基于时态图神经网络的锂离子电池健康状态估计方法

技术领域

本发明涉及锂离子电池健康状态估计技术领域，具体涉及基于时态图神经网络的锂离子电池健康状态估计方法。

背景技术

锂离子电池因其高能量密度、长寿命和环保特性而被广泛应用于许多领域，包括电动汽车、便携式电子设备和可再生能源存储系统。随着这些应用对电池性能依赖性的增加，精确预测电池的状态健康（State of Health, SOH）变得尤为重要。数据驱动方法的兴起为电池的状态健康估算提供了新的视角，这类方法主要利用机器学习技术，如支持向量机（SVM）、随机森林（RF）、以及深度学习网络等，直接从实际操作中收集的数据中提取模式和趋势，不同于传统模型，它通过算法来识别数据中的隐藏关系和变量影响，这使得它们在处理非线性问题和多变运行条件下表现出更高的灵活性和鲁棒性。

然而，现有的方法仍然面临着多方面的挑战，特别是关于数据质量和模型精度的问题；首先，高质量、准确且具有代表性的数据对于建立有效的预测模型至关重要，但电池数据往往受到测量误差、设备老化和环境变化的影响，且长期的数据收集既耗时又昂贵；其次，适当的特征工程是提高模型精度的关键，需要精心选择与电池SOH紧密相关的特征，如充放电周期、温度和电压等，此外，复杂的机器学习模型如深度学习易于过拟合，可能导致模型学习到数据中的噪声而非底层趋势，从而影响模型在新数据上的表现；环境和操作条件的变化也会对电池性能产生重大影响，如果模型未能考虑这些因素，可能导致实际应用中的预测精度下降。

发明内容

针对现有技术中的问题，本发明提出基于时态图神经网络的锂离子电池健康状态估计方法，目的在于，通过利用时态图神经网络有效地处理和学习电池的结构化数据，从而精准捕捉电池组内部的复杂依赖关系和相互作用，提高预测精度。

基于时态图神经网络的锂离子电池健康状态估计方法，包括以下步骤：

步骤1：建立电池循环寿命试验的实验平台，并对锂离子电池进行循环寿命测试，从而获得电池数据；

步骤2：从电池数据中获取与时间相关的时间特征，时间特征包括放电时间、恒流充电时间、恒流恒压充电时间、全部充电时间以及充电到最大温度的时间；

步骤3：使用滑动窗口数据计算时间特征间的相关性并建立图结构数据；

步骤4：将图结构数据送入时态图神经网络，并获得锂离子电池的健康状态；

其中，时态图神经网络包括图卷积层、全局平均池化层、双向长短期记忆层和卷积层，

图结构数据在网络中的处理过程包括以下步骤：

步骤4.1：图结构数据依次经过三个图卷积层，图卷积层对图结构数据中的节点特征进行聚合和转换，从而捕捉图结构数据中的局部和全局结构信息；

步骤4.2：将最后一个图卷积层的输出送入全局平均池化层并进行平均池化操作；

步骤4.3：将全局平均池化层的输出送入双向长短期记忆层中进行训练，以捕捉长期记忆信息；

步骤4.4：长期记忆信息和将最后一个图卷积层的输出进行残差连接，并形成新的图结构数据；

步骤4.5：新的图结构数据依次经三个卷积层进行卷积操作；；

步骤4.6：将最后一个卷积层的输出分别送入三个全连接层，以完成最后的特征提取和融合，并输出锂离子电池的健康状态结果。

进一步为：步骤4.1中，将每个图卷积层之后都使用LeakyRelu激活函数进行处理。

进一步为：放电时间通过记录电池开始放电到达到预设的放电终止条件的时间戳来计算，恒流充电时间和恒流恒压充电时间则通过识别充电过程中的恒流阶段和恒压阶段，并计算这些阶段各自所持续的时间；全部充电时间则是从电池开始充电到完全充满所经过的总时间；充电到最大温度的时间为，确定在充电过程中电池温度达到的最高值，并回溯到这一最高温度被记录的时间点。

