[发明专利]一种基于图卷积的锂电池荷电状态估计方法

权利要求书

1.一种基于图卷积的锂电池荷电状态估计方法，其特征在于，包括：

从实际车辆中获取锂电池原始数据段，包括电流、电压和温度状态参数，然后对原始数据段进行Min-Max Scaling标准化处理，得到标准化处理之后电流、电压和温度状态的三维数据，将三维数据输入训练好的锂电池荷电状态估算网络获得锂离子电池的荷电状态估算值；

所述锂电池荷电状态估算网络包括前向生成循环网络DG、邻接矩阵A、输入序列x_in、权重矩阵W和全连接层，将当前时刻及前k-1个时刻的输入序列输入前向生成循环网络DG，前向生成循环网络DG的输出来搭建邻接矩阵A，接着将当前时刻的输入序列x_t与上一时刻的输出x_out^t-1特征融合后得到x_in；融合向量x_in与邻接矩阵A和权重矩阵W进行内积得到当前时刻的输出x_out^t，然后将当前时刻的输出x_out^t经过一层全连接层输出得到锂电池荷电状态估算网络的预测值y_t，其中：

x_in＝x_t+x_out^t-1，x_t表示为当前时刻的输入序列，x_out^t-1为上一时刻的输出，

x_out^t＝A·x_in·W，

y_t＝w·x_out^t+b，其中w和b均代表学习参数；

所述前向生成循环网络DG基于门控循环神经网络GRU搭建，输入向量(x_t,x_t-1,x_t-2,…,x_t-k+1)经过前向生成循环网络DG，其中，k代表要选定的时间窗口的大小；先将这k个向量同时输入由k个不同的门控循环神经网络GRU构成的前向生成循环网络DG，x_t-k+1与随机初始化的隐藏向量经由门控循环神经网络G₁计算输出一个隐藏向量h₁，G₁输出的此隐藏向量再与输入向量x_t-k一起送入到门控循环神经网络G₂，门控循环神经网络G₂输出的隐藏向量再与输入向量x_t-k-1经由门控循环神经网络G₃得到最终的输出隐藏向量h₃，以此迭代向后计算，直到门控循环神经网络G_k-1计算得到的隐藏向量h_k-1与输入向量x_t一起送入G_k得到最终的隐藏向量h_k。

2.根据权利要求1所述的一种基于图卷积的锂电池荷电状态估计方法，其特征在于：

所述前向生成循环网络DG输出的最终的隐藏向量h_k进行叉乘运算再经过失火率为0.3的Dropout层来搭建当前时刻的图边节点网络：大小为3×3的邻接矩阵A，表示为：

A＝Dropout(h_t^T·h_t)，其中，h_t＝h_k，为前向生成循环网络DG在第t步得到的隐藏向量，h_t^T为h_t的转置。

3.根据权利要求2所述的一种基于图卷积的锂电池荷电状态估计方法，其特征在于：

所述锂电池荷电状态估算网络的训练过程为：

1)设计损失函数：

其中，表示标注好的真实荷电状态值，y_t表示锂电池荷电状态估算网络输出的当前时刻的荷电状态预测值，N代表进行训练的数据点集个数；

2)、训练时从实际车辆中获取锂电池电流、电压、温度状态参数作为原始数据段，通过高低压静置逆推法标注得到注好的锂电池的真实荷电状态，作为训练和验证荷电状态值的对比标签，且对原始数据段进行标准化处理得到标准化处理好的电流、电压、温度数据以80％、10％、10％的比重划分为训练集、验证集以及测试集；

使用随机梯度下降优化方法来进行梯度更新，从而优化损失函数J(θ)，交替训练120次最终完成模型收敛；使用验证集和测试集验证得到训练好的.pt模型文件，从而获得训练好的锂电池荷电状态估算网络；

所述高低压静置逆推法的过程如下：

1)、输入未标注的原始数据段，并寻找电池的最大、最小电压静置点；

2)、如果不包含最大、最小电压静置点，则进入步骤4)；如果有最大、最小电压静置点，根据电池开路电压OCV曲线找到对应静置点的电池荷电状态SOC值，然后利用安时积分法，从最高、最低电压时刻的状态点分别向左和向右逆推一小时，得到相应的范围时间点的实际荷电状态情况；

3)、未标注的原始数据段通过步骤2)将相应的范围时间点内的荷电状态值标注完成，接着判断原始数据段在此范围外是否还存在未标注点，如果不存在未标注点，则标注成功，结束流程；如果存在未标注点，则进入步骤4)；

4)、截取存在未标注荷电状态值点的数据段，将未标注荷电状态值点的左侧数据段加入低压放电、未标注荷电状态值点的左侧数据段右侧加入高压充电工况，使得左侧产生最小电压静置点、右侧产生最大电压静置点，然后将本次工况输入进电池模拟仿真平台模拟工况产生真实运行数据并提取，重新回到步骤2)开始下一次标注。