本發(fā)明涉及鋰電池健康狀態(tài)估算，具體涉及適用于光儲(chǔ)充放檢寬溫域場(chǎng)景的鋰電池狀態(tài)智能估算方法。

背景技術(shù)：

1、鋰離子電池因其高能量密度、長(zhǎng)壽命和環(huán)保特性而被廣泛應(yīng)用于許多領(lǐng)域，包括電動(dòng)汽車、便攜式電子設(shè)備和可再生能源存儲(chǔ)系統(tǒng)。隨著這些應(yīng)用對(duì)電池性能依賴性的增加，精確預(yù)測(cè)電池的狀態(tài)健康顯得尤為重要。soh是評(píng)估電池健康狀況的關(guān)鍵指標(biāo)，直接關(guān)系到電池的安全使用、維護(hù)成本和使用壽命。傳統(tǒng)的soh估算方法主要包括經(jīng)驗(yàn)?zāi)Ｐ秃臀锢砟Ｐ?。?jīng)驗(yàn)?zāi)Ｐ屯ㄟ^基于實(shí)驗(yàn)數(shù)據(jù)和歷史性能的簡(jiǎn)單數(shù)學(xué)關(guān)系式來描述電池在特定條件下的退化行為。盡管這些傳統(tǒng)方法在某些應(yīng)用場(chǎng)景下表現(xiàn)優(yōu)異，但它們通常面臨模型復(fù)雜度高、對(duì)參數(shù)精度要求嚴(yán)格、并難以快速適應(yīng)電池技術(shù)的發(fā)展和新的使用條件等挑戰(zhàn)。圖神經(jīng)網(wǎng)絡(luò)作為一種新興的數(shù)據(jù)驅(qū)動(dòng)方法，因其獨(dú)特的結(jié)構(gòu)和功能，展現(xiàn)出顯著的潛力和優(yōu)勢(shì)。

2、實(shí)際車載應(yīng)用中，電池的工作溫度范圍往往不是固定的。對(duì)于寬溫域場(chǎng)景下的研究較少，現(xiàn)有的鋰離子電池健康狀態(tài)（soh）估算研究通常局限于特定或普通溫度條件下的電池性能評(píng)估。大部分現(xiàn)有的soh估計(jì)方法在設(shè)計(jì)時(shí)往往假設(shè)電池在其整個(gè)壽命期內(nèi)都在相對(duì)恒定的環(huán)境條件下運(yùn)行。然而，在現(xiàn)實(shí)應(yīng)用中，如電動(dòng)車和移動(dòng)設(shè)備中，電池不僅要在不同的環(huán)境溫度下運(yùn)行，還要應(yīng)對(duì)車輛加速、減速等動(dòng)態(tài)負(fù)載變化帶來的影響。這些實(shí)際使用情形使得電池的充放電循環(huán)遠(yuǎn)比實(shí)驗(yàn)室條件更為復(fù)雜多變，傳統(tǒng)模型因缺乏動(dòng)態(tài)適應(yīng)性而難以有效應(yīng)對(duì)。

3、在寬溫域條件下進(jìn)行電池狀態(tài)健康度（soh）估計(jì)面臨的主要挑戰(zhàn)是對(duì)于電池的性能和衰退率，如何實(shí)現(xiàn)跨溫度的精確估算。電池的soh估計(jì)在不同溫度下顯得尤為復(fù)雜，因?yàn)闇囟炔▌?dòng)直接影響電池內(nèi)部化學(xué)反應(yīng)的動(dòng)態(tài)，從而影響電池的充放電特性和老化過程。傳統(tǒng)的soh估計(jì)方法通常面臨幾個(gè)問題：首先，大多數(shù)現(xiàn)有模型是在特定溫度條件下開發(fā)和驗(yàn)證的，這限制了它們?cè)谧兓瘻囟葪l件下的適用性。其次，電池在不同溫度下的行為差異導(dǎo)致需要更多的模型或復(fù)雜的調(diào)整機(jī)制來適應(yīng)這些變化。此外，溫度的波動(dòng)可能導(dǎo)致從不同溫度條件下收集的數(shù)據(jù)呈現(xiàn)不同的分布特征，這種現(xiàn)象在統(tǒng)計(jì)學(xué)中稱為“協(xié)變量漂移”。這使得在一個(gè)溫度條件下訓(xùn)練的模型難以適應(yīng)另一個(gè)條件，從而使模型預(yù)測(cè)的可靠性降低。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)現(xiàn)有技術(shù)中的問題，本發(fā)明提供適用于光儲(chǔ)充放檢寬溫域場(chǎng)景的鋰電池狀態(tài)智能估算方法，目的在于實(shí)現(xiàn)跨溫度場(chǎng)景下的電池soh估計(jì)。

