CN116029183A - 一种基于iPSO-LSTM模型的动力电池温度预测方法 - Google Patents
一种基于iPSO-LSTM模型的动力电池温度预测方法 Download PDFInfo
- Publication number
- CN116029183A CN116029183A CN202310045702.0A CN202310045702A CN116029183A CN 116029183 A CN116029183 A CN 116029183A CN 202310045702 A CN202310045702 A CN 202310045702A CN 116029183 A CN116029183 A CN 116029183A
- Authority
- CN
- China
- Prior art keywords
- particle
- lstm
- iteration
- value
- gamma
- 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
Links
Images
Classifications
-
- 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
- Secondary Cells (AREA)
Abstract
本发明公开了一种基于iPSO‑LSTM模型的动力电池温度预测方法,属于动力电池制造预测技术领域。所述方法定义惰性粒子,迭代过程中将惰性粒子的位置重置为全局最优粒子的位置,但不改变该粒子的搜索速度。通过重置位置但不改变搜索速度的策略使更换位置后的粒子拥有了搜索意义,并且不进行时间浪费。本申请添加惰性粒子的定义与处理策略使得iPSO‑LSTM模型在不损失精度的同时增加了收敛的速度,降低了无效粒子搜索的可能性,同时增大了每轮最优值附近的搜索范围,最终快速准确的寻优得到最优超参数,将最优超参数带入LSTM模型实现对于动力电池温度的快速准确预测。
Description
技术领域
本发明涉及一种基于iPSO-LSTM模型的动力电池温度预测方法,属于动力电池制造预测技术领域。
背景技术
近年来,锂离子电池作为镍氢和铅酸电池的升级产品,具备高能量密度、高倍率、高安全性等特点,已成为当下技术研究和产业化的重点。同时电池制造技术从作坊式生产发展到自动化和今日的智能化,产业规模不断扩大,中国已经成为全球最大的锂离子电池生产地和消费地。
动力电池充电主要依靠电流充电实现,但是电流充电会导致电池温度快速升高、内部极化反应加成充电时间延长、充电量下降。严重的极化反应还会引起电池过热和析锂现象,甚至发生热失控,因此需要对电池充电过程进行温度监测,最原始的温度监测方法采用温度传感器实时获取电池温度,当监测到温度到达阈值后采取相应措施以避免安全问题,但这种方式无法实现对于温度的***,只能获取当下温度,因此出现了温度预测技术,对电池充电过程中的温度进行预测,现有的温度预测技术大多会对三元单体锂离子电池建立的等效可变参数热模型,用状态方程分析法,建立电池温度的关联,最后利用预测算法进行实时预测(参见“王昱朝.动力电池内部温度及荷电状态实时预测算法研究[C].江西理工大学,2022.”)。上述对电池进行数学建模的方法固然提升了预测的精度,但是计算复杂度高,可以用于专业的高性能服务器。但是对于不需要超高精度的电池温度预测,实用性不强反而浪费算力。
近些年神经网络预测模型渐渐成熟,出现了构造LSTM长短期记忆递归神经网络对动力电池温度的预测,多时相数据中提取时间特征的能力,能解决温度变化的非线性问题,在电池温度预测方面有着极大的优势。但LSTM预测模型的预测结果是否精准,依赖于超参数的选择,构造LSTM模型时,如果超参数的选择合适则预测结果较优,则模型预测结果更精确,但如果超参数的选择有偏差,则难以预测出精准的结果。实际应用中,超参数的选择一般都为人工进行调参,但是人工调参需要进行大量的实验,对操作者的技术要求高并且耗时耗力。
