CN115856633A

CN115856633A - 基于图神经网络的锂离子电池容量估计方法

Info

Publication number: CN115856633A
Application number: CN202211473026.9A
Authority: CN
Inventors: 王哲; 谢旻; 严洪
Original assignee: Intelligent Multidimensional Data Analysis And Research Center Co ltd
Current assignee: Intelligent Multidimensional Data Analysis And Research Center Co ltd
Priority date: 2022-11-21
Filing date: 2022-11-21
Publication date: 2023-03-28

Abstract

本发明涉及一种基于图神经网络的锂离子电池容量估计方法，包括步骤：采集锂离子电池的电压、电流和温度数据；构造图结构；采用多层图神经网络对图结构进行数据聚合；使用特征融合操作将各个图神经网络层的输出进一步融合；基于可微架构搜索进行自动神经架构搜索，根据最大的架构权重导出最优架构；随机初始化基于最优架构的网络参数，训练、验证和测试后得到用于对锂离子电池容量进行在线估计的最优网络。本发明采用多层神经网络对图结构进行数据聚合和特征融合，再以自动神经网络架构搜索选择最优架构，实现自动特征的过滤和优化，从而摆脱特征工程或网络设计带来的复杂操作，网络结构设计简单，适应性强，对不同的电池种类可以灵活调整。

Description

基于图神经网络的锂离子电池容量估计方法

技术领域

本发明涉及电池技术领域，特别是涉及一种基于图神经网络的锂离子电池容量估计方法。

背景技术

锂离子电池由于其优良的性能，例如，能量密度高等，在多种储能场景中实现了广泛应用。随着长期使用，电子设备中的锂离子电池面临不可避免的退化。准确的电池容量估计对于电池健康管理至关重要。然而，传统方法中的特征工程、数据驱动方法中的复杂的网络结构设计，不利于准确高效的电池容量估计。

传统的电池容量估计主要是通过手工特征和机器学习方法进行的，例如支持向量回归、随机森林回归、稀疏贝叶斯学习、粒子滤波器。这些方法大多试图从统计角度提取健康指标，其性能在很大程度上取决于专家的经验。

随着公共数据集的积累和计算能力的快速增长，基于深度学习的方案越来越受到关注。然而，这些网络通常涉及复杂的架构设计，需要经过精心设计，费时费力，成本高。此外，还缺乏综合利用电池测量数据的研究。因此，对于电池容量估计，需要一个能够同时选择优化的特征并完成容量估计的统一的估计方法。

发明内容

针对现有的基于深度学习的锂离子电池容量估计方法存在的网络结构设计复杂、成本高、缺乏综合利用电池测量数据的问题，本发明提供一种基于图神经网络的锂离子电池容量估计方法。

为了实现上述目的，本发明采取如下的技术方案：

一种基于图神经网络的锂离子电池容量估计方法，包括以下步骤：

S1、采集锂离子电池的基础监测数据，所述基础监测数据包括电压、电流和温度；

S2、以电压、电流和温度为节点，以最大信息系数为节点之间的边的属性，构造图结构；

S3、采用多层图神经网络对图结构进行数据聚合，在第一个图神经网络层之前，以一个全连接层作为输入层，所述输入层用于将输入数据维度转换为固定特征维度，在最后一个图神经网络层之后，添加全局平均池化层作为图输出，两个全连接层的输出层将特征映射到估计的电池容量；

S4、每一个图神经网络层都会输出对应的提取特征，使用特征融合操作将各个图神经网络层的输出进一步融合，所述特征融合操作包括选择步骤和融合步骤，其中选择步骤决定是否选择前一层的特征合并输出，融合步骤以求和操作、最大值操作、平均值操作和级联操作中的一个操作选项将选择步骤输出的特征进行融合；

S5、创建混合操作的超级网络，基于可微架构搜索进行自动神经架构搜索，根据最大的架构权重导出最优架构，且各图神经网络层从图卷积网络、切比雪夫网络、图注意力网络和高阶图网络这四种图神经网络变体中选择；

S6、随机初始化基于最优架构的网络参数，对基于最优架构的网络进行训练、验证和测试，得到用于对锂离子电池容量进行在线估计的最优网络。

与现有技术相比，本发明的有益效果是：

本发明所提出的基于图神经网络的锂离子电池容量估计方法以锂离子电池的电压、电流和温度为节点构造图结构，采用多层神经网络对图结构进行数据聚合和特征融合，再以自动神经网络架构搜索选择最优架构，实现自动特征的过滤和优化，从而摆脱特征工程或网络设计带来的复杂操作，最后经过对基于最优架构的网络进行训练、验证和测试，最终获得对锂离子电池容量进行在线估计的最优网络，该网络结构设计简单，适应性强，对不同的电池种类可以灵活调整，本发明的应用对电池健康管理领域具有重要意义。

附图说明

图1为本发明所述的基于图神经网络的锂离子电池容量估计方法的流程示意图；

图2为数据聚合和特征融合的示意图；

图3为搜索到的最优架构示意图；

图4为麻省理工-斯坦福大学数据集对应的真实容量退化曲线和留一交叉验证中最佳容量估计图；

图5为牛津大学数据集对应的真实容量退化曲线和留一交叉验证中最佳容量估计图。

具体实施方式

下面将结合附图及较佳实施例对本发明的技术方案进行详细描述。

本发明提出了一种基于图神经网络的锂离子电池容量估计方法，该方法使用数据聚合和特征融合方案来估计锂离子电池的容量：将电压、电流和温度的监测数据以图结构进行组织，利用充电过程中的局部测量数据来构建图节点；然后，通过图神经网络(graphneural network，GNN)完成数据聚合，以综合利用测量数据；采用特征融合策略来融合不同GNN层的输出特征。本发明的主要发明点如下：

1)利用图神经网络进行数据聚合，以综合利用来自电池管理系统的基础监测数据，即电压、电流和温度。

2)通过自动神经架构搜索(NAS)选择具体的数据聚合和特征融合方案，摆脱特征工程或网络设计带来的复杂操作。

3)可以仅采用部分充电数据作为输入来估计容量，适用于锂电池充电过程不完整的情况。

考虑到图结构为组织多个传感器的输出提供了一种有效的方式，本发明提出了基于图神经网络的数据聚合和特征融合方案。整体流程如图1所示。图结构是基于测量数据的关系建模建立的。然后，通过自动神经架构搜索策略选择最优的数据聚合和特征融合方案。搜索到的方案将用于模型训练和在线容量估计。

具体地，如图1所示，本发明实施例提供一种基于图神经网络的锂离子电池容量估计方法，该方法包括以下步骤：

S1、采集锂离子电池的基础监测数据，包括电压、电流和温度。

将从电池管理系统采集的锂离子电池充电过程中的局部测量数据作为基础检测数据，基础监测数据主要包括电压V、电流I和温度T，可以使用这些测量值进行进一步分析。

S2、以电压、电流和温度为节点，以最大信息系数为节点之间的边的属性，构造图结构。

图结构主要由节点和边构成。电压V、电流I和温度T自然地形成图网络中的节点。初始的节点属性可以从测量中导出。为了完成图的构建，本实施例采用最大信息系数(Maximal Information Coefficient，MIC)来衡量节点之间的关系并进一步形成边的属性。

MIC最初来描述不同变量之间的依赖关系。在这种情况下，MIC用于计算测量值之间的相关系数。以电压和温度为例，在时间i，变量对(V_i,T_i)构成X-Y坐标中的点。首先通过以下方式获得互信息：

其中，p(x,y)表示联合概率，p(x)和p(y)是边缘概率。基于互信息，进一步提出了MIC([V,T])：

其中，a和b分别是x和y轴上的网格数，B为设定的上限，用于坐标系中的网格划分。互信息是在不同的网格下计算的，将找到互信息的最大值以确定MIC。

计算出的MIC([V,T])值将被用作电压节点和温度节点之间的边的属性。类似地，可以获得其他边，从而为电池监测量建立图结构。然后，将引入GNN来聚合整个图中的信息。

S3、采用多层图神经网络对图结构进行数据聚合，在第一个图神经网络层之前，以一个全连接层作为输入层，该输入层用于将输入数据维度转换为固定特征维度，在最后一个图神经网络层之后，添加全局平均池化层作为图输出，两个全连接层的输出层将特征映射到估计的电池容量。

