包括：
4、采集电动车电池充电过程中的实时充电数据，所述实时充电数据包括充电电流、充电电压、电池温度，结合历史充电数据构建电池状态评估模型，根据所述电池状态评估模型对电池剩余容量、健康状态和内阻估计值进行实时计算，得到电池当前状态信息；
5、基于所述电池当前状态信息，建立包括充电时间、充电效率和电池寿命的多目标优化模型，采用改进粒子群算法对所述多目标优化模型进行求解得到最优充电策略，所述最优充电策略包括充电阶段的充电电流值和充电持续时间；将执行最优充电策略后的充电数据作为新的训练样本更新电池状态评估模型的参数；
6、根据电池当前状态信息和充电过程中的实时充电数据，建立包括电流突变检测、电压异常检测和温度梯度监测的多维安全监控体系，当检测到充电异常时，充电控制系统根据异常类型执行对应的安全预案，所述安全预案包括进入电流限制模式、启动强制降压和调整主动散热装置的散热功率，并将安全预案的执行结果反馈至所述多目标优化模型进行最优充电策略修正。
7、在一种可选的实施方式中，
8、采集电动车电池充电过程中的实时充电数据，所述实时充电数据包括充电电流、充电电压、电池温度，结合历史充电数据构建电池状态评估模型，根据所述电池状态评估模型对电池剩余容量、健康状态和内阻估计值进行实时计算，得到电池当前状态信息的步骤包括：
9、采集电动车电池充电过程中的充电电流、充电电压和电池温度数据，利用小波变换对所述充电电流、充电电压和电池温度数据进行降噪处理，选择db4小波基进行信号分解，采用软阈值方法对高频系数进行处理后重构得到降噪信号；
10、将所述降噪信号存储形成历史充电数据，对所述历史充电数据按充电周期进行分段，提取充电曲线斜率变化特征、电压曲线拐点特征、温度变化趋势特征和充放电效率特征并进行归一化处理，构建特征向量矩阵，采用主成分分析方法对所述特征向量矩阵进行降维处理得到历史特征数据；
11、基于所述降噪信号和所述历史特征数据，构建包含双向长短期记忆网络层和自注意力机制的电池状态评估模型，通过所述自注意力机制动态调整不同时间步数据的权重，利用所述电池状态评估模型输出电池剩余容量、健康状态和内阻估计值，得到电池当前状态信息的评估结果；
12、对所述评估结果计算置信区间，当检测到所述置信区间超出预设阈值范围时，调整数据采样策略并更新所述电池状态评估模型的参数，将所述评估结果及其置信区间作为电池当前状态信息输出。
13、在一种可选的实施方式中，
14、基于所述电池当前状态信息，建立包括充电时间、充电效率和电池寿命的多目标优化模型，采用改进粒子群算法对所述多目标优化模型进行求解得到最优充电策略，所述最优充电策略包括充电阶段的充电电流值和充电持续时间；将执行最优充电策略后的充电数据作为新的训练样本更新电池状态评估模型的参数的步骤包括：
15、获取电池的剩余容量估计值、健康状态估计值和内阻估计值，建立充电过程的动态约束模型，所述动态约束模型包括基于剩余容量估计值和健康状态估计值的充电截止电压约束、基于健康状态估计值的最大充电电流约束、基于内阻估计值的充电功率约束；
16、基于所述充电截止电压约束、最大充电电流约束和充电功率约束构建多目标优化模型，所述多目标优化模型包括充电时间目标函数、充电效率目标函数和电池寿命目标函数，其中所述充电时间目标函数基于充电阶段持续时间和充电阶段切换时间构建，所述充电效率目标函数基于内阻损耗和实际储存能量构建，所述电池寿命目标函数基于电池健康状态加权函数和充电应力函数构建；
17、将充电阶段的电流值和持续时间编码为粒子位置向量，基于健康状态估计值设计自适应惯性权重，将基于充电效率的局部搜索项引入粒子移动速度更新方程，并设计违反约束的惩罚函数，形成改进粒子群算法；
18、采用所述改进粒子群算法对所述多目标优化模型进行求解，根据求解结果将充电过程划分为预充电阶段、恒流充电阶段和恒压充电阶段，确定各阶段的充电电流值和充电持续时间，得到最优充电策略；
19、采集所述最优充电策略执行过程中的充电数据，采用滑动时间窗口选择多个充电数据作为新的训练样本，基于所述新的训练样本，采用增量学习方式更新电池状态评估模型的参数。
20、在一种可选的实施方式中，
21、所述电池寿命目标函数基于电池健康状态加权函数和充电应力函数构建的步骤包括：
22、构建电池健康状态加权函数，所述电池健康状态加权函数与健康状态估计值呈反比关系；
23、构建充电应力函数，所述充电应力函数包含电流应力项、温度应力项和时间应力项，其中所述电流应力项与充电电流的平方值成正比，所述温度应力项与电池表面温度的指数函数成正比，所述时间应力项与充电持续时间成正比；
