一种基于图表示学习的锂离子电池健康状态估计方法技术

本发明专利技术公开了一种基于图表示学习的锂离子电池健康状态估计方法。所述方法包括以下步骤：首先收集锂离子电池每次充放电循环中恒流充电阶段、恒压充电阶段或恒流放电阶段的完整曲线；对每次充放电循环中恒流充电阶段、恒压充电阶段或恒流放电阶段的完整曲线进行截取，形成每次充放电循环中恒流充电阶段、恒压充电阶段或恒流放电阶段的新片段；针对新片段，采用极限学习机进行插值预测，建立图表示学习所需的数据库；进行图表示并进行图学习。由于针对锂离子电池健康状态的研究大多侧重于特征工程，健康状态估计的效果，取决于特征选择和处理，而本发明专利技术的方法则避免了特征工程的繁重，具有较好的实践意义；另外，本发明专利技术亦可较好地指导采样的过程。地指导采样的过程。地指导采样的过程。

【技术实现步骤摘要】
一种基于图表示学习的锂离子电池健康状态估计方法


[0001]本专利技术涉及电池健康状态估计领域，特别涉及一种基于图表示学习的锂离子电池健康状态估计方法。

技术介绍

[0002]近年来，锂离子电池由于其高能量密度、自放电率低、高效稳定而受到行业的肯定和政策的支持，但频发的事故也让人意识到电池健康管理的重要性。而现行的电池健康状态估计，则主要依赖于特征工程，通过提取各种各样的特征，从而描述电池的健康状态，然而特征提取的过程是繁重复杂的，且所提取的特征泛化性不强，如文献《基于健康特征参数的锂离子电池SOH和RUL联合估计方法》一开始选取了12个特征，通过皮尔逊和斯皮尔曼分析初步筛选，接下来又通过主成分分析进行优化，由此可见特征工程的劳动量巨大，且由于锂离子电池的运行数据难以获取，因此，锂离子电池健康状态评估的实质为小样本问题，而通过特征工程所提取的特征在小样本问题上泛化性较差，难以用于其他电池健康状态的评估，此外，大多研究多基于完整的电压、电流或温度曲线开展特征工程，而在现实中，获取完整的数据具有一定难度。而本专利技术采用端到端的方式，借助于图表示学习强大的表达能力，自动对曲线提取特征，并完成健康状态的估计，该方法无需进行特征工程，泛化性能较强，且只应用到了局部曲线，具有可快速进行健康状态评估的前景。

