本發(fā)明涉及電池管理，尤其涉及一種基于多尺度循環(huán)電壓數(shù)據(jù)的鋰離子電池健康狀態(tài)預測系統(tǒng)及其實現(xiàn)方法。該系統(tǒng)及方法能夠通過僅對電池的循環(huán)電壓數(shù)據(jù)進行多尺度特征提取與建模，實現(xiàn)鋰離子電池的健康狀態(tài)預測，特別是電池容量衰退的預測。

背景技術：

1、鋰離子電池廣泛應用于消費電子設備、儲能系統(tǒng)和電動汽車等領域，但其性能隨使用時間逐漸退化，影響設備的穩(wěn)定性和安全性。因此，電池的健康狀態(tài)預測(soh，stateofhealth)對于電池的壽命管理至關重要?，F(xiàn)有的soh預測方法通常依賴于電池的多種數(shù)據(jù)類型(例如電壓、電流、溫度、電阻等)，但這增加了數(shù)據(jù)采集和處理的復雜性。此外，這些方法在電池退化特征提取方面較為局限，缺乏精確的建模能力，無法很好地應對實際應用中的復雜工況。

2、近年來，數(shù)據(jù)驅動的預測方法(例如機器學習、深度學習)得到了廣泛應用。然而，現(xiàn)有方法主要依賴于多模態(tài)數(shù)據(jù)，并未充分利用電池循環(huán)電壓這一單一數(shù)據(jù)源中的退化信息。此外，單一分辨率的特征提取和建模可能會忽略不同時間尺度上的退化趨勢，影響預測的準確性。

3、為解決上述問題，本發(fā)明提出了一種基于多尺度循環(huán)電壓數(shù)據(jù)的鋰離子電池健康狀態(tài)預測系統(tǒng)及其方法。通過對電池的充放電電壓數(shù)據(jù)進行多尺度特征提取，并構建多尺度圖卷積網(wǎng)絡進行健康狀態(tài)預測，能夠在降低數(shù)據(jù)采集復雜性的同時提高預測的準確性和泛化能力。

技術實現(xiàn)思路

1、本發(fā)明提出了一種基于多尺度循環(huán)電壓數(shù)據(jù)的鋰離子電池健康狀態(tài)預測系統(tǒng)及方法，旨在克服現(xiàn)有技術在數(shù)據(jù)依賴性強、復雜度高及預測精度不足等方面的問題。通過對電池充放電過程中采集到的電壓數(shù)據(jù)進行多尺度分辨率的特征提取，結合圖結構數(shù)據(jù)的建模與多尺度圖卷積網(wǎng)絡的預測模型，實現(xiàn)對電池未來健康狀態(tài)及容量衰退的高精度預測。

2、1.技術方案概述

3、本發(fā)明的核心是通過對不同類型的鋰離子電池的充放電循環(huán)電壓數(shù)據(jù)進行多尺度分析，提取與電池壽命高度相關的健康指標，并將這些健康指標構建為圖結構數(shù)據(jù)，進一步通過多尺度圖卷積網(wǎng)絡進行健康狀態(tài)預測。系統(tǒng)通過特征提取模塊、圖結構構建模塊、預測模型模塊和輸出模塊的協(xié)同工作，實現(xiàn)高效、準確的電池健康狀態(tài)預測。具體而言，該系統(tǒng)采用了三大關鍵技術：

4、1)多尺度特征提取技術：從電池的充放電電壓曲線中，提取不同時間分辨率下的健康指標，捕捉電池退化過程中的短期波動和長期趨勢，確保數(shù)據(jù)完整性和特征豐富性；

5、2)圖結構數(shù)據(jù)建模技術：將提取的多尺度健康指標以圖結構的形式進行表達，節(jié)點表示電池的特定循環(huán)周期，邊則根據(jù)電壓數(shù)據(jù)間的相似度進行動態(tài)連接，確保圖結構數(shù)據(jù)能夠準確反映電池的時間依賴關系和退化趨勢；

