一种基于优化算法与数据驱动的锂电池健康状态评估方法技术

本发明专利技术涉及一种基于优化算法与数据驱动的锂电池健康状态评估方法，其包括：建立初始PSO

【技术实现步骤摘要】
一种基于优化算法与数据驱动的锂电池健康状态评估方法


[0001]本专利技术涉及电池监控
，尤其涉及一种基于优化算法与数据驱动的锂电池健康状态评估方法。

技术介绍

[0002]随着新能源汽车产业的快速发展，电动汽车的电池也得到了大力发展。因为锂电池具有成本低，寿命长，能量高等特点，所以被广泛用于为电动汽车提供动力。但锂电池在使用过程中它的健康状态一直在发生变化，内部化学反应机理复杂，导致锂电池性能衰减的因素很多，会影响其使用性能，因此，对于电池健康状态进行评估是十分重要的。
[0003]目前电池健康状态评估的方法主要有三类：物理模型，数据驱动和融合法。
[0004]基于物理模型的方法包括电化学模型、等效电路模型、经验模型等方法，但该方法需要考虑的参数多，受环境影响大，建模困难。基于数据驱动的方法包括神经网络，支持向量回归和高斯过程回归等，但神经网络模型复杂，需要大量的数据进行训练，计算量大。而融合法在于将多种方法融合在一起，扬长避短，发挥每个方法的优点，已经被众多学者所接受使用，但当前研究成功较少。

技术实现思路

[0005]有鉴于此，有必要提供一种基于优化算法与数据驱动的锂电池健康状态评估方法，用以解决现有技术中物理模型方法建模困难，数据驱动方法计算量大的问题。
[0006]为达到上述技术目的，本专利技术采取了以下技术方案：
[0007]第一方面，本专利技术提供了一种基于优化算法与数据驱动的锂电池健康状态评估方法，包括：
[0008]建立初始PSO
>‑
LSTM模型；
[0009]获取表征锂电池性能的特征参数，将特征参数作为输入变量输入到初始PSO
‑
LSTM模型，并将电池健康状况作为初始PSO
‑
LSTM模型的输出进行迭代训练得到训练完备的目标PSO
‑
LSTM模型；
[0010]将待预测电池的实时数据输入至目标PSO
‑
LSTM模型，对电池健康状况进行预测。
[0011]优选的，建立初始PSO
‑
LSTM模型，包括：
[0012]生成不同网络参数的LSTM网络模型；
[0013]根据PSO算法对不同网络参数的LSTM网络模型优化，寻找最优的网络参数。
[0014]优选的，PSO算法包括：
[0015]初始化粒子群中每个粒子的速度和位置；
[0016]计算粒子群种群的历史最佳位置；
[0017]更新粒子群中每个粒子的速度和位置；
[0018]更新粒子群中历史最佳位置的粒子；
[0019]将粒子群中历史最佳位置的粒子的位置信息映射到LSTM网络模型，优化LSTM网络
模型的参数。
[0020]优选的，更新粒子群中每个粒子的速度和位置的公式具体为：
[0021]速度更新公式为：
[0022]v
i
＝v
i
+c1×
r1×
(pbest
i
‑
x
i
)+c2×
r2×
(gbest
i
‑
x
i
)，
[0023]位置更新公式为：
[0024]x
i
＝x
i
+v
i
，
[0025]式中：c1，c2是学习因子，r1，r2是[0,1]之间的随机数，pbest
i
是粒子的历史最佳位置，gbest
i
是种群的历史最佳位置。
[0026]优选的，表征锂电池性能的特征参数包括锂电池的实时放电电压、实时放电电流、实时负载电压及实时负载电流，表征电池性能的特征参数数据分为数据训练集和数据测试集，且数据训练集和数据测试集均包括实时放电电压数据集、实时放电电流数据集、实时负载电压数据集及实时负载电流数据集。
[0027]优选的，实时放电电压数据集为电池外接负载时，负载两端的实时电压数据集，实时放电电流数据集为电池外接负载时，负载两端的实时电流数据集，实时负载电压数据集为电池外接负载时，电池两端的实时电压数据集，实时负载电流数据集为电池外接负载时，电池两端的实时电流数据集。
[0028]优选的，利用粒子群优化算法对过渡LSTM网络模型进行优化并判断优化后的模型是否达到预设预测精度或者预设迭代次数，具体包括：
[0029]计算预测结果的均方根误差：
[0030][0031]计算预测结果的平均绝对百分比误差：
[0032][0033]计算粒子群算法的适应度：
[0034][0035]其中，n为样本总量，为样本预测值，y
i
为样本真实值，为样本平均值。
[0036]第二方面，本专利技术还提供了一种锂电池健康状态预测装置，包括：
[0037]建模模块，用于建立初始PSO
‑
LSTM模型；
[0038]训练模块，用于获取表征锂电池性能的特征参数，将特征参数作为输入变量输入到初始PSO
‑
LSTM模型，并将电池健康状况作为初始 PSO
‑
LSTM模型的输出进行迭代训练得到训练完备的目标PSO
‑
LSTM模型；
[0039]预测模块，用于将待预测电池的实时数据输入至目标PSO
‑
LSTM模型，对电池健康状况进行预测。
[0040]第三方面，本专利技术还提供了一种电子设备，包括存储器和处理器，其中，
[0041]存储器，用于存储程序；
[0042]处理器，与存储器耦合，用于执行存储器中存储的程序，以实现上述任一种实现方
式中的基于优化算法与数据驱动的锂电池健康状态评估方法中的步骤。
[0043]第四方面，本专利技术还提供了一种计算机可读存储介质，用于存储计算机可读取的程序或指令，程序或指令被处理器执行时，能够实现上述任一种实现方式中的基于优化算法与数据驱动的锂电池健康状态评估方法中的步骤。
[0044]采用上述实施例的有益效果是：本专利技术提供的一种基于优化算法与数据驱动的锂电池健康状态评估方法结合了PSO算法和LSTM算法，将 PSO算法强大的寻优能力和LSTM算法的可变长序列的预测能力有效的结合在了一起，为锂电池的健康状态评估提出了一种更加有效的方法，能够迅速而准确的对锂电池的健康状况进行预测。
附图说明
[0045]图1为本专利技术提供的锂电池健康状态预测装置的一实施例场景示意图；
[0046]图2为本专利技术提供的基于优化算法与数据驱动的锂电池健康状态评估方法的一实施例流程示意图；
[0047]图3为本专利技术提供的PSO算法优化的一实施例流程示意图；
[0048]图4为本专利技术提供的锂电池健康状态预测装置的一实施例的结构示意图；
[0049]图5为本专利技术实施例提供的锂电池健康状态预测设备的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于优化算法与数据驱动的锂电池健康状态评估方法，其特征在于，包括：建立初始PSO
‑
LSTM模型；获取表征锂电池性能的特征参数，将所述特征参数作为输入变量输入到所述初始PSO
‑
LSTM模型，并将电池健康状况作为所述初始PSO
‑
LSTM模型的输出进行迭代训练得到训练完备的目标PSO
‑
LSTM模型；将待预测电池的实时数据输入至所述目标PSO
‑
LSTM模型，对所述电池健康状况进行预测。2.根据权利要求1所述的基于优化算法与数据驱动的锂电池健康状态评估方法，其特征在于，所述建立初始PSO
‑
LSTM模型，包括：生成不同网络参数的LSTM网络模型；根据所述PSO算法对所述不同网络参数的LSTM网络模型优化，寻找最优的网络参数。3.根据权利要求2所述的基于优化算法与数据驱动的锂电池健康状态评估方法，其特征在于，所述PSO算法包括：初始化粒子群中每个粒子的速度和位置；计算所述粒子群种群的历史最佳位置；更新所述粒子群中每个粒子的速度和位置；更新所述粒子群中历史最佳位置的粒子；将所述粒子群中历史最佳位置的粒子的位置信息映射到LSTM网络模型，优化LSTM网络模型的参数。4.根据权利要求3所述的基于优化算法与数据驱动的锂电池健康状态评估方法，其特征在于，所述更新所述粒子群中每个粒子的速度和位置的公式具体为：速度更新公式为：v
i
＝v
i
+c1×
r1×
(pbest
i
‑
x
i
)+c2×
r2×
(gbest
i
‑
x
i
)，位置更新公式为：x
i
＝x
i
+v
i
，式中：c1，c2是学习因子，r1，r2是[0，1]之间的随机数，pbest
i
是粒子的历史最佳位置，gbest
i
是种群的历史最佳位置。5.根据权利要求1所述的基于优化算法与数据驱动的锂电池健康状态评估方法，其特征在于，...

【专利技术属性】
技术研发人员：魏翼鹰，杨杰，袁鹏举，邹琳，张晖，李志成，文宝毅，张勇，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：