本文是一篇工程论文，本文结合了特征工程、shapelet和GNN，提出锂离子电池HIs分类以及相应的SOH估计方法。
第1章 绪论
1.1 课题研究背景与意义
随着工业不断发展，天然能源不断被消耗，环境污染不断加重，能源危机和环境问题日益突出，可再生能源的发展越来越受到人们的关心和重视。锂离子电池是20世纪90年代开发的新型绿色二次电池，相对于铅酸电池、镍镉电池和镍氢电池等二次电池，具有能量密度高、循环寿命长和自放电率小等优点，在近十几年得到迅猛的发展，已成为化学电源应用领域最具竞争力的电池。
随着世界各国对环境保护和节能减排的要求越来越高，锂离子电池所具备的循环利用寿命长和环保节能的优势愈加凸显，应用领域市场不断被拓宽。我国“十四五”规划明确指出发展壮大战略性新兴产业，如新能源、节能环保和新能源汽车等产业，锂离子电池在这些产业起着重要的支撑作用。在碳中和目标引领和下游需求的带动下，我国锂离子电池产业实现快速增长。根据行业规范公告的企业信息和行业协会测算，2022年上半年全国锂离子电池产量超过280GWh，同比增长150%，全行业收入突破4800亿元。就锂离子电池的市场需求而言，纯电动汽车无疑是近年来新能源产业最为成功的发展和锂电池推广应用的代表。图1.1展示了我国2013–2022年中国新能源汽车销量及增长率。
1.2 锂离子电池工作原理
锂离子电池是一种新型的可充电电池，主要由正极、负极、电解液和隔膜组成，正负极材料具有不同的电势，中间被隔膜隔开，锂离子从电势较高的电极向电势较低的电极移动，只有锂离子可以通过隔膜在电解液中移动。正极材料主要是锂离子的化合物，如钴酸锂（LiCOO2）、磷酸铁锂（LiFePO4）、锰酸锂（LiMn2O4）和以镍、钴、锰、铝混合而成的三元材料等；负极材料主要是含碳类的物质，如石墨、硬碳、软碳和石墨烯等；电解液主要由锂盐、有机溶剂和功能添加剂组成，常见的有LiPF6、LiBF4和LiCF3SO3等。锂离子电池的工作原理如式（1.1）-（1.3）所示，正常工作下，Li+不断在正负极之间往复地脱嵌，因此锂离子电池被称为“摇椅电池”[3]。
正极：LiM𝑥O𝑦⇌Li𝑙−𝑥M𝑥O𝑦+𝑥Li++𝑥𝑒− （1.1）
负极：𝑛C+𝑥Li++𝑥𝑒−⇌Li𝑥C𝑛 （1.2）
总反应：LiM𝑥O𝑦+𝑛C⇌Li𝑙−𝑥M𝑥O𝑦+Li𝑥C𝑛 （1.3）
第2章 基于shapelet的锂离子电池SOH估计
2.1 锂离子电池数据集
本文实验数据来自麻省理工学院（Massachusetts Institute of Technology，MIT）[36]，该数据集收集124个使用72种不同的快速充电条件的锂离子电池，已为许多科研人员开展相关工作提供帮助。由A123 Systems(APR18650M1A)制造的圆柱形电池单体作为实验对象，正负极材料分别是磷酸铁锂和石墨碳，在48通道Arbin LBT恒电位仪进行充放电循环实验，温度设置为30℃，电池标准容量为1.1Ah，标准电压为3.3V，上截止电压为3.6V，下截止电压为2V，循环寿命次数范围在150至2300之间，寿命结束的定义是达到标称容量的80%循环次数。
这项工作的目标是优化锂离子电池的快速充电。充电阶段，按照一步或两步快速充电协议进行充电，该协议格式为“C1(Q1)-C2”，其中，C1和C2分别是恒流充电第一步和第二步，Q1为电流切换时的SOC。第二步充电时在80% SOC结束后，电池进行恒流恒压充电。放电阶段，电池以4 C恒流进行放电，直到电压达到下截止电压。MIT数据集被分为三个批次，每个批次大约有48个锂离子电池，每个批次都由批次日期或测试开始日期定义，分别是“Batch-2017-05-12” “Batch-2017-06-30”和“Batch-2018-04-12”，其实验设计细节各不相同，详细信息如下：
“Batch-2017-05-12”的所有电池均采用一步或两步充电策略进行循环，充电时间在8分钟和13.3分钟之间（0-80% SOC），每个策略测试两个电池。每次测试开始时执行初始C/10循环，充放电期间的恒压步骤的截止电流都是C/50，绝缘电阻测试的脉冲宽度为30ms。电池在充电和放电期间，分别达到80%SOC时放置1分钟和1秒。
2.2 数据处理与分析
实际应用中的电压、电流、温度和时间是能够被直接测量的，这些测量数据无法直接反映电池的健康状况，基于数据驱动法通常从上述可测量数据挖掘能够表征锂离子电池性能退化的健康指标，并利用机器学习/深度学习算法实现SOH估计。特征提取是实现基于数据驱动的锂离子电池SOH估计方法的关键步骤，对SOH估计性能有着较大影响，提取合适的HIs有利于实现SOH的准确估计。本小节将锂离子电池充放电数据看作是运行过程中的可测量数据随时间变化的时间序列数据，对充放电曲线的分析转化为时间序列的数据挖掘任务，根据提取方式的不同，将提取的HIs分为基于统计的HIs和基于形状的HIs。
2.2.1 基于统计的健康指标
锂离子电池充放电时间与充放电速率、充放电深度和老化情况等密切相关。有不少研究工作通过分析锂离子电池的老化数据，证明了恒流恒压（Constant Current - Constant Voltage，CC-CV）充电过程能作为SOH估计的指标，在一定程度上能反映电池耗损程度[37,38]。随循环次数的增加和容量损失，充放电时间会逐渐减少。由于恒流充电过程中内阻增大，电压上升加快，基于CC-CV的充电时间也会发生明显变化。随着锂离子电池的不断充放电，电池的极化程度加深，CC充电的持续时间缩短，可以表征电池的极化程度[39]。为了减少极化的影响，通常CC充电后增加CV充电，电池电压保持恒定，充电电流逐渐减少，达到消除极化的目的[40]。因此，基于CC-CV充电过程的时间特征可以作为反映电池的健康状况的HIs。
第3章 基于多健康指标的锂离子电池SOH估计 ........................... 33
3.1 图表示学习 ................................... 33
3.1.1 图神经网络 ......................... 33
3.1.2 GraphSAGE ................................... 34
第4章 基于多模型特征融合的锂离子电池SOH估计 .........................44
4.1 数据处理与分析 ...................................... 44
4.2 锂离子电池SOH估计方法介绍 .......................... 47
第5章 总结与展望 ....................................... 58
5.1 研究总结 ....................................... 58
5.2 工作展望 ........................................ 59
第4章 基于多模型特征融合的锂离子电池SOH估计
4.1 数据处理与分析
基于数据驱动方法提取的HIs在很大程度上决定了SOH的估计性能。根据锂离子电池充放电过程中测量的电压、电流和温度，提取出与SOH相关的多个HIs，本章所提取的HIs如表4.1所示。在这里，来自整个CC和CV过程的数据用于生成HIs。虽然可以采用安培小时积分的方法来计算SOH，但这种方法很难获得电荷初始状态的精确值，且积分过程会积累较大的误差。但是，深度学习方法只需要在不考虑电池物理特性的情况下，将HIs输入到模型中，就可以取得较好的效果。 随着锂离子电池老化，从电压、电流和温度曲线中提取的统计标量和特殊点可以作为估计SOH的HIs选项，更多提取HIs用于本文研究的细节可阅读文献[60,61]。图4.1展示了MIT数据集的部分锂离子电池的容量曲线和电压、电流和温度曲线
随着循环次数的增加，内部电化学反应会逐渐发生变化，从而增加内部欧姆电阻和容量损失。在充放电循环过程中，电压和电流曲线发生了显著变化。由于容量损失和电阻增大，到达上截止电压点F3的点会逐渐移动到较早的点，初始充电电压F4会增加，到达下截止电压点F7的点会逐渐前进，初始放电电压F6会缓慢上升。当电池开始CV充电时，较高的内阻会导致CV阶段F18结束时的充电电流较大。同时，在充放电循环过程中，由于内部电化学反应，温度会发生变化。同时，最高、最低温度及其位置F22、F23发生变化，同一时间内的温升区间F24也会发生变化，在相同电流下，最高温度随充放电次数的增加而增加。
第5章 总结与展望
5.1 研究总结
锂离子电池作为清洁能源已被广泛用于储能设备、移动电源和电动汽车，精确的锂离子电池SOH估计能够有效反映其使用情况，对锂离子电池的维护和回收有着重要意义。本文结合了特征工程、shapelet和GNN，提出锂离子电池HIs分类以及相应的SOH估计方法。本文主要