GNN可以对图结构进行计算，从而完成测量聚合。采用多层GNN，每一层都会输出对应的提取特征。这些来自不同GNN层的特征将基于某些融合操作进一步融合。

为了同时利用图结构中的节点属性和边属性，本实施例考虑了GNN的四种典型变体实现数据聚合，如图2(c)所示，分别是图卷积网络(graph convolutional Network，GCN)、切比雪夫网络(Chebyshev network，ChebyNet)、图注意力网络(graph attentionnetwork，GAT)和高阶图网络(GraphConv)。

通过GNN对于图结构的计算，节点中的信息将进行交互，并在节点之间进行消息传递。

如图2(a)所示，在第一个GNN层之前，一个全连接层作为输入层，该层将输入数据维度转换为固定特征维度。在最后的GNN层之后，添加全局平均池化层作为图输出。之后，两个全连接层的输出层将特征映射到估计的容量。

S4、每一个图神经网络层都会输出对应的提取特征，使用特征融合操作将各个图神经网络层的输出进一步融合，其中特征融合操作包括选择步骤和融合步骤，其中选择步骤决定是否选择前一层的特征合并输出，融合步骤以求和操作、最大值操作、平均值操作和级联操作中的一个操作选项将选择步骤输出的特征进行融合。

GNN层的输出将使用特征融合操作进一步组合。如图2(b)所示，融合操作包括两个步骤：选择步骤和融合步骤。选择步骤用于确定是否选择特征，而融合步骤是从不同层收集特征进行融合。

详细的特征融合操作如图2所示。采用了三个GNN层的堆叠。一层的输出将连接到下一层。

首先执行特征融合的选择步骤，以决定是否合并输出。

在选择步骤中，“否”(“N”)表示排除特征，而“是”(“Y”)则相反。对于层v，这个选择步骤可以表示为：

X^v＝α₁N(X^u)+α₂Y(X^u)

其中，u是前一层，α₁和α₂是权重。N(X^u)＝0表示没有选择特征，Y(X^u)＝X^u是从层u中选择特征。

层v的输入来自之前的所有层。为了融合多个输入特征，应用了融合步骤。融合步骤所使用的操作选项包括：求和sum、最大值max、平均值mean和级联concatenation。它们可以表示为：

其中，x_i是节点i的属性。从层1到层u(u＜v)的特征被融合在层v中。融合操作以节点方式进行，这意味着来自不同层的同一节点将进行融合计算。

选择步骤和融合步骤可以实现自动特征过滤和优化。此外，选择步骤还将执行跳过连接的功能。如果最终搜索到的架构采用“N”，则相应的GNN层将被删除。

S5、创建混合操作的超级网络，基于可微架构搜索进行自动神经架构搜索，根据最大的架构权重导出最优架构，且各图神经网络层从图卷积网络、切比雪夫网络、图注意力网络和高阶图网络这四种图神经网络变体中选择。

上一步骤中的不同操作实际上构成了搜索空间。要形成具体的架构，需要采用自动神经架构搜索(NeuralArchitecture Search，NAS)策略。可微架构搜索(differentiablearchitecture search,DARTS)提供了一个可执行的方法。具体来说，每一层都会处理之前层引入的特征，可以表示为：

其中，Op^u→v表示从层u到层v的操作。所有操作的总组合形成一个超级网络即混合操作的超级网络。进一步应用松弛技术以使搜索过程连续。每一层的计算变成了可能的操作的混合：

其中，O为所有操作的总数，权重α_k由下式得出：

其中，λ是温度参数，c_k是可学习的超网络参数。

上述过程创建了一个连续的搜索空间，也可以使用梯度下降法进行。因此，基于可微架构搜索进行自动神经架构搜索时，可以联合优化架构权重和网络权重。总体目标是找到使网络达到最小验证损失的参数c。这种双层优化可以表示为：

s.t.ω^*(c)＝argmin_ωL_train(ω,c)