技术实现思路

[0003]为解决上述问题，本专利技术提出了一种基于图表示学习的锂离子电池健康状态估计方法，首先收集锂离子电池每次循环中恒流充电、恒压充电或恒流放电阶段的完整曲线，然后以最后一次循环中恒流充电、恒压充电或恒流放电阶段的所用时间为基准；接下来，根据上述基准，对每次循环中恒流充电、恒压充电或恒流放电阶段的完整曲线进行截取，形成每次循环中恒流充电、恒压充电或恒流放电阶段的新片段；之后，对于每次循环中恒流充电、恒压充电或恒流放电阶段的新片段，以时间为特征，以电压、电流或温度为标签，采用极限学习机进行训练；再用训练好的极限学习机对设置的采样点进行预测插值，从而获得对应于采样时间点的每次循环中恒流充电、恒压充电或恒流放电阶段的电压、电流或温度，从而形成图表示学习的数据库；最后，对于每次循环中恒流充电、恒压充电或恒流放电阶段，将采样时间点作为图表示学习中图的节点，而电压、电流或温度对应于该节点的特征，采样时刻的先后连接构成边，健康状态作为对应于该图的标签，不同的循环均为同构图，从而可以采用图表示学习的方法进行学习，并对新样本进行预测。
[0004]本专利技术的目的至少通过如下技术方案之一实现。
[0005]一种基于图表示学习的锂离子电池健康状态估计方法，包括以下步骤：
[0006]S1、首先收集锂离子电池每次充放电循环中恒流充电阶段、恒压充电阶段或恒流放电阶段的完整曲线；
[0007]S2、对每次充放电循环中恒流充电阶段、恒压充电阶段或恒流放电阶段的完整曲
线进行截取，形成每次充放电循环中恒流充电阶段、恒压充电阶段或恒流放电阶段的新片段；
[0008]S3、针对新片段，采用极限学习机进行插值预测，建立图表示学习所需的数据库；
[0009]S4、进行图表示并进行图学习。
[0010]进一步地，步骤S1中，采集恒流充电阶段、恒压充电阶段或恒流放电阶段中的电流
‑
时间曲线、电压
‑
时间曲线和温度
‑
时间曲线。
[0011]进一步地，采集充放电循环中充电过程的充电容量或放电过程的放电容量，以及锂离子电池的额定容量。
[0012]进一步地，步骤S2中，由于随着锂离子电池老化，恒流充电阶段、恒压充电阶段或恒流放电阶段的所用时间呈减小趋势，故将最后一次充放电循环中恒流充电阶段、恒压充电阶段或恒流放电阶段所用的时间作为对应的统一基准；
[0013]对步骤S1中采集的恒流充电阶段、恒压充电阶段或恒流放电阶段的不同充放电循环的完整曲线按照对应的统一基准进行裁剪，从而获得针对每次循环的不大于统一基准时间长度的恒流充电阶段、恒压充电阶段或恒流放电阶段的最大曲线片段即新片段。
[0014]进一步地，步骤S3中，对于不同阶段的电流
‑
时间曲线、电压
‑
时间曲线或温度
‑
时间曲线，不同的采样时刻对应不同的电压、电流或温度；
[0015]由于采样的原因，未必可以获得所需时刻的电压、电流或温度，因此采用极限学习机进行插值预测，将采样时刻数据集τ＝{τ0，τ1，τ2，...τ
n
}作为输入，对应时刻的电压数据集U＝{v0，v1，v2，...v
n
}、电流数据集I＝{i0，i1，i2，...i
n
}、温度数据集T＝{t0，t1，t2，...t
n
}分别作为输出，采用梯度下降法训练，并获得训练好的极限学习机，其中，n为第n个采样时刻；另外，τ
n
为第n+1个插值时刻，τ为n+1个插值时刻构成的数据集，v
n
为第n+1个插值时刻对应的插值电压，U为n+1个插值电压构成的数据集，i
n
为第n+1个插值时刻对应的插值电流，I为n+1个插值电流构成的数据集，t
n
为第n+1个插值时刻对应的插值温度，T为n+1个插值温度构成的数据集；
[0016]之后，分别对恒流充电阶段对应的统一基准Base1、恒压充电阶段对应的统一基准Base2或恒流放电阶段对应的统一基准Base3进行插值，将采样时刻分别对应地重新划分为τ
interp1
＝{τ0，τ
s1
，τ2·
s1
，...τ
k1
·
s1
}、τ
interp2
＝{τ0，τ
s2
，τ2·
s2
，...τ
k2
·
s2
}或τ
interp3
＝{τ0，τ
s1
，τ2·
s3
，
…
τ
k3
·
s3
}，其中，s1、S2、s3为不同阶段采用的重新采样步长，k1、k2、k3为不同阶段重新采样的个数减一，且int erp、s和k后的数字1、2、3分别代表恒流充电、恒压充电和恒流放电；τ
interp1
为恒流充电阶段插值时刻数据集，τ
k1
·
s1
为恒流充电阶段k1的s1时刻，τ
interp2
为恒压充电阶段插值时刻数据集，τ
k2
·
s2
为恒压充电阶段k2的s2时刻，τ
interp3
为恒流放电阶段插值时刻数据集，τ
k3
•
s3
为恒流放电阶段k3的s3时刻。
[0017]进一步地，通过将τ
interp1
、τ
interp2
和τ...

