CN112001113A - 一种基于粒子群优化长短时记忆网络的电池寿命预测方法 - Google Patents
一种基于粒子群优化长短时记忆网络的电池寿命预测方法 Download PDFInfo
- Publication number
- CN112001113A CN112001113A CN202010633671.7A CN202010633671A CN112001113A CN 112001113 A CN112001113 A CN 112001113A CN 202010633671 A CN202010633671 A CN 202010633671A CN 112001113 A CN112001113 A CN 112001113A
- Authority
- CN
- China
- Prior art keywords
- data
- value
- battery
- capacity
- particle swarm
- 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.)
- Granted
Links
- 239000002245 particle Substances 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000005457 optimization Methods 0.000 title claims abstract description 44
- 230000015654 memory Effects 0.000 title claims abstract description 17
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims abstract description 10
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims abstract description 9
- 229910052744 lithium Inorganic materials 0.000 claims abstract description 9
- 230000007423 decrease Effects 0.000 claims abstract description 8
- 238000012546 transfer Methods 0.000 claims abstract description 7
- 238000001514 detection method Methods 0.000 claims abstract description 4
- 230000007787 long-term memory Effects 0.000 claims abstract 5
- 238000012549 training Methods 0.000 claims description 33
- 210000002569 neuron Anatomy 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 15
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 claims description 14
- 229910001416 lithium ion Inorganic materials 0.000 claims description 14
- 210000004027 cell Anatomy 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 6
- LYAVXWPXKIFHBU-UHFFFAOYSA-N N-{2-[(1,2-diphenylhydrazinyl)carbonyl]-2-hydroxyhexanoyl}-6-aminohexanoic acid Chemical compound C=1C=CC=CC=1N(C(=O)C(O)(C(=O)NCCCCCC(O)=O)CCCC)NC1=CC=CC=C1 LYAVXWPXKIFHBU-UHFFFAOYSA-N 0.000 claims description 3
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 abstract description 6
- 230000006403 short-term memory Effects 0.000 abstract description 3
