一种基于图神经网络的锂离子电池健康状态预测方法

1.本发明涉及电池健康状态管理领域，特别涉及一种基于图神经网络的锂离子电池健康状态预测方法。


背景技术：

2.近年来，锂离子电池由于其高能量密度、自放电率低、高效稳定和循环寿命较长的优点，而受到行业的肯定和政策的支持，广泛应用于航天、汽车和电力系统等领域，但与此同时，国内外频发的电池燃烧事件，也让人们意识到问题的严重性，从而将电池的安全性提上了议程。由于电池的安全性与电池的老化相关，而老化对应不同的健康状态。因此，可通过对锂离子电池健康状态的评估以辅助电池的安全可靠运行。对于锂离子电池健康状态的评估，通常有机理模型、经验模型和数据驱动等方法，其中，机理模型借助一系列偏微分方程来描述电池的健康状态，模型精确、可解释性强，但问题在于，一方面，方程中出现的电化学参数需要通过精密的仪器进行测量，设备昂贵，且难以在线开展；另一方面，偏微分方程的求解较为困难，难以获得解析表达式，且计算量较大，对计算机的性能有一定要求；对于经验模型而言，是指采用公式对电池的健康状态进行拟合，该方法泛化性能较差，精度不高；而对于数据驱动，其无需建模，只需要通过对历史数据的挖掘和学习，从而获得电池老化的规律，进而完成健康状态评估。然而，现行的电池健康状态评估，主要针对充放电的某个过程或某个阶段或某个片段进行特征工程，以提取健康因子，如文献《基于等幅度充电时间的锂离子电池健康状态估计》针对充电过程的恒流充电阶段，提取出等幅度充电时间作为特征，进行健康状态估计，但是，上述对于健康状态的评估总是事后的，如果能够提前预测未知过程的健康状态，将对荷电状态的估计以及寿命预测的研判将大有裨益。而对于未知健康状态的预测，仅通过前一次的健康状态或健康因子，难以进行预测，需要采用待预测健康状态之前而对于之前的多次健康状态或健康因子对未来进行预测时，可能会出现样本为非欧式空间的情况，则对于大多基于欧式空间的算法将失效。


技术实现要素：

3.为解决上述问题，一种基于图神经网络的锂离子电池健康状态预测方法，首先，收集不同充放电过程或阶段的时长以及对应半循环的充电或放电容量；其次，明确点、边，确定节点的属性和标签并设定窗口大小，从而进行构图；将图数据划分为训练集和测试集，并对数据进行归一化处理；之后，采用图神经网络的方法对训练集数据进行训练学习，并对测试集样本进行测试，从而实现锂离子电池健康状态预测。本发明所采用的图神经网络既可应用于欧式空间，亦可应用于非欧式空间，适用性广泛，具有广阔的应用场景。
4.本发明的目的至少通过如下技术方案之一实现。
5.一种基于图神经网络的锂离子电池健康状态预测方法，包括以下步骤：
6.s1、获取锂离子电池各个半循环的健康状态；
7.s2、构建图的节点、节点的特征和标签，并设定窗口大小；
8.s3、将图数据划分为训练集、验证集和测试集，并对图数据进行归一化处理；
9.s4、采用图神经网络的方法对训练集数据进行训练学习，并对测试集样本进行测试，从而实现锂离子电池健康状态预测。
10.进一步地，步骤s1中，充放电过程包括充电过程或放电过程；充放电阶段包括恒流充电阶段、恒压充电阶段或恒流放电阶段；充电过程包括恒流充电阶段和恒压充电阶段，放电过程包括恒流放电阶段；
11.完成一次充电过程和一次放电过程为一次完整的充放电循环，而半循环则表示单独完成一次充电过程或一次放电过程；
12.健康状态为充电容量或放电容量与额定容量的比值，额定容量为电池出厂参数，需要注意的是，对于放电容量，在本发明中为负值。
13.进一步地，步骤s2中，将一次完整的充放电循环视作节点，将相邻两个半循环的健康状态作为节点的特征，将经力若干充放电循环后的半循环健康状态作为图标签；设定节点个数n即窗口大小，从而建立图g，通过滑窗，形成m个同构图gm，m＝1～m，图集合g＝g1，g2，g3，...gm。
14.进一步地，步骤s3中，将m个同构图gm划分为训练集g
train
＝g
1train
，g
2train
，g
3train
，...g
ptrain
，其中，上下标train代表训练集，p代表训练集的样本个数，g
ptrain
表示训练集g
train