基于上述问题,有学者提出应用PSO粒子群优化算法对LSTM超参数寻优的方法,该方法将超参数作为粒子群的位置坐标,LSTM预测出的均方根误差作为粒子群的适应度,迭代粒子群找出最优超参数。但这种方法精度不高,而且容易陷入局部最优,有些粒子在自己位置附近进行无意义的搜索,并且在PSO与LSTM结合时,这类粒子更增加了模型无意义的耗时。这对于高精度要求和高实时性要求的动力电池温度预测方法来说极为不利。
发明内容
为了实现对电池充电过程最高温度的高效和高精度预测,以帮助企业进行危险预测与警告,本发明提出了一种基于深度学习的动力电池温度预测方法。该方法首先定义一种新型组合模型,用时间预测模型中的均方根误差作为粒子群算法的目标函数并结合惰性例子决策进行粒子群迭代,也即针对迭代粒子群寻找最优超参数时易陷入局部最优的问题,本申请定义惰性粒子的概念并且提出对惰性粒子的决策方案,建立iPSO-LSTM模型。添加惰性粒子的定义与处理策略使得iPSO-LSTM模型在不损失精度的同时增加了收敛的速度,降低了无效粒子搜索的可能性,同时增大了每轮最优值附近的搜索范围,最终快速准确的寻优得到最优超参数,将最优超参数带入LSTM模型实现对于动力电池温度的预测。
一种基于深度学习的动力电池温度预测方法,所述方法将LSTM模型的均方根误差结果RMSE作为动态决策粒子群算法的适应度值,设置LSTM模型的隐藏层节点数和学习率为粒子群的寻优参数;根据的适应度和迭代次数的变化,更新单个粒子的最优位置,并更新粒子的坐标与速度,直至适应度值RMSE趋于稳定,并确定寻优参数的最优值,利用寻优参数的最优值构造LSTM模型,即iPSO-LSTM模型,训练所述iPSO-LSTM模型,并利用训练好的iPSO-LSTM模型进行电池温度预测。
可选的,所述方法包括:
步骤1,获取电池温度数据,构造训练集和测试集;所述温度数据为电池单次充电中的最高温度;
步骤2,初始化粒子种群X,设置粒子种群规模、迭代次数、初始速度与位置区间;
设粒子种群X中任一粒子x(α,β),其位置坐标(α,β)为粒子群的寻优参数;
步骤3,利用粒子种群X中粒子坐标构造LSTM预测模型,其中以α为LSTM预测模型的隐藏层单元数,以β为LSTM预测模型的学习率;
步骤4,以LSTM预测模型的均方根误差RMSE作为粒子群迭代更新的适应度值,进行粒子群寻优;寻优过程中,定义惰性粒子,利用惰性粒子决策对粒子群的位置坐标与速度迭代更新,直至适应度值RMSE满足迭代结束的评判依据或者迭代次数达到最大,并确定寻优参数(α,β)最优值;
步骤5,以寻优参数(α,β)最优值中α为隐藏层单元数,以β为学习率构造得到iPSO-LSTM模型并进行训练,得到训练好的iPSO-LSTM模型;
步骤6,获取待预测电池的温度数据,输入训练好的iPSO-LSTM模型进行温度预测。
可选的,所述惰性粒子决策指在粒子每轮迭代更新后,将粒子群的位置按适应度值进行降序排列,将排名末尾20%的粒子定义为惰性粒子,将惰性粒子的位置重置为全局最优粒子的位置,但不改变该粒子的搜索速度,继续寻优。
可选的,所述步骤2中的粒子群初始化过程中,按照下述公式进行粒子群坐标和速度的初始化:
psoi 0(γ)=lb(γ)+r*(ub(γ)-lb(γ))γ=1、2
vi 0(γ)=-vmax(γ)+2vmax(γ)*rγ=1、2
其中,psoi 0(γ)表示初始第i个粒子的位置坐标中第γ个寻优参数的值,vi 0(γ)表示初始第i个粒子的第γ个寻优参数的搜索速度,vmax(γ)表示粒子群的第γ个寻优参数的搜索速度的上限,ub(γ)、lb(γ)分别为粒子群第γ个寻优参数的上下限,r为从[0,1]间均匀分布的随机数。
可选的,所述步骤4中LSTM预测模型的均方根误差RMSE表示为真实值与预测值偏差值的标准差:
可选的,所述步骤4中粒子群寻优过程中,定义惰性粒子,利用惰性粒子决策对粒子群的位置坐标与速度迭代更新,包括:
粒子群寻优过程中,根据适应度与迭代次数更新惯性权重w与学习因子c1、c2:
其中,下标max表示对应参数的最大值,下标min表示对应参数的最小值;t为累计迭代次数,T为最大迭代次数;
根据更新后的变量w、c1、c2对粒子速度与坐标进行迭代更新,表达式如下:
vi k+1(γ)=wvi k(γ)+c1r1(pi k-xi k)+c2r2(gk-xi k)γ=1、2
psoi k+1(γ)=psoi k(γ)+vi k+1(γ)γ=1、2
其中vi k(γ)是在第k次迭代中第i个粒子的第γ个寻优参数的搜索速度,psoi k(γ)是在第k次迭代中第i个粒子的第γ个寻优参数的值;gk为第k次迭代的全局最优值,xi k为第k次迭代第i个粒子的适应度值,r1、r2为满足在[0,1]间均匀分布的随机数;
在每轮粒子群求解适应度值后,将粒子群的位置按适应度进行降序排列,将排名末尾20%的粒子定义为惰性粒子;
改变惰性粒子的位置,将惰性粒子的位置重置为全局最优粒子的位置,但不改变该粒子的搜索速度,表达式如下:
psoy k=psom k
其中y代表第y个粒子是惰性粒子,k代表迭代次数,psoy k代表第y个粒子第k次迭代的位置坐标;m代表第m个粒子的适应度为此次迭代全局最优值,psom k代表第m个粒子第k次迭代的位置坐标。
可选的,所述步骤1中获取电池温度数据,构造训练集和测试集时,将获取到的电池温度数据的前90%划分为训练数据构成训练集,其余为测试数据构成测试集。
可选的,所述LSTM预测模型包括输入层、隐含层、输出层和Dropout层,所述利用粒子种群X中粒子坐标构造LSTM预测模型时,还包括,设定LSTM预测模型的学习率衰减速度为0.2,设定LSTM预测模型的学习率衰减轮数为125,输入层、输出层和Dropout层的层数分别为1,最大迭代次数为250。
可选的,所述适应度值RMSE趋于稳定并满足迭代结束的评判依据指:
gk-gk-2<0.0001
其中,gk表示第k次粒子群迭代的全局最优值,gk-2表示第k-2次粒子群迭代的全局最优值。
本申请还提供一种动力电池充电过程温度监测方法,所述方法利用上述温度预测方法对充电中的电池进行温度预测,实现对于电池充电过程中的温度监控。
本发明有益效果是:
通过在每轮粒子群求解适应度值后,将粒子群的适应度进行降序排列,将排名末尾20%的粒子定义为惰性粒子。此时将惰性粒子在该位置所进行的搜索视为无意义搜索,因此改变惰性粒子的位置,将惰性粒子的位置重置为全局最优粒子的位置,但不改变该粒子的搜索速度。重置位置但不改变搜索速度的策略使更换位置后的粒子拥有了搜索意义,并且不进行时间浪费。这种操作保留了粒子搜索方向的随机性,减少了粒子在已搜索路径上进行无效搜索的可能。添加惰性粒子的定义与处理策略使得iPSO-LSTM模型在不损失精度的同时增加了收敛的速度,降低了无效粒子搜索的可能性,同时增大了每轮最优值附近的搜索范围,最终快速准确的寻优得到最优超参数,将最优超参数带入LSTM模型实现对于动力电池温度的快速准确预测。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一个实施例中公开的基于iPSO-LSTM模型的动力电池温度预测方法的流程图。
图2是本发明一个实施例中公开的基于iPSO-LSTM模型的动力电池温度预测方法的结构图。
图3是本发明一个实施例中公开的采用本申请方法及基于现有LSTM模型对动力电池最高温度预测结果图。
图4是本发明一个实施例中公开的采用本申请方法及基于现有LSTM模型对动力电池最高温度预测误差结果图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
实施例一:
本实施例提供一种基于iPSO-LSTM模型的动力电池温度预测方法,所述方法基于自适应权重的iPSO-LSTM模型。LSTM模型的均方根误差结果作为动态决策粒子群算法的适应度值,设置LSTM隐藏层节点数和学习率为粒子群的寻优参数。根据的适应度和迭代次数的变化,更新单个粒子的最优位置,并更新自身的坐标与速度。