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000005562 fading Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000007086 side reaction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- 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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Secondary Cells (AREA)
Abstract
为了克服现有技术中传统方法在实际应用场景中不能广泛应用，利用统计学方法的寿命预测方法不具备良好的适应性的问题，本发明提供了一种基于粒子群优化长短时记忆网络的电池寿命预测方法。为了实现上述目的，采用以下技术方案：首先通过锂电池检测***采集一款电池的容量衰退数据，包括电池的循环次数以及该次循环的放电容量。然后利用粒子群优化算法对长短时记忆网络的隐藏层节点数、学习率等超参数进行寻优，构建长短时记忆网络，并结合Adam优化算法对模型反向传递过程进行优化。该模型能够实现利用早期循环数据对电池循环寿命进行预测，增强了对电池容量跳跃现象的适应性。
Description
技术领域
本发明涉及深度学习领域，尤其是涉及一种基于粒子群优化长短时记忆网络的电池寿命预测方法。
背景技术
随着电动汽车行业的不断发展，锂离子电池的可靠性和性能也受到了极大的关注。锂电池作为为电动汽车提供能量的关键部件，决定了电动汽车续航能力、爬坡能力和加速能力。循环寿命作为锂离子电池性能评价的一项重要指标，精准且快速的预测出锂离子电池循环寿命对电池的生产制造和合理管理都具有积极的作用。
但是由于锂离子电池***往往十分复杂，传统的基于锂电池机理模型的电化学模型和等效电路模型在进行寿命预测的时候往往局限在有限的副反应之上，对于不同材料和不同类型的电池的可扩展性不强，在实际应用场景中得不到广泛应用。因此，从数据角度出发，利用早期循环数据对锂离子电池循环寿命进行预测，对新型号锂离子电池的生产和设计都有很大的意义。
在基于数据的寿命预测方法中，利用统计学方法，如扩展卡尔曼滤波、粒子滤波方法等都利用早期循环数据对电池容量衰退的经验公式参数进行更新，一方面，利用统计学方法的寿命预测方法过于依赖经验公式的选择，如果某型号电池的衰退曲线和经验公式趋势差异较大的情况，利用统计学方法的寿命预测方法不能够得到比较好的结果。另一方面，如果某型号电池在容量衰退过程中出现跳跃等现象，利用统计学方法的寿命预测方法不具备良好的适应性。
深度神经网络是一种由很多层神经元组成的前馈网络。在前向传递中，信号从输入层到隐藏层，最后到达输出层。当最后的输出没有达到期望输出时，神经网络进行预测误差的反向传递，从而调整整个网络的权值，使得最终深度神经网络的输出能够不断接近期望输出。Hochreater和Schmidhuber在1997年提出了长短时记忆网络(Long Short-TermMemory,LSTM)的网络结构。LSTM改进循环神经网络RNN隐含层的网络结构，通过在隐含层增加一个保存长期状态的单元，解决了RNN无法学习到间隔很远的信息的能力。LSTM不需要知道电池内部化学反应以及物理参数，仅通过依据训练数据训练好的网络对电池寿命进行预测，具有良好的非线性拟合能力。同时，由于LSTM中超参数不好确定，所以通过粒子群优化算法(PSO)来寻找到范围内的最优值，从而带入LSTM中进行训练，进一步提升锂离子电池寿命预测的精度，解决对容量衰退经验公式的依赖，提高对于容量衰退过程中出现的跳跃现象的适应性。
发明内容
本发明是为了克服现有技术中传统方法在实际应用场景中不能广泛应用，利用统计学方法的寿命预测方法不具备良好的适应性的问题，提供一种基于粒子群优化长短时记忆网络的电池寿命预测方法，该方法能够实现对于锂离子电池循环寿命的准确预测，没有过拟合现象，不依赖与电池容量衰退经验公式，对容量衰退过程中出现的容量跳跃现象也有更好的适应性。
为了实现上述目的，本发明采用以下技术方案：
一种基于粒子群优化长短时记忆网络的电池寿命预测方法，其特征是，包括以下步骤：
S1：利用锂电池检测***采集电池容量衰退数据，数据包括电池循环次数及该次循环中电池的放电容量，采集循环次数为理论循环寿命的50％；
S2：将50％理论循环寿命的循环中的电池容量进行数据清洗和标准化；
S3：初始化粒子速度与位置；对粒子群优化算法的参数进行初始化设置，评估粒子并得到初始化最优位置；同时设置长短时记忆网络超参数隐藏层节点数、学习率和批数据的大小的范围，进行LSTM模型训练，将LSTM的训练结果的MSE作为粒子群优化算法的适应度函数，利用粒子群优化算法对范围内的超参数进行寻优，计算粒子的历史最优位置和群体的最优位置；
