適用于光儲充放檢寬溫域場景的鋰電池狀態智能估算方法

本發明涉及鋰電池健康狀態估算，具體涉及適用于光儲充放檢寬溫域場景的鋰電池狀態智能估算方法。

背景技術：

1、鋰離子電池因其高能量密度、長壽命和環保特性而被廣泛應用于許多領域，包括電動汽車、便攜式電子設備和可再生能源存儲系統。隨著這些應用對電池性能依賴性的增加，精確預測電池的狀態健康顯得尤為重要。soh是評估電池健康狀況的關鍵指標，直接關系到電池的安全使用、維護成本和使用壽命。傳統的soh估算方法主要包括經驗模型和物理模型。經驗模型通過基于實驗數據和歷史性能的簡單數學關系式來描述電池在特定條件下的退化行為。盡管這些傳統方法在某些應用場景下表現優異，但它們通常面臨模型復雜度高、對參數精度要求嚴格、并難以快速適應電池技術的發展和新的使用條件等挑戰。圖神經網絡作為一種新興的數據驅動方法，因其獨特的結構和功能，展現出顯著的潛力和優勢。

2、實際車載應用中，電池的工作溫度范圍往往不是固定的。對于寬溫域場景下的研究較少，現有的鋰離子電池健康狀態（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估。大部分現有的soh估計方法在設計時往往假設電池在其整個壽命期內都在相對恒定的環境條件下運行。然而，在現實應用中，如電動車和移動設備中，電池不僅要在不同的環境溫度下運行，還要應對車輛加速、減速等動態負載變化帶來的影響。這些實際使用情形使得電池的充放電循環遠比實驗室條件更為復雜多變，傳統模型因缺乏動態適應性而難以有效應對。

3、在寬溫域條件下進行電池狀態健康度（soh）估計面臨的主要挑戰是對于電池的性能和衰退率，如何實現跨溫度的精確估算。電池的soh估計在不同溫度下顯得尤為復雜，因為溫度波動直接影響電池內部化學反應的動態，從而影響電池的充放電特性和老化過程。傳統的soh估計方法通常面臨幾個問題：首先，大多數現有模型是在特定溫度條件下開發和驗證的，這限制了它們在變化溫度條件下的適用性。其次，電池在不同溫度下的行為差異導致需要更多的模型或復雜的調整機制來適應這些變化。此外，溫度的波動可能導致從不同溫度條件下收集的數據呈現不同的分布特征，這種現象在統計學中稱為“協變量漂移”。這使得在一個溫度條件下訓練的模型難以適應另一個條件，從而使模型預測的可靠性降低。

技術實現思路

1、針對現有技術中的問題，本發明提供適用于光儲充放檢寬溫域場景的鋰電池狀態智能估算方法，目的在于實現跨溫度場景下的電池soh估計。

2、適用于光儲充放檢寬溫域場景的鋰電池狀態智能估算方法，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據集；

4、步驟2：根據鋰電池衰減數據集中的充放電曲線以及累計積分、時間、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種電池退化特征進行特征選擇，并采用隨機森林來量化各電池退化特征對預測結果的貢獻，再使用基于shap值分析的遞歸特征消除法生成最優特征子集；

8、步驟4：根據最優特征子集構建圖結構；

9、步驟5：將圖結構送入時空圖注意力網絡進行訓練，時空圖注意力網絡包括圖注意力網絡層、bilstm層、深度可分離卷積網絡和線性層，

10、圖注意力網絡層中的注意力頭用于并行處理結構圖中的節點，并將結果拼接起來后送入leakyrelu函數；leakyrelu函數進行非線性激活后并將其輸出送入dropout模塊進行正則化處理，dropout模塊的輸出送入全局池化層進行匯聚處理并獲得一個固定大小的全局節點；

11、全局節點經歸一化后送入bilstm層，bilstm層的雙向lstm模塊獲取全局節點隨時間的動態變化特征；將雙向lstm模塊的輸入和輸出進行相加并形成殘差連接；

12、深度可分離卷積網絡對殘差連接的結果進行深度卷積和逐點卷積，線性層對深度可分離卷積網絡的輸出進行特征提取和結果預測并通過逐步減少輸出維度的方式輸出最終的鋰電池soh預測值。

