开云优惠体育网页版入口

专利名称：适用于光储充放检宽温域场景的锂电池状态智能估算方法

专利类型：实用新型专利

专利申请号：CN202411260033.X

专利申请（专利权）人：河南开云优惠体育网页版入口学院,新乡市同兴智能开云优惠体育网页版入口有限公司
权利人地址：河南省新乡市红旗区五一路东段

专利发明（设计）人：范玉千,李轶,谢朝举,吴效莹,郭晓娟,张顺利,王玉芬,何广宇,张青龙

专利摘要：适用于光储充放检宽温域场景的锂电池状态智能估算方法，包括以下步骤：建立涵盖15℃、25℃、35℃三种不同温度下的锂电池衰减数据集；根据锂电池衰减数据集中的充放电曲线以及累计积分、时间、斜率、value，提取出27种电池退化特征；将提取的27种电池退化特征进行特征选择，并采用随机森林来量化各电池退化特征对预测结果的贡献，再使用基于SHAP值分析的递归特征消除法生成最优特征子集；根据最优特征子集构建图结构；将图结构送入时空图注意力网络进行训练并输出最终的锂电池SOH预测值；实现了高效且准确的跨温度场景下的锂电池SOH估计。

主权利要求：
1.适用于光储充放检宽温域场景的锂电池状态智能估算方法，其特征在于：包括以下步骤：步骤1：建立涵盖15℃、25℃、35℃三种不同温度下的锂电池衰减数据集；
步骤2：根据锂电池衰减数据集中的充放电曲线以及累计积分、时间、斜率、value，提取出27种电池退化特征，如表1所示：表1：提取的特征
步骤3：将提取的27种电池退化特征进行特征选择，并采用随机森林来量化各电池退化特征对预测结果的贡献，再使用基于SHAP值分析的递归特征消除法生成最优特征子集；
步骤3.1：通过随机森林模型获得27种电池退化特征的特征重要性评分，根据特征重要性评分选择出对SOH预测重要的电池退化特征，并记为重要特征；
步骤3.2：引入SHAP值，计算每个重要特征对SOH预测结果的贡献；即，基于SHAP值的结果，并通过阈值法对重要特征进行初步选择；
步骤3.3：根据初步选择的结果执行递归特征消除法，并获得最优特征子集，递归特征消除法的过程为：其中，Sk是第k步的特征集，Sk+1是从Sk中移除最不重要特征后的特征集；
步骤4：根据最优特征子集构建图结构；
通过划定最优特征子集中的电池退化特征在时间维度上的范围进行协方差计算且生成协方差矩阵，并在基于协方差矩阵的结果上采用Kruskal算法来生成最小生成树；再通过连接图中所有节点的最小权重边集合，同时保持总边权最。佣菇ㄍ缃峁，即图结构；其中，Kruskal算法的目标为：其中 且(V,E)形成一个无环连通子图，w(u,v)为边的权重，V表示特征点集合，E表示特征点之间的连接关系；u和v是V中的两个节点，它们表示图中被边连接的两个特征点；
步骤5：将图结构送入时空图注意力网络进行训练，时空图注意力网络包括图注意力网络层、BiLstm层、深度可分离卷积网络和线性层，图注意力网络层中的注意力头用于并行处理结构图中的节点，并将结果拼接起来后送入LeakyReLU函数；LeakyReLU函数进行非线性激活后并将其输出送入Dropout模块进行正则化处理，Dropout模块的输出送入全局池化层进行汇聚处理并获得一个固定大小的全局节点；
全局节点经归一化后送入BiLstm层，BiLstm层的双向LSTM模块获取全局节点随时间的动态变化特征；将双向LSTM模块的输入和输出进行相加并形成残差连接；
深度可分离卷积网络对残差连接的结果进行深度卷积和逐点卷积，线性层对深度可分离卷积网络的输出进行特征提取和结果预测并通过逐步减少输出维度的方式输出最终的锂电池SOH预测值。