24、对充电全过程中电池健康状态加权函数与充电应力函数的乘积进行时间积分运算，得到电池寿命目标函数。
25、在一种可选的实施方式中，
26、基于健康状态估计值设计自适应惯性权重，将基于充电效率的局部搜索项引入粒子移动速度更新方程，并设计违反约束的惩罚函数的步骤包括：
27、所述自适应惯性权重通过健康状态估计值与预设的惯性权重上下限的非线性映射关系确定，使得所述自适应惯性权重在电池健康状态低于预设的电池健康状态阈值时增大，在电池健康状态高于预设的电池健康状态阈值时减小；
28、采用所述自适应惯性权重更新粒子移动速度，并在粒子移动速度更新方程中引入基于充电效率的局部搜索项，所述局部搜索项由当前粒子充电策略对应的充电效率与种群平均充电效率的差值以及局部最优解共同确定；
29、基于充电过程中的电压约束、电流约束和功率约束构建惩罚函数，所述惩罚函数包括电压超限惩罚项、电流超限惩罚项和功率超限惩罚项，所述惩罚函数中的惩罚因子通过初始惩罚因子与约束违反调节项的乘积获得，其中所述约束违反调节项由约束调节系数与约束违反量的乘积确定，所述约束违反量由实际值与基于健康状态估计值和内阻估计值确定的约束上限值之间的差值确定。
30、在一种可选的实施方式中，
31、根据电池当前状态信息和充电过程中的实时充电数据，建立包括电流突变检测、电压异常检测和温度梯度监测的多维安全监控体系，当检测到充电异常时，充电控制系统根据异常类型执行对应的安全预案，所述安全预案包括进入电流限制模式、启动强制降压和调整主动散热装置的散热功率，并将安全预案的执行结果反馈至所述多目标优化模型进行最优充电策略修正的步骤包括：
32、采集电池当前状态信息和充电过程中的实时充电数据，计算相邻采样周期的电流差值获得电流突变量，将所述电流突变量与预设电流突变阈值进行比较，当所述电流突变量超过所述预设电流突变阈值时，基于额定充电电流确定限流系数，通过所述限流系数对多目标优化模型输出的充电电流进行限制，得到电流限制模式下的实际充电电流；
33、根据电池开路电压、内阻和极化特性计算理论充电电压，将所述理论充电电压与实测充电电压的偏差率与预设电压偏差阈值进行比较，当所述偏差率超过预设电压偏差阈值时，在理论充电电压的基础上设定安全裕度电压，通过所述安全裕度电压对充电电压进行强制降压，并将降压后的电压上限更新至所述多目标优化模型；
34、监测电池温度的时间梯度和空间梯度，其中所述时间梯度通过相邻采样周期的温度变化率计算得到，所述空间梯度通过电池组内各测温点的最大温差计算得到，当所述时间梯度或空间梯度超过对应的预设温度阈值时，基于实时温度与目标温度的偏差以及温度变化率确定主动散热装置的散热功率，并根据所述散热功率对多目标优化模型中的充电功率约束进行调整。
35、在一种可选的实施方式中，
36、基于额定充电电流确定限流系数的步骤包括：
37、以电池额定充电电流为基准，根据电流突变量的大小划分限流控制区间，所述限流控制区间包括：第一控制区间、第二控制区间和第三控制区间；将预设电流突变阈值划分为第一预设阈值、第二预设阈值和第三预设阈值；所述第一控制区间的电流突变量大于第一预设阈值且小于或等于第二预设阈值，所述第二控制区间的电流突变量大于第二预设阈值且小于或等于第三预设阈值，所述第三控制区间的电流突变量大于第三预设阈值；
38、基于额定充电电流设定限流系数的基准值为1，并针对不同的限流控制区间，采用分段函数对限流系数进行动态调整：
39、当电流突变量位于第一控制区间时，限流系数的取值范围为0.8至1.0之间，具体取值的计算方式为：限流系数=1-0.2×(电流突变量-第一预设阈值)/(第二预设阈值-第一预设阈值)；
40、当电流突变量位于第二控制区间时，限流系数的取值范围为0.5至0.8之间，具体取值的计算方式为：限流系数=0.8-0.3×(电流突变量-第二预设阈值)/(第三预设阈值-第二预设阈值)；
41、当电流突变量位于第三控制区间时，限流系数的取值范围为0.2至0.5之间，具体取值的计算方式为：限流系数=0.5-0.3×(电流突变量-第三预设阈值)/第三预设阈值；
42、当检测到电流突变量连续多个采样周期小于第一预设阈值时，每个采样周期将限流系数提高0.1，直至限流系数恢复至基准值。
43、本发明实施例的第二方面，
44、提供纯电动车充电控制系统，包括：