粒子群迭代更新,直至舒适度值RMSE满足迭代结束的评判依据或者迭代次数达到最大时停止迭代,并确定寻优参数,利用最优超参数构造LSTM模型,训练完成后用于动力电池温度预测。
参见图1,所述方法包括:
步骤1,获取电池温度数据,构造训练集和测试集;所述温度数据为电池单次充电中的最高温度;
步骤2,初始化粒子种群X,设置粒子种群规模、迭代次数、初始速度与位置区间;
设粒子种群X中任一粒子x(α,β),其位置坐标(α,β)为粒子群的寻优参数;
步骤3,利用粒子种群X中粒子坐标构造LSTM预测模型,其中以α为LSTM预测模型的隐藏层单元数,以β为LSTM预测模型的学习率;
步骤4,以LSTM预测模型的均方根误差RMSE作为粒子群迭代更新的适应度值,进行粒子群寻优;寻优过程中,定义惰性粒子,利用惰性粒子决策对粒子群的位置坐标与速度迭代更新,直至适应度值RMSE满足迭代结束的评判依据或者迭代次数达到最大,停止迭代并确定寻优参数(α,β)最优值;
步骤5,以寻优参数(α,β)最优值中α为隐藏层单元数,以β为学习率构造得到iPSO-LSTM模型并进行训练,得到训练好的iPSO-LSTM模型;
步骤6,获取待预测电池的温度数据,输入训练好的iPSO-LSTM模型进行温度预测。
实施例二
本实施例提供一种基于深度学习的动力电池温度预测方法,所述方法包括:
步骤一:导入数据集,提取动力电池单次充电中最高温度数据。
本实施例采用现有公开的数据集,实际应用中电池生产厂家也可以采集得到。
本实施例采用的公开数据集是NASA PCoE研究中心在爱达荷州国家实验室(IdahoNational Lab)测试的NASA锂电池数据,该数据集是采用额定容量为2A·h的18650市售锂电池分为多组开展实验,在室温下通过3种不同的工作曲线(充电、放电和阻抗)进行试验.表1给出各项实验参数,即环境温度(AT)、充电电流(CC)、放电电流(DC)、放电结束电压(EOC)和寿命结束标准(EOLC)。
表1:各项实验参数
本实验例选取了该数据集中#5电池的数据,其中#5电池数据有cycle一个字段,cycle字段中包括type,ambient_temperature,time,data四个字段;其中,type字段表示该次测量数据的类型,包括充电,放电,阻抗三种类型;ambient_temperature为本次测量时的温度,time为时间,data字段为测量数据;充电类型包括Voltage_measured,Current_measured,Temperature_measured,Current_charge,Voltage_charge,Time等字段;放电类型包括Voltage_measured,Current_measured,Temperature_measured,Current_load,Voltage_load,Time,Capacity等字段;阻抗类型包括Sense_current,Battery_current,Current_ratio,Battery_impedance,Rectified_Impedance,Re,Rct等字段。
步骤二:初始化粒子种群X。设置粒子种群规模、迭代次数、初始速度与位置区间。
本实施例设定的参数上下限以及初始化可见表2、表3:
表2:粒子种群规模、迭代次数、初始速度与位置区间上下限
其中v(1),v(2)分别表示寻优参数α,β的搜索速度。
表3:粒子种群规模、迭代次数、初始速度与位置区间初始化
表3中,SearchAgents_no表示最大迭代次数,dim表示维度,Max_iter表示种群规模,考虑实验时间,本实施例中将最大迭代次数设置为10,种群规模也设置为10,实际应用中,可根据实际需求设定。
步骤三:初始化粒子速度、位置。