【技术保护点】

【技术特征摘要】
1.一种基于图表示学习的锂离子电池健康状态估计方法，其特征在于，包括以下步骤：S1、首先收集锂离子电池每次充放电循环中恒流充电阶段、恒压充电阶段或恒流放电阶段的完整曲线；S2、对每次充放电循环中恒流充电阶段、恒压充电阶段或恒流放电阶段的完整曲线进行截取，形成每次充放电循环中恒流充电阶段、恒压充电阶段或恒流放电阶段的新片段；S3、针对新片段，采用极限学习机进行插值预测，建立图表示学习所需的数据库；S4、进行图表示并进行图学习。2.根据权利要求1所述的一种基于图表示学习的锂离子电池健康状态估计方法，其特征在于，步骤S1中，采集恒流充电阶段、恒压充电阶段或恒流放电阶段中的电流
‑
时间曲线、电压
‑
时间曲线和温度
‑
时间曲线。3.根据权利要求1所述的一种基于图表示学习的锂离子电池健康状态估计方法，其特征在于，步骤S1中，采集充放电循环中充电过程的充电容量或放电过程的放电容量，以及锂离子电池的额定容量。4.根据权利要求1所述的一种基于图表示学习的锂离子电池健康状态估计方法，其特征在于，步骤S2中，将最后一次充放电循环中恒流充电阶段、恒压充电阶段或恒流放电阶段所用的时间作为对应的统一基准；对步骤S1中采集的恒流充电阶段、恒压充电阶段或恒流放电阶段的不同充放电循环的完整曲线按照对应的统一基准进行裁剪，从而获得针对每次循环的不大于统一基准时间长度的恒流充电阶段、恒压充电阶段或恒流放电阶段的最大曲线片段即新片段。5.根据权利要求2所述的一种基于图表示学习的锂离子电池健康状态估计方法，其特征在于，步骤S3中，对于不同阶段的电流
‑
时间曲线、电压
‑
时间曲线或温度
‑
时间曲线，不同的采样时刻对应不同的电压、电流或温度；采用极限学习机进行插值预测，将采样时刻数据集τ＝{τ0,τ1,τ2,...τ
n
}作为输入，对应时刻的电压数据集U＝{v0，v1，v2，...v
n
}、电流数据集I＝{i0，i1，i2，...i
n
}、温度数据集T＝{t0,t1,t2,...t
n
}分别作为输出，采用梯度下降法训练，并获得训练好的极限学习机，其中，n为第n个采样时刻；另外，τ
n
为第n+1个插值时刻，τ为n+1个插值时刻构成的数据集，v
n
为第n+1个插值时刻对应的插值电压，U为n+1个插值电压构成的数据集，i
n
为第n+1个插值时刻对应的插值电流，I为n+1个插值电流构成的数据集，t
n
为第n+1个插值时刻对应的插值温度，T为n+1个插值温度构成的数据集；之后，分别对恒流充电阶段对应的统一基准Base1、恒压充电阶段对应的统一基准Base2或恒流放电阶段对应的统一基准Base3进行插值，将采样时刻分别对应地重新划分为τ
interp1
＝{τ0,τ
s1
,τ2·
s1
,...τ
k1
·
s1
}、τ
interp2
＝{τ0,τ
s2
,τ2·
s2
,...τ
k2
·
s2
}或τ
interp3
＝{τ0,τ
s1
,τ2·
s3
,...τ
k3
·
s3
}，其中，s1、s2、s3为不同阶段采用的重新采样步长，k1、k2、k3为不同阶段重新采样的个数减一，且interp、s和k后的数字1、2、3分别代表恒流充电、恒压充电和恒流放电；τ
interp1
为恒流充电阶段插值时刻数据集，τ
k1
·
s1
为恒流充电阶段k1的s1时刻，τ
interp2
为恒压充电阶段插值时刻数据集，τ
k2
·
s2
为恒压充电阶段k2的s2时刻，τ
int...

【专利技术属性】
技术研发人员：杨宁，余涛，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：