【技术实现步骤摘要】
一种基于图神经网络的锂离子电池健康状态预测方法
[0001]本专利技术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。
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...
【技术保护点】
【技术特征摘要】
1.一种基于图神经网络的锂离子电池健康状态预测方法，其特征在于，包括以下步骤：S1、获取锂离子电池各个半循环的健康状态；S2、构建图的节点、节点的特征和标签，并设定窗口大小；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；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。2.根据权利要求1所述的一种基于图神经网络的锂离子电池健康状态预测方法，其特征在于，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；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；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。3.根据权利要求1所述的一种基于图神经网络的锂离子电池健康状态预测方法，其特征在于，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，将经历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g
m
，m＝1～M，图集合G＝g1，g2，g3，...g
M
。4.根据权利要求3所述的一种基于图神经网络的锂离子电池健康状态预测方法，其特征在于，步骤S3中，将M个同构图g
m
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
bval
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
qtest
，其中，上下标test代表测试集，q代表测试集的样本个数，g
qtest
表示测试集G
test
中的第q个测试图，其中，p+b+q＝M。5.根据权利要求4所述的一种基于图神经网络的锂离子电池健康状态预测方法，其特征在于，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；对于训练集G
train
所有训练图的所有节点，进行极值归一化：所有训练图的所有节点，进行极值归一化：所有训练图的所有节点，进行极值归一化：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：
其中，SOH
f
·
s
·
t
、SOH
a
·
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；SOH
f...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。