随机产生一个X中的粒子x(α,β),其中(α,β)为粒子群的寻优参数,α为LSTM隐藏层单元数,β为学习率,由下组公式进行粒子群坐标和速度初始化。
psoi 0(γ)=lb(γ)+r*(ub(γ)-lb(γ))γ=1、2
vi 0(γ)=-vmax(γ)+2vmax(γ)*rγ=1、2
其中,psoi 0(γ)表示初始第i个粒子的位置坐标中第γ个寻优参数的值,vi 0(γ)表示初始第i个粒子的第γ个寻优参数的搜索速度,vmax(γ)表示粒子群的第γ个寻优参数的搜索速度的上限,ub(γ)、lb(γ)分别为粒子群第γ个寻优参数的上下限,r为从[0,1]间均匀分布的随机数。
步骤四:设置iPSO-LSTM模型的均方根误差RMSE为适应度值,RMSE通常表示为真实值与预测值偏差值的标准差。
步骤五:利用步骤三中粒子坐标位置,构造LSTM预测模型,训练并预测后,将RMSE作为粒子群适应度,并根据适应度与迭代次数更新惯性权重w与学习因子c1、c2。
其中,下标max表示对应参数的最大值,下标min表示对应参数的最小值;t为累计迭代次数,T为最大迭代次数。
LSTM单元构造方法如下:
其中,ht表示t时刻短期历史信息,Ct表示t时刻长期历史信息,为t时刻候选长期历史信息,xt表示t时刻输入样本,σ为Sigmoid激活函数,tanh为双曲正切激活函数,Wf和bf分别为遗忘门的权重矩阵和偏置向量,ft为t时刻长短时记忆网络遗忘门的输出,Wi和bi分别为输入门的权重矩阵和偏置向量,it为t时刻长短时记忆网络输入门的输出,Wo和bo分别为输出门的权重矩阵和偏置向量,Ot为t时刻长短时记忆网络输出门的输出,即动力电池温度预测值;
步骤六:将更新后的变量w、c1、c2对粒子速度与坐标进行迭代更新,表达式如下:
vi k+1(γ)=wvi k(γ)+c1r1(pi k-xi k)+c2r2(gk-xi k)γ=1、2
psoi k+1(γ)=psoi k(γ)+vi k+1(γ)γ=1、2
其中vi k(γ)是在第k次迭代中第i个粒子的第γ个寻优参数的搜索速度,psoi k(γ)是在第k次迭代中第i个粒子的第γ个寻优参数的值;gk为第k次迭代的全局最优值,xi k为第k次迭代第i个粒子的适应度值,r1、r2为满足在[0,1]间均匀分布的随机数。粒子群迭代过程中,粒子的速度vi k=[vi k(1),vi k(2)],vi k(1)是第一个寻优参数α的搜索速度,vi k(2)是第二个寻优参数β的搜索速度。
在每轮粒子群求解适应度值后,将粒子群的位置按适应度进行排列形成降序排列,将排名末尾20%的粒子定义为惰性粒子。此时将惰性粒子在该位置所进行的搜索视为无意义搜索,因此改变惰性粒子的位置,将惰性粒子的位置重置为全局最优粒子的位置,但不改变该粒子的搜索速度,表达式如下:
psoy k=psom k
其中y代表第y个粒子是惰性粒子,k代表迭代次数,psoy k代表第y个粒子第k次迭代的位置坐标;m代表第m个粒子的适应度为此次迭代全局最优值,psom k代表第m个粒子第k次迭代的位置坐标。
重置位置但不改变搜索速度的策略使更换位置后的粒子拥有了搜索意义,并且不进行时间浪费。这种操作保留了粒子搜索方向的随机性,减少了粒子在已搜索路径上进行无效搜索的可能。
直至适应度RMSE趋于稳定或者达到预定的最大迭代次数,停止迭代并确定寻优参数(α,β)数值。
步骤七:将最优参数输入至LSTM网络训练并预测
将数据前90%划分为训练数据,其余为测试数据。通过粒子群算法寻优找到最优超参数组(α,β),将其带入LSTM架构。
最终得出动力电池充电周期最高温度预测。
为评估本申请方法(后续简称为iPSO-LSTM方法)的预测性能,本实施例中通过与一种基础模型做对比,以判断该方法的优劣,基础模型采用长短时记忆网络方法(后续简称为LSTM方法)。
采用长短时记忆网络方法的介绍可参考:“王秋雯,陈彦如,刘媛春.基于卷积长短时记忆神经网络的城市轨道交通短时客流预测[J].控制与决策,2021,36(11):2760-2770.”