2、適用于光儲(chǔ)充放檢寬溫域場(chǎng)景的鋰電池狀態(tài)智能估算方法，包括以下步驟：

3、步驟1：建立涵蓋15℃、25℃、35℃三種不同溫度下的鋰電池衰減數(shù)據(jù)集；

4、步驟2：根據(jù)鋰電池衰減數(shù)據(jù)集中的充放電曲線以及累計(jì)積分、時(shí)間、斜率、value，提取出27種電池退化特征，如表1所示：

5、表1：提取的特征

6、

7、步驟3：將提取的27種電池退化特征進(jìn)行特征選擇，并采用隨機(jī)森林來量化各電池退化特征對(duì)預(yù)測(cè)結(jié)果的貢獻(xiàn)，再使用基于shap值分析的遞歸特征消除法生成最優(yōu)特征子集；

8、步驟4：根據(jù)最優(yōu)特征子集構(gòu)建圖結(jié)構(gòu)；

9、步驟5：將圖結(jié)構(gòu)送入時(shí)空?qǐng)D注意力網(wǎng)絡(luò)進(jìn)行訓(xùn)練，時(shí)空?qǐng)D注意力網(wǎng)絡(luò)包括圖注意力網(wǎng)絡(luò)層、bilstm層、深度可分離卷積網(wǎng)絡(luò)和線性層，

10、圖注意力網(wǎng)絡(luò)層中的注意力頭用于并行處理結(jié)構(gòu)圖中的節(jié)點(diǎn)，并將結(jié)果拼接起來后送入leakyrelu函數(shù)；leakyrelu函數(shù)進(jìn)行非線性激活后并將其輸出送入dropout模塊進(jìn)行正則化處理，dropout模塊的輸出送入全局池化層進(jìn)行匯聚處理并獲得一個(gè)固定大小的全局節(jié)點(diǎn)；

11、全局節(jié)點(diǎn)經(jīng)歸一化后送入bilstm層，bilstm層的雙向lstm模塊獲取全局節(jié)點(diǎn)隨時(shí)間的動(dòng)態(tài)變化特征；將雙向lstm模塊的輸入和輸出進(jìn)行相加并形成殘差連接；

12、深度可分離卷積網(wǎng)絡(luò)對(duì)殘差連接的結(jié)果進(jìn)行深度卷積和逐點(diǎn)卷積，線性層對(duì)深度可分離卷積網(wǎng)絡(luò)的輸出進(jìn)行特征提取和結(jié)果預(yù)測(cè)并通過逐步減少輸出維度的方式輸出最終的鋰電池soh預(yù)測(cè)值。

13、進(jìn)一步為：步驟1具體為：

14、鋰電池按環(huán)境溫度15℃、25℃和35℃分組，生成三個(gè)獨(dú)立的數(shù)據(jù)集，25℃組包括8塊電鋰電池，15℃組和35℃組各包括4塊鋰電池；鋰電池的標(biāo)稱容量為2ah，首先以2c的恒流充電至4.2v，然后轉(zhuǎn)為4.2v的恒壓充電直至截至電流達(dá)到0.05c或0.1a；隨后鋰電池?cái)R置一小時(shí)，接著，鋰電池以1c的恒流放電至2.8v截至電壓，再擱置一小時(shí)；這樣的充放電循環(huán)每完成50次后，進(jìn)行一次鋰電池參數(shù)辨識(shí)，直至鋰電池的狀態(tài)健康度降至80%以下；實(shí)驗(yàn)中鋰電池溫度通過貼于鋰電池表面的aux輔助通道測(cè)量，并以1秒為采樣間隔記錄鋰電池的電壓、電流、ic和溫度數(shù)據(jù)。

15、進(jìn)一步為：步驟3具體為：

16、步驟3.1：通過隨機(jī)森林模型獲得27種電池退化特征的特征重要性評(píng)分，根據(jù)特征重要性評(píng)分選擇出對(duì)soh預(yù)測(cè)重要的電池退化特征，并記為重要特征；

17、步驟3.2：引入shap值，計(jì)算每個(gè)重要特征對(duì)soh預(yù)測(cè)結(jié)果的貢獻(xiàn)；即，基于shap值的結(jié)果，并通過閾值法對(duì)重要特征進(jìn)行初步選擇；

18、步驟3.3：根據(jù)初步選擇的結(jié)果執(zhí)行遞歸特征消除法，并獲得最優(yōu)特征子集，遞歸特征消除法的過程為：

19、

20、其中，是第步的特征集，是從中移除最不重要特征后的特征集。

21、進(jìn)一步為：步驟4具體為：通過劃定最優(yōu)特征子集中的電池退化特征在時(shí)間維度上的范圍進(jìn)行協(xié)方差計(jì)算且生成協(xié)方差矩陣，并在基于協(xié)方差矩陣的結(jié)果上采用?kruskal算法來生成最小生成樹；再通過連接圖中所有節(jié)點(diǎn)的最小權(quán)重邊集合，同時(shí)保持總邊權(quán)最小，從而構(gòu)建網(wǎng)絡(luò)結(jié)構(gòu)，即圖結(jié)構(gòu)；其中，kruskal算法的目標(biāo)為：