2.根据权利要求1所述的适用于光储充放检宽温域场景的锂电池状态智能估算方法，其特征在于：步骤1具体为：锂电池按环境温度15℃、25℃和35℃分组，生成三个独立的数据集，25℃组包括8块电锂电池，15℃组和35℃组各包括4块锂电池；锂电池的标称容量为2Ah，首先以2C的恒流充电至4.2V，然后转为4.2V的恒压充电直至截至电流达到0.05C或0.1A；随后锂电池搁置一小时，接着，锂电池以1C的恒流放电至2.8V截至电压，再搁置一小时；这样的充放电循环每完成50次后，进行一次锂电池参数辨识，直至锂电池的状态健康度降至80％以下；实验中锂电池温度通过贴于锂电池表面的AUX辅助通道测量，并以1秒为采样间隔记录锂电池的电压、电流、IC和温度数据。
3.根据权利要求1所述的适用于光储充放检宽温域场景的锂电池状态智能估算方法，其特征在于：注意力头为：其中， 表示节点i的邻居节点集合，hj是邻居节点j的特征向量，W是可学习的权重矩阵；αij是注意力系数，表示节点j对节点i的贡献重要性；σ是非线性激活函数；
注意力系数αij的计算使用了softmax函数基于“注意力分数”的形式：其中，注意力分数αij通过一个神经网络计算，这个网络考虑了节点i和节点j的特征：T
eij＝LeakyReLU(a[Whi||Whj])
其中，a是可学习的权重向量，[·||·]表示向量的连接，LeakyReLU是用于添加非线性的激活函数；
全局池化层汇聚的特征是其所有邻居节点特征的算术平均值：
其中，hv′是节点v的新特征向量，N(v)是节点v的邻居节点集合，hu是邻居节点u的特征向量。
4.根据权利要求3所述的适用于光储充放检宽温域场景的锂电池状态智能估算方法，其特征在于：全局节点使用BatchNorm1d模块进行归一化，BatchNorm1d模块为：2
其中，xi为输入特征的值，μ为当前批次中所有样本的均值，σ当前批次中所有样本的方差；∈是小的常数，γ和β均为可学习的参数并分别表示缩放因子和偏移量。
5.根据权利要求1所述的适用于光储充放检宽温域场景的锂电池状态智能估算方法，其特征在于：双向LSTM模块为：ft＝σ2(Wf·[ht?1,xt]+bf)
it＝σ2(Wi·[ht?1,xt]+bi)
ot＝σ2(Wo·[ht?1,xt]+bo)
ct＝ft*ct?1+it*tanh(Wc·[ht?1,xt]+bc)ht＝ot*tanh(ct)
其中，σ2是sigmoid激活函数，*表示元素乘积，W和b是权重矩阵和偏置项，f、i、o分别是遗忘门、输入门和输出门的激活值，c是细胞状态，h是隐藏状态，下标t表示时间步。
6.根据权利要求1所述的适用于光储充放检宽温域场景的锂电池状态智能估算方法，其特征在于：深度可分离卷积网络为：Gk,:,:＝DepthwiseConv(X[:,:,k],Fk)Gk是应用于第k个通道的输出特征图；X是输入特征图；Fk是第k个通道的卷积核。
7.根据权利要求1所述的适用于光储充放检宽温域场景的锂电池状态智能估算方法，其特征在于：LeakyReLU激活函数为：其中，为x为LeakyReLU激活函数的输入。
8.根据权利要求1所述的适用于光储充放检宽温域场景的锂电池状态智能估算方法，其特征在于：线性层中，将结果预测的所有结果沿着一个心的维度堆叠起来，并形成一个张量stackedpredictions；
对于每个位置(i,j)，计算所有子模型在该位置的预测结果的平均值，得到最终的预测结果其中 表示第m个模型在位置(i,j)的预测结
果，i和j是图结构中的节点。 说明书 : 适用于光储充放检宽温域场景的锂电池状态智能估算方法技术领域[0001] 本发明涉及锂电池健康状态估算技术领域，具体涉及适用于光储充放检宽温域场景的锂电池状态智能估算方法。背景技术[0002] 锂离子电池因其高能量密度、长寿命和环保特性而被广泛应用于许多领域，包括电动汽车、便携式电子设备和可再生能源存储系统。随着这些应用对电池性能依赖性的增加，精确预测电池的状态健康显得尤为重要。SOH是评估电池健康状况的关键指标，直接关系到电池的安全使用、维护成本和使用寿命。传统的SOH估算方法主要包括经验模型和物理模型。经验模型通过基于实验数据和历史性能的简单数学关系式来描述电池在特定条件下的退化行为。