中的第p个训练图；验证集g
valid
＝g
1valid
，g
2valid
，g
3valid
，...g
bvalid
，其中，上下标valid代表验证集，b代表训练集的样本个数，g
bvalid
表示训练集g
valid
中的第b个训练图；测试集g
test
＝g
1teat
，g
2teat
，g
3test
，...g
qtest
，其中，上下标test代表测试集，g代表测试集的样本个数，g
qtest
表示测试集g
test
中的第g个测试图，其中，p b q＝m。
15.进一步地，对于训练集g
train
中的训练图g
ptrain
，找出所有训练图g
ptrain
的所有节点中的两个半循环(用f和a区别)的健康状态的最大值和最小值；
16.对于训练集g
train
所有训练图的所有节点，进行极值归一化：
[0017][0018][0019][0020]
对于验证集g
valid
所有验证图和测试集g
test
所有测试图的所有节点，进行极值归一化：
[0021][0022][0023][0024]
其中，sohf·s·
t
、soha·s·
t
分别代表训练集中第s个训练图中第t个节点归一化前的前后两个半循环的健康状态；sohf·j·k、soha·j·k分别代表测试集中第j个验证图或测试图中
第k个节点归一化前的恒流充电时长、恒压充电时长和恒流放电时长；sohf·s·
t
、soha·s·
t
为训练集中第s个训练图中第t个节点归一化后的恒流充电时长、恒压充电时长和恒流放电时长；sohf·j·k、soha·j·k为验证集或测试集中第j个图中第k个节点归一化后的前后两个半循环的健康状态；sohg·s代表训练集中第s个训练图归一化前的标签，sohg·s为训练集中第s个训练图归一化后的标签，sohg·j代表验证集或测试集中第j个图归一化前的标签，sohg·j为验证集或测试集中第j个图归一化后的标签，eol为健康状态转折的标准，多用于剩余寿命预测，取0.7～0.8。
[0025]
进一步地，步骤s4中，采用图注意力机制或graph sample and aggre图注意力神经网络(graph attention networks，gat)(graphsage)或图卷积神经网络(graph convolutional networks，gcn)的图神经网络方法，借助于梯度下降，采用训练集g
train
进行训练学习，得到训练好的图注意力模型或graph sample and aggre图注意力神经网络(graph attention networks，gat)(graphsage)模型或图卷积神经网络(graph convolutional networks，gcn)模型。
[0026]
进一步地，将测试集输入训练好的图注意力模型或graph sample and aggre图注意力神经网络(graph attention networks，gat)(graphsage)模型或图卷积神经网络(graph convolutional networks，gcn)模型从而获得两个半循环的健康状态，此时需进行反归一化处理，具体如下：
[0027][0028]
sohj为测试集中第j个测试图健康状态的预测值，为测试集中第j个测试图反归一化后的健康状态的预测值。
[0029]
进一步地，步骤s2中，将一次完整的充放电循环视作节点，将该充放电循环包括的两个半循环的健康状态soh作为节点的特征，将完整充放电循环的充电健康状态和放电健康状态作为节点的标签；设定节点个数n即窗口大小，从而建立图；
[0030]
其中，完整充放电循环的充电健康状态和放电健康状态分别为充电容量和放电容量与额定容量的比值。
[0031]
进一步地，步骤s2中，节点的特征除了采用恒流充电时间、恒压充电时间和恒流放电时间以外，采用人工特征工程所提取的健康特征，包括等压降放电时间、等压差充电时间或和放电电压样本熵等通过特征工程获得的健康特征。
[0032]
进一步地，步骤s2中，采用对应充放电过程(阶段)的时长或间接健康因子作为节点的特征；间接健康因子是指用来表征电池健康状态所提取的特征。