22、

23、其中且形成一個(gè)無(wú)環(huán)連通子圖，為邊的權(quán)重，表示特征點(diǎn)集合，表示特征點(diǎn)之間的連接關(guān)系；和是中的兩個(gè)節(jié)點(diǎn)，它們表示圖中被邊連接的兩個(gè)特征點(diǎn)。

24、進(jìn)一步為：注意力頭為：

25、

26、其中，表示節(jié)點(diǎn)的鄰居節(jié)點(diǎn)集合，是鄰居節(jié)點(diǎn)的特征向量，是可學(xué)習(xí)的權(quán)重矩陣；是注意力系數(shù)，表示節(jié)點(diǎn)對(duì)節(jié)點(diǎn)的貢獻(xiàn)重要性；是非線性激活函數(shù)；

27、注意力系數(shù)的計(jì)算使用了softmax函數(shù)基于“注意力分?jǐn)?shù)”的形式：

28、

29、其中，注意力分?jǐn)?shù)通常通過一個(gè)神經(jīng)網(wǎng)絡(luò)計(jì)算，這個(gè)網(wǎng)絡(luò)考慮了節(jié)點(diǎn)和節(jié)點(diǎn)的特征：

30、

31、其中，是可學(xué)習(xí)的權(quán)重向量，表示向量的連接，是用于添加非線性的激活函數(shù)；

32、全局池化層匯聚的特征是其所有鄰居節(jié)點(diǎn)特征的算術(shù)平均值：

33、

34、其中，是節(jié)點(diǎn)的新特征向量，是節(jié)點(diǎn)的鄰居節(jié)點(diǎn)集合，是鄰居節(jié)點(diǎn)的特征向量。

35、進(jìn)一步為：全局節(jié)點(diǎn)使用batchnorm1d模塊進(jìn)行歸一化，batchnorm1d模塊為：

36、

37、其中，為輸入特征的值，為當(dāng)前批次中所有樣本的均值，當(dāng)前批次中所有樣本的方差；是小的常數(shù)，和均為可學(xué)習(xí)的參數(shù)并分別表示縮放因子和偏移量。

38、進(jìn)一步為：雙向lstm模塊為：

39、

40、

41、

42、

43、

44、其中，是sigmoid激活函數(shù)，表示元素乘積，w?和?b?是權(quán)重矩陣和偏置項(xiàng)，f、i、o?分別是遺忘門、輸入門和輸出門的激活值，c?是細(xì)胞狀態(tài)，h?是隱藏狀態(tài)，下標(biāo)?t?表示時(shí)間步。

45、進(jìn)一步為：深度可分離卷積網(wǎng)絡(luò)為：

46、

47、其中，是應(yīng)用于第個(gè)通道的輸出特征圖，是輸入特征圖，是第個(gè)通道的卷積核。

48、進(jìn)一步為：leakyrelu激活函數(shù)為：

49、

50、其中，為為leakyrelu激活函數(shù)的輸入。

51、進(jìn)一步為：線性層中，將結(jié)果預(yù)測(cè)的所有結(jié)果沿著一個(gè)心的維度堆疊起來，并形成一個(gè)張量；

52、；

53、對(duì)于每個(gè)位置，計(jì)算所有子模型在該位置的預(yù)測(cè)結(jié)果的平均值，得到最終的預(yù)測(cè)結(jié)果：

54、

55、其中?表示第個(gè)模型在位置的預(yù)測(cè)結(jié)果，和是圖結(jié)構(gòu)中的節(jié)點(diǎn)。

56、本發(fā)明的有益效果：本發(fā)明建立了涵蓋15℃、25℃、35℃三種不同溫度下的電池衰減數(shù)據(jù)集，從而獲得電池?cái)?shù)據(jù)；從累計(jì)積分、時(shí)間、斜率和value幾個(gè)維度，全面總結(jié)并提出了27種電池退化的相關(guān)特征；將提取的27個(gè)特征進(jìn)行特征選擇，采用了隨機(jī)森林來量化各特征對(duì)預(yù)測(cè)結(jié)果的貢獻(xiàn)，并使用基于shap值分析的遞歸特征消除法生成了最優(yōu)特征子集。特征選擇后的子集用動(dòng)態(tài)最小生成樹結(jié)構(gòu)來構(gòu)建圖結(jié)構(gòu)，利用時(shí)空?qǐng)D注意網(wǎng)絡(luò)進(jìn)行訓(xùn)練，利用先進(jìn)的圖神經(jīng)網(wǎng)絡(luò)技術(shù)來處理時(shí)間和空間維度的電池?cái)?shù)據(jù)，實(shí)現(xiàn)了高效且準(zhǔn)確的跨溫度場(chǎng)景下的鋰電池soh估計(jì)。