尽管这些传统方法在某些应用场景下表现优异，但它们通常面临模型复杂度高、对参数精度要求严格、并难以快速适应电池技术的发展和新的使用条件等挑战。图神经网络作为一种新兴的数据驱动方法，因其独特的结构和功能，展现出显著的潜力和优势。[0003] 实际车载应用中，电池的工作温度范围往往不是固定的。对于宽温域场景下的研究较少，现有的锂离子电池健康状态（SOH）估算研究通常局限于特定或普通温度条件下的电池性能评估。大部分现有的SOH估计方法在设计时往往假设电池在其整个寿命期内都在相对恒定的环境条件下运行。然而，在现实应用中，如电动车和移动设备中，电池不仅要在不同的环境温度下运行，还要应对车辆加速、减速等动态负载变化带来的影响。这些实际使用情形使得电池的充放电循环远比实验室条件更为复杂多变，传统模型因缺乏动态适应性而难以有效应对。[0004] 在宽温域条件下进行电池状态健康度（SOH）估计面临的主要挑战是对于电池的性能和衰退率，如何实现跨温度的精确估算。电池的SOH估计在不同温度下显得尤为复杂，因为温度波动直接影响电池内部化学反应的动态，从而影响电池的充放电特性和老化过程。传统的SOH估计方法通常面临几个问题：首先，大多数现有模型是在特定温度条件下开发和验证的，这限制了它们在变化温度条件下的适用性。其次，电池在不同温度下的行为差异导致需要更多的模型或复杂的调整机制来适应这些变化。此外，温度的波动可能导致从不同温度条件下收集的数据呈现不同的分布特征，这种现象在统计学中称为“协变量漂移”。这使得在一个温度条件下训练的模型难以适应另一个条件，从而使模型预测的可靠性降低。发明内容[0005] 针对现有技术中的问题，本发明提供适用于光储充放检宽温域场景的锂电池状态智能估算方法，目的在于实现跨温度场景下的电池SOH估计。[0006] 适用于光储充放检宽温域场景的锂电池状态智能估算方法，包括以下步骤：[0007] 步骤1：建立涵盖15℃、25℃、35℃三种不同温度下的锂电池衰减数据集；[0008] 步骤2：根据锂电池衰减数据集中的充放电曲线以及累计积分、时间、斜率、value，提取出27种电池退化特征，如表1所示：[0009] 表1：提取的特征[0010][0011] 步骤3：将提取的27种电池退化特征进行特征选择，并采用随机森林来量化各电池退化特征对预测结果的贡献，再使用基于SHAP值分析的递归特征消除法生成最优特征子集；[0012] 步骤4：根据最优特征子集构建图结构；[0013] 步骤5：将图结构送入时空图注意力网络进行训练，时空图注意力网络包括图注意力网络层、BiLstm层、深度可分离卷积网络和线性层，[0014] 图注意力网络层中的注意力头用于并行处理结构图中的节点，并将结果拼接起来后送入LeakyReLU函数；LeakyReLU函数进行非线性激活后并将其输出送入Dropout模块进行正则化处理，Dropout模块的输出送入全局池化层进行汇聚处理并获得一个固定大小的全局节点；[0015] 全局节点经归一化后送入BiLstm层，BiLstm层的双向LSTM模块获取全局节点随时间的动态变化特征；将双向LSTM模块的输入和输出进行相加并形成残差连接；[0016] 深度可分离卷积网络对残差连接的结果进行深度卷积和逐点卷积，线性层对深度可分离卷积网络的输出进行特征提取和结果预测并通过逐步减少输出维度的方式输出最终的锂电池SOH预测值。[0017] 进一步为：步骤1具体为：[0018] 锂电池按环境温度15℃、25℃和35℃分组，生成三个独立的数据集，25℃组包括8块电锂电池，15℃组和35℃组各包括4块锂电池；锂电池的标称容量为2Ah，首先以2C的恒流充电至4.2V，然后转为4.2V的恒压充电直至截至电流达到0.05C或0.1A；随后锂电池搁置一小时，接着，锂电池以1C的恒流放电至2.8V截至电压，再搁置一小时；这样的充放电循环每完成50次后，进行一次锂电池参数辨识，直至锂电池的状态健康度降至80%以下；实验中锂电池温度通过贴于锂电池表面的AUX辅助通道测量，并以1秒为采样间隔记录锂电池的电压、电流、IC和温度数据。