(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110346298.1 (22)申请日 2021.03.31 (65)同一申请的已公布的文献号 申请公布号 CN 113033104 A (43)申请公布日 2021.06.25 (73)专利权人 浙江大学 地址 310058 浙江省杭州市西湖区余杭塘 路866号 (72)发明人 金心宇　武钿登　汪庆文　林祉谦　 金昀程　 (74)专利代理 机构 杭州中成专利事务所有限公 司 33212 专利代理师 金祺 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06Q 10/04(2012.01) (56)对比文件 CN 112067998 A,2020.12.1 1 CN 110674922 A,2020.01.10 EP 3620990 A1,2020.0 3.11 US 2020081070 A1,2020.0 3.12 EP 3786653 A1,2021.0 3.03 Baojin Wang等.State-of- Charge Estimati on for Lithium-I on Batteries Based on a Nonlinear Fracti onal Model. 《IEEE TRANSACTIONS ON CONTROL SYSTE MS TECHNOLOGY》 .2017, 周勇等.基 于ECTLBO-ELM模型的荷电状态估 计. 《广西大 学学报(自然科 学版)》 .2021, 审查员 许莎莎 (54)发明名称 一种基于图卷积的锂电池荷电状态估计方 法 (57)摘要 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xin、 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。 权利要求书2页 说明书9页 附图2页 CN 113033104 B 2022.05.24 CN 113033104 B 1.一种基于图卷积的锂电池荷电状态估计方法， 其特 征在于， 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xin、 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xt与上一时刻的 输出xoutt‑1特征融合后得到xin； 融合向量xin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xoutt， 然后将当前时刻的输出xoutt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yt， 其中： xin＝xt+xoutt‑1， xt表示为当前时刻的输入序列， xoutt‑1为上一时刻的输出， xoutt＝A·xin·W， yt＝w·xoutt+b， 其中w和b均代 表学习参数； 所述前向生成循环网络DG基于门控循环神经网络GRU搭建， 输入向量(xt,xt‑1,xt‑2,…, xt‑k+1)经过前向生成循环网络DG， 其中， k代表要选定的时间窗口的大小； 先将这k个向量同 时输入由k个 不同的门控 循环神经网络GRU构成的前向生成循环网络DG， xt‑k+1与随机初始化 的隐藏向量经由门控循环神经网络G1计算输出一个隐藏向量h1， G1输出的此隐藏 向量再与 输入向量xt‑k一起送入到门控循环神经网络G2， 门控循环神经网络G2输出的隐藏向量 再与输 入向量xt‑k‑1经由门控循环神经网络G3得到最终的输出隐藏向量h3， 以此迭代向后计算， 直 到门控循环神经网络Gk‑1计算得到的隐藏向量hk‑1与输入向量xt一起送入Gk得到最终的隐藏 向量hk。 2.根据权利要求1所述的一种基于图卷积的锂电池荷电状态估计方法， 其特 征在于： 所述前向生成循环网络DG输出的最终的隐藏向量hk进行叉乘运算再经过失火率为0.3 的Dropout层来搭建 当前时刻的图边节点网络： 大小为3 ×3的邻接矩阵A， 表示 为： A＝Dropout(htT·ht)， 其中， ht＝hk， 为前向生成循环网络DG在第t步得到的隐藏向量， htT为ht的转置。 3.根据权利要求2所述的一种基于图卷积的锂电池荷电状态估计方法， 其特 征在于： 所述锂电池荷电状态估算网络的训练过程 为： 1)设计损失函数： 其中， 表示标注好的真 实荷电状态值， yt表示锂电池荷电状态估算网络输出的当前时 刻的荷电状态预测值， N代 表进行训练的数据点 集个数； 2)、 训练时从实际车辆中获取锂电池电流、 电压、 温度状态参数作为原始数据段， 通过 高低压静置逆推法标注得到注好的锂电池的真实荷电状态， 作为训练和验证荷电状态值的 对比标签， 且对原始数据段进行标准化处理得到标准化处理好的电流、 电压、 温度数据以 80％、 10％、 10％的比重划分为训练集、 验证集以及测试集； 使用随机梯度下降优化方法来进行梯度更新， 从而优化损失函数J( θ )， 交替训练120次 最终完成模型收敛； 使用验证集和测试集验证得到训练好的.pt模型文件， 从而获得训练好权　利　要　求　书 1/2 页 2 CN 113033104 B 2的锂电池荷电状态估算网络； 所述高低压静置逆推法的过程如下： 1)、 输入未 标注的原 始数据段， 并寻找电池的最大、 最小电压静置点； 2)、 如果不包含最大、 最小电压静置点， 则进入步骤4)； 如果有最大、 最小电压静置点， 根据电池开路电压OCV曲线找到对应静置点的电池荷电状态SOC值， 然后利用安时积分法， 从最高、 最低电压时刻的状态点分别向左和向右逆推一小时， 得到相应的范围时间点的实 际荷电状态情况； 3)、 未标注的原始数据段通过步骤2)将相应的范围时间点内的荷电状态值标注完成， 接着判断原始数据段在此范围外是否还存在未标注点， 如果不存在未标注点， 则标注成功， 结束流程； 如果存在未 标注点， 则进入步骤4)； 4)、 截取存在未标注荷电状态值点的数据段， 将未标注荷电状态值点的左侧数据段加 入低压放电、 未标注荷电状态值点的左侧数据段右侧加入高压充电工况， 使得左侧产生最 小电压静置点、 右侧产生最大电压静置点， 然后将本次工况输入进电池模拟仿真平台模拟 工况产生真实运行 数据并提取， 重新回到步骤2)开始下一次标注。权　利　要　求　书 2/2 页 3 CN 113033104 B 3