[0033]
本发明相对于现有技术具有如下的优点及效果：
[0034]
(1)可综合考量历史充放电循环对当前或未来充放电循环健康状态的影响，亦可综合考虑各个充放电阶段的影响，提高预测精度。
[0035]
(2)避免了繁杂的特征提取工作，当然亦可采用人工提取的特征。
[0036]
(3)首次尝试将图神经网络应用于锂离子电池健康状态评估，为锂离子电池健康状态评估提供了新的研究思路。
附图说明
[0037]
为了更清楚的说明本技术实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍。
[0038]
图1为本发明实施例中的实施流程图；
[0039]
图2为本发明实施例中所构的图；
[0040]
图3为本发明实施例1中的预测效果示意图；
[0041]
图4为本发明实施例2中的预测效果示意图；
[0042]
图5为本发明实施例3中的预测效果示意图。
具体实施方式
[0043]
本发明的核心是提供一种基于图神经网络的锂离子电池健康状态预测方法，使得锂离子电池健康状态评估由于引入了历史充放电循环以及综合考虑充放电循环各个阶段而提升预测的准确率。
[0044]
为了使本技术领域的人员更好地理解本发明的技术方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0045]
实施例1：
[0046]
一种基于图神经网络的锂离子电池健康状态预测方法，如图1所示，包括以下步骤：
[0047]
s1、获取锂离子电池各个半循环的健康状态；
[0048]
充放电过程包括充电过程或放电过程；充放电阶段包括恒流充电阶段、恒压充电阶段或恒流放电阶段；充电过程包括恒流充电阶段和恒压充电阶段，放电过程包括恒流放电阶段；
[0049]
完成一次充电过程和一次放电过程为一次完整的充放电循环，而半循环则表示单独完成一次充电过程或一次放电过程；
[0050]
健康状态为充电容量或放电容量与额定容量的比值，额定容量为电池出厂参数，需要注意的是，对于放电容量，在本发明中为负值。
[0051]
本实施例中，以oxford公开数据集(共包括cell1～cell8等8块电池)为例，收集每次循环过程中充电过程、放电过程的健康状态；
[0052]
s2、构建图的节点、节点的特征和标签，并设定窗口大小；
[0053]
将一次完整的充放电循环视作节点，将该充放电循环中的两个半循环的健康状态作为节点的特征，设定窗口大小n＝4，将每经历过n*2个半循环后的第n*2 1个半个循环的健康状态作为图的标签，从而建立图g，通过滑窗，形成m个同构图gm，m＝1～m，图集合g＝g1，g2，g3，...gm。
[0054]
本实施例中，如图2所示，图中共有4个节点，即4个完整循环，其中每个循环有2个特征sohf和soha，为一个完整循环中相邻的前后两个半循环的健康状态；而每个节点与其他节点的连接构成了边，而每个图都会对应一个健康状态sohg，即图标签，从而建立图g，通过滑窗，形成m个同构图gm，m＝1～m，图集合g＝g1，g2，g3，...gm。
[0055]
s3、将图数据划分为训练集、验证集和测试集，并对图数据进行归一化处理；
[0056]
将m个同构图gm划分为训练集g
train
＝g
1train
，g
2train
，g
3train
，...g
ptrain
，其中，上下标train代表训练集，p代表训练集的样本个数，g
ptrain
表示训练集g
train
中的第p个训练图；验证集g
valid
＝g
1valid
，g
2valid
，g
3valid
，...g
bvalid
，其中，上下标valid代表验证集，b代表训练集的样本个数，g
bvalid
表示训练集g
valid
中的第b个训练图；测试集g
test
＝g
1test
，g
2test
，g
3test
，...g
qteat
，其中，上下标test代表测试集，g代表测试集的样本个数，g
qtest
表示测试集g
test
中的第g个测试图，其中，p b q＝m。
[0057]
对于训练集g
train
中的训练图g
ptrain