进一步为：步骤3中，通过在时间特征中每个时间点周围形成一个动态特征窗口，动态特征窗口内包含了从时间点

通过计算动态特征窗口范围内特征间的协方差矩阵，并将其转换为距离矩阵；对于特征矩阵

其中，

其中，

其中，

最后，利用距离矩阵构建出图结构的边关系，时间特征作为节点特征建立完整的图结构数据。

进一步为：图卷积层中，节点特征

其中，

进一步为：

其中，

进一步为：平均池化操作为对于图中的每个节点特征

其中，

进一步为：双向长短期记忆层的公式为：

其中，σ 是sigmoid激活函数，

本发明的有益效果：本文从电池充放电数据中的时间维度提取了五个时间相关的特征作为节点特征，并通过计算动态特征窗口范围内特征间的协方差矩阵，并将其转换为距离矩阵，从而构建一个能够反映特征相互关系的图，在构建图结构过程中就考虑到电池特征时序前后期的关系；引入图注意力网络结合双向长短期记忆网络，残差连接和卷积神经网络等，并通过激活函数和平均池化等复杂的网络设计提出了一种新型的时态图神经网络，利用时态图神经网络独特的结构和功能，解决了数据分布不均、模型泛化能力不足、环境与操作条件噪声对预测精度的影响等问题，显著提高了电池健康状态估计的准确度。

附图说明

图1为本发明的流程图；

图2为本发明中时态图神经网络的结构示意图；

图3为本发明中图结构数据的结构示意图。

具体实施方式

下面结合附图对本发明做详细说明。下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。本发明实施例中的左、中、右、上、下等方位用语，仅是互为相对概念或是以产品的正常使用状态为参考的，而不应该认为是具有限制性的。

基于时态图神经网络的锂离子电池健康状态估计方法，结合图1和图2所示，包括以下步骤：

步骤1：建立电池循环寿命试验的实验平台，并对锂离子电池进行循环寿命测试，从而获得电池数据；其具体包括：

数据集1：INR 18650电池采用阶梯充电方式，首先以6C恒定电流对电池充电到4.2V电压；短暂休息后，以3C恒定电流对电池充电到4.2V电压；再次在一分钟的休息之后，恒流恒压（CC-CV）对电池完全充电；在其CC阶段的电流为0.5C，截止电流为0.05C，截止电压为4.2V；一小时静置后，用六倍CLTC-P对电池放电（中国轻型车测试循环-乘用车）反复进行，直到电池电压下降到2.7 V；CLTC-P是基于交通大数据的标准工况，包括三个区间：低速、中速、高速，总时长1800s；CLTC-P具有高度动态性，可以反映电池在实际应用中的老化情况；每50次循环进行一次容量测量；

数据集2：在每个电池老化循环期间，Prospower ICR 18650 P电池以1C的恒定电流速率充电到4.2V电压；随后，施加4.2V的恒定电压，直到电流降至0.1C；之后，以3C的恒定电流速率放电，直到电压下降到2.5V的截止电压，之后将它们静置1小时；

本发明采用电池当前可用容量与额定容量之比来表示电池的SOH，其表达式如下：

其中，

步骤2：从电池数据中获取与时间相关的时间特征，时间特征包括放电时间、恒流充电时间、恒流恒压充电时间、全部充电时间以及充电到最大温度的时间；放电时间通过记录电池开始放电到达到预设的放电终止条件的时间戳来计算；恒流充电时间和恒流恒压充电时间则通过识别充电过程中的恒流阶段和恒压阶段，并计算这些阶段各自所持续的时间；全部充电时间则是从电池开始充电到完全充满所经过的总时间；对于充电到最大温度的时间，首先确定在充电过程中电池温度达到的最高值，并回溯到这一最高温度被记录的时间点；