S4：将步骤3中的通过粒子群优化算法寻找到的最优超参数带入LSTM中，利用采集到的锂电池循环寿命数据按照批数据长度进行训练，训练次数为1500次，同时利用Adam优化算法加快模型反向传递过程；
S5：将最后一批数据经过LSTM后的输出的反标准化值作为预测值；
S6：同时剔除最后一批数据的第一个值，将该输出添加到该批数据中组成新的时间序列作为新的输入序列，重复步骤5得到下一时刻的输出值作为预测值；
S7：重复步骤6直到出现预测值容量衰退到初始值75％的时候，将所有预测值组成预测序列，将预测值序列中容量衰退到初始值的80％时所对应的循环次数作为锂离子电池的循环寿命。
进一步地，所述S2的具体过程为：
将采集到的容量数据C＝{x1,x2,...,xm}进行数据清洗和标准化，使其尽可能符合标准正态分布，通过公式(1)和公式(2)分别计算出采集数据的均值和方差，
上式中，μC为采集到的容量数据的均值，m为容量数据个数，xi为第i个循环的电池容量数据，
为采集到的容量数据的方差；
在计算得到均值和方差后，根据公式(3)计算标准化后的容量数据
式中ε为调整因子，保证数值稳定，使得分母不容易趋于0。
进一步地，所述S3的具体过程为：
首先设计粒子群优化算法的基本参数，设置惯性权重ω＝0.6，加速常数c1＝c2＝2，粒子群数量为20，迭代次数为20，对长短时记忆网络的隐藏层节点数、学习率和批数据的大小L在设定范围内进行寻优，寻优过程中参数的速度和位置更新如公式(4)和公式(5)所示，
vid(t+1)＝ωvid(t)+c1rid1(t)(pid(t)-xid(t))+c2rid2(t)(pgd(t)-xid(t)) (4)
xid(t+1)＝xid(t)+vid(t+1) (5)
式中，vid(t)是第i个粒子第d维度在t次迭代过程中的速度；xid(t)是第i个粒子第d维度在t次迭代过程中位置；rid1和rid2是大小在(0，1)之间的随机数，pid(t)是个体历史极值在第d维度的值，pgd(t)是全局极值在第d维度的值；
选择将各个粒子值作为超参数的LSTM的训练结果的MSE作为适应度函数来评价粒子，
n表示为训练集中电池容量和循环次数数据的组数，yi为训练集容量数据真实值，y’i为LSTM给出训练集容量数据的预测值；
设置隐藏层节点数取值范围为[0，15]，学习率范围为[0.001，0.1]，批数据范围视所选型号电池的循环寿命选择
左右的数据长度，通过公式(4)和公式(5)更新各个粒子的位置和速度来求得这次迭代过程中单个粒子的历史最优位置和所有粒子的全局最优解，20次迭代结束后确定范围内的各个超参数的最优解。
进一步地，所述S4中的模型主要包括以下部分：
S41：将隐藏层初始状态h0和c0设置为0，
S42：利用遗忘门控制上一时刻单元状态存入当前时刻单元状态的比例，
ff＝σ(Wf·[ht-1,xt]+bf) (7)
式中，σ为sigmoid函数；Wc和bc为候选值更新的权值和偏置；Wu和bu为输入门神经元的权值和偏置，ht-1为上一时刻的隐藏状态；xt为当前时刻的输入；Wf和bf为遗忘门神经元的权值和偏置；
将遗忘门的输出作为下一时刻单元状态的一部分；
S43：利用输入门控制当前时刻输入存入当前时刻单元状态的比例，
fu＝σ(Wu·[ht-1,xt]+bu) (9)
式中，σ为sigmoid函数，Wc和bc为候选值
更新的权值和偏置，Wu和bu为输入门神经元的权值和偏置；
将S42中遗忘门的输出和S43中输入门的输出之和作为当前时刻的单元状态值，
Ct-1是上一时刻的单元状态值；
S44：利用输出门控制当前时刻状态存入当前时刻输出at的比例，
fo＝σ(Wo·[ht-1,xt]+bo) (11)
at＝fo·tanh(Ct) (12)
式中，Wo和bo为输出门神经元的权值和偏置；
S45：采用均方误差(mean square error,MSE)作为损失函数:
式中，yi为训练集容量数据真实值，y’i为LSTM给出训练集容量数据的预测值，L为批数据长度；
S46：利用Adam算法优化反向传递过程，Adam算法中W的更新方式加入了累计平方梯度和对之前时间步的梯度动量的考虑，
mt＝β1·mt-1+(1-β1)dx (14)
vt＝β2·vt-1+(1-β2)(dx)2 (15)
上式中，α为学***均数，vt为t时刻梯度平方的指数移动平均数。
进一步地，所述S5具体过程为：将采集的电池容量数据最后一组批容量数据C’＝{xm-L+1,xm-L+2,...,xm}作为新的时间序列输入到训练好的PSO-LSTM网络中，得到输出结果
反标准化处理后作为为下一时刻的预测值x’m+1。进一步地，所述S6具体过程为：将上一批容量数据C’＝{xm-L+1,xm-L+2,...,xm}中的第一个数据剔除，并将步骤五中的输出结果加入容量数据中，更新输入序列为{xm-L+2,...,xm,xm+1}，作为新的时间序列输入，得到下一时刻的预测值x’m+2。