[0019] 进一步为：步骤3具体为：[0020] 步骤3.1：通过随机森林模型获得27种电池退化特征的特征重要性评分，根据特征重要性评分选择出对SOH预测重要的电池退化特征，并记为重要特征；[0021] 步骤3.2：引入SHAP值，计算每个重要特征对SOH预测结果的贡献；即，基于SHAP值的结果，并通过阈值法对重要特征进行初步选择；[0022] 步骤3.3：根据初步选择的结果执行递归特征消除法，并获得最优特征子集，递归特征消除法的过程为：[0023][0024] 其中， 是第 步的特征集， 是从 中移除最不重要特征后的特征集。[0025] 进一步为：步骤4具体为：通过划定最优特征子集中的电池退化特征在时间维度上的范围进行协方差计算且生成协方差矩阵，并在基于协方差矩阵的结果上采用Kruskal算法来生成最小生成树；再通过连接图中所有节点的最小权重边集合，同时保持总边权最。佣菇ㄍ缃峁，即图结构；其中，Kruskal算法的目标为：[0026][0027] 其中 且 形成一个无环连通子图， 为边的权重， 表示特征点集合， 表示特征点之间的连接关系； 和 是 中的两个节点，它们表示图中被边连接的两个特征点。[0028] 进一步为：注意力头为：[0029][0030] 其中， 表示节点 的邻居节点集合， 是邻居节点 的特征向量，是可学习的权重矩阵； 是注意力系数，表示节点 对节点 的贡献重要性；是非线性激活函数；[0031] 注意力系数 的计算使用了softmax函数基于“注意力分数”的形式：[0032][0033] 其中，注意力分数 通常通过一个神经网络计算，这个网络考虑了节点 和节点 的特征：[0034][0035] 其中， 是可学习的权重向量， 表示向量的连接， 是用于添加非线性的激活函数；[0036] 全局池化层汇聚的特征是其所有邻居节点特征的算术平均值：[0037][0038] 其中， 是节点 的新特征向量， 是节点 的邻居节点集合， 是邻居节点 的特征向量。[0039] 进一步为：全局节点使用BatchNorm1d模块进行归一化，BatchNorm1d模块为：[0040][0041] 其中， 为输入特征的值， 为当前批次中所有样本的均值， 当前批次中所有样本的方差； 是小的常数， 和 均为可学习的参数并分别表示缩放因子和偏移量。[0042] 进一步为：双向LSTM模块为：[0043][0044][0045][0046][0047][0048] 其中， 是sigmoid激活函数， 表示元素乘积，W和b是权重矩阵和偏置项，f、i、o分别是遗忘门、输入门和输出门的激活值，c是细胞状态，h是隐藏状态，下标t表示时间步。[0049] 进一步为：深度可分离卷积网络为：[0050][0051] 其中， 是应用于第 个通道的输出特征图， 是输入特征图， 是第 个通道的卷积核。[0052] 进一步为：LeakyReLU激活函数为：[0053][0054] 其中，为 为LeakyReLU激活函数的输入。[0055] 进一步为：线性层中，将结果预测的所有结果沿着一个心的维度堆叠起来，并形成一个张量 ；[0056] ；[0057] 对于每个位置 ，计算所有子模型在该位置的预测结果的平均值，得到最终的预测结果 ：[0058][0059] 其中 表示第 个模型在位置 的预测结果， 和 是图结构中的节点。[0060] 本发明的有益效果：本发明建立了涵盖15℃、25℃、35℃三种不同温度下的电池衰减数据集，从而获得电池数据；从累计积分、时间、斜率和value几个维度，全面总结并提出了27种电池退化的相关特征；将提取的27个特征进行特征选择，采用了随机森林来量化各特征对预测结果的贡献，并使用基于SHAP值分析的递归特征消除法生成了最优特征子集。