步骤3：使用滑动窗口数据计算时间特征间的相关性并建立图结构数据；

其中，电池性能的衰退通常是由多个交互因素引起的渐进过程，这些因素在时间序列数据中呈现出复杂的动态关系；电池性能的衰退通常是由多个交互因素引起的渐进过程，这些因素在时间序列数据中呈现出复杂的动态关系；为了有效捕捉这些关系，相对于传统技术，本发明采用动态特征窗口技术来捕捉电池性能随时间的动态变化；如图3所示，F1到F5代表所述的五个时间特征，这种方法通过在每个时间点周围形成一个动态窗口，窗口内包含了从时间点

通过计算动态特征窗口范围内特征间的协方差矩阵，并将其转换为距离矩阵；协方差矩阵是一种描述变量间线性关系强度的统计工具；对于特征矩阵 X，其中包含 n 个观测和 m 个特征，协方差矩阵 C 的计算公式为：

其中，

其中，

这里，

最后，利用距离矩阵构建出图结构的边关系，时间特征作为节点特征建立完整的图结构数据；

步骤4：将图结构数据送入时态图神经网络，并获得锂离子电池的健康状态；其中，时态图神经网络包括图卷积层、全局平均池化层、双向长短期记忆层和卷积层，结合图2所示，

图结构数据在网络中的处理过程包括以下步骤：

步骤4.1：图结构数据经过三个图卷积层，图结构数据中的节点特征进行聚合和转换，从而捕捉图中的局部和全局结构信息，每个图卷积层之后都使用LeakyRelu激活函数进行处理；图结构数据被图卷积层处理后，数据可能会出现“死亡神经元”问题，这会对后续的全局平均池化层处理产生负面影响，导致信息损失和模型性能下降；而经过LeakyRelu激活函数处理后，数据的负数部分也能得到适当保留，使得神经元保持活跃状态，从而在后续的全局平均池化层处理中，避免信息丢失的问题；这不仅有助于改善模型的训练效果，还能增强模型的稳定性和泛化能力；

图卷积网络的核心思想是通过邻居聚合或信息传递机制来学习节点特征的表示，每个节点特征的新状态是由其自身特征和邻居节点特征的聚合更新得来的，具体来说，在一层图卷积网络中，节点特征

其中，

为负数输入设定一个非零斜率

步骤4.2：图结构数据在经过最后一个图卷积层之后经过全局平均池化层进行平均池化操作；

其中，全局平均池化层进行平均池化操作，用于提取图中节点特征的全局信息，有助于捕捉图的整体结构和属性；主要目的是通过降低数据维度来减少计算量，同时保留重要的特征信息；具体地，对于图中的每个节点特征

其中，

步骤4.3：平均池化后的图结构数据被送入双向长短期记忆层中继续训练，从而更好地捕捉长期记忆的信息；

其中，利用双向长短期记忆层处理通过时态图神经网络优化后的特征，以分析特征随时间的动态变化；这种双向处理方式使得模型不仅能够考虑过去的信息，还能预见未来趋势，这对于电池SOH预测这种高度依赖历史使用模式的任务尤为重要；其数学模型表示为：

其中，σ 是sigmoid激活函数，

步骤4.4：将双向长短期记忆层的输出数据与步骤4.1中的输出图结构数据进行残差连接形成新的图结构数据；

其中，输出图结构数据进行残差连接形成新的图结构数据，这将产生了一个新的输出

其中，

步骤4.5：新的图结构数据被送入连续三个卷积层进行卷积操作，进一步提取特征；

其中，为了进一步提取和优化特征，采用了一维卷积神经网络，通过在数据的一个维度上进行卷积操作来提取局部时间特征；如果

K 是卷积核的大小，s 是步长，k是卷积核内的位置索引，i×s+k 计算卷积核在输入序列上的实际位置；

步骤4.6：卷积操作后的数据被送入两个全连接层作最终的特征提取和结果预测，实现最终的SOH估计；

其中，时态图神经网络首先利用三个图卷积层对图结构数据进行节点特征的聚合和转换，使用LeakyReLU激活函数增强非线性处理能力，以捕获局部和全局的结构信息；随后，全局平均池化层对特征进行平均池化操作；这些处理过的数据被送入双向长短期记忆（LSTM）层，以利用其在捕获时间依赖性方面的优势，加强对长期序列数据的理解；通过残差连接，将LSTM的输出与初步图卷积的结果相结合，保持深层网络中的信息流动，并防止训练中的信息丢失；最后，数据经过额外的卷积层处理以进一步提取深层特征，然后通过两个全连接层完成最终的特征融合和SOH预测；时态图神经网络结合了图卷积和序列处理的优势，形成了一个强大的框架，用以实现电池状态的精确评估，并具有广泛的适用性于其他复杂数据分析任务。

本发明方法通过六个评价指标进行全面评估，分别是均方误差（MSE）、均方根误差（RMSE）、平均绝对误差（MAE）、平均绝对百分比误差（MAPE）、确定系数（R2）和最大误差（MAXE）；

以上涉及到的符号，其中

在该实验中，在数据集1中选择B104电池和B107电池用于估算，剩余5块电池用于训练；在数据集2中选择数据集2的XQ-14电池和XQ-17电池用于估算，其余5块电池用于训练；选择均方误差（MSE）函数作为损失函数来训练神经网络；基于梯度的AdamW优化算法用于更新网络模型的权重和偏置参数，以最小化损失函数；最后，实现了提前停止机制以防止过度拟合；具体来说，如果验证损失在接下来的50个epoch中没有减少，则模型训练终止；在对比实验中，通过三种数据集比较了之前设计的基于Transformer（集成一个ConvlD和一个堆叠自注意）的TransAm模型和两种传统模型：Bi-LSTM和CNN-GRU。表1显示了与其他方法的对比实验结果，可以注意到，对比其他模型TGN显示出最佳的预测性能，反映了模型在整体上的预测准确性和估计的整体性能较好。MAPE和R2在数据集2上达到了0.526130、0.541479和0.987869、0.995157，证明了模型在预测任务中的评估和泛化性能较好；MAXE在数据集1上最低为1.507133；综合六个评价指标体现了模型的性能和泛化能力。

表1. 对比实验的结果

在该消融实验中，在数据集1中选择B104电池和B07电池用于估算，剩余5块电池用于训练；将TGN去除Bi-LSTM、GCN和Convolutional Module模型分别记为A、B、C，使用数据集A进行验证；表2显示了评价指标的数值；去除Bi-LSTM对比TGN，尽管模型的评价指标仍在合理范围内，但MSE、RMSE和MAE的数值显著增加，例如，B107电池的MSE增加了62.23%；这表明Bi-LSTM在TGN模型中发挥了重要作用，有效地捕捉了序列数据中的长期依赖关系和关键特征，提高了模型对电池状态的建模能力；去除GCN对比TGN，R2下降幅度较小，但其他数值出现了较大差距；特别是在B104数据集中，MSE、RMSE从0.479274和0.692296分别增加到了0.912911和0.955463；这说明GCN对于特征的训练起到了关键作用；去除ConvolutionalModule对比TGN，所有六个评价指标都超出了合理范围，且在B107数据集中MAXE达到了8.593368；这显示Convolutional Module通过引入多层卷积和平均池化操作，有效地捕捉了电池特征中的时空信息，对于提取更丰富的特征表示和提高模型性能起到了关键作用。

表2. 消融实验的结果

在噪声实验中，在数据集1中选择B104电池和B07电池用于估算，剩余5块电池用于训练；实验中，我们对数据集A引入了不同幅度的噪声（50 mV、100 mV和150 mV）来模拟现实中电池数据的不确定性；表3显示了评价指标的数值；随着噪声强度的增加，预测性能趋于下降；然而，在50mV的高斯噪声下,对比原始结果，各项评价指标仅有很小增加，以B104为例，MSE、RMSE和MAE为0.472745、0.687564和0.562126，MAXE从1.507133到1.591979，仅增加了0.084，即使在150 mV的高斯噪声下，该方法仍然可以获得很好的预测，两块电池误差分别小于1.97%和3.14%，这验证了该算法对整个充电过程的强大鲁棒性。

表3. 噪声实验的结果

以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。