进一步地，所述S7具体过程为：重复步骤S6，当出现预测值为初始容量x1的75％时停止，最终得到预测序列为{x’m+1,x’m+2...,x’N}，将预测值序列{x’m+1,x’m+2...,x’N}中容量衰退到初始值x1的80％时，所对应的循环次数作为锂离子电池的循环寿命。
因此，本发明具有如下有益效果：该模型能够实现利用早期循环数据对电池循环寿命进行准确预测，没有过拟合现象，不依赖与电池容量衰退经验公式，增强了对容量衰退过程中出现的电池容量跳跃现象的适应性。
附图说明
图1是本发明的方法流程图。
图2是本发明PSO-LSTM训练网络结构图。
图3是本发明PSO-LSTM寿命预测方法流程图。
具体实施方式
下面结合附图与具体实施方式对本发明做进一步的描述。
如图1、图2、图3所示的实施例中，
一种基于粒子群优化长短时记忆网络的电池寿命预测方法，包括以下步骤：
S1：利用锂电池检测***采集电池容量衰退数据，数据包括电池循环次数及该次循环中电池的放电容量，采集循环次数为理论循环寿命的50％；
S2：将50％理论循环寿命的循环中的电池容量进行数据清洗和标准化，具体过程为：
将采集到的容量数据C＝{x1,x2,...,xm}进行数据清洗和标准化，使其尽可能符合标准正态分布，通过公式(1)和公式(2)分别计算出采集数据的均值和方差，
上式中，μC为采集到的容量数据的均值，m为容量数据个数，xi为第i个循环的电池容量数据，
为采集到的容量数据的方差；
在计算得到均值和方差后，根据公式(3)计算标准化后的容量数据
式中ε为调整因子，保证数值稳定，使得分母不容易趋于0。
S3：初始化粒子速度与位置；对粒子群优化算法的参数进行初始化设置，评估粒子并得到初始化最优位置；同时设置长短时记忆网络超参数隐藏层节点数、学习率和批数据的大小的范围，进行LSTM模型训练，将LSTM的训练结果的MSE作为粒子群优化算法的适应度函数，利用粒子群优化算法对范围内的超参数进行寻优，计算粒子的历史最优位置和群体的最优位置，具体过程为：
首先设计粒子群优化算法的基本参数，设置惯性权重ω＝0.6，加速常数c1＝c2＝2，粒子群数量为20，迭代次数为20，对长短时记忆网络的隐藏层节点数、学习率和批数据的大小L在设定范围内进行寻优，寻优过程中参数的速度和位置更新如公式(4)和公式(5)所示，
vid(t+1)＝ωvid(t)+c1rid1(t)(pid(t)-xid(t))+c2rid2(t)(pgd(t)-xid(t)) (4)
xid(t+1)＝xid(t)+vid(t+1) (5)
式中，vid(t)是第i个粒子第d维度在t次迭代过程中的速度；xid(t)是第i个粒子第d维度在t次迭代过程中位置；rid1和rid2是大小在(0，1)之间的随机数，pid(t)是个体历史极值在第d维度的值，pgd(t)是全局极值在第d维度的值；
选择将各个粒子值作为超参数的LSTM的训练结果的MSE作为适应度函数来评价粒子，
n表示为训练集中电池容量和循环次数数据的组数，yi为训练集容量数据真实值，y’i为LSTM给出训练集容量数据的预测值；
设置隐藏层节点数取值范围为[0，15]，学习率范围为[0.001，0.1]，批数据范围视所选型号电池的循环寿命选择
左右的数据长度，通过公式(4)和公式(5)更新各个粒子的位置和速度来求得这次迭代过程中单个粒子的历史最优位置和所有粒子的全局最优解，20次迭代结束后确定范围内的各个超参数的最优解。
S4：将步骤3中的通过粒子群优化算法寻找到的最优超参数带入LSTM中，利用采集到的锂电池循环寿命数据按照批数据长度进行训练，训练次数为1500次，同时利用Adam优化算法加快模型反向传递过程，所述模型主要包括以下部分：
S41：将隐藏层初始状态h0和c0设置为0，
S42：利用遗忘门控制上一时刻单元状态存入当前时刻单元状态的比例，
ff＝σ(Wf·[ht-1,xt]+bf) (7)
式中，σ为sigmoid函数；Wc和bc为候选值更新的权值和偏置；Wu和bu为输入门神经元的权值和偏置，ht-1为上一时刻的隐藏状态；xt为当前时刻的输入；Wf和bf为遗忘门神经元的权值和偏置；
将遗忘门的输出作为下一时刻单元状态的一部分；
S43：利用输入门控制当前时刻输入存入当前时刻单元状态的比例，
fu＝σ(Wu·[ht-1,xt]+bu) (9)
式中，σ为sigmoid函数，Wc和bc为候选值
更新的权值和偏置，Wu和bu为输入门神经元的权值和偏置；
将S42中遗忘门的输出和S43中输入门的输出之和作为当前时刻的单元状态值，
Ct-1是上一时刻的单元状态值；
S44：利用输出门控制当前时刻状态存入当前时刻输出at的比例，
fo＝σ(Wo·[ht-1,xt]+bo) (11)
at＝fo·tanh(Ct) (12)