13、進一步為：步驟1具體為：

14、鋰電池按環境溫度15℃、25℃和35℃分組，生成三個獨立的數據集，25℃組包括8塊電鋰電池，15℃組和35℃組各包括4塊鋰電池；鋰電池的標稱容量為2ah，首先以2c的恒流充電至4.2v，然后轉為4.2v的恒壓充電直至截至電流達到0.05c或0.1a；隨后鋰電池擱置一小時，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；這樣的充放電循環每完成50次后，進行一次鋰電池參數辨識，直至鋰電池的狀態健康度降至80%以下；實驗中鋰電池溫度通過貼于鋰電池表面的aux輔助通道測量，并以1秒為采樣間隔記錄鋰電池的電壓、電流、ic和溫度數據。

15、進一步為：步驟3具體為：

16、步驟3.1：通過隨機森林模型獲得27種電池退化特征的特征重要性評分，根據特征重要性評分選擇出對soh預測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，計算每個重要特征對soh預測結果的貢獻；即，基于shap值的結果，并通過閾值法對重要特征進行初步選擇；

18、步驟3.3：根據初步選擇的結果執行遞歸特征消除法，并獲得最優特征子集，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、進一步為：步驟4具體為：通過劃定最優特征子集中的電池退化特征在時間維度上的范圍進行協方差計算且生成協方差矩陣，并在基于協方差矩陣的結果上采用?kruskal算法來生成最小生成樹；再通過連接圖中所有節點的最小權重邊集合，同時保持總邊權最小，從而構建網絡結構，即圖結構；其中，kruskal算法的目標為：

22、

23、其中且形成一個無環連通子圖，為邊的權重，表示特征點集合，表示特征點之間的連接關系；和是中的兩個節點，它們表示圖中被邊連接的兩個特征點。

24、進一步為：注意力頭為：

25、

26、其中，表示節點的鄰居節點集合，是鄰居節點的特征向量，是可學習的權重矩陣；是注意力系數，表示節點對節點的貢獻重要性；是非線性激活函數；

27、注意力系數的計算使用了softmax函數基于“注意力分數”的形式：

28、

29、其中，注意力分數通常通過一個神經網絡計算，這個網絡考慮了節點和節點的特征：

30、

31、其中，是可學習的權重向量，表示向量的連接，是用于添加非線性的激活函數；

32、全局池化層匯聚的特征是其所有鄰居節點特征的算術平均值：

33、

34、其中，是節點的新特征向量，是節點的鄰居節點集合，是鄰居節點的特征向量。

35、進一步為：全局節點使用batchnorm1d模塊進行歸一化，batchnorm1d模塊為：

36、

37、其中，為輸入特征的值，為當前批次中所有樣本的均值，當前批次中所有樣本的方差；是小的常數，和均為可學習的參數并分別表示縮放因子和偏移量。

38、進一步為：雙向lstm模塊為：

39、

40、

41、

42、

43、

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

45、進一步為：深度可分離卷積網絡為：

46、

47、其中，是應用于第個通道的輸出特征圖，是輸入特征圖，是第個通道的卷積核。

48、進一步為：leakyrelu激活函數為：

49、

50、其中，為為leakyrelu激活函數的輸入。

51、進一步為：線性層中，將結果預測的所有結果沿著一個心的維度堆疊起來，并形成一個張量；

52、；

53、對于每個位置，計算所有子模型在該位置的預測結果的平均值，得到最終的預測結果：

54、

55、其中?表示第個模型在位置的預測結果，和是圖結構中的節點。

56、本發明的有益效果：本發明建立了涵蓋15℃、25℃、35℃三種不同溫度下的電池衰減數據集，從而獲得電池數據；從累計積分、時間、斜率和value幾個維度，全面總結并提出了27種電池退化的相關特征；將提取的27個特征進行特征選擇，采用了隨機森林來量化各特征對預測結果的貢獻，并使用基于shap值分析的遞歸特征消除法生成了最優特征子集。特征選擇后的子集用動態最小生成樹結構來構建圖結構，利用時空圖注意網絡進行訓練，利用先進的圖神經網絡技術來處理時間和空間維度的電池數據，實現了高效且準確的跨溫度場景下的鋰電池soh估計。