特征选择后的子集用动态最小生成树结构来构建图结构，利用时空图注意网络进行训练，利用先进的图神经网络技术来处理时间和空间维度的电池数据，实现了高效且准确的跨温度场景下的锂电池SOH估计。附图说明[0061] 图1为本发明的流程图；[0062] 图2为本发明的整体框架图；[0063] 图3为本发明中不同soh下的充放电流曲线；[0064] 图4为不同soh下的充放电压曲线；[0065] 图5为不同soh下的充放电的温度曲线；[0066] 图6为不同soh下的ic曲线。具体实施方式[0067] 下面结合附图对本发明做详细说明。下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。本发明实施例中的左、中、右、上、下等方位用语，仅是互为相对概念或是以产品的正常使用状态为参考的，而不应该认为是具有限制性的。[0068] 适用于光储充放检宽温域场景的锂电池状态智能估算方法，如图1和图2所示，包括以下步骤：[0069] 步骤1：建立涵盖15℃、25℃、35℃三种不同温度下的锂电池衰减数据集，为宽温域场景下的电池研究提供了基。咛迦缦：[0070] 锂电池按环境温度15℃、25℃和35℃分组，生成三个独立的数据集，25℃组包括8块电锂电池，15℃组和35℃组各包括4块锂电池；锂电池的标称容量为2Ah，首先以2C的恒流充电至4.2V，然后转为4.2V的恒压充电直至截至电流达到0.05C或0.1A；随后锂电池搁置一小时，接着，锂电池以1C的恒流放电至2.8V截至电压，再搁置一小时；这样的充放电循环每完成50次后，进行一次锂电池参数辨识，直至锂电池的状态健康度降至80%以下；实验中锂电池温度通过贴于锂电池表面的AUX辅助通道测量，并以1秒为采样间隔记录锂电池的电压、电流、IC和温度数据；每50个循环后的电池容量和内阻等关键性能指标的记录，旨在全面分析温度对电池寿命衰减的影响；[0071] 步骤2：结合图3至图6所示，根据锂电池衰减数据集中的充放电曲线以及累计积分、时间、斜率、value，提取出27种电池退化特征，全面总结并提出了27种电池退化的相关特征以供于不同条件电池的自适应特征提。庑┨卣鞣从沉说绯卦诓煌僮魈跫下的行为和性能，为深入理解电池退化提供了基。蝗绫1所示：[0072] 表1：提取的特征[0073][0074] 步骤3：将提取的27种电池退化特征进行特征选择，并采用随机森林来量化各电池退化特征对预测结果的贡献，再使用基于SHAP值分析的递归特征消除法生成最优特征子集；具体为：[0075] 步骤3.1：通过随机森林模型获得27种电池退化特征的特征重要性评分，根据特征重要性评分选择出对SOH预测重要的电池退化特征，并记为重要特征；[0076] 步骤3.2：引入SHAP值，即，基于Shapley值原理的工具可以量化每个特征对模型预测结果的影响，从而进一步理解特征的贡献程度；设置100棵决策树，并使用了默认的随机数种子来确保结果的可重复性，27种电池退化特征通过随机森林模型的特征重要性评分，可以识别出对SOH预测重要的电池退化特征；基于SHAP值的结果，并通过阈值法对重要特征进行初步选择；[0077] 步骤3.3：根据初步选择的结果执行递归特征消除法，并获得最优特征子集，在递归特征消除法过程中，逐步剔除被认为最不重要的特征，持续优化模型至获得最优特征子集，从而使模型性能达到最佳，递归特征消除法的过程为：[0078][0079] 其中， 是第 步的特征集， 是从 中移除最不重要特征后的特征集；[0080] 步骤4：根据最优特征子集构建图结构；提出了一种使用动态最小生成树结构来构建图结构的方法；在这种方法中，一个循环作为一个图，一个特征作为一个节点，节点之间的动态边关系是根据特征关系构建的；其中，通过划定最优特征子集中的电池退化特征在时间维度上的范围进行协方差计算且生成协方差矩阵，并在基于协方差矩阵的结果上采用Kruskal算法来生成最小生成树；再通过连接图中所有节点的最小权重边集合，确保图的连通性，同时保持总边权最。佣菇ǔ杀咀畹偷耐缃峁，即图结构；这种算法有效地识别并保留了最关键的特征间连接，避免了图的过度复杂化，显著减少了计算负担，并提升了模型的运行效率；此外，Kruskal算法生成的最小生成树还有助于减少特征冗余，这对于提高预测准确率和增强模型的可解释性具有重要意义；其中，Kruskal算法的目标为：[0081][0082] 其中 且 形成一个无环连通子图， 为边的权重， 表示特征点集合, 表示特征点之间的连接关系； 和 是 中的两个节点，它们表示图中被边连接的两个特征点；[0083] 步骤5：将图结构送入时空图注意力网络进行训练，本研究设计的时空图注意力网络采用了Bagging方法，通过集成多个结构相同的子模型并对其预测结果进行平均处理；子模型的构造和设计充分利用了电池数据的空间和时间特性；时空图注意力网络包括图注意力网络层、BiLstm层、深度可分离卷积网络和线性层，其中，图注意力网络层包括若干个注意力头、LeakyReLU函数、Dropout模块、全局池化层，图注意力网络层的构造和设计充分利用了电池数据的空间和时间特性，图注意力网络层中的四个注意力头用于并行处理结构图中的节点，并将结果拼接起来后送入LeakyReLU函数；LeakyReLU函数进行非线性激活后并将其输出送入Dropout模块进行正则化处理，以防止过拟合，这意味着每次都会随机丢弃一部分神经元的输出，Dropout模块的输出送入全局池化层进行汇聚处理并获得一个固定大小的全局节点；其中，注意力头为：[0084][0085] 其中， 表示节点 的邻居节点集合， 是邻居节点 的特征向量， 是可学习的权重矩阵，用于线性变换节点特征； 是注意力系数，表示节点 对节点 的贡献重要性； 是非线性激活函数；[0086] 注意力系数 的计算使用了softmax函数基于“注意力分数”的形式：[0087][0088] 其中，注意力分数 通常通过一个小型的神经网络计算，这个网络考虑了节点和节点 的特征：[0089][0090] 其中， 是可学习的权重向量， 表示向量的连接， 是用于添加非线性的激活函数； 激活函数被多次使用，以引入必要的非线性，增强模型的学习能力：[0091][0092] 其中，为 为LeakyReLU激活函数的输入；[0093] 全局池化层汇聚的特征是其所有邻居节点特征的算术平均值：[0094][0095] 其中， 是节点 的新特征向量， 是节点 的邻居节点集合， 是邻居节点 的特征向量；[0096] 全局节点经归一化后送入BiLstm层，BiLstm层的双向LSTM模块获取全局节点随时间的动态变化特征；将双向LSTM模块的输入和输出进行相加并形成残差连接，这有助于避免在深层网络中发生的梯度消失问题，同时保留重要的原始信息；其中，全局节点使用BatchNorm1d模块进行归一化，这有助于加快模型训练速度，提高模型在训练过程中的稳定性，BatchNorm1d模块为：[0097][0098] 其中， 为输入特征的值, 为当前批次中所有样本的均值， 当前批次中所有样本的方差； 是小的常数， 和 均为可学习的参数并分别表示缩放因子和偏移量，和 分别被初始化为1和0，但在训练过程中会被更新；[0099] 双向LSTM模块为：[0100][0101][0102][0103][0104][0105] 其中， 是sigmoid激活函数， 表示元素乘积，W和b是权重矩阵和偏置项，f、i、o分别是遗忘门、输入门和输出门的激活值，c是细胞状态，h是隐藏状态，下标t表示时间步；[0106] 为了提取和优化特征，模型采用了两层深度可分离卷积网络；深度可分离卷积网络对残差连接的结果进行深度卷积和逐点卷积，深度卷积为每个输入通道独立应用一个卷积过滤器，而逐点卷积使用 的卷积核将深度卷积的输出从每个位置的所有通道线性组合成最终输出的通道数；深度可分离卷积网络为：[0107][0108] 其中， 是应用于第 个通道的输出特征图， 是输入特征图， 是第 个通道的卷积核；[0109] 