式中，Wo和bo为输出门神经元的权值和偏置；
S45：采用均方误差(mean square error,MSE)作为损失函数:
式中，yi为训练集容量数据真实值，y’i为LSTM给出训练集容量数据的预测值，L为批数据长度；
S46：利用Adam算法优化反向传递过程，Adam算法中W的更新方式加入了累计平方梯度和对之前时间步的梯度动量的考虑：
mt＝β1·mt-1+(1-β1)dx (14)
vt＝β2·vt-1+(1-β2)(dx)2 (15)
上式中，α为学***均数，vt为t时刻梯度平方的指数移动平均数。
S5：将最后一批数据经过LSTM后的输出的反标准化值作为预测值，具体过程为：将采集的电池容量数据最后一组批容量数据C’＝{xm-L+1,xm-L+2,...,xm}作为新的时间序列输入到训练好的PSO-LSTM网络中，得到输出结果
反标准化处理后作为为下一时刻的预测值x’m+1。S6：同时剔除最后一批数据的第一个值，将该输出添加到该批数据中组成新的时间序列作为新的输入序列，重复步骤5得到下一时刻的输出值作为预测值，具体过程为：将上一批容量数据C’＝{xm-L+1,xm-L+2,...,xm}中的第一个数据剔除，并将步骤五中的输出结果加入容量数据中，更新输入序列为{xm-L+2,...,xm,xm+1}，作为新的时间序列输入，得到下一时刻的预测值x’m+2。
S7：重复步骤6直到出现预测值容量衰退到初始值75％的时候，将所有预测值组成预测序列，将预测值序列中容量衰退到初始值的80％时所对应的循环次数作为锂离子电池的循环寿命，具体过程为：重复步骤S6，当出现预测值为初始容量x1的75％时停止，最终得到预测序列为{x’m+1,x’m+2...,x’N}，将预测值序列{x’m+1,x’m+2...,x’N}中容量衰退到初始值x1的80％时，所对应的循环次数作为锂离子电池的循环寿命。
上述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (7)
1.一种基于粒子群优化长短时记忆网络的电池寿命预测方法，其特征是，包括以下步骤：
S1：利用锂电池检测***采集电池容量衰退数据，数据包括电池循环次数及该次循环中电池的放电容量，采集循环次数为理论循环寿命的50％；
S2：将50％理论循环寿命的循环中的电池容量进行数据清洗和标准化；
S3：初始化粒子速度与位置；对粒子群优化算法的参数进行初始化设置，评估粒子并得到初始化最优位置；同时设置长短时记忆网络超参数隐藏层节点数、学习率和批数据的大小的范围，进行LSTM模型训练，将LSTM的训练结果的MSE作为粒子群优化算法的适应度函数，利用粒子群优化算法对范围内的超参数进行寻优，计算粒子的历史最优位置和群体的最优位置；
S4：将步骤3中的通过粒子群优化算法寻找到的最优超参数带入LSTM中，利用采集到的锂电池循环寿命数据按照批数据长度进行训练，训练次数为1500次，同时利用Adam优化算法加快模型反向传递过程；
S5：将最后一批数据经过LSTM后的输出的反标准化值作为预测值；
S6：同时剔除最后一批数据的第一个值，将该输出添加到该批数据中组成新的时间序列作为新的输入序列，重复步骤5得到下一时刻的输出值作为预测值；
S7：重复步骤6直到出现预测值容量衰退到初始值75％的时候，将所有预测值组成预测序列，将预测值序列中容量衰退到初始值的80％时所对应的循环次数作为锂离子电池的循环寿命。
2.根据权利要求1所述的一种基于粒子群优化长短时记忆网络的电池寿命预测方法，其特征是，所述S2的具体过程为：
将采集到的容量数据C＝{x1,x2,...,xm}进行数据清洗和标准化，使其尽可能符合标准正态分布，通过公式(1)和公式(2)分别计算出采集数据的均值和方差，
上式中，μC为采集到的容量数据的均值，m为容量数据个数，xi为第i个循环的电池容量数据，
为采集到的容量数据的方差；
在计算得到均值和方差后，根据公式(3)计算标准化后的容量数据
式中ε为调整因子，保证数值稳定，使得分母不容易趋于0。
3.根据权利要求1所述的一种基于粒子群优化长短时记忆网络的电池寿命预测方法，其特征是，所述S3的具体过程为：
首先设计粒子群优化算法的基本参数，设置惯性权重ω＝0.6，加速常数c1＝c2＝2，粒子群数量为20，迭代次数为20，对长短时记忆网络的隐藏层节点数、学习率和批数据的大小L在设定范围内进行寻优，寻优过程中参数的速度和位置更新如公式(4)和公式(5)所示，
vid(t+1)＝ωvid(t)+c1rid1(t)(pid(t)-xid(t))+c2rid2(t)(pgd(t)-xid(t)) (4)
xid(t+1)＝xid(t)+vid(t+1) (5)
式中，vid(t)是第i个粒子第d维度在t次迭代过程中的速度；xid(t)是第i个粒子第d维度在t次迭代过程中位置；rid1和rid2是大小在(0，1)之间的随机数，pid(t)是个体历史极值在第d维度的值，pgd(t)是全局极值在第d维度的值；
