[发明专利]一种基于图卷积的锂电池荷电状态估计方法

说明书

本发明公开了一种基于图卷积的锂电池荷电状态估计方法：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；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。本发明利用图卷积网络提取关系特征的特点，将该网络的输出与下一时刻的输入数据进行特征融合，来作为图卷积网络的真实输入，适应于锂电池荷电状态非线性和动态变化的特点，大幅提高锂电池荷电状态的预测精准度。

技术领域

本发明涉及锂电池及神经网络技术领域，特别是涉及一种基于图卷积的锂电池荷电状态估计方法。

背景技术

研究出高精度、预测速度快、可靠性高的锂电池荷电状态预测算法对于电动汽车具有重要的意义。根据国内外的相关研究可以发现，现有的大量关于荷电状态的预测研究，大部分还处在基于电池等效模型或者从电池内部电化学机理的角度出发，对于实际工程应用中的大量电池运行数据并未进行有效利用，在预测精度方面和泛化能力方面很难有所实质性的提升。因为锂离子电池在本质上还是属于一个电化学的器件，其特点在于时变且非线性，在其内部的化学反应过程非常复杂，无法简单的实验因此，因此，需要一种预测方法，能够在锂离子电池的工程实际应用产生的测量、运行等大量的过程数据，同时结合电池运行机理，对锂电池荷电状态的进行预测。

发明内容

本发明要解决的技术问题是针对锂电池荷电状态估计中预测精度与泛化能力不足的问题，提供一种基于图卷积的锂电池荷电状态估计方法。

为了解决上述技术问题，本发明提供一种基于图卷积的锂电池荷电状态估计方法，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。

作为本发明的一种基于图卷积的锂电池荷电状态估计方法的改进：