6、3)多尺度圖卷積預測技術：通過在多個時間尺度上卷積圖結構數(shù)據(jù)，捕捉電池健康狀態(tài)的多維特征，并通過動態(tài)特征融合機制自適應調整每個時間尺度的特征權重，從而提高預測精度。

7、2.系統(tǒng)模塊設計

8、1)數(shù)據(jù)采集模塊：該模塊用于從鋰離子電池的充放電過程中實時采集電壓數(shù)據(jù)。采集的電壓數(shù)據(jù)可以通過常規(guī)的電池管理系統(tǒng)完成，也可以通過專用的電壓監(jiān)控設備進行獲取。系統(tǒng)能夠記錄電池在每次充放電循環(huán)中的電壓變化，形成完整的電壓時間序列數(shù)據(jù)；

9、2)多尺度特征提取模塊：本發(fā)明的多尺度特征提取模塊對采集到的電壓數(shù)據(jù)進行多分辨率采樣，并提取與電池健康狀態(tài)相關的特征參數(shù)。具體操作包括：

10、a)多分辨率采樣單元：系統(tǒng)在1個循環(huán)、2個循環(huán)、4個循環(huán)等多個時間尺度上對電壓數(shù)據(jù)進行采樣，確保能夠在不同的時間分辨率下捕捉電池的退化過程；

11、b)數(shù)據(jù)標準化單元：對采集到的電壓數(shù)據(jù)進行去噪處理，消除數(shù)據(jù)中的噪聲和異常值，確保數(shù)據(jù)的純凈度和一致性，具體地采用三次平滑濾波器來降低電壓波動噪聲，其濾波公式為：

12、

13、其中，vi表示第i次充放電過程中的電壓值。對原始電壓序列應用線性插值方法，填補因傳感器噪聲或數(shù)據(jù)丟失導致的缺失值。其公式為：

14、

15、此公式用于估計第i個缺失值的數(shù)據(jù)點。

16、c)健康特征計算單元：該單元通過數(shù)值計算提取每個電池循環(huán)周期的標準差、平均電壓以及循環(huán)持續(xù)時間，作為反映電池材料和電解質的性能變化的時域特征，以及電池內部反應的速率變化的指標；該單元通過z分數(shù)變換分析電壓曲線中的異常拐點，提取反映電池退化的突變特征，識別循環(huán)中的電壓異常點和退化趨勢，其公式為：

17、

18、其中，σv為電壓序列的標準差。通過對電壓曲線進行連續(xù)兩次的z分數(shù)變換分析，識別電壓突變點；該單元應用小波變換對電壓數(shù)據(jù)進行多尺度分解，提取電壓信號中的細粒度信息，捕捉電池退化過程中的高頻和低頻波動特征，具體地采用daubechies小波(db4)進行多尺度分解，其分解公式為：

19、

20、其中，ajtk為近似系數(shù)，為尺度函數(shù)，djtk為細節(jié)系數(shù)，ψjtk(t)為小波函數(shù)，通過對原始電壓信號進行5層分解，提取不同尺度下的細節(jié)信息和近似信息。通過分析細節(jié)分量cdj(t)的變化，識別電池退化過程中電壓波動的特征。

21、3)圖結構樣本構建模塊：本模塊將從多尺度特征提取模塊獲取的健康指標序列轉換為圖結構數(shù)據(jù)，從而為多尺度圖卷積網(wǎng)絡的訓練和預測提供輸入。本模塊通過構建圖結構數(shù)據(jù)，將時間序列中的復雜關系和節(jié)點間的動態(tài)相似度表示為圖形化數(shù)據(jù)結構，捕捉電池的時序依賴和空間特征。具體操作包括：

22、a)節(jié)點生成單元：該單元負責將每一個電池的充放電循環(huán)周期視為圖中的一個節(jié)點。每個節(jié)點都包含從相應周期的電壓數(shù)據(jù)中提取的多尺度健康特征(如標準差、平均電壓、z分數(shù)拐點、小波特征等)。這些節(jié)點特征是模型進行預測的輸入數(shù)據(jù)，代表了電池在該循環(huán)周期內的健康狀態(tài)信息。節(jié)點的生成可以針對不同時間分辨率進行，例如1個周期、2個周期、4個周期等，針對每種分辨率，生成相應數(shù)量的節(jié)點。這些節(jié)點依次排列，形成一條時間序列路徑，能夠用于圖卷積網(wǎng)絡的操作。

23、b)動態(tài)節(jié)點連接單元：在生成節(jié)點后，需要建立節(jié)點之間的連接關系。這里引入動態(tài)節(jié)點連接機制，主要依據(jù)各節(jié)點余弦特征的相似度進行動態(tài)連接。通過余弦相似度來反映兩個周期在電壓特征上的相似程度，值越高代表周期間的健康狀態(tài)越相似。對于節(jié)點na和nb，計算公式為：

24、

25、其中，xa和xb分別表示節(jié)點na和nb的特征向量。在建立連接時，刪除相似度低于設定閾值的邊，以保證圖的稀疏性和計算效率。通常保留70％至80％的高相似度連接，既能減少無關信息的干擾，又能保留重要的健康狀態(tài)變化信息。

26、c)圖構建優(yōu)化單元：由于在實際電池運行和數(shù)據(jù)采集過程中，可能存在數(shù)據(jù)缺失或異常采集的問題，圖構建優(yōu)化單元負責處理這些問題，確保圖結構數(shù)據(jù)的完整性和連續(xù)性。對于缺失的數(shù)據(jù)，通常采用插值方法進行補全，例如：通過相鄰節(jié)點的值進行線性插值填充缺失節(jié)點的特征；在數(shù)據(jù)點較少或變化劇烈時，使用樣條插值方法進行更精細的插值；結合機器學習或深度學習方法進行缺失數(shù)據(jù)的預測補全。

27、4)多尺度預測建模模塊：本模塊是系統(tǒng)的核心部分，主要功能是通過多尺度圖卷積網(wǎng)絡對構建好的圖結構樣本進行訓練和預測，利用不同時間分辨率的圖結構數(shù)據(jù)，捕捉電池在多個時間尺度上的特征變化，實現(xiàn)對健康狀態(tài)的準確預測。具體操作包括：

28、a)多尺度圖卷積單元：多尺度圖卷積網(wǎng)絡包括多個卷積層，每個卷積層分別在不同的時間分辨率(如1個循環(huán)、2個循環(huán)、4個循環(huán))上對圖數(shù)據(jù)進行處理，捕捉電池在短期和長期內的退化趨勢。例如，1個周期的分辨率可能捕捉電池在短期內的健康變化，而4個周期的分辨率則能夠捕捉到長期趨勢。每一層的卷積運算公式為：

29、

30、其中，為添加自連接后的鄰接矩陣，d為度矩陣，h(l)為第l層的節(jié)點特征矩陣，w(l)為第l層的可訓練權重矩陣，σ為激活函數(shù)。通過多層卷積，模型能夠在各個時間尺度上累積電池健康狀態(tài)的變化信息。

31、b)動態(tài)特征融合單元：該單元采用類似于注意力機制的門控網(wǎng)絡，通過動態(tài)加權的方式調整來自不同時間尺度特征的重要性，確保模型能夠重點關注最相關的時間尺度信息。通過全連接層生成的門控分數(shù)對不同尺度特征進行加權，并通過softmax函數(shù)進行歸一化處理，形成最終的綜合特征表示。其動態(tài)加權機制通過以下公式進行：

32、

33、其中，是通過門控網(wǎng)絡計算出的第l層第i個尺度的權重得分。通過對不同尺度的特征進行加權求和，模型能夠自適應地聚焦于最具相關性的時間尺度，從而提高預測精度。

34、c)權重歸一化單元：為確保在特征融合時，不同時間尺度的特征不會被單一尺度所主導，多尺度圖卷積網(wǎng)絡通過權重歸一化單元來平衡各個時間尺度的權重。權重歸一化單元采用softmax函數(shù)對門控網(wǎng)絡生成的權重進行歸一化處理，以保證每個時間尺度的特征在最終綜合特征中的比例合理。

35、d)綜合特征生成單元：經(jīng)過動態(tài)特征融合和歸一化處理后，多個時間尺度的特征被線性組合，生成一個綜合的特征表示。該綜合特征能夠有效捕捉電池在不同時間尺度下的健康變化信息，提供更加精確的狀態(tài)預測。這一單元的輸出特征將作為模型最后的預測依據(jù)，用于生成電池健康狀態(tài)(soh)和容量衰減曲線。

36、5)預測結果輸出模塊：該模塊負責顯示或輸出電池的健康狀態(tài)預測結果。系統(tǒng)通過分析電壓數(shù)據(jù)生成未來電池容量衰退的預測曲線，該曲線表示電池在每個充放電循環(huán)中的容量變化趨勢，用戶可以直觀地查看電池容量的歷史變化以及未來預測的容量趨勢。該曲線基于電池循環(huán)電壓數(shù)據(jù)進行預測，并反映了電池的退化程度。該模塊以百分比形式顯示電池當前的健康狀態(tài)，即當前可用容量與標稱容量的比值。預測模塊通過歷史電壓數(shù)據(jù)推算未來的健康狀態(tài)，使用戶能夠提前了解電池何時可能達到臨界健康狀態(tài)(例如80％以下)。

37、3.實施步驟

38、本發(fā)明還提供了一種基于上述系統(tǒng)的鋰離子電池健康狀態(tài)預測方法，包括以下步驟：

39、通過數(shù)據(jù)采集模塊，系統(tǒng)實時采集不同類型的鋰離子電池的充放電電壓數(shù)據(jù)；電壓數(shù)據(jù)可以以時間序列的形式存儲，用于后續(xù)的多尺度特征提??；系統(tǒng)對采集到的電壓數(shù)據(jù)進行多分辨率采樣，并提取包括時域特征、z分數(shù)特征及小波分解特征在內的多尺度健康指標；這些特征捕捉電池退化的不同方面，形成豐富的特征集供模型訓練；系統(tǒng)將提取的多尺度健康指標數(shù)據(jù)序列構建為圖結構樣本；每個節(jié)點代表一個電池循環(huán)周期，節(jié)點之間的連接根據(jù)電壓序列之間的相似度動態(tài)調整，確保圖結構能夠準確反映電池退化過程中不同時間點的相互關系；通過多尺度圖卷積網(wǎng)絡，系統(tǒng)對圖結構樣本進行訓練，捕捉電池健康狀態(tài)的復雜動態(tài)特征；卷積網(wǎng)絡能夠處理不同時間尺度的數(shù)據(jù)，并通過動態(tài)特征融合機制優(yōu)化每個時間尺度的特征組合；系統(tǒng)基于至少20個連續(xù)循環(huán)的電壓數(shù)據(jù)，使用單步迭代預測方法預測未來的電池容量衰退趨勢，并輸出電池健康狀態(tài)的實時信息。

40、4.技術優(yōu)勢

41、相對于現(xiàn)有技術，本發(fā)明系統(tǒng)僅依賴于電池的充放電電壓數(shù)據(jù)，無需采集電流、溫度等多模態(tài)數(shù)據(jù)，簡化了數(shù)據(jù)采集和處理過程，避免了多種數(shù)據(jù)類型的采集需求，降低了傳感器和數(shù)據(jù)采集系統(tǒng)的成本。本發(fā)明一方面通過多尺度特征提取和圖卷積網(wǎng)絡建模，采用動態(tài)節(jié)點連接和缺失數(shù)據(jù)處理機制，能夠精準預測電池的健康狀態(tài)，平均絕對百分比誤差(mape)可控制在0.67％以內。另一方面，在多種電池材料和工作條件下表現(xiàn)出較強的預測能力，可應用于nca型、ncm型等多種鋰離子電池。