选择将各个粒子值作为超参数的LSTM的训练结果的MSE作为适应度函数来评价粒子，
n表示为训练集中电池容量和循环次数数据的组数，yi为训练集容量数据真实值，y′i为LSTM给出训练集容量数据的预测值；
设置隐藏层节点数取值范围为[0，15]，学习率范围为[0.001，0.1]，批数据范围视所选型号电池的循环寿命选择
左右的数据长度，通过公式(4)和公式(5)更新各个粒子的位置和速度来求得这次迭代过程中单个粒子的历史最优位置和所有粒子的全局最优解，20次迭代结束后确定范围内的各个超参数的最优解。
4.根据权利要求1所述的一种基于粒子群优化长短时记忆网络的电池寿命预测方法，其特征是，所述S4中的模型主要包括以下部分：
S41：将隐藏层初始状态h0和c0设置为0，
S42：利用遗忘门控制上一时刻单元状态存入当前时刻单元状态的比例，
ff＝σ(Wf·[ht-1,xt]+bf) (7)
式中，σ为sigmoid函数；Wc和bc为候选值更新的权值和偏置；Wu和bu为输入门神经元的权值和偏置，ht-1为上一时刻的隐藏状态；xt为当前时刻的输入；Wf和bf为遗忘门神经元的权值和偏置；
将遗忘门的输出作为下一时刻单元状态的一部分；
S43：利用输入门控制当前时刻输入存入当前时刻单元状态的比例，
fu＝σ(Wu·[ht-1,xt]+bu) (9)
式中，σ为sigmoid函数，Wc和bc为候选值
更新的权值和偏置，Wu和bu为输入门神经元的权值和偏置；
将S42中遗忘门的输出和S43中输入门的输出之和作为当前时刻的单元状态值，
Ct-1是上一时刻的单元状态值；
S44：利用输出门控制当前时刻状态存入当前时刻输出at的比例，
fo＝σ(Wo·[ht-1,xt]+bo) (11)
at＝fo·tanh(Ct) (12)
式中，Wo和bo为输出门神经元的权值和偏置；
S45：采用均方误差(mean square error,MSE)作为损失函数：
式中，yi为训练集容量数据真实值，y′i为LSTM给出训练集容量数据的预测值，L为批数据长度；
S46：利用Adam算法优化反向传递过程，Adam算法中W的更新方式加入了累计平方梯度和对之前时间步的梯度动量的考虑：
mt＝β1·mt-1+(1-β1)dx (14)
vt＝β2·vt-1+(1-β2)(dx)2 (15)
上式中，α为学***均数，vt为t时刻梯度平方的指数移动平均数。
5.根据权利要求1所述的一种基于粒子群优化长短时记忆网络的电池寿命预测方法，其特征是，所述S5具体过程为：将采集的电池容量数据最后一组批容量数据C'＝{xm-L+1,xm-L+2,...,xm}作为新的时间序列输入到训练好的PSO-LSTM网络中，得到输出结果
反标准化处理后作为为下一时刻的预测值x'm+1。
6.根据权利要求5所述的一种基于粒子群优化长短时记忆网络的电池寿命预测方法，其特征是，所述S6具体过程为：将上一批容量数据C'＝{xm-L+1,xm-L+2,...，xm中的第一个数据剔除，并将步骤五中的输出结果加入容量数据中，更新输入序列为{xm-L+2,...,xm,xm+1}，作为新的时间序列输入，得到下一时刻的预测值x'm+2。
7.根据权利要求6所述的一种基于粒子群优化长短时记忆网络的电池寿命预测方法，其特征是，所述S7具体过程为：重复步骤S6，当出现预测值为初始容量x1的75％时停止，最终得到预测序列为{x'm+1,x'm+2...,x'N}，将预测值序列{x'm+1,x'm+2...,x'N}中容量衰退到初始值x1的80％时，所对应的循环次数作为锂离子电池的循环寿命。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010633671.7A CN112001113B (zh) | 2020-07-02 | 2020-07-02 | 一种基于粒子群优化长短时记忆网络的电池寿命预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010633671.7A CN112001113B (zh) | 2020-07-02 | 2020-07-02 | 一种基于粒子群优化长短时记忆网络的电池寿命预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112001113A true CN112001113A (zh) | 2020-11-27 |
| CN112001113B CN112001113B (zh) | 2023-12-19 |
Family
ID=73466410
