基于GA算法优化改进GRU神经网络的锂离子电池SOH估计方法技术

本发明专利技术公开了一种基于GA算法优化改进GRU神经网络的锂离子电池SOH估计方法，包括以下步骤：1、实验数据采集：设置锂电池充放电实验工况对锂电池进行充放电，记录实验过程中锂电池的电压、电流、温度数据以及电池每次放电完全的容量；2、数据预处理：对采集的原始数据删除无效值并进行数据归一化处理；3、构建网络模型。4、将归一化后的数据作为网络模型的输入，用于进行锂离子电池SOH估计。本发明专利技术具有过程简单，估计结果准确，精度高的优点。精度高的优点。精度高的优点。

【技术实现步骤摘要】
基于GA算法优化改进GRU神经网络的锂离子电池SOH估计方法


[0001]本专利技术涉及动力电池管理
，特别涉及一种基于GA算法优化改进GRU神经网络的锂离子电池SOH估计方法。

技术介绍

[0002]汽车产业的快速发展不可避免的产生了许多负面效应：对石油等不可再生能源的大量消耗、产生汽车废气和温室气体等。面对资源短缺和环境污染等严峻挑战，汽车企业开始大力发展以动力电池为新能源的电动汽车，以减少对石油能源的依赖，降低汽车废气排放。锂离子电池因其具有能量密度高、重量轻、较长的充放电循环寿命，在电动汽车领域得到广泛的应用。锂电池的健康状态(SOH)，不仅表征电池容量的衰减及其劣化情况，同时估算汽车续航里程的重要参数之一；其次，实时监控动力电池的SOH，可以规避安全隐患、延长电池使用寿命。准确估计锂离子电池的健康状态(SOH)对于确保电池的安全和高效运行至关重要。但是由于电池的健康状态无法通过传感器直接测量，只能通过外部特性(电压、电流、温度等)间接进行估算。考虑到目前大多数估算方法均是人为对电池外特性数据进行提取健康因子，然后通过提取的健康因子来估算电池SOH。健康因子与SOH的相关程度决定了估算结果的精度。这不仅需要对原始数据进行复杂的数据预处理，而且不能充分利用原始数据中的有用信息。因此准确估算锂电池的SOH具有重要的实际意义。

技术实现思路

[0003]本专利技术的目的在于，提供一种基于GA算法优化改进GRU神经网络的锂离子电池SOH估计方法。本专利技术具有过程简单，估计结果准确，精度高的优点。
[0004]本专利技术的技术方案：基于GA算法优化改进GRU神经网络的锂离子电池SOH估计方法，包括以下步骤：
[0005]步骤1、实验数据采集：设置锂电池充放电实验工况对锂电池进行充放电，记录实验过程中锂电池的电压、电流、温度数据以及电池每次放电完全的容量；
[0006]步骤2、数据预处理：对采集的原始数据删除无效值并进行数据归一化处理；
[0007]步骤3、构建网络模型：网络模型采用GRU处理输入数据的时间序列，用自注意力层对GRU输出分量重新分配权重，然后设置全连接层对自注意力层的输出进行融合，最后用遗传算法对GRU层数、GRU神经元数、全连接层数和全连接神经元数进行参数寻优，提升网络预测性能用于锂离子电池SOH估计；
[0008]步骤4、将归一化后的数据作为网络模型的输入，用于进行锂离子电池SOH估计。
[0009]上述的基于GA算法优化改进GRU神经网络的锂离子电池SOH估计方法，所述步骤2中，采用最大最小值归一化方法，将原始数据归一化到[0，1]之间；其中最大最小值归一化方法的公式如下：
[0010][0011]其中，x表示原始数据观测值，min表示数据值x中的最小值，max表示数据值x中的最大值。
[0012]前述的基于GA算法优化改进GRU神经网络的锂离子电池SOH估计方法，所述步骤3中，GRU中的信息传递过程的数学公式如下所示：
[0013]R
t
＝σ(X
t
W
xr
+H
t
‑1W
hr
+b
r
)；
[0014]Z
t
＝σ(X
t
W
xz
+H
t
‑1W
hz
+b
z
)；
[0015][0016][0017]式中：R
t
为重置门，Z
t
为更新门，为候选隐藏状态，H
t
为时间步t的隐藏状态；W
xr
，W
hr
，W
xz
，W
hz
，W
xh
，W
hh
为别代表重置门、更新门以及隐藏状态的权重；b
r
，b
z
，b
h
分别代表重置门、更新门以及隐藏状态的偏置；σ表示更新门和重置门的激活函数，采用sigmoid函数；tanh表示当前时间步的候选隐藏状态的激活函数，用双曲正切函数，
⊙
表示元素乘法。
[0018]前述的基于GA算法优化改进GRU神经网络的锂离子电池SOH估计方法，所述步骤3中，使用自注意力层对GRU隐藏单元的输出进行重新分配权重，包含以下步骤：
[0019]Q＝W
q
I；
[0020]K＝W
k
I；
[0021]V＝W
v
I；
[0022][0023][0024]式中，I表示自注意力层的输入，I＝{a1，a2，...，a
t
}，a
t
为向量I的第t个分量；W
q
、W
k
、W
v
分别表示Q、K和V的权重，Q、K和V分别表示查询向量Query、键向量Key以及值向量Value；K
T
表示矩阵K的转置；表示softmax激活函数；表示新产生的注意力权重矩阵；O表示自注意力层的输出。
[0025]前述的基于GA算法优化改进GRU神经网络的锂离子电池SOH估计方法，其特征在于：所述步骤3中，用遗传算法对GRU层数、GRU神经元数、全连接层数和全连接神经元数进行参数寻优，具体是：
[0026]步骤3.1、将GRU层数、GRU神经元数、全连接层数和全连接神经元数编码成初始种群；
[0027]步骤3.2、选取适应度函数，将预测的预测值和真实值之间的均方误差作为遗传算法的适应度函数，通过适应度函数选择一定数目较优的个体；
[0028]步骤3.3、对新产生的个体进行选择、交叉、变异操作生成新的种群；
[0029]步骤3.4、经过指定种群代数的迭代之后，从中选出最优的个体，寻找到的最优解。
[0030]与现有技术相比，本专利技术考虑到电池实际使用中放电工况多变的情况，因此通过设置锂电池充放电实验工况对锂电池进行充放电，记录实验过程中锂电池的电压、电流、温
度数据以及电池每次放电完全的容量，从而获取锂电池的原始数据，并用原始数据构建锂电池SOH估算的数据集，相比大多数提取健康因子的锂电池SOH估计方法，本专利技术将锂电池的电压、电流、温度并对数据进行数据预处理作为模型的输入，省去了复杂的人为提取健康因子的过程，并且直接利用采样数据，能够最大程度的保留原始数据中的有用信息。本专利技术基于GA算法优化改进GRU神经网络，考虑到网络层数和神经元数目对建立的模型预测精度有巨大影响，因此通过遗传算法对GRU层数目、GRU神经元数目、全连接层数目、全连接神经元数目进行优化，提升所提模型的精度。通过验证表明，该方法具有良好的预测精度和鲁棒性。本专利技术具有过程简单，估计结果准确，精度高的优点。
附图说明
[0031]图1为本专利技术方法的流程图；
[0032]图2为本专利技术方法中的GR本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于GA算法优化改进GRU神经网络的锂离子电池SOH估计方法，其特征在于：包括以下步骤：步骤1、实验数据采集：设置锂电池充放电实验工况对锂电池进行充放电，记录实验过程中锂电池的电压、电流、温度数据以及电池每次放电完全的容量；步骤2、数据预处理：对采集的原始数据删除无效值并进行数据归一化处理；步骤3、构建网络模型：网络模型采用GRU处理输入数据的时间序列，用自注意力层对GRU输出分量重新分配权重，然后设置全连接层对自注意力层的输出进行融合，最后用遗传算法对GRU层数、GRU神经元数、全连接层数和全连接神经元数进行参数寻优；步骤4、将归一化后的数据作为网络模型的输入，用于进行锂离子电池SOH估计。2.根据权利要求1所述的基于GA算法优化改进GRU神经网络的锂离子电池SOH估计方法，其特征在于：所述步骤2中，采用最大最小值归一化方法，将原始数据归一化到[0,1]之间；其中最大最小值归一化方法的公式如下：其中，x表示原始数据观测值，min表示数据值x中的最小值，max表示数据值x中的最大值。3.根据权利要求1所述的基于GA算法优化改进GRU神经网络的锂离子电池SOH估计方法，其特征在于：所述步骤3中，GRU中的信息传递过程的数学公式如下所示：R
t
＝σ(X
t
W
xr
+H
t
‑1W
hr
+b
r
)；Z
t
＝σ(X
t
W
xz
+H
t
‑1W
hz
+b
z
)；)；式中：R
t
为重置门，Z
t
为更新门，为候选隐藏状态，H
t
为时间步t的隐藏状态；W
xr
，W
hr
，W
xz
，W
hz

【专利技术属性】
技术研发人员：玄东吉，陈建龙，陈聪，卢陈雷，刘胜南，谈佳淇，胡浩钦，
申请(专利权)人：温州大学，
类型：发明
国别省市：