45、第一单元，用于采集电动车电池充电过程中的实时充电数据，所述实时充电数据包括充电电流、充电电压、电池温度，结合历史充电数据构建电池状态评估模型，根据所述电池状态评估模型对电池剩余容量、健康状态和内阻估计值进行实时计算，得到电池当前状态信息；
46、第二单元，用于基于所述电池当前状态信息，建立包括充电时间、充电效率和电池寿命的多目标优化模型，采用改进粒子群算法对所述多目标优化模型进行求解得到最优充电策略，所述最优充电策略包括充电阶段的充电电流值和充电持续时间；将执行最优充电策略后的充电数据作为新的训练样本更新电池状态评估模型的参数；
47、第三单元，用于根据电池当前状态信息和充电过程中的实时充电数据，建立包括电流突变检测、电压异常检测和温度梯度监测的多维安全监控体系，当检测到充电异常时，充电控制系统根据异常类型执行对应的安全预案，所述安全预案包括进入电流限制模式、启动强制降压和调整主动散热装置的散热功率，并将安全预案的执行结果反馈至所述多目标优化模型进行最优充电策略修正。
48、本发明实施例的第三方面，
49、提供一种电子设备，包括：
50、处理器；
51、用于存储处理器可执行指令的存储器；
52、其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述所述的方法。
53、本发明实施例的第四方面，
54、提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前述所述的方法。
55、本发明通过采集实时充电数据并结合历史数据构建电池状态评估模型，可以准确估计电池的剩余容量、健康状态和内阻。基于这些信息建立多目标优化模型并使用改进粒子群算法求解，得到平衡充电时间、充电效率和电池寿命的最优充电策略。这种方法可以显著提高充电效率，同时延长电池的使用寿命。
56、本发明将执行最优充电策略后的充电数据作为新的训练样本来更新电池状态评估模型的参数，使得模型能够不断学习和适应电池的实际状态变化。这种自适应优化机制确保了充电策略能够随着电池状态的变化而持续优化，始终保持最佳性能。
57、本发明建立了包括电流突变检测、电压异常检测和温度梯度监测的多维安全监控体系，可以全面监控充电过程中的各项关键参数。当检测到充电异常时，系统能够根据异常类型执行相应的安全预案，如进入电流限制模式、启动强制降压或调整散热功率等。这种多层次的安全保护机制大大提高了充电过程的安全性，有效降低了安全事故的发生风险。
1.纯电动车充电控制方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，采集电动车电池充电过程中的实时充电数据，所述实时充电数据包括充电电流、充电电压、电池温度，结合历史充电数据构建电池状态评估模型，根据所述电池状态评估模型对电池剩余容量、健康状态和内阻估计值进行实时计算，得到电池当前状态信息的步骤包括：
3.根据权利要求1所述的方法，其特征在于，基于所述电池当前状态信息，建立包括充电时间、充电效率和电池寿命的多目标优化模型，采用改进粒子群算法对所述多目标优化模型进行求解得到最优充电策略，所述最优充电策略包括充电阶段的充电电流值和充电持续时间；将执行最优充电策略后的充电数据作为新的训练样本更新电池状态评估模型的参数的步骤包括：
4.根据权利要求3所述的方法，其特征在于，所述电池寿命目标函数基于电池健康状态加权函数和充电应力函数构建的步骤包括：
5.根据权利要求3所述的方法，其特征在于，基于健康状态估计值设计自适应惯性权重，将基于充电效率的局部搜索项引入粒子移动速度更新方程，并设计违反约束的惩罚函数的步骤包括：
6.根据权利要求1所述的方法，其特征在于，根据电池当前状态信息和充电过程中的实时充电数据，建立包括电流突变检测、电压异常检测和温度梯度监测的多维安全监控体系，当检测到充电异常时，充电控制系统根据异常类型执行对应的安全预案，所述安全预案包括进入电流限制模式、启动强制降压和调整主动散热装置的散热功率，并将安全预案的执行结果反馈至所述多目标优化模型进行最优充电策略修正的步骤包括：
7.根据权利要求6所述的方法，其特征在于，基于额定充电电流确定限流系数的步骤包括：
8.纯电动车充电控制系统，用于实现前述权利要求1-7中任一项所述的方法，其特征在于，包括：
9.一种电子设备，其特征在于，包括：
10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。