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010633671.7A Active CN112001113B (zh) | 2020-07-02 | 2020-07-02 | 一种基于粒子群优化长短时记忆网络的电池寿命预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112001113B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112784491A (zh) * | 2021-01-26 | 2021-05-11 | 浙江中新电力工程建设有限公司 | 一种基于lstm与iqpso面向高弹性电网的城市充电网点规划方法 |
| CN113030764A (zh) * | 2021-03-04 | 2021-06-25 | 武汉大学 | 一种电池组健康状态估计方法及*** |
| CN113065283A (zh) * | 2021-03-26 | 2021-07-02 | 深圳技术大学 | 一种电池寿命预测方法、***、电子装置及存储介质 |
| CN113240072A (zh) * | 2021-04-14 | 2021-08-10 | 安徽工业大学 | 一种用于直流微电网集群的基于深度学习的预测方法 |
| CN113253116A (zh) * | 2021-05-18 | 2021-08-13 | 齐鲁工业大学 | 锂离子电池荷电状态估计方法、存储介质 |
| CN113344192A (zh) * | 2021-05-31 | 2021-09-03 | 中国标准化研究院 | 企业级电机***节能优化自动控制方法及*** |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108303253A (zh) * | 2017-12-06 | 2018-07-20 | 华南理工大学 | 基于长短时记忆循环神经网络的轴承早期故障识别方法 |
| US20180349168A1 (en) * | 2017-05-30 | 2018-12-06 | Magalix Corporation | Systems and methods for managing a cloud computing environment |
| CN109343505A (zh) * | 2018-09-19 | 2019-02-15 | 太原科技大学 | 基于长短期记忆网络的齿轮剩余寿命预测方法 |
| CN109993270A (zh) * | 2019-03-27 | 2019-07-09 | 东北大学 | 基于灰狼群优化lstm网络的锂离子电池剩余寿命预测方法 |
-
2020
- 2020-07-02 CN CN202010633671.7A patent/CN112001113B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180349168A1 (en) * | 2017-05-30 | 2018-12-06 | Magalix Corporation | Systems and methods for managing a cloud computing environment |
| CN108303253A (zh) * | 2017-12-06 | 2018-07-20 | 华南理工大学 | 基于长短时记忆循环神经网络的轴承早期故障识别方法 |
| CN109343505A (zh) * | 2018-09-19 | 2019-02-15 | 太原科技大学 | 基于长短期记忆网络的齿轮剩余寿命预测方法 |
| CN109993270A (zh) * | 2019-03-27 | 2019-07-09 | 东北大学 | 基于灰狼群优化lstm网络的锂离子电池剩余寿命预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 肖仁鑫;宋新月;张梦帆;夏雪磊;肖佳鹏;: "基于长短期记忆神经网络的健康状态估算", 农业装备与车辆工程, no. 04 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112784491A (zh) * | 2021-01-26 | 2021-05-11 | 浙江中新电力工程建设有限公司 | 一种基于lstm与iqpso面向高弹性电网的城市充电网点规划方法 |
| CN112784491B (zh) * | 2021-01-26 | 2024-04-16 | 浙江中新电力工程建设有限公司 | 一种基于lstm与iqpso面向高弹性电网的城市充电网点规划方法 |
| CN113030764A (zh) * | 2021-03-04 | 2021-06-25 | 武汉大学 | 一种电池组健康状态估计方法及*** |