线性层（全连接层）对深度可分离卷积网络的输出进行特征提取和结果预测并通过逐步减少输出维度的方式输出最终的锂电池SOH预测值；跨温度的soh估算，对模型的泛化性有一定要求，为了提高模型的泛化性，选用了Bagging的集成平均策略，从而减少了模型对特定样本的过度依赖，具体来说，线性层中，将结果预测的所有结果沿着一个心的维度堆叠起来，并形成一个张量 ；[0110] ；[0111] 对于每个位置 ，计算所有子模型在该位置的预测结果的平均值（，即，计算时空图注意力网络在该位置的所有预测结果的平均值），得到最终的预测结果 ：[0112][0113] 其中 表示第 个模型在位置 的预测结果， 和 是图结构中的节点。[0114] 本发明方法通过六个评价指标进行全面评估，分别是均方误差（MSE）、均方根误差（RMSE）、平均绝对误差（MAE）、平均绝对百分比误差（MAPE）、确定系数（R2）和最大误差（MAXE）；[0115][0116][0117][0118][0119][0120][0121] 以上涉及到的符号，其中 和 是真实值， 和 的预测值， 是真实值的平均值, 是样本数量。[0122] 为了确定并深入分析特征对模型的影响。利用了SHAP值的排序结果来分析不同特征子集对电池SOH估计的影响，并验证了基于递归特征消除法思想选择的最优特征子集的有效性。具体地，选择了基于SHAP结果值特征排序的前5，15以及所有特征不同特征数量的特征子集，之后，在较优的特征子集上应用RFE。25℃的6块电池被划分为训练集，15℃的B101和B103,25℃的B205和B207,35℃的B302和B303被作为测试集分组估算。表2显示了估计结果；[0123] 表2：不同特征选择的实验[0124][0125] 通过对不同特征组合的比较分析表明，特征数量对模型性能有显著影响，但过多的特征可能导致过拟合，而且在不同温度条件下的特征选择对模型性能有显著差异，因此需要综合考虑特征数量和质量。采用RFE方法可以在不同温度条件下选择出稳定且具有泛化能力的特征子集，从而提高模型的性能和可靠性。[0126] 在模型对比实验中，将所提出的模型与几种现有技术进行了比较，包括Transformer、CNN?LSTM以及GNN?BiLSTM模型。选用了4.2实验中的最优特征子集结果作为输入，25℃的6块电池被划分为训练集，15℃的B102和B104,25℃的B203和B204,35℃的B301和B304被作为测试集分组估算。表3显示了估计结果[0127] 表3：不同模型对比实验[0128][0129] ST?GAT模型在处理复杂的温度变化和不同类型的电池数据时显示了卓越的性能和适应性。它不仅在统计误差指标上表现优异，而且在保持预测的准确性和稳定性方面也具有显著优势。相比之下，其他模型虽然在某些测试场景中表现可接受，但通常在高温环境下表现不佳，且整体性能不如ST?GAT稳定。[0130] 在本研究中，对提出的模型在不同环境温度下对电池状态健康度（SoH）估算的鲁棒性进行了评估。为了模拟实际操作条件中可能出现的测量误差和环境干扰，在电池数据中人为添加了三种不同标准偏差的高斯噪声：50、100和150。这些噪声级别代表了从轻微到严重的数据扰动，目的是测试所提出方法在各种噪声条件下的性能表现，如表4所示；[0131] 表4：不同噪声下的实验[0132][0133] 通过这些噪声实验，进一步确认了模型的鲁棒性和实用性，表明它可以有效地应对实际应用中可能遇到的各种噪声条件。这些实验不仅验证了模型在技术上的有效性，还强调了其在实际操作环境中的应用潜力，特别是在数据质量可能受到多种因素影响的情况下。[0134] 以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

专利地区：河南

专利申请日期：2024-09-10

专利公开日期：2024-11-29

专利公告号：CN118795373B