CN111366848A - 一种基于pso-elm算法的电池健康状态预测方法 - Google Patents

一种基于pso-elm算法的电池健康状态预测方法 Download PDF

Info

Publication number
CN111366848A
CN111366848A CN201911423856.9A CN201911423856A CN111366848A CN 111366848 A CN111366848 A CN 111366848A CN 201911423856 A CN201911423856 A CN 201911423856A CN 111366848 A CN111366848 A CN 111366848A
Authority
CN
China
Prior art keywords
neural network
battery
algorithm
hidden layer
pso
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201911423856.9A
Other languages
English (en)
Inventor
张持健
刘凯文
石倩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui Normal University
Original Assignee
Anhui Normal University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Anhui Normal University filed Critical Anhui Normal University
Priority to CN201911423856.9A priority Critical patent/CN111366848A/zh
Publication of CN111366848A publication Critical patent/CN111366848A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Secondary Cells (AREA)

Abstract

本发明公开了一种基于PSO‑ELM算法的电池健康状态预测方法，包括如下步骤：步骤1：建立基于极限学习机ELM的神经网络模型；步骤2：初始化神经网络模型的参数；其中采用PSO算法确定神经网络模型中输入层到隐藏层的连接权重w和隐藏层的阈值b；步骤3：采用预先获取的训练样本对步骤2中确定参数后的神经网络采用ELM算法进行训练直至满足训练结束条件；步骤4：采用训练后的神经网络模型对电池健康状态进行预测。本发明可以准确快速的进行电池的健康状态的预测，可以实现对于电池的安全监测；模型的输入层参数更加准确可靠；采用极限学习机ELM算法实现的神经网络模型，避免了传统训练方法的反复迭代过程，减少了训练时间。

Description

一种基于PSO-ELM算法的电池健康状态预测方法
技术领域
本发明涉及电池检测领域，特别涉及一种基于PSO-ELM算法的电池健康状态预测方法。
背景技术
电池健康状态(State of Healthy，SOH)的下降体现在电池内部阻值的增大，随着电池内阻的增加，电池在实际使用时将产生更多热量，从而导致电池有用功率的下降，过高的电池温度同样威胁着电池使用设备的安全。电池健康状态的下降也体现在电池容量的下降，随着锂电池可用容量的降低，电池的蓄电量可能无法满足实际使用场景的要求，如不及时更换设备中性能不达标的储能电池，将对设备使用者造成不必要的财产损失及安全威胁。电池健康状态预测是电池管理***(Battery Management System，BMS)研究的重要任务，锂电池健康状态的有效预测对锂电池的合理使用有着重要的指导价值。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于PSO-ELM算法的电池健康状态预测方法，用于实现对于电池健康状态的预测。
为了实现上述目的，本发明采用的技术方案为：一种基于PSO-ELM算法的电池健康状态预测方法，包括如下步骤：
步骤1：建立基于极限学习机ELM的神经网络模型；
步骤2：初始化神经网络模型的参数；其中采用PSO算法确定神经网络模型中输入层到隐藏层的连接权重w和隐藏层的阈值b；
步骤3：采用预先获取的训练样本对步骤2中确定参数后的神经网络采用 ELM算法进行训练直至满足训练结束条件；
步骤4：采用训练后的神经网络模型对电池健康状态进行预测。
在步骤1中神经网络模型包括输入层、输出层、隐藏层，其中输入层包括5 个神经元，对应作为模型的5个输入参数，输入层的神经元对应的输入包括：放电中值电压、放电直流内阻、放电效率、放电平台时间以及放电端电压；输出层包括一个神经元，对应的输出参数为电池健康状态。
在步骤4中获取需要预测电池健康状态的电池的参数：放电中值电压、放电直流内阻、放电效率、放电平台时间以及放电端电压，将参数输入到训练后的神经网络中由神经网络输出电池健康状态。
在步骤2中初始化神经网络模型参数包括初始化输入层到隐藏层的连接权重w和隐藏层的阈值b、确定激活函数g(x)。
采用PSO算法确定神经网络模型中输入层到隐藏层的连接权重w和隐藏层的阈值b包括步骤：将神经网络模型中输入层到隐藏层的连接权重w和隐藏层的阈值b作为粒子群搜索空间中的一个粒子，采用PSO算法对例子进行迭代寻优，设置PSO算法的初始参数后按照PSO算法中的位置和速度更新公式进行更新，直到迭代满足停止条件后输出最优粒子作为神经网络模型中的连接权重w和隐藏层的阈值b。
采用ELM算法对初始化后的神经网络模型进行训练，输入训练样本集对神经网络进行训练直至满足结束条件，求取隐藏层到输出层的连接权重，完成神经网络的训练。
本发明的优点在于：可以准确快速的进行电池的健康状态的预测，可以实现对于电池的安全监测；模型的输入层参数更加准确可靠；采用极限学习机ELM 算法实现的神经网络模型，避免了传统训练方法的反复迭代过程，减少了训练时间；采用PSO算法对于ELM模型的输入层连接权值和隐藏层阈值进行最有搜索确定最优值，提高预测结果的稳定。
附图说明
下面对本发明说明书各幅附图表达的内容及图中的标记作简要说明：
图1为本发明预测方法的流程示意图。
图2为本发明放电阶段端电压的变化示意图；
图3为本发明锂电池放电阶段荷电状态与端电压间的关系SOC-OCV曲线；
图4为本发明脉冲放电端电压的变化示意图；
图5为锂电池恒流放电曲线；
图6为前馈神经网络模型示意图；
图7为ELM算法流程图；
图8为粒子群算法流程图；
图9为PSO-ELM算法流程图。
具体实施方式
下面对照附图，通过对最优实施例的描述，对本发明的具体实施方式作进一步详细的说明。
如图1所示，一种基于PSO-ELM算法的电池健康状态预测方法，包括如下步骤：
步骤1：建立基于极限学习机ELM的神经网络模型；
步骤2：初始化神经网络模型的参数；其中采用PSO算法确定神经网络模型中输入层到隐藏层的连接权重w和隐藏层的阈值b；
步骤3：采用预先获取的训练样本对步骤2中确定参数后的神经网络采用 ELM算法进行训练直至满足训练结束条件；
步骤4：采用训练后的神经网络模型对电池健康状态进行预测。
在步骤1中神经网络模型包括输入层、输出层、隐藏层，其中输入层包括5 个神经元，对应作为模型的5个输入参数，输入层的神经元对应的输入包括：放电中值电压、放电直流内阻、放电效率、放电平台时间以及放电端电压；输出层包括一个神经元，对应的输出参数为电池健康状态。
在步骤4中获取需要预测电池健康状态的电池的参数：放电中值电压、放电直流内阻、放电效率、放电平台时间以及放电端电压，将参数输入到训练后的神经网络中由神经网络输出电池健康状态。
在步骤2中初始化神经网络模型参数包括初始化输入层到隐藏层的连接权重w和隐藏层的阈值b、确定激活函数g(x)。
采用PSO算法确定神经网络模型中输入层到隐藏层的连接权重w和隐藏层的阈值b包括步骤：将神经网络模型中输入层到隐藏层的连接权重w和隐藏层的阈值b作为粒子群搜索空间中的一个粒子，采用PSO算法对例子进行迭代寻优，设置PSO算法的初始参数后按照PSO算法中的位置和速度更新公式进行更新，直到迭代满足停止条件后输出最优粒子作为神经网络模型中的连接权重w和隐藏层的阈值b。
采用ELM算法对初始化后的神经网络模型进行训练，输入训练样本集对神经网络进行训练直至满足结束条件，求取隐藏层到输出层的连接权重，完成神经网络的训练。
关于输入层参数的确定：通过求取电池的各个参数来计算出参数与电池健康状态之间的相关性来确定输入层参数，具体如下：
用三元锂电池的初始容量为2000mAh，锂电池采用恒流恒压的方式充电，首先用恒定电流给电池充电；当电池端电压达到预设值时转为恒压充电，当电流降至截止电流时锂电池的充电阶段结束。锂电池采用恒流的方式放电，首先用用恒定电流给电池放电，当电池端电压降至截止电压时锂电池的放电阶段结束。
锂电池不同的荷电状态(SOC)对应不同的端电压(OCV)，锂电池SOC-OCV 的测试步骤如下所示。
(1)室温条件下(25℃)对锂电池进行1C倍率的恒流恒压充电，当充电电流降至100mA时充电停止。
(2)静置1小时。
(3)以1C倍率对电池进行恒流放电，当电池端电压降至2.7V时放电通知，记录放电阶段锂电池放出的总电量即实际容量Q。
(4)静置1小时。
(5)重复步骤(1)。
(6)静置1小时。
(7)以1C倍率对电池进行恒流放电，放电时间持续3min。
(8)静置1小时。
(9)记录静置末端锂电池的端电压Vocv。
(10)重复步骤(7)～(9)，当电池端电压降至2.7V时，测试停止。
电池的荷电状态(SOC)也称剩余电量，其计算公式为：
SOC＝电池的剩余电量/电池的实际容量
由上式可知，电池荷电状态的取值范围从0到1，当电池SOC为0时表示电池无剩余电量，当电池SOC为1时表示电池电量满载。
上述实验步骤的结果如图2所示，统计可得，锂电池放电阶段荷电状态与端电压间的关系，即SOC-OCV曲线如图3所示。
锂电池直流脉冲放电端电压的变化如图4所示，通过锂电池短时脉冲放电的端电压差与放电电流，即可得出锂电池的放电直流内阻，实验的具体操作步骤如下：
(1)给锂电池进行短时脉冲放电，放电电流的大小为I。
(2)记录锂电池放电前放后端电压的变化，锂电池放电前的端电压为V1，锂电池放电后的端电压为V2。
(3)锂电池放电直流内阻(DCR)的计算公式为：
Figure RE-GDA0002491974480000061
当锂电池荷电状态在0.3到0.8之间时，电池的内阻变化缓慢。由于锂电池在不同荷电状态下的阻值不同，当锂电池荷电状态为0.5时，采集锂电池的放电直流内阻。
三元锂电池的恒流放电曲线如图5所示，锂电池在恒流放电阶段的端电压要经过下降、稳定、再下降三个阶段的变化，稳定阶段占整个放电周期的时间最长且稳定阶段越长电池的放电平台越高。锂电池放电平台的高低与电池的制造工艺有关，该指标侧面反映了电池的性能。
锂电池放电平台时间的采集过程如下：
(1)室温条件下(25℃)对锂电池进行1C倍率的恒流恒压充电，当充电电流降至100mA时充电停止。
(2)静置10min。
(3)以1C倍率电流对电池进行恒流放电，当电池端电压降至平台电压3.7V 时测试停止。
(4)恒流放电时锂电池端电压降至3.7V的时间即为电池的放电平台时间。
锂电池放电效率的采集如下：
(1)锂电池以1C倍率恒流恒压充电，当充电电流降至100mA时充电停止。
(2)静置1h。
(3)锂电池以1C倍率电流恒流放电，当电池端电压降至2.7V时放电停止。
(4)静置1h。
(5)重复步骤(1)，并记录充入电量Q1。
(6)重复步骤(3)，并记录放出电量Q2。
(7)锂电池放电效率的计算公式为
Figure RE-GDA0002491974480000071
锂电池中值电压的采集如下：
(1)锂电池以1C倍率恒流恒压充电，当充电电流降至100mA时充电停止，记录充入的总电量Q。
(2)静置1h。
(3)以1C倍率的恒定电流对锂电池进行放电，当电池端电压降至2.7V时放电停止。
(4)记录锂电池放出一半电量Qhalf时的端电压Vhalf即为电池的中值电压。
参数相关性分析
在构造锂电池健康状态预测模型时，需要着重分析模型输入输出参数间的相关程度。当模型的输入输出参数之间的相关性越高时，该模型的可靠性越强。
以剩余容量法定义锂电池的健康状态，其计算公式如下：
Figure RE-GDA0002491974480000072
式中Cnew为电池的初始容量，Cnorm为电池的实际容量。
相关性分析是研究数据之间的相关性方向以及相关性强弱的方法。相关性分析一般不能得出数据间的具体联系形式，即不能由相关性分析由一个变量的变化推导出另一个变量的变化。参数间的相关性可由参数间的相关系数进行判定，统计学常用的数据相关性判定，包括求解数据间的皮尔森相关系数、斯皮尔曼相关系数以及肯德尔相关系数。
皮尔森相关系数(Person correlation coefficient)也称为皮尔森积差相关系数，其适用条件为，数据间呈线性关系且连续；数据整体呈正态分布或正态单峰分布；参数观测值成对出现且观测值间相互独立。
肯德尔相关系数(Kendall correlation coefficient)的求解，首先对样本数据进行配对，然后对配对后的数据进行协同性分析，最后根据协同数据以及不协同数据的多少进行数据相关性的判定。
由于构造模型的输入输出参数不服从正太分布，即数据间不符合皮尔森相关系数的判定条件，所以可用斯皮尔曼相关系数(Spearman correlation coefficient)进行数据间相关性的判定。
斯皮尔曼秩相关又称为等级相关，其对数据的分布没有任何要求，斯皮尔曼相关系数的求解，首先将原始数据进行等级划分，然后根据等级差进行数据间相关性的判定。
斯皮尔曼相关系数ρ的计算公式如下所示：
Figure RE-GDA0002491974480000081
其中n为样本个数，di为样本的等级差。
分别计算三元锂电池的放电参数与健康状态间的斯皮尔曼相关系数，计算结果如表1所示。
表1 参数相关系数
Figure RE-GDA0002491974480000082
斯皮尔曼相关系数取-1到1之间的任意值，当相关系数ρ的值取正时，表示数据间的相关性为正；当相关系数ρ的值取负时，表示数据间的相关性为负；当相关系数ρ的值取0时，表示数据间不相关。相关系数的绝对值|ρ|越接近1，表示数据间的相关性越强，表2为相关系数和数据相关程度的对照。
表2 |ρ|值与相关度
Figure RE-GDA0002491974480000091
通过计算三元锂电池放电参数与健康状态之间的斯皮尔曼相关系数可得，在电池的各类放电参数中，三元锂电池的放电中值电压、放电直流内阻、放电效率、放电平台时间以及放电电压与电池健康状态之间均有较强相关性，其中，三元锂电池的放电的平台时间与健康状态间的相关性最强，由此可见，以上放电参数均可在电池健康状态预测模型中使用。
锂电池的健康状态与其恒流放电时的中值电压、直流内阻、放电效率、平台时间、端电压之间均具有较强相关性，以上放电参数均可作为锂电池健康状态预测模型的输入变量。
极限学习机(Exteme Learning Machine，ELM)由南洋理工大学黄广斌教授提出的一种单隐藏层前馈神经网络(Single hidden Layer Feedforward Neural Networks，SLFN)模型，极限学习机模型的学习过程如下：
极限学习机算法首先对模型输入层的权值及隐藏层的阈值进行随机赋值，然后根据随机赋值的参数即可确定模型的输出矩阵，最后通过求输出矩阵的广义逆矩阵，即可解得使模型损失函数最小的隐藏层连接权值，由此得出模型所需的所有参数。
神经网络模型的传统算法如BP算法，所需设置的参数较多且模型受初始参数的影响明显。极限学习机模型的待解参数仅需一次矩阵变换即可求出模型的最优解，由于极限学习机这种机独特的模型训练方式，所以模型避免了传统训练算法反复迭代的过程，从而减小了模型的训练时间。
如图6所示，前馈神经网络模型由输入层、输出层和隐藏层构成，模型的输入层有n个神经元，代表模型的n个输入；模型的输出层有m个神经元，代表模型的m个输出；模型的隐藏层有L个神经元，模型通过隐藏层实现输入到输出的映射。
图1所示，wij为模型输入层的第i个神经元与隐藏层第j个神经元的连接权重，输入层到隐藏层的连接权重矩阵ω表示为：
Figure RE-GDA0002491974480000101
βjk为模型隐藏层的第j个神经元与输出层第k个神经元的连接权重，隐藏层到输出层的权重矩阵为β；bl为模型隐藏层的第l个神经元的阈值和隐藏层的阈值矩阵b分别为：
Figure RE-GDA0002491974480000102
设模型训练样本的数量为Q，模型隐藏层单元的激活函数为g(x)，则模型的输出矩阵H表示为：
Figure RE-GDA0002491974480000103
模型输出的目标矩阵T为：T＝[t1 t2 … tQ]m×Q
其中
Figure RE-GDA0002491974480000111
wt＝[wi1 wi2 …win]；xj＝[x1j x2j … xnj]T
综上所述，单隐藏层前馈神经网络模型的目标矩阵T可表示为T’＝Hβ，其中T’为T的转置。
极限学习机作为一种单隐藏层的前馈神经网络，其模型结构与图6所示一致。
单隐藏层前馈神经网络的工作特点得出以下结论：
(1)前馈神经网络有N个训练样本(xi，ti)，其中i＝1，2...N，当模型隐藏层单元的数量为N 且激活函数g(x)在求解区间无限可微，隐藏层的连接权重wi和阈值bi被随机赋值时，隐藏层的输出矩阵H可逆使得||Hβ-T||＝0，其中β为隐藏层的输出权重矩阵，T为模型输出的目标矩阵。
(2)前馈神经网络模型有N个训练样本(xi，ti)，其中i＝1，2...N，当模型隐藏层单元数量为K(K≤N)且激活函数g(x) 在求解区间无限可微，隐藏层的连接权重wi和阈值bi被随机赋值时，给定任意小误差ε且ε＞0，存在 ||Hβ-T||＜ε。
由以上结论可知，假如前馈神经网络模型有N个训练样本(xi，tj)，其中 j＝1，2，3...N，模型隐藏层的神经元数为L，训练模型的实际输出为oj，由于模型输出的最小误差应当符合
Figure RE-GDA0002491974480000112
所以需要求出模型的输入权重
Figure RE-GDA0002491974480000113
隐藏层阈值
Figure RE-GDA0002491974480000114
以及隐藏层的输出权重
Figure RE-GDA0002491974480000115
满足
Figure RE-GDA0002491974480000121
其中i＝1，2...L，等价于求最小化损失函数
Figure RE-GDA0002491974480000122
极限学习机的输入层到隐藏层连接权重wi以及隐藏层阈值bi一旦被确定，则隐藏层的输出矩阵H也被唯一确定。单隐藏层神经网络的训练过程转化为对 Hβ＝T’的求解，模型隐藏层的输出权重
Figure RE-GDA0002491974480000123
由此确定即
Figure RE-GDA0002491974480000124
其中H+为输出矩阵H的Moore-Penrose广义逆矩阵[2]。
极限学习机的训练可分为以下几个步骤：
(1)确定模型结构：确定神经网络模型的输入层、输出层及隐藏层的结构。
(2)赋值参数w和b：将模型输入层到隐藏层的连接权重w和隐藏层的阈值 b进行随机设置。
(3)确定激活函数：模型隐藏层神经元确定一个求解区间无限可微的激活函数g(x)。
(4)解参数
Figure RE-GDA0002491974480000125
隐藏层到输出层的连接权重
Figure RE-GDA0002491974480000126
根据方程
Figure RE-GDA0002491974480000127
解得
Figure RE-GDA0002491974480000128
ELM算法的流程图如图7所示。
粒子群算法作为一种群智能算法，“粒子”通过不断调整在求解空间的位置并记录个体在求解空间的适应度，最终找出空间问题的最优解。
粒子群算法通过对空间粒子位置和速度进行更新，从而改变粒子在求解空间适应度的大小。假设空间待解问题的维数为n，其中Xi＝(xi1，xi2，...，xin)为粒子 i的位置向量，Vi＝(vi1，vi2，...，vin)为粒子i的速度向量，空间粒子的速度V和粒子在空间位置X的更新如下：
Vi k+1＝wVi k+c1r1(Pbesti k-Xi k)+c2r2(Gbestk-Xi k)
Figure RE-GDA0002491974480000129
其中k为粒子群算法的迭代次数，w为粒子速度更新的惯性权，Xi为粒子i 的位置向量，Pbesti为粒子i的最优位置向量，Gbest为粒子群的最优位置向量，c1、 c2为粒子的加速因子，一般取非负值r1、r2取0到1间的随机数。
为了防止粒子在求解空间任意搜索，需要将粒子的速度V和粒子的位置X固定在合理区间，粒子群算法的流程图如图8所示。
虽然极限学习机的训练速率以及泛化能力能优于BP算法，但极限学习机同样存在着隐藏层规模设置不确定的问题，隐藏层的规模设置过大将导致模型预测的过拟合，隐藏层的规模设置过小将导致模型预测的欠拟合。
由于ELM模型的输入层到隐藏层连接权值和隐藏层阈值产生的随机性，导致ELM模型预测结果的不稳定。针对极限学习机存在的缺点，由于PSO算法具有较好的全局搜索能力，所以将PSO算法与ELM算法进行融合，首先通过PSO 算法确定网络初始权值wbest和阈值bbest，然后通过确定参数wbest和bbest进行ELM的训练，PSO算法的加入增强了ELM模型输出的稳定性，从而提高了ELM模型的预测精度。
如图9所示，为PSO-ELM算法的流程示意图，粒子群算法的惯性权重w是算法的重要参数，惯性权重的大小影响粒子群的空间搜索能力，较大的惯性权重有利于粒子在求解空间的全局搜索，较小的惯性权重有利于在求解空间的局部搜索。粒子在求解空间搜索的前期需要较大的惯性权重，粒子在解空间搜索的后期需要较小的惯性权重。算法的惯性权重采用线性递减的方式进行更新，惯性权重的更新公式如下：
Figure RE-GDA0002491974480000131
其中wmax、wmin为惯性权重的最大值和最小值，kmax为算法最大迭代次数，k 为算法当前迭代次数。
粒子群算法的参数取值范围为[Xmin，Xmax]，加速因子为c1、c2，粒子的最大速度为Vmax。
粒子群算法参数设置见表2：
表2：粒子群算法参数设置
Figure RE-GDA0002491974480000141
通过PSO算法得到输入层到隐藏层连接权值和隐藏层阈值，然后将该输入层到隐藏层连接权值和隐藏层阈值作为ELM神经网络模型的初始参数，通过输入样本进行训练最终得到训练后的神经网络模型用于对电池的健康状态进行预测。
基于PSO-ELM算法的电池SOH预测模型的预测效果较好，由于极限学习机模型的训练速度快和数据泛化性优于现有技术的BP算法，PSO算法的参数设置难度小于现有技术中的ACO算法，通过实验测试结果表明，PSO-ELM算法模型仅需少量的训练数据即可实现对电池健康状态快速且准确的预测。
显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进，均在本发明的保护范围之内。

Claims (6)

1.一种基于PSO-ELM算法的电池健康状态预测方法，其特征在于：包括如下步骤：
步骤1：建立基于极限学习机ELM的神经网络模型；
步骤2：初始化神经网络模型的参数；其中采用PSO算法确定神经网络模型中输入层到隐藏层的连接权重w和隐藏层的阈值b；
步骤3：采用预先获取的训练样本对步骤2中确定参数后的神经网络采用ELM算法进行训练直至满足训练结束条件；
步骤4：采用训练后的神经网络模型对电池健康状态进行预测。
2.如权利要求1所述的一种基于PSO-ELM算法的电池健康状态预测方法，其特征在于：在步骤1中神经网络模型包括输入层、输出层、隐藏层，其中输入层包括5个神经元，对应作为模型的5个输入参数，输入层的神经元对应的输入包括：放电中值电压、放电直流内阻、放电效率、放电平台时间以及放电端电压；输出层包括一个神经元，对应的输出参数为电池健康状态。
3.如权利要求1所述的一种基于PSO-ELM算法的电池健康状态预测方法，其特征在于：在步骤4中获取需要预测电池健康状态的电池的参数：放电中值电压、放电直流内阻、放电效率、放电平台时间以及放电端电压，将参数输入到训练后的神经网络中由神经网络输出电池健康状态。
4.如权利要求1或2所述的一种基于PSO-ELM算法的电池健康状态预测方法，其特征在于：在步骤2中初始化神经网络模型参数包括初始化输入层到隐藏层的连接权重w和隐藏层的阈值b、确定激活函数g(x)。
5.如权利要求1或2所述的一种基于PSO-ELM算法的电池健康状态预测方法，其特征在于：采用PSO算法确定神经网络模型中输入层到隐藏层的连接权重w和隐藏层的阈值b包括步骤：将神经网络模型中输入层到隐藏层的连接权重w和隐藏层的阈值b作为粒子群搜索空间中的一个粒子，采用PSO算法对例子进行迭代寻优，设置PSO算法的初始参数后按照PSO算法中的位置和速度更新公式进行更新，直到迭代满足停止条件后输出最优粒子作为神经网络模型中的连接权重w和隐藏层的阈值b。
6.如权利要求1或2所述的一种基于PSO-ELM算法的电池健康状态预测方法，其特征在于：采用ELM算法对初始化后的神经网络模型进行训练，输入训练样本集对神经网络进行训练直至满足结束条件，求取隐藏层到输出层的连接权重，完成神经网络的训练。
CN201911423856.9A 2019-12-31 2019-12-31 一种基于pso-elm算法的电池健康状态预测方法 Pending CN111366848A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911423856.9A CN111366848A (zh) 2019-12-31 2019-12-31 一种基于pso-elm算法的电池健康状态预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911423856.9A CN111366848A (zh) 2019-12-31 2019-12-31 一种基于pso-elm算法的电池健康状态预测方法

Publications (1)

Publication Number Publication Date
CN111366848A true CN111366848A (zh) 2020-07-03

Family

ID=71207995

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911423856.9A Pending CN111366848A (zh) 2019-12-31 2019-12-31 一种基于pso-elm算法的电池健康状态预测方法

Country Status (1)

Country Link
CN (1) CN111366848A (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111929588A (zh) * 2020-09-01 2020-11-13 杭州颉码能源科技有限公司 一种基于极限学习机的充电安全监测方法
CN111950205A (zh) * 2020-08-25 2020-11-17 哈尔滨理工大学 一种基于fwa优化极限学习机的锂电池soh预测方法
CN112881930A (zh) * 2021-01-19 2021-06-01 北京昆兰新能源技术有限公司 一种基于物联网的储能电池健康管理预测方法及***
CN112924886A (zh) * 2021-01-23 2021-06-08 青岛大学 一种电池健康状态soh预测方法及装置
CN113268913A (zh) * 2021-06-24 2021-08-17 广州鼎泰智慧能源科技有限公司 一种基于pso-elm算法的智能建筑空调冷机***运行优化方法
CN114200335A (zh) * 2021-12-06 2022-03-18 格林美股份有限公司 一种基于脉冲测试的电池健康状态预测方法及装置
CN114236409A (zh) * 2021-11-09 2022-03-25 长安大学 一种动力电池组故障诊断装置及方法及***
CN116400246A (zh) * 2023-06-07 2023-07-07 广东电网有限责任公司东莞供电局 基于aco-gmr的储能电站电池健康状态估计方法
EP4231026A1 (en) * 2021-01-08 2023-08-23 LG Energy Solution, Ltd. Battery management device and method
CN117074957A (zh) * 2023-08-18 2023-11-17 南京林业大学 一种基于数-模融合的锂离子电池剩余使用寿命预测方法
CN117688852A (zh) * 2024-02-04 2024-03-12 山东电工时代能源科技有限公司 一种基于极限学习机的锂离子电池soc的估算方法及***
CN118011221A (zh) * 2024-04-08 2024-05-10 西南科技大学 基于混沌粒子群反馈优化的多温度锂电池soc估算方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104537391A (zh) * 2014-12-23 2015-04-22 天津大学 一种极限学习机的元学习方法
CN105183994A (zh) * 2015-09-10 2015-12-23 广西大学 一种基于改进的i-elm的动力电池soc预测方法及装置
CN109239603A (zh) * 2018-10-24 2019-01-18 江苏理工学院 一种流形正则化框架下的极限学习机预测动力电池soc方法
CN109615056A (zh) * 2018-10-09 2019-04-12 天津大学 一种基于粒子群优化极限学习机的可见光定位方法
CN109635914A (zh) * 2018-12-17 2019-04-16 杭州电子科技大学 基于混合智能遗传粒子群的优化极限学习机轨迹预测方法
CN109815995A (zh) * 2019-01-07 2019-05-28 浙江大学城市学院 一种缺失观测值条件下锂电池剩余寿命预测方法
KR101992051B1 (ko) * 2018-03-19 2019-06-21 충북대학교 산학협력단 배터리 잔량 예측 방법 및 배터리 잔량 예측 시스템
CN110333462A (zh) * 2019-08-08 2019-10-15 首都师范大学 一种在随机放电环境下基于dgwo-elm的锂离子电池寿命预测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104537391A (zh) * 2014-12-23 2015-04-22 天津大学 一种极限学习机的元学习方法
CN105183994A (zh) * 2015-09-10 2015-12-23 广西大学 一种基于改进的i-elm的动力电池soc预测方法及装置
KR101992051B1 (ko) * 2018-03-19 2019-06-21 충북대학교 산학협력단 배터리 잔량 예측 방법 및 배터리 잔량 예측 시스템
CN109615056A (zh) * 2018-10-09 2019-04-12 天津大学 一种基于粒子群优化极限学习机的可见光定位方法
CN109239603A (zh) * 2018-10-24 2019-01-18 江苏理工学院 一种流形正则化框架下的极限学习机预测动力电池soc方法
CN109635914A (zh) * 2018-12-17 2019-04-16 杭州电子科技大学 基于混合智能遗传粒子群的优化极限学习机轨迹预测方法
CN109815995A (zh) * 2019-01-07 2019-05-28 浙江大学城市学院 一种缺失观测值条件下锂电池剩余寿命预测方法
CN110333462A (zh) * 2019-08-08 2019-10-15 首都师范大学 一种在随机放电环境下基于dgwo-elm的锂离子电池寿命预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘凯文等: "基于GA－ELM模型的锂电池SOH 预测", 《无线电通信技术》 *

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111950205A (zh) * 2020-08-25 2020-11-17 哈尔滨理工大学 一种基于fwa优化极限学习机的锂电池soh预测方法
CN111929588B (zh) * 2020-09-01 2021-01-01 杭州颉码能源科技有限公司 基于极限学习机的充电安全监测方法、设备及***
CN111929588A (zh) * 2020-09-01 2020-11-13 杭州颉码能源科技有限公司 一种基于极限学习机的充电安全监测方法
EP4231026A4 (en) * 2021-01-08 2024-05-22 LG Energy Solution, Ltd. BATTERY MANAGEMENT DEVICE AND METHOD
EP4231026A1 (en) * 2021-01-08 2023-08-23 LG Energy Solution, Ltd. Battery management device and method
CN112881930B (zh) * 2021-01-19 2023-07-18 北京昆兰新能源技术有限公司 一种基于物联网的储能电池健康管理预测方法及***
CN112881930A (zh) * 2021-01-19 2021-06-01 北京昆兰新能源技术有限公司 一种基于物联网的储能电池健康管理预测方法及***
CN112924886A (zh) * 2021-01-23 2021-06-08 青岛大学 一种电池健康状态soh预测方法及装置
CN113268913B (zh) * 2021-06-24 2022-02-11 广州鼎泰智慧能源科技有限公司 一种基于pso-elm算法的智能建筑空调冷机***运行优化方法
CN113268913A (zh) * 2021-06-24 2021-08-17 广州鼎泰智慧能源科技有限公司 一种基于pso-elm算法的智能建筑空调冷机***运行优化方法
CN114236409A (zh) * 2021-11-09 2022-03-25 长安大学 一种动力电池组故障诊断装置及方法及***
CN114236409B (zh) * 2021-11-09 2024-01-19 长安大学 一种动力电池组故障诊断装置及方法及***
CN114200335A (zh) * 2021-12-06 2022-03-18 格林美股份有限公司 一种基于脉冲测试的电池健康状态预测方法及装置
CN116400246A (zh) * 2023-06-07 2023-07-07 广东电网有限责任公司东莞供电局 基于aco-gmr的储能电站电池健康状态估计方法
CN116400246B (zh) * 2023-06-07 2023-08-22 广东电网有限责任公司东莞供电局 基于aco-gmr的储能电站电池健康状态估计方法
CN117074957A (zh) * 2023-08-18 2023-11-17 南京林业大学 一种基于数-模融合的锂离子电池剩余使用寿命预测方法
CN117074957B (zh) * 2023-08-18 2024-05-24 南京林业大学 一种基于数-模融合的锂离子电池剩余使用寿命预测方法
CN117688852A (zh) * 2024-02-04 2024-03-12 山东电工时代能源科技有限公司 一种基于极限学习机的锂离子电池soc的估算方法及***
CN118011221A (zh) * 2024-04-08 2024-05-10 西南科技大学 基于混沌粒子群反馈优化的多温度锂电池soc估算方法

Similar Documents

Publication Publication Date Title
CN111366848A (zh) 一种基于pso-elm算法的电池健康状态预测方法
CN110398697B (zh) 一种基于充电过程的锂离子健康状态估计方法
Abdollahi et al. Optimal charging for general equivalent electrical battery model, and battery life management
CN108872869B (zh) 一种基于bp神经网络的锂离子电池劣化分类方法
CN113253116A (zh) 锂离子电池荷电状态估计方法、存储介质
CN102324582A (zh) 一种多功能铅酸蓄电池智能维护装置及容量预测方法
CN113189490B (zh) 基于特征筛选和高斯过程回归的锂电池健康状态估计方法
Yang et al. The remaining useful life estimation of lithium-ion battery based on improved extreme learning machine algorithm
CN109633456B (zh) 一种基于分段电压识别法的动力锂电池组soc估算方法
CN111426957A (zh) 一种模拟车辆工况动力电池荷电状态soc估算优化方法
CN112881914B (zh) 一种锂电池健康状态预测方法
CN112350400A (zh) 一种锂电池组无层级主被动均衡电路及方法
Zhao et al. Estimation of the SOC of energy-storage lithium batteries based on the voltage increment
CN111487532B (zh) 一种基于层次分析法和熵值法的退役电池筛选方法及***
De Sousa et al. Comparison of different approaches for lead acid battery state of health estimation based on artificial neural networks algorithms
CN114779103A (zh) 一种基于时滞卷积神经网络的锂离子电池soc估计方法
CN114217234B (zh) 一种基于ide-asrckf的锂离子电池参数辨识与soc估计方法
CN116774088A (zh) 基于多目标优化的锂离子电池健康状态估计方法
CN110232432B (zh) 一种基于人工生命模型的锂电池组soc预测方法
CN113093014B (zh) 一种基于阻抗参数的soh与soc的在线协同估计方法及***
Gharavian et al. ZEBRA battery SOC estimation using PSO-optimized hybrid neural model considering aging effect
CN116029183A (zh) 一种基于iPSO-LSTM模型的动力电池温度预测方法
CN115542168A (zh) 基于融合数据驱动模型的锂电池剩余使用寿命预测方法
CN113884936B (zh) 一种基于issa耦合delm的锂离子电池健康状态预测方法
Shin Design of Backpropagation Neural Network for Aging Estimation of Electric Battery.

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200703