，找出所有训练图g
ptrain
的所有节点中的两个半循环(用f和a区别)的健康状态的最大值和最小值；
[0058]
对于训练集g
train
所有训练图的所有节点，进行极值归一化：
[0059][0060][0061][0062]
对于验证集g
valid
所有验证图和测试集g
test
所有测试图的所有节点，进行极值归一化：
[0063][0064][0065][0066]
其中，sohf·s·
t
、soha·s·
t
分别代表训练集中第s个训练图中第t个节点归一化前的前后两个半循环的健康状态；sohf·j·k、soha·j·k分别代表测试集中第j个验证图或测试图中第k个节点归一化前的恒流充电时长、恒压充电时长和恒流放电时长；sohf·s·
t
、soha·s·
t
为训练集中第s个训练图中第t个节点归一化后的恒流充电时长、恒压充电时长和恒流放电时长；sohf·j·k、soha·j·k为验证集或测试集中第j个图中第k个节点归一化后的前后两个半循环的健康状态；sohg·s代表训练集中第s个训练图归一化前的标签，sohg·s为训练集中第s个训练图归一化后的标签，sohg·j代表验证集或测试集中第j个图归一化前的标签，sohg·j为验证集或测试集中第j个图归一化后的标签，eol为健康状态转折的标准，多用于剩余寿命预测，取0.7～0.8。
[0067]
在本实施例中，取cell1～cell2的所有同构图作为训练集，cell3～cell4的所有同构图作为验证集，cell5～cell8的所有同构图作为测试集。
[0068]
s4、采用图神经网络的方法对训练集数据进行训练学习，并对测试集样本进行测
试，从而实现锂离子电池健康状态预测；
[0069]
采用graph sample and aggre图注意力神经网络(graph attention networks，gat)(graphsage)方法，并借助于图池化和梯度下降，采用训练集g
train
进行训练学习，验证集g
valid
进行验证，从而得到训练好的图注意力模型或graph sample and aggre图注意力神经网络(graph attention networks，gat)(graphsage)模型或图卷积神经网络(graph convolutional networks，gcn)模型；
[0070]
将测试集输入训练好的graph sample and aggre图注意力神经网络(graph attention networks，gat)(graphsage)模型从而获得两个半循环的健康状态，此时亦需进行反归一化处理，具体如下：
[0071][0072][0073]
sohj·k·c和sohj·k·d为测试集中第j个测试图中第k个节点反归一化前的充电过程和放电过程的健康状态的预测值，和为测试集中第j个测试图中第k个节点反归一化后的充电过程和放电过程的健康状态的预测值；eol取0.7。
[0074]
以cell5预测效果为例，参见图3，由图可见，预测值与真实值较为吻合。
[0075]
实施例2：
[0076]
本实施例中，与实施例1的不同之处在于，步骤s4中，采用图注意力神经网络(graph attention networks，gat)的方法；
[0077]
以cell6预测效果为例，参见图4，由图可见，预测值与真实值较为吻合。
[0078]
实施例3：
[0079]
本实施例中，与实施例1的不同之处在于，步骤s4中，采用图卷积神经网络(graph convolutional networks，gcn)的方法；
[0080]
以cell7预测效果为例，参见图5，由图可见，预测值与真实值较为吻合。
[0081]
实施例4：
[0082]
本实施例中，与实施例1的不同之处在于，步骤s2中，节点的特征可采用恒流充电时间、恒压充电时间和恒流放电时间(或通过特征工程所提取的间接健康因子)。
[0083]
上述实施例仅为本发明的具体实施例，并不用于限定本发明的保护范围。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，均包含在本发明的保护范围内。