| CN113030764B (zh) * | 2021-03-04 | 2022-01-25 | 武汉大学 | 一种电池组健康状态估计方法及*** |
| CN113065283A (zh) * | 2021-03-26 | 2021-07-02 | 深圳技术大学 | 一种电池寿命预测方法、***、电子装置及存储介质 |
| CN113240072A (zh) * | 2021-04-14 | 2021-08-10 | 安徽工业大学 | 一种用于直流微电网集群的基于深度学习的预测方法 |
| CN113253116A (zh) * | 2021-05-18 | 2021-08-13 | 齐鲁工业大学 | 锂离子电池荷电状态估计方法、存储介质 |
| CN113344192A (zh) * | 2021-05-31 | 2021-09-03 | 中国标准化研究院 | 企业级电机***节能优化自动控制方法及*** |
| CN113344192B (zh) * | 2021-05-31 | 2022-01-11 | 中国标准化研究院 | 企业级电机***节能优化自动控制方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112001113B (zh) | 2023-12-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112001113B (zh) | 一种基于粒子群优化长短时记忆网络的电池寿命预测方法 | |
| CN109993270B (zh) | 基于灰狼群优化lstm网络的锂离子电池剩余寿命预测方法 | |
| CN109991542B (zh) | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 | |
| CN110824364B (zh) | 一种基于ast-lstm神经网络的锂电池soh估计与rul预测方法 | |
| CN110223517B (zh) | 基于时空相关性的短时交通流量预测方法 | |
| CN108764539B (zh) | 一种梯级电站的上下游水位预测方法 | |
| CN113917337A (zh) | 基于充电数据和lstm神经网络的电池健康状态估计方法 | |
| CN108985515B (zh) | 一种基于独立循环神经网络的新能源出力预测方法及*** | |
| CN111999648A (zh) | 一种基于长短期记忆网络的锂电池剩余寿命预测方法 | |
| CN114219139B (zh) | 基于注意力机制的dwt-lstm电力负荷预测方法 | |
| CN115856678A (zh) | 一种锂离子电池健康状态估计方法 | |
| CN111785018A (zh) | 一种基于门控循环单元的收费站下道流量预测方法 | |
| Bellinger et al. | Active Measure Reinforcement Learning for Observation Cost Minimization. | |
| CN112734002A (zh) | 一种基于数据层和模型层联合迁移学习的寿命预测方法 | |
| CN115660165A (zh) | 一种基于双层pso的模块化神经网络出水氨氮浓度多步预测方法 | |
| CN114384435A (zh) | 一种基于wsa-lstm算法的新能源汽车动力电池剩余使用寿命自适应预测方法 | |
| Zhou et al. | RUL prognostics method based on real time updating of LSTM parameters | |
| CN116736133A (zh) | 锂离子电池全寿命周期容量退化轨迹的早期预测方法 | |
| CN117148197A (zh) | 一种基于集成Transformer模型的锂离子电池寿命预测方法 | |
| CN113627594A (zh) | 基于wgan的一维时序数据增广方法 | |
| CN113742178A (zh) | 一种基于lstm的网络节点健康状态监测方法 | |
| CN114487890A (zh) | 一种改进长短期记忆神经网络的锂电池健康状态估计方法 | |
| CN114418234A (zh) | 一种基于强化学习的动力电池制造能力在线预测方法 | |
| CN114596726A (zh) | 基于可解释时空注意力机制的停车泊位预测方法 | |
| CN115938104A (zh) | 一种动态短时路网交通状态预测模型及预测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |