CN113671401A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN113671401A
CN113671401A CN202111007676.XA CN202111007676A CN113671401A CN 113671401 A CN113671401 A CN 113671401A CN 202111007676 A CN202111007676 A CN 202111007676A CN 113671401 A CN113671401 A CN 113671401A
Authority
CN
China
Prior art keywords
real
lithium battery
pso
battery
data
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
CN202111007676.XA
Other languages
English (en)
Inventor
魏翼鹰
杨杰
袁鹏举
邹琳
张晖
李志成
文宝毅
张勇
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.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
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 Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN202111007676.XA priority Critical patent/CN113671401A/zh
Publication of CN113671401A publication Critical patent/CN113671401A/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
    • G01R31/005—Testing of electric installations on transport means
    • G01R31/006—Testing of electric installations on transport means on road vehicles, e.g. automobiles or trucks
    • G01R31/007—Testing of electric installations on transport means on road vehicles, e.g. automobiles or trucks using microprocessors or computers
    • 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]
    • G01R31/3644—Constructional arrangements
    • G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
    • 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]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • G01R31/386—Arrangements for measuring battery or accumulator variables using test-loads
    • 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]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • G01R31/387—Determining ampere-hour charge capacity or SoC
    • G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Secondary Cells (AREA)

Abstract

本发明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‑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。本发明将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。

Description

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
技术领域
本发明涉及电池监控技术领域，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。
背景技术
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。
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。
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。
发明内容
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。
为达到上述技术目的，本发明采取了以下技术方案：
第一方面，本发明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：
建立初始PSO-LSTM模型；
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；
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。
优选的，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。
优选的，PSO算法包括：
初始化粒子群中每个粒子的速度和位置；
计算粒子群种群的历史最佳位置；
更新粒子群中每个粒子的速度和位置；
更新粒子群中历史最佳位置的粒子；
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。
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：
速度更新公式为：
vi＝vi+c1×r1×(pbesti-xi)+c2×r2×(gbesti-xi)，
位置更新公式为：
xi＝xi+vi，
式中：c1，c2是学习因子，r1，r2是[0,1]之间的随机数，pbesti是粒子的历史最佳位置，gbesti是种群的历史最佳位置。
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。
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。
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：
计算预测结果的均方根误差：
Figure 100002_1
计算预测结果的平均绝对百分比误差：
Figure 100002_2
计算粒子群算法的适应度：
Figure 100002_3
其中，n为样本总量，
Figure 100002_4
为样本预测值，yi为样本真实值，
Figure BDA0003237596880000035
为样本平均值。
第二方面，本发明还提供了一种锂电池健康状态预测装置，包括：
建模模块，用于建立初始PSO-LSTM模型；
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；
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。
第三方面，本发明还提供了一种电子设备，包括存储器和处理器，其中，
存储器，用于存储程序；
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。
第四方面，本发明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。
采用上述实施例的有益效果是：本发明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
图1为本发明提供的锂电池健康状态预测装置的一实施例场景示意图；
图2为本发明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；
图3为本发明提供的PSO算法优化的一实施例流程示意图；
图4为本发明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；
图5为本发明实施例提供的锂电池健康状态预测设备的结构示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本发明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，以下分别进行说明。
图1为本发明提供的锂电池健康状态预测装置的一实施例场景示意图，该***可以包括服务器100，服务器100中集成有锂电池健康状况预测装置，如图1中的服务器。
本申请实施例中服务器100主要用于：
建立初始PSO-LSTM模型；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；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。
本申请实施例中，该服务器100可以是独立的服务器，也可以是服务器组成的服务器网络或服务器集群，例如，本申请实施例中所描述的服务器100，其包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云服务器。其中，云服务器由基于云计算(Cloud Computing)的大量计算机或网络服务器构成。
可以理解的是，本申请实施例中所使用的终端200可以是既包括接收和发射硬件的设备，即具有能够在双向通信链路上，执行双向通信的接收和发射硬件的设备。这种设备可以包括：蜂窝或其他通信设备，其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备。具体的终端200可以是台式机、便携式电脑、网络服务器、掌上电脑(Personal Digital Assistant，PDA)、移动手机、平板电脑、无线终端设备、通信设备、嵌入式设备等，本实施例不限定终端200的类型。
本领域技术人员可以理解，图1中示出的应用环境，仅仅是与本申请方案一种应用场景，并不构成对本申请方案应用场景的限定，其他的应用环境还可以包括比图1中所示更多或更少的终端，例如图1中仅示出2个终端，可以理解的，该锂电池健康状况预测装置还可以包括一个或多个其他终端，具体此处不作限定。
另外，参照图1所示，该锂电池健康状况预测装置还可以包括存储器300，用于存储数据，如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等。
需要说明的是，图1所示的锂电池健康状况预测装置的场景示意图仅仅是一个示例，本申请实施例描述的锂离子电池健康状况预测装置以及场景是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域普通技术人员可知，随着锂离子电池健康状况预测装置的演变和新业务场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。
请参阅图2，图2为本发明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，本发明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，包括：
S201、建立初始PSO-LSTM模型；
S202、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；
S203、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。
在步骤S201中，PSO-LSTM模型为基于粒子群算法优化的长短期记忆网络模型，本发明的实施例通过粒子群优化算法优化长短期记忆网络模型，以使其能满足预测需要，建立LSTM模型的方式可以采取Theano、 Tensorflow和Keras，这些均是现有技术中常用的方法，在此不赘述其模型建立过程。
在步骤S202中，本实施例中对传感器的型号规格等不作具体限制，只需要其能够实时的采集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数据即可，之后将数据输入初始PSO-LSTM模型中，通过迭代优化PSO-LSTM模型，当达到最大次数或者满足预测精度时停止，此时的PSO-LSTM模型即为训练完备的目标PSO-LSTM模型。
在步骤S203中，当PSO-LSTM模型优化完后得到训练完备的目标 PSO-LSTM模型，则可以将该模型投入到实际实用中去，将待预测电池的实时数据输入至目标PSO-LSTM模型，实现对锂电池健康状况的预测。
与现有技术相比，本实施例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。
在本发明的一些实施例中，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。
在上述实施例中，本发明设置PSO种群中的数量为10，即PSO-LSTM 模型一次能生成10个不同参数的LSTM网络，以放电电压、放电电流、负载电压、负载电流作为模型输入，电池SOH值作为模型输出，拟合程度作为模型评估标准，设置拟合程度达到95％为迭代结束条件。可以理解的是，PSO种群中的数量也可以设置为15、20，或者其他合适的数值，本发明在此不作进一步限制。不同参数的LSTM网络主要是神经网络中的网络层数和每层的节点数不同，随着这两个超参数的不断变化，每次进行预测所得到的误差值也在不断变化，通过不断的寻优，从而找到精度最高的模型，寻找出全局最优的网络参数。
请参阅图3，图3为本发明提供的PSO算法优化的一实施例流程示意图，在本发明的一些实施例中，PSO算法包括：
S301、初始化粒子群中每个粒子的速度和位置；
S302、计算粒子群种群的历史最佳位置；
S303、更新粒子群中每个粒子的速度和位置；
S304、更新粒子群中历史最佳位置的粒子；
S305、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。
在步骤S301中，粒子群中每个粒子生成时的初始的速度和位置信息可能和优化要求相差很大，需要将粒子群的速度和位置先初始化，初始化方法为现有技术，在此不做赘述。
在步骤S302中，将生成的10个不同参数的LSTM网络进行优化，计算找出所有粒子在优化过程中的历史最佳位置，即为粒子群所有粒子在本次寻优过程中的全局极值，通过该值可以更快找到最优的网络参数。
在步骤S303中，基于步骤S302中计算的全局极值，更新所有粒子的速度和位置，之后再次进行寻优过程。
在步骤S304中，计算出种群中单个粒子本身在寻优过程中找到的最佳位置，该粒子则为本次寻优过程中的个体极值，该值有利于优化LSTM 网络模型的参数。
在步骤S305中，将步骤S304中的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，对LSTM网络模型的参数进行优化，在之后检验该优化后的误差是否满足条件。
在上述实施例中，PSO算法是一种智能优化算法，源于对模拟鸟群捕食行为的研究，其核心思想是：通过群体中个体之间的协作和信息共享来寻找最优解。种群中的每个粒子都具有速度v_i和位置x_i两个属性，在迭代过程中，每个粒子会找到自己的最优解，并将个体最优与其他粒子分享，找到群体中的最优解作为全局最优，最后粒子会根据全局最优和个体最优来更新自己的速度和位置。通过PSO算法能够优化LSTM神经网络的网络层数和节点数，动态的对LSTM网络进行优化改良，使其具有更好的非线性函数预测能力，能够满足锂电池的寿命预测，预测结果误差小且速度快。
在本发明的一些实施例中，更新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：
vi＝vi+c1×r1×(pbesti-xi)+c2×r2×(gbesti-xi)，
位置更新公式为：
xi＝xi+vi，
式中：c1，c2是学习因子，r1，r2是[0,1]之间的随机数，pbesti是粒子的历史最佳位置，gbesti是种群的历史最佳位置。
在上述实施例中，通过速度更新公式和位置更新公式来更新粒子群中粒子的速度和位置，从而快速找出LSTM神经网络的网络层数和节点数，达到快速寻优的效果。
在本发明的一些实施例中，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。
在上述实施例中，采集的表征锂电池性能的特征参数为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。可以理解的是，能够表征锂电池性能的特征参数还有很多，但是本发明的实施例只需要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即可实现对锂电池的健康状况进行预测。
在本发明的一些实施例中，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。
在上述实施例中，通过实施采集NASAPcoE5号电池的特征参数，在室温下对电池进行充电、放电、阻抗三种实验，在实验数据中，每一个循环过程都是电池放电过程，采集的表征锂电池性能的特征参数是放电过程中的电池数据，用每10个连续的循环次数去预测后一个循环次数， 5号电池的循环总数为168，样本个数为157，选取前87个样本作为训练集，后70个样本作为测试集进行实验。可以理解的是，也可以选择其余型号的锂电池进行实验，本发明的实施例在此对电池的信号和数量也不做具体限制。电池本身就是一个负载，负载电压和负载电流就是作用在电池上面的电压和电流，电池外部再接一个负载，这个负载的电流和电压就是电池的放电电流和电压。
在本发明的一些实施例中，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：
计算预测结果的均方根误差：
Figure 5
计算预测结果的平均绝对百分比误差：
Figure 6
计算粒子群算法的适应度：
Figure 7
其中，n为样本总量，
Figure 8
为样本预测值，yi为样本真实值，
Figure BDA0003237596880000122
为样本平均值。
在上述实施例中，通过上述评判指标，对锂电池健康状况预测结果进行评判，均方根误差RMSE针对锂离子电池容量进行评判，是电池容量观测值与真值偏差的平方和与观测次数n比值的平方根，是用来衡量锂离子电池容量预测值同实际值之间的偏差，同时也能更好的反应预测中的异常值。平均绝对百分比误差MAPE是衡量预测准确性的统计指标，是百分比值，一般认为MAPE小于10时，预测精度较高。适应度系数r2是用来评判SOH预测值对真实值的拟合程度。根据计算结果判断当前 LSTM神经网络的网络层数和节点数这两个参数是否能够满足条件，如果不满足则重复进行PSO算法优化过程。
为了更好实施本发明实施例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，在基于优化算法与数据驱动的锂电池健康状态评估方法基础之上，对应的，请参阅图4，图4为本发明提供的锂电池健康状况预测装置的一实施例的结构示意图，本发明实施例提供了一种锂电池健康状况预测装置400，包括：
建模模块401，用于建立初始PSO-LSTM模型；
训练模块402，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，并将电池剩余电量作为初始 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；
预测模块403，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。
这里需要说明的是：上述实施例提供的锂电池健康状况预测装置400 可实现上述各方法实施例中描述的技术方案，上述各模块或单元具体实现的原理可参见上述方法实施例中的相应内容，此处不再赘述。
请参阅图5，图5为本发明实施例提供的锂电池健康状态预测设备的结构示意图。基于上述基于优化算法与数据驱动的锂电池健康状态评估方法，本发明还相应提供了一种锂电池健康状况预测设备，锂电池健康状况预测设备可以是移动终端、桌上型计算机、笔记本、掌上电脑及服务器等计算设备。该锂电池健康状况预测设备包括处理器510、存储器520及显示器530。图5仅示出了电子设备的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
存储器520在一些实施例中可以是锂电池健康状况预测设备的内部存储单元，例如锂电池健康状况预测设备的硬盘或内存。存储器520在另一些实施例中也可以是锂电池健康状况预测设备的外部存储设备，例如锂电池健康状况预测设备上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard) 等。进一步地，存储器520还可以既包括锂电池健康状况预测设备的内部存储单元也包括外部存储设备。存储器520用于存储安装于锂电池健康状况预测设备的应用软件及各类数据，例如安装锂电池健康状况预测设备的程序代码等。存储器520还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中，存储器520上存储有锂电池健康状况预测程序540，该锂电池健康状况预测程序540可被处理器510所执行，从而实现本申请各实施例的基于优化算法与数据驱动的锂电池健康状态评估方法。
处理器510在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)，微处理器或其他数据处理芯片，用于运行存储器1020中存储的程序代码或处理数据，例如执行基于优化算法与数据驱动的锂电池健康状态评估方法等。
显示器530在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。显示器530用于显示在锂电池健康状况预测设备的信息以及用于显示可视化的用户界面。锂电池健康状况预测设备的部件 510-530通过***总线相互通信。
在一实施例中，当处理器510执行存储器520中锂电池健康状况预测程序540时实现如上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。
以上，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (10)

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：
vi＝vi+c1×r1×(pbesti-xi)+c2×r2×(gbesti-xi)，
位置更新公式为：
xi＝xi+vi，
式中：c1，c2是学习因子，r1，r2是[0，1]之间的随机数，pbesti是粒子的历史最佳位置，gbesti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，所述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，所述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，且所述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。
6.根据权利要求5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，所述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，所述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，所述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。
7.根据权利要求6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，所述利用所述粒子群优化算法对所述过渡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：
计算预测结果的均方根误差：
Figure 2
计算预测结果的平均绝对百分比误差：
Figure 1
计算粒子群算法的适应度：
Figure 3
其中，n为样本总量，
Figure 4
为样本预测值，yi为样本真实值，
Figure FDA0003237596870000034
为样本平均值。
8.一种锂电池健康状态预测装置，其特征在于，包括：
建模模块，用于建立初始PSO-LSTM模型；
训练模块，用于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，并将电池剩余电量作为所述初始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；
预测模块，用于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。
9.一种电子设备，其特征在于，包括存储器和处理器，其中，
所述存储器，用于存储程序；
所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以实现上述权利要求1至7中任一项所述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。
10.一种计算机可读存储介质，其特征在于，用于存储计算机可读取的程序或指令，所述程序或指令被处理器执行时，能够实现上述权利要求1至7中任一项所述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。
CN202111007676.XA 2021-08-30 2021-08-30 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 Pending CN113671401A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111007676.XA CN113671401A (zh) 2021-08-30 2021-08-30 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111007676.XA CN113671401A (zh) 2021-08-30 2021-08-30 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

Publications (1)

Publication Number Publication Date
CN113671401A true CN113671401A (zh) 2021-11-19

Family

ID=78547434

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111007676.XA Pending CN113671401A (zh) 2021-08-30 2021-08-30 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

Country Status (1)

Country Link
CN (1) CN113671401A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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***
CN114545280A (zh) * 2022-02-24 2022-05-27 苏州市职业大学 一种基于寻优算法的新能源汽车锂电池寿命预测方法
CN115219906A (zh) * 2022-06-27 2022-10-21 武汉理工大学 基于ga-pso优化的多模型融合电池荷电状态预测方法及***
CN116400227A (zh) * 2023-06-08 2023-07-07 长安大学 电动汽车动力电池soh预测方法、***、设备及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180143257A1 (en) * 2016-11-21 2018-05-24 Battelle Energy Alliance, Llc Systems and methods for estimation and prediction of battery health and performance
CN111044928A (zh) * 2019-12-31 2020-04-21 福州大学 一种锂电池健康状态估计方法
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***
CN113156325A (zh) * 2021-03-18 2021-07-23 吉林大学 一种对电池的健康状态进行估计的方法
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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180143257A1 (en) * 2016-11-21 2018-05-24 Battelle Energy Alliance, Llc Systems and methods for estimation and prediction of battery health and performance
CN111044928A (zh) * 2019-12-31 2020-04-21 福州大学 一种锂电池健康状态估计方法
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***
CN113156325A (zh) * 2021-03-18 2021-07-23 吉林大学 一种对电池的健康状态进行估计的方法
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

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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***
CN114545280A (zh) * 2022-02-24 2022-05-27 苏州市职业大学 一种基于寻优算法的新能源汽车锂电池寿命预测方法
CN114545280B (zh) * 2022-02-24 2022-11-15 苏州市职业大学 一种基于寻优算法的新能源汽车锂电池寿命预测方法
CN115219906A (zh) * 2022-06-27 2022-10-21 武汉理工大学 基于ga-pso优化的多模型融合电池荷电状态预测方法及***
CN116400227A (zh) * 2023-06-08 2023-07-07 长安大学 电动汽车动力电池soh预测方法、***、设备及介质

Similar Documents

Publication Publication Date Title
CN113671401A (zh) 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
CN113589189B (zh) 基于充放电数据特征的锂电池健康状况预测方法及装置
CN113671381A (zh) 一种基于时间卷积网络的锂离子动力电池估算方法
US20220130495A1 (en) Method and Device for Determining Correlation Between Drug and Target, and Electronic Device
CN115221795A (zh) 容量预测模型的训练方法、预测方法、装置、设备及介质
CN116500449A (zh) 电芯温度预测方法、装置、存储介质及电子设备
Doppa et al. Autonomous design space exploration of computing systems for sustainability: Opportunities and challenges
CN114781273A (zh) 基于soa-lstm的电池剩余寿命的预测方法及装置
Ma et al. State of health prediction of lithium-ion batteries under early partial data based on IWOA-BiLSTM with single feature
CN117031292A (zh) 电池健康状态预测方法、装置、计算机设备和存储介质
CN117077077A (zh) 电压互感器误差状态预测方法、装置、设备及存储介质
Song et al. Capacity estimation method of lithium-ion batteries based on deep convolution neural network
CN116125279A (zh) 一种电池健康状态的确定方法、装置、设备及存储介质
JP2023083276A (ja) 充電ステーションの情報調整モデルを訓練するための方法と装置、及び製品
CN116224126A (zh) 一种电动汽车锂离子电池健康状态估计方法及***
CN113933718B (zh) 一种退役电池容量分选方法、装置、设备及存储介质
CN116050250A (zh) 基于混合驱动模型的电网数字孪生模型建模方法及装置
KR20210016828A (ko) 배터리 관리 장치, 배터리 관리 방법 및 배터리 팩
CN113344435B (zh) 台区供电状态评估、装置、电子设备和存储介质
CN115438588A (zh) 一种锂电池的温度预测方法、***、设备及存储介质
CN114565172B (zh) 电池剩余寿命预测模型构建、电池剩余寿命预测方法
CN117196123B (zh) 一种配电设备数字化生产的数据控制方法、装置及设备
CN117892667B (zh) 运算器芯片设置方法、计算子***以及智能计算平台
CN117110902A (zh) 电池传感器结构生成方法及相关装置
Chen et al. Improved Deep Extreme Learning Machine for State of Health Estimation of Lithium‐Ion 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: 20211119