本发明涉及电池管理，具体涉及一种基于stemgnn的动力电池循环寿命动态调节方法。
背景技术：
：：1、随着电动汽车技术的快速发展，动力电池的健康管理成为了研究的热点。电池的循环寿命预测对于优化电池使用策略、延长其使用寿命以及保障车辆安全运行具有重要意义。传统的电池循环寿命预测方法大致分为三种：基于机理模型的方法、基于经验模型的方法和基于数据驱动的方法。基于机理模型的方法使用电池的物理模型，通过建立电池内部状态与外部检测变量之间的映射关系来估计健康状态。其优点是可解释性强、预测精确。但其建模过程中对于模型精度的依赖性较强，需要准确的模型参数。在实际应用中，模型可能受到不确定性和误差的影响。基于经验模型的方法使用历史数据来对电池构造模型，这些模型不需要深入了解电池内部机理，但此方法构建的模型具有很多训练参数，模型的预测精度受到电流、温度等历史数据和外部干扰的影响。基于数据驱动方法使用实际运行数据，能够更准确地预测电池寿命。但无法提供对衰减机制的详细理解。近年来，图神经网络（gnn）等深度学习方法因其在处理图结构数据方面的优势而受到关注，但现有的基于深度学习的预测方法存在网络结构复杂、所需训练数据量庞大且需要长时间的老化测试来得到电池数据等问题。并且现有的方法无法对动力电池循环寿命进行动态调节。技术实现思路1、本发明的目的在于提供一种基于stemgnn的动力电池循环寿命动态调节方法，使图神经网络能够在少量的数据的情况下也有精准的预测效果，提升对动力电池循环寿命动态调节的精度，能够应用于不同规格的电池和不同应用场景，有效降低成本。2、为实现上述目的，本发明采用的技术方案如下。3、基于stemgnn的动力电池循环寿命动态调节方法，包括以下步骤：4、步骤s1，使用动力电池内部搭载的传感器获取动力电池包中每个电池组在充放电过程中与电芯循环寿命相关的性能参数数据，相关的性能参数包括电压、电流、温度、内阻；5、步骤s2，构建stemgnn图神经网络，stemgnn图神经网络包括潜在相关层、stemgnn层、输出层；利用收集的性能参数数据构造多变量的时间序列数据，将多变量的时间序列数据输入到stemgnn图神经网络内的潜在相关层，自动计算得到相关权重矩阵，并使用多变量的时间序列数据与相关权重矩阵构成对应的图结构输入到stemgnn层中，提取多变量的时间序列数据在时间频域中的时间模式，以及在频域和时域中的空间依赖特征，得到前向预测输出与反向传播输出，然后基于输出结果构建损失函数对stemgnn图神经网络进行模型训练；6、步骤s3，基于训练好的最佳的stemgnn图神经网络模型对电池组的循环寿命进行预测，获得每个电池组循环寿命的预测数据；7、步骤s4，基于每个电池组的预测循环寿命，构建充放电功率分配模型，动态调配动力电池中每个电池组的充放电频率，并利用改进的粒子群优化算法进行优化求解，自适应调整各电池组间的功率分配，延长电池的使用寿命；具体包括以下步骤：8、步骤s41，根据stemgnn图神经网络模型的预测结果得到时刻每个电池组的预测循环寿命，然后根据预测循环寿命的值计算得到每个电池组在时刻的健康状态，再根据健康状态的值将电池组分至第一充放电组和第二充放电组，并得到两个充放电组中电池组的数量；9、步骤s42，根据电池组的数量、荷电状态和健康状态确定目标函数，构建充放电功率分配模型，充放电功率分配模型由第一充放电组的充放电功率目标函数、第二充放电组的充放电功率目标函数、电池组放电深度目标函数三部分构成；10、步骤s43，对步骤s42中构建的充放电功率分配模型，使用改进的粒子群优化算法来求解目标函数的最优解，获得充放电功率的最优分配模式。11、进一步地，所述步骤s2的具体步骤包括：12、步骤s21，构建stemgnn图神经网络，stemgnn图神经网络包括潜在相关层、stemgnn层、输出层，潜在相关层中包含有带自注意力机制的门控循环单元，潜在相关层用于提取序列内在的时间关联，并通过潜在相关层内的自注意力机制计算相关权重矩阵；潜在相关层的输出作为stemgnn层的输入，stemgnn层有两个stemgnn块结构，分别为第一stemgnn块与第二stemgnn块，用于在频谱域中联合建模多元时间序列内的结构和时间依赖性，stemgnn层最终获得两个输出，分别是前向预测输出和反向传播输出；stemgnn图神经网络的输出层用于输出最终预测结果；13、步骤s22，利用收集的性能参数数据构造多变量的时间序列数据，将多变量的时间序列数据输入到stemgnn图神经网络内的潜在相关层，自动计算得到相关权重矩阵，并使用多变量的时间序列数据与相关权重矩阵，构成对应的图结构，；14、步骤s23，将得到的图结构输入到stemgnn层中，经第一stemgnn块提取多变量的时间序列数据在时间频域中的时间模式，以及在频域和时域中的空间依赖特征，得到前向预测输出与反向传播输出；15、步骤s24，将第一stemgnn块的反向传播输出与输入的图结构相减作为第二stemgnn块的输入，第二stemgnn块中各单元的处理原理与第一stemgnn块的相同，经第二stemgnn块处理后，得到两个输出结果，分别是前向预测输出与反向传播输出，将第一stemgnn块和第二stemgnn块的两个输出结果分别相加作为stemgnn层的两个输出；然后基于第一stemgnn块和第二stemgnn块的输出结果构建损失函数对stemgnn图神经网络进行模型训练。16、进一步地，步骤s22中，利用收集的性能参数数据构造多变量的时间序列数据的方法为，在使用动力电池时，通过传感器检测到影响电池循环寿命的基础历史性能参数数据后，采用滑动窗口方法将历史性能参数数据进行预处理，设定固定长度滑动窗口，获取电池组循环寿命的多变量的时间序列数据，，其中，表示变量的第个历史数据值，表示实域，表示性能参数数据的特征维度，表示时间戳长度。17、进一步地，步骤s21中，所述第一stemgnn块与第二stemgnn块的结构相同，第一stemgnn块和第二stemgnn块均依次包含图傅里叶变换单元、频谱序列单元、图卷积、图傅里叶逆变换单元、输出单元，频谱序列单元依次包括离散傅里叶变换单元、一维卷积、门控线性单元、离散傅里叶逆变换单元；输出单元分为第一输出分支和第二输出分支，第一输出分支依次为全连接层和预测输出单元，第二输出分支依次为全连接层和反向输出单元；其中，图傅里叶变换单元用于将数据特征的空间维度从时域转换到频域，离散傅里叶变换单元用于将时间维度从时域转换到频域，一维卷积和门控线性单元用于在频域中提取时间模式，离散傅里叶逆变换单元用于将时间维度从频域转回时域，图卷积和图傅里叶逆变换单元共同用于提取空间依赖并将空间维度从频域转回时域，第一输出分支和第二输出分支分别用于输出stemgnn块结构的前向预测输出和反向传播输出结果。18、进一步地，步骤s23中，将得到的图结构输入到stemgnn层中，经第一stemgnn块提取多变量的时间序列数据在时间频域中的时间模式，以及在频域和时域中的空间依赖特征，得到前向预测输出与反向传播输出的具体方法为：19、将得到的图结构输入到stemgnn层中，第一stemgnn块通过图傅里叶变换单元将图结构转换为谱矩阵表示，使得多变量的时间序列数据中每个节点的单变量时间序列变为线性独立；然后，通过离散傅里叶变换单元将每个单变量时间序列分量变换到频域进行频谱时间卷积，提取在频域和时域的空间依赖特征，在频域中，通过一维卷积和门控线性单元提取时间频域中的时间模式；然后使用离散傅里叶逆变换单元将时间维度从频域转回时域，再将频谱序列单元得到的空间依赖特征通过图卷积和图傅里叶逆变换单元从频域转回时域；图傅里叶逆变换单元的输出结果经过第一stemgnn块中输出单元的第一输出分支和第二输出分支后得到两个输出，前向预测输出与反向传播输出，前向预测输出用于进行网络的训练，反向传播输出用于以自动编码的方式，提高多变量电池时间寿命序列的表示能力。20、进一步地，步骤s24中，基于第一stemgnn块和第二stemgnn块的输出结果构建损失函数对stemgnn图神经网络进行模型训练的具体步骤包括：21、利用第一stemgnn块与第二stemgnn块的输入与输出进行构建损失函数，stemgnn层最终输出的前向预测输出为第一stemgnn块输出的前向预测输出与第二stemgnn块输出的前向预测输出的和；损失函数计算公式如下式所示：22、，23、式中，表示损失函数，表示stemgnn层的前向预测输出，为多变量的时间序列数据，包含所有待预测时刻性能参数数据的实际值，表示stemgnn图神经网络中所有的参数，是在时刻的stemgnn层输出的前向预测输出，表示时刻多变量的时间序列数据的值，代表时刻性能参数数据的实际值，表示第时刻滑动窗口的输入，是stemgnn层反向传播输出的重构值，是过去时间戳的滞后值。24、进一步地，所述步骤s41的具体步骤为，根据stemgnn图神经网络模型的预测结果得到时刻每个电池组的预测循环寿命，根据预测循环寿命的值计算得到每个电池组在时刻的健康状态，计算公式为：25、；26、根据健康状态的值对电池组进行分组，将健康状态的值小于80%的电池组分至第一充放电组，将健康状态的值大于等于80%的电池组分至第二充放电组，并得到两个充放电组中电池组的数量，其中，记为健康状态小于80%的电池组个数，为健康状态大于等于80%的电池组个数，为总电池组数量，是和的和。27、进一步地，步骤s42中，构建的充放电功率分配模型为：28、，29、式中，表示充放电功率分配模型，表示充电时的目标函数，表示放电时的目标函数，表示第一充放电组中第个电池组在时刻的充电功率目标函数，表示第二充放电组中第个电池组在时刻的充电功率目标函数，表示第一充放电组中第个电池组在时刻的放电功率目标函数，表示第二充放电组中第个电池组在时刻的放电功率目标函数，为电池组放电深度目标函数，表示电池组在时刻的放电深度，，是电池组的放电容量，是电池组的额定容量；30、其中，第一充放电组的充放电功率目标函数和第二充放电组的充放电功率目标函数具体为：31、，32、，33、，34、，35、式中，表示电池组在时刻的荷电状态，以百分比表示，和分别是电池组在时刻的最小允许荷电状态和最大允许荷电状态；和分别表示电池组在时刻的充电功率和放电功率；与是充放电功率系数，是常数，表示充电时间，表示放电时间，表示第一充放电组的充电功率指数函数，使充电功率随荷电状态的增加而减少，表示第一充放电组的放电功率指数函数，使放电功率随荷电状态的减少而减少；36、其中，充放电功率分配模型的充放电功率约束条件为：，37、电池组的荷电状态约束条件为：，38、总的充放电功率约束条件为：，39、式中，和分别表示电池组的最小充电功率和最大充电功率，和分别表示电池组的最小放电功率和最大放电功率；表示充放电时的总功率，表示动力电池充电时实际功率，表示放电时的额定功率。40、进一步地，步骤s43中，改进的粒子群优化算法的表达式为：41、，42、，43、，44、，45、式中，表示第个粒子在第次迭代的运动状态，表示第个粒子在第次迭代的运动状态，为惯性权重，、为学习因子，为0到1之间的随机数，表示第个粒子在第次迭代时的位置，为个体当前最优解，为粒子群当前最优解；是跳跃向量；是跳跃因子，为常数；表示随机化的；表示第粒子在第次迭代时的位置；是一个函数，将的每个分量限制在最小范围内，表示粒子的最小位置，表示粒子的最大位置；46、对充放电功率分配模型而言，粒子群优化算法中的基本粒子为电池组每个时刻的充放电功率的大小，基本粒子单元为：47、<mstyledisplaystyle="true"mathcolor="#000000"><msub><mi>x</mi><mi>a</mi></msub><mi>=</mi><mrow><mo>{</mo><mtablecolumnalign="left"><mtr><mtd><mrow><mo>[</mo><mrow><msubsup><mi>p</mi><mrow><mn>1</mn><mi>,</mi><mi>t</mi></mrow><mi>c</mi></msubsup><mi>,</mi><msubsup><mi>p</mi><mrow><mn>2</mn><mi>,</mi><mi>t</mi></mrow><mi>c</mi></msubsup><mi>,</mi><mi>⋯</mi><mi>,</mi><msubsup><mi>p</mi><mrow><mi>n</mi><mi>,</mi><mi>t</mi></mrow><mi>c</mi></msubsup></mrow><mo>]</mo></mrow><mi>,</mi><mi>charge</mi></mtd></mtr><mtr><mtd><mrow><mo>[</mo><mrow><msubsup><mi>p</mi><mrow><mn>1</mn><mi>,</mi><mi>t</mi></mrow><mi>d</mi></msubsup><mi>,</mi><msubsup><mi>p</mi><mrow><mn>2</mn><mi>,</mi><mi>t</mi></mrow><mi>d</mi></msubsup><mi>,</mi><mi>⋯</mi><mi>,</mi><msubsup><mi>p</mi><mrow><mi>n</mi><mi>,</mi><mi>t</mi></mrow><mi>d</mi></msubsup></mrow><mo>]</mo></mrow><mi>,</mi><mi>discharge</mi></mtd></mtr></mtable></mrow></mstyle>，48、如果一个粒子在连续次迭代中没有改进其个体的最优解，则认为该粒子需要跳跃。49、有益效果：50、本发明提出的stemgnn图神经网络能够对电池的历史充放电数据进行分析，在处理时间序列数据的同时，能够捕捉电池数据中的复杂依赖关系。由于stemgnn图神经网络的结构相对简单，参数比较少，在预测时有着比较高的计算效率，这使得该方法能实时对电池循环寿命进行动态的调节与管理。并且stemgnn图神经网络有着良好的泛化能力，能够适应不同类型和不同工作条件下的电池，这使得它在多种应用场景中都能够提供可靠的预测，本发明的应用对管理动力电池的循环寿命领域具有重要意义。同时，本发明构建了充放电功率分配模型，动态调配动力电池中每个电池组的充放电频率，并采用改进的粒子群优化算法来提升分配适应度，能够有效提升各电池组间的功率分配的精度。当前第1页12当前第1页12
技术特征：1.基于stemgnn的动力电池循环寿命动态调节方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于stemgnn的动力电池循环寿命动态调节方法，其特征在于，所述步骤s2的具体步骤包括：
3.根据权利要求2所述的基于stemgnn的动力电池循环寿命动态调节方法，其特征在于，步骤s21中，所述第一stemgnn块与第二stemgnn块的结构相同，第一stemgnn块和第二stemgnn块均依次包含图傅里叶变换单元、频谱序列单元、图卷积、图傅里叶逆变换单元、输出单元，频谱序列单元依次包括离散傅里叶变换单元、一维卷积、门控线性单元、离散傅里叶逆变换单元；输出单元分为第一输出分支和第二输出分支，第一输出分支依次为全连接层和预测输出单元，第二输出分支依次为全连接层和反向输出单元；其中，图傅里叶变换单元用于将数据特征的空间维度从时域转换到频域，离散傅里叶变换单元用于将时间维度从时域转换到频域，一维卷积和门控线性单元用于在频域中提取时间模式，离散傅里叶逆变换单元用于将时间维度从频域转回时域，图卷积和图傅里叶逆变换单元共同用于提取空间依赖并将空间维度从频域转回时域，第一输出分支和第二输出分支分别用于输出stemgnn块结构的前向预测输出和反向传播输出结果。
4.根据权利要求2所述的基于stemgnn的动力电池循环寿命动态调节方法，其特征在于，步骤s22中，利用收集的性能参数数据构造多变量的时间序列数据的方法为，在使用动力电池时，通过传感器检测到影响电池循环寿命的基础历史性能参数数据后，采用滑动窗口方法将历史性能参数数据进行预处理，设定固定长度滑动窗口，获取电池组循环寿命的多变量的时间序列数据，，其中，表示变量的第个历史数据值，表示实域，表示性能参数数据的特征维度，表示时间戳长度。
5.根据权利要求3所述的基于stemgnn的动力电池循环寿命动态调节方法，其特征在于，步骤s23中，将得到的图结构输入到stemgnn层中，经第一stemgnn块提取多变量的时间序列数据在时间频域中的时间模式，以及在频域和时域中的空间依赖特征，得到前向预测输出与反向传播输出的具体方法为：
6.根据权利要求2所述的基于stemgnn的动力电池循环寿命动态调节方法，其特征在于，步骤s24中，基于第一stemgnn块和第二stemgnn块的输出结果构建损失函数对stemgnn图神经网络进行模型训练的具体步骤包括：
7.根据权利要求1所述的基于stemgnn的动力电池循环寿命动态调节方法，其特征在于，所述步骤s41的具体步骤为，根据stemgnn图神经网络模型的预测结果得到时刻每个电池组的预测循环寿命，根据预测循环寿命的值计算得到每个电池组在时刻的健康状态，计算公式为：
8.根据权利要求7所述的基于stemgnn的动力电池循环寿命动态调节方法，其特征在于，步骤s42中，构建的充放电功率分配模型为：
9.根据权利要求8所述的基于stemgnn的动力电池循环寿命动态调节方法，其特征在于，步骤s42中，第一充放电组的充放电功率目标函数和第二充放电组的充放电功率目标函数具体为：
10.根据权利要求9所述的基于stemgnn的动力电池循环寿命动态调节方法，其特征在于，步骤s43中，改进的粒子群优化算法的表达式为：
技术总结本发明涉及电池管理技术领域，具体涉及一种基于StemGNN的动力电池循环寿命动态调节方法，使用电池内部传感器获取动力电池包中每个电池组在充放电过程中与电芯循环寿命相关的性能参数数据，并构造多变量的时间序列数据，然后利用StemGNN图神经网络根据多变量的时间序列数据计算得到相关权重矩阵并构成图结构；利用图结构进行特征提取，提取循环寿命在频域和时域的空间依赖特征；根据特征提取结果构建损失函数对StemGNN图神经网络进行训练，基于训练好的网络模型对电池组的循环寿命进行预测；并构建充放电功率分配模型，利用改进的粒子群优化算法进行优化求解，自适应调整各电池组间的功率分配，延长动力电池的使用寿命。
技术研发人员：黎俊亮,蒋沅,代冀阳,沈培,欧阳苗,施佳文,刘宇,吴珑雪,熊华鹏
受保护的技术使用者：南昌航空大学
技术研发日：技术公布日：2024/5/29