其中,L_train和L_val分别是训练损失和验证损失。

在NAS过程之后，将选择具有最大权重α的操作来构成最优架构。接下来将部署此优化的结构以进行进一步的训练、验证和测试。

所提出方法的伪代码显示在算法I中。主要过程是架构搜索，其次是架构使用。由于不同数据集的分布不同，得到的架构也会不同。参数c的架构搜索优化器是Adam优化器，而参数ω的网络优化器是随机梯度下降(Stochastic Gradient Descent，SGD)。对于GNN模型，ChebyNet采用K＝2。GAT模型的注意力头数采用4。

算法：用于容量估计的数据聚合和特征融合

数据：电压V，电流I，温度T。通过MIC构造图结构，并形成训练和验证数据集。

自动架构搜索：

创建混合操作的超级网络

随机初始化权重ω和c_k

如果不收敛，

(1)基于DARTS进行架构搜索

(2)更新架构权重c_k

(3)更新网络权重ω

根据最大的架构权重c_k导出得到最优的架构

训练和验证：

随机初始化网络参数ω

输入：优化器；学习率；最大迭代次数

For循环，i在迭代次数中

(1)计算训练损失L_train

(2)反向传播

(3)进行验证并保留更好的网络参数

测试：

输入：来自未知测试电池的测量值

输出：估计的容量

下面结合两个实例对本发明的技术方案进行验证。

例一：麻省理工-斯坦福大学(MIT-Stanford)数据集

该电池数据集来自124节商用锂离子电池(APR18650M1A类型)，这些电池的标称容量为1.1Ah。采用不同的充电协议，策略符合“C1(Q1)-C2”，其中“C1”和“C2”表示两个恒流阶段的充电率，“Q1”是第一阶段充电后的状态阶段。这里选择了“5C(67％)-4C”的充电策略，其中包含六个电池。

例二：牛津大学(Oxford)数据集

牛津大学电池退化数据集也用于验证提出的框架。该数据集包含8个容量为0.74Ah的商用Kokam电池。测量值与MIT-Stanford数据集的测量值不同。具体来说，在100个驱动周期后，进行了包含1C周期和伪OCV周期的表征测量。

衡量指标：均方根误差(RMSE)

该指标通常用于衡量估计容量与真实值之间的差异。较低的RMSE意味着更好的估计。均方根误差的计算公式如下：

其中，

表示估计的电池容量，而y_i表示测量的电池容量或真实值，n为容量值的数目。

数据集将首先用来产生网络训练测试的样本。选择窗口大小350来分割测量的时间序列，并形成节点。窗口沿着时间维度移动以构造更多的图结构，这可以看作是数据增强。该过程在所有电池循环过程中进行。由于两个数据集的数据量不同，MIT-Stanford数据集和Oxford数据集分别采用滑动窗口数3和6。

在所提出的方案中，首先进行架构搜索。该过程重复5次，选择具有最低RMSE的搜索结果。MIT-Stanford数据集和Oxford数据集的搜索到的最优架构如图3(a)和图3(b)所示。可以看出，两种架构拥有不同的层数。选择操作会自动决定是否选择对应的图层，这将摆脱根据经验或试验的繁琐的手工设计。

进行留一交叉验证以评估搜索架构的性能。挑选一个电池来测试所提出方法的性能，其余电池用于训练和验证，训练和验证的比例分别为70％和30％。两个数据集中，电池的所有测量容量曲线在图4(a)和图5(a)中提供。可以发现，两个数据集呈现了不一样的退化过程。

在这些容量图之后，给出了容量估计结果。对于MIT-Stanford数据集，最佳估计是在电池5中实现的，RMSE为0.004。最差的是电池4，RMSE为0.009。最佳估计的结果在图4(b)中提供。

对于Oxford数据集，最佳的容量估计在电池5中取得，如图5(b)，RMSE为0.0064。最差的容量估计在电池2中取得，RMSE为0.0108。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims

1.一种基于图神经网络的锂离子电池容量估计方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于图神经网络的锂离子电池容量估计方法，其特征在于，基于可微架构搜索进行自动神经架构搜索时，联合优化架构权重和网络权重，其中架构搜索优化器采用Adam优化器，网络优化器采用随机梯度下降法。

3.根据权利要求1所述的基于图神经网络的锂离子电池容量估计方法，其特征在于，从电池管理系统采集锂离子电池充电过程中的局部测量数据作为所述基础监测数据。