【技术实现步骤摘要】
本专利技术属于深度学习和锂电池状态预测，更具体地，涉及一种基于cpo优化的锂电池健康状态估计模型的训练方法和系统。
技术介绍
1、近年来，锂电池因为其工作电压高、能量密度高、自放电率低、无记忆性、环境友好、体积灵活等优点，被广泛应用于消费类电子产品、电动汽车、储能装置等领域，甚至已经成为电动汽车的首选锂电池。电池健康状态(state of health，简称soh)是锂电池系统中反映电池性能、使用寿命和劣化状态的关键指标，普遍采用电池实际容量与初始容量的百分比来表示电池健康状态。在不断充放电循环过程中，电池内部活性物质减少，副反应产物增加，正极表面sei膜增厚，最终导致电池内阻增加、容量衰减。一般认为，锂电池容量衰减为初始容量的80％后，就不再满足电动汽车的性能需求。为了保证电动汽车的良好运行，对锂电池的健康状态进行估计是必需的。
2、现有的锂电池soh估计方法主要是基于数据驱动模型的soh预测方法，该方法从锂电池充放电数据中提取电池老化健康特征，如电压、电流、温度等，并使用机器学习或深度学习算法拟合健康特征与soh之间的非线性映射关系，实现soh估计。这种基于数据驱动模型的soh预测方法由于不考虑锂电池内部的机理与复杂模型，具有很强的灵活性和扩展性。
3、然而，上述基于数据驱动模型的锂电池soh估计方法存在一些不可忽略的缺陷：第一，该方法在特征提取方面，往往只提取单个特征或同一类型的多个特征作为一个特征，这难以准确、全面地反映锂电池复杂的降解(degradation)趋势，从而导致降低了soh估计的精确
技术实现思路
1、针对现有技术的以上缺陷或改进需求，本专利技术提供了一种基于改进cpo优化bi-lstm的锂电池soh估计模型训练方法，其目的在于，解决现有基于数据驱动模型的锂电池soh估计方法由于往往只提取单个特征或同一类型的多个特征作为一个特征，难以准确、全面地反映锂电池复杂的降解趋势，从而导致降低soh估计的精确性的技术问题，以及由于数据驱动模型的内部结构和参数无法根据锂电池的特征数据进行灵活设置，导致数据驱动模型的泛化能力差，从而降低了soh估计的准确性和效率的技术问题，以及基于数据驱动的模型在引入算法以优化模型参数时，算法的初始种群容易分布不均匀，导致全局搜索速度较慢，或陷入局部最优的技术问题，以及基于数据驱动的模型在引入算法以优化模型参数时，在当前最优个体的位置不是全局最优时，随着迭代次数增加，种群中的个体会错误地聚集在局部最优区域的附近，导致算法早熟收敛，从而降低了算法寻优精度的技术问题。
2、为实现上述目的，按照本专利技术的一个方面，提供了一种基于改进cpo优化bi-lstm的锂电池soh估计模型训练方法，包括以下步骤：
3、(1)获取锂电池的多个初始特征序列，将获取的每个初始特征序列、以及锂电池的多个soh值所构成的soh值序列分别进行归一化处理，以得到归一化后的特征序列和归一化后的soh值序列，所有归一化后的特征序列构成特征序列集合，其中每个初始特征序列的长度均为锂电池的充放电循环次数n；
4、(2)使用关联分析方法计算步骤(1)得到的特征序列集合中每个特征序列和归一化后的soh值序列之间的关联度，并将关联度低于预设阈值的特征序列从特征序列集合中筛除，从而获取多个更新后的特征序列；
5、(3)将步骤(2)得到的多个更新后的特征序列和步骤(1)得到的归一化后的soh值序列组合成数据集，并按照预定比例将数据集划分为训练集、验证集和测试集；
6、(4)使用训练集中所有特征序列和归一化后的soh值序列对-bi-lstm模型进行训练，以得到初步训练好的bi-lstm模型；
7、(5)将验证集中的所有特征序列输入步骤(4)初步训练好的bi-lstm模型，以得到多个预测soh值构成的预测soh值序列，其长度等于验证集中每个特征序列的长度；
8、(6)根据步骤(5)得到的预测soh序列和步骤(3)得到的验证集中归一化后的soh值序列、并使用损失函数计算损失值；
9、(7)设置bi-lstm模型的隐藏神经元个数范围、迭代次数范围、以及学习率范围，设置冠豪猪优化算法cpo的内部参数，根据设置的隐藏神经元个数范围、迭代次数范围、学习率范围、以及cpo算法的内部参数、并使用切比雪夫混沌映射技术生成初始种群；
10、(8)将步骤(7)得到的初始种群中的隐藏神经元个数、迭代次数以及学习率作为冠豪猪优化算法cpo的搜索起点，将步骤(6)得到的损失函数作为cpo算法的目标函数进行cpo算法的迭代处理，在cpo算法的每一次迭代后，采用随机差分变异策略对cpo算法中的种群进行变异操作，最终得到使得损失值最小的隐藏神经元、最大迭代次数以及学习率作为最优解，并将该最优解对应的bi-lstm模型作为初步训练好的bi-lstm模型。
11、优选地，步骤(1)中获取锂电池的多个初始特征序列，并对所有初始特征序列进行归一化处理，以得到特征序列集合这一过程包括以下子步骤：
12、(1-1)获取锂电池在第1次充放电循环的恒流充电阶段时电压从3.8v到4.0v变化的时间间隔，第2次充放电循环的恒流充电阶段时电压从3.8v到4.0v变化的时间间隔，…，第n次充放电循环时的恒流充电阶段时电压从3.8v到4.0v变化的时间间隔，所有时间间隔构成第一特征序列；
13、(1-2)获取锂电池在第1次充放电循环的恒流充电阶段时电压从4.0v到4.2v变化的时间间隔，第2次充放电循环的恒流充电阶段时电压从4.0v到4.2v变化的时间间隔，…，第n次充放电循环时的恒流充电阶段时电压从4.0v到4.2v变化的时间间隔，所有时间间隔构成第二特征序列；
14、(1-3)获取锂电池在第1次充放电循环的恒压充电阶段时电流从1.0a到0.5a变化的时间间隔，第2次充放电循环的恒压充电阶段时电流从1.0a到0.5a变化的时间间隔，…，第n次充放电循环时的恒压充电阶段时电流从1.0a到0.5a变化的时间间隔，所有时间间隔构成第三特征序列；
15、(1-4)获取锂电池在第1次充放电循环的恒流放电阶段时电压从4.0v到3.6v变化的时间间隔，第2次充放电循环的恒流放电阶段时电压从4.0v到3.6v变化的时间间隔，…，第n次充放电循环时的恒流放电本文档来自技高网...
【技术保护点】
1.一种基于改进CPO优化Bi-LSTM的锂电池SOH估计模型训练方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于改进CPO优化Bi-LSTM的锂电池SOH估计模型训练方法，其特征在于，步骤(1)中获取锂电池的多个初始特征序列，并对所有初始特征序列进行归一化处理，以得到特征序列集合这一过程包括以下子步骤：
3.根据权利要求1或2所述的基于改进CPO优化Bi-LSTM的锂电池SOH估计模型训练方法，其特征在于，步骤(1-7)中IC曲线的计算公式为：其中Q、V、I、T分别为锂电池的放电容量、放电电压、放电电流以及放电时间。
4.根据权利要求1至3中任意一项所述的基于改进CPO优化Bi-LSTM的锂电池SOH估计模型训练方法，其特征在于，步骤(1-8)中的归一化处理是采用以下公式：
5.根据权利要求4所述的基于改进CPO优化Bi-LSTM的锂电池SOH估计模型训练方法，其特征在于，
6.根据权利要求5所述的基于改进CPO优化Bi-LSTM的锂电池SOH估计模型训练方法，其特征在于，
7.根据权利要求6
8.根据权利要求7所述的基于改进CPO优化Bi-LSTM的锂电池SOH估计模型训练方法，其特征在于，随机差分变异策略的公式如下：
9.一种基于改进CPO优化Bi-LSTM的锂电池SOH估计模型训练系统，其特征在于，包括：
...【技术特征摘要】
1.一种基于改进cpo优化bi-lstm的锂电池soh估计模型训练方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于改进cpo优化bi-lstm的锂电池soh估计模型训练方法，其特征在于，步骤(1)中获取锂电池的多个初始特征序列，并对所有初始特征序列进行归一化处理，以得到特征序列集合这一过程包括以下子步骤：
3.根据权利要求1或2所述的基于改进cpo优化bi-lstm的锂电池soh估计模型训练方法，其特征在于，步骤(1-7)中ic曲线的计算公式为：其中q、v、i、t分别为锂电池的放电容量、放电电压、放电电流以及放电时间。
4.根据权利要求1至3中任意一项所述的基于改进cpo优化bi-lstm的锂电池soh估计模型训练方法，...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。