表4:不同预测方法下的电池制造能力预测误差对比
评价指标 | iPSO-LSTM | LSTM |
平均绝对误差(MAE) | 0.1398 | 0.1715 |
均方根误差(RMSE) | 0.1687 | 0.2123 |
为验证本申请所提出的一种基于深度学习的动力电池温度预测方法的精确性和有效性,采用本申请方法和现有LSTM方法进行如下仿真实验,对于在实际生产工艺情况,图3、图4分别展示了各方法的预测情况以及误差情况。本实施例采用的数据集是NASA PCoE研究中心在爱达荷州国家实验室(Idaho National Lab)测试的NASA锂电池数据,该数据集是采用额定容量为2A·h的18650市售锂电池分为多组开展实验。采集所有充电周期时的最高温度作为数据样本,其中选取前90%作为训练集样本,后10%作为测试集样本。
由图3可以看出,圈线表示单次充电最高温度的真实值,星形表示LSTM模型预测结果,方块代表基于自适应权重的iPSO-LSTM模型方法的预测结果,这些方法均能够大致预测制造能力的总体变化趋势。并且从中可以看出在时间周期为{0,12}、{15,35}时,方块代表的iPSO-LSTM模型方法(也即本申请方法)的预测结果更加接近于真实值,而星形代表的LSTM模型预测结果仅仅能预测出真实值的大体走势。
由图4可以看出,在时间处于{25,35}时,本申请提供的iPSO-LSTM模型方法的预测误差相比于LSTM模型预测更小,而LSTM因为超参数选取不当达不到最优的预测效果,使得残差变大。
在结合粒子群优化后,LSTM模型有明显的提升,预测的数据更加贴合原始数据,并且波动趋势同样可以被预测,比简单的LSTM模型有更广泛的适用性,省去了大部分调节LSTM超参数的时间,相对于普通的PSO-LSTM,本申请所用到的基于自适应权重的iPSO-LSTM模型算法可以达到快速收敛寻找全局最优解的目的,避免了陷入局部最优的粒子在自己位置附近的无意义搜索,省去了大部分遍历LSTM模型的时间,节约了成本同时提高了效率。
在结合策型自适应权重的PSO粒子群算法后,可以看出LSTM预测精度有明显的提升,预测的趋势也更加贴合原始数据的趋势。
在针对两种误差指标的对比中,iPSO-LSTM模型组合算法相对于LSTM算法,在平均绝对误差MAE指标中提升了18.5%;在均方根误差RMSE指标中提升了20.5%。可见在电池最高温度预测中,利用本申请所提出基于自适应权重的iPSO-LSTM模型算法可以LSTM方法预测效果上进一步提高预测精度。
本发明实施例中的部分步骤,可以利用软件实现,相应的软件程序可以存储在可读取的存储介质中,如光盘或硬盘等。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于iPSO-LSTM模型的动力电池温度预测方法,其特征在于,所述方法将LSTM模型的均方根误差结果RMSE作为动态决策粒子群算法的适应度值,设置LSTM模型的隐藏层节点数和学习率为粒子群的寻优参数;根据的适应度和迭代次数的变化,更新单个粒子的最优位置,并更新粒子的坐标与速度,直至适应度值RMSE趋于稳定,并确定寻优参数的最优值,利用寻优参数的最优值构造LSTM模型,即iPSO-LSTM模型,训练所述iPSO-LSTM模型,并利用训练好的iPSO-LSTM模型进行电池温度预测。
2.根据权利要求1所述的方法,其特征在于,所述方法包括:
步骤1,获取电池温度数据,构造训练集和测试集;所述温度数据为电池单次充电中的最高温度;
步骤2,初始化粒子种群X,设置粒子种群规模、迭代次数、初始速度与位置区间;
设粒子种群X中任一粒子x(α,β),其位置坐标(α,β)为粒子群的寻优参数;
步骤3,利用粒子种群X中粒子坐标构造LSTM预测模型,其中以α为LSTM预测模型的隐藏层单元数,以β为LSTM预测模型的学习率;
步骤4,以LSTM预测模型的均方根误差RMSE作为粒子群迭代更新的适应度值,进行粒子群寻优;寻优过程中,定义惰性粒子,利用惰性粒子决策对粒子群的位置坐标与速度迭代更新,直至适应度值RMSE满足迭代结束的评判依据或者迭代次数达到最大,并确定寻优参数(α,β)最优值;
步骤5,以寻优参数(α,β)最优值中α为隐藏层单元数,以β为学习率构造得到iPSO-LSTM模型并进行训练,得到训练好的iPSO-LSTM模型;
步骤6,获取待预测电池的温度数据,输入训练好的iPSO-LSTM模型进行温度预测。
3.根据权利要求2所述的方法,其特征在于,所述惰性粒子决策指在粒子每轮迭代更新后,将粒子群的位置按适应度值进行降序排列,将排名末尾20%的粒子定义为惰性粒子,将惰性粒子的位置重置为全局最优粒子的位置,但不改变该粒子的搜索速度,继续寻优。
4.根据权利要求3所述的方法,其特征在于,所述步骤2中的粒子群初始化过程中,按照下述公式进行粒子群坐标和速度的初始化:
psoi 0(γ)=lb(γ)+r*(ub(γ)-lb(γ))γ=1、2
vi 0(γ)=-vmax(γ)+2vmax(γ)*rγ=1、2
其中,psoi 0(γ)表示初始第i个粒子的位置坐标中第γ个寻优参数的值,vi 0(γ)表示初始第i个粒子的第γ个寻优参数的搜索速度,vmax(γ)表示粒子群的第γ个寻优参数的搜索速度的上限,ub(γ)、lb(γ)分别为粒子群第γ个寻优参数的上下限,r为从[0,1]间均匀分布的随机数。
6.根据权利要求5所述的方法,其特征在于,所述步骤4中粒子群寻优过程中,定义惰性粒子,利用惰性粒子决策对粒子群的位置坐标与速度迭代更新,包括:
粒子群寻优过程中,根据适应度与迭代次数更新惯性权重w与学习因子c1、c2:
其中,下标max表示对应参数的最大值,下标min表示对应参数的最小值;t为累计迭代次数,T为最大迭代次数;
根据更新后的变量w、c1、c2对粒子速度与坐标进行迭代更新,表达式如下:
vi k+1(γ)=wvi k(γ)+c1r1(pi k-xi k)+c2r2(gk-xi k)γ=1、2
psoi k+1(γ)=psoi k(γ)+vi k+1(γ)γ=1、2
其中vi k(γ)是在第k次迭代中第i个粒子的第γ个寻优参数的搜索速度,psoi k(γ)是在第k次迭代中第i个粒子的第γ个寻优参数的值;gk为第k次迭代的全局最优值,xi k为第k次迭代第i个粒子的适应度值,r1、r2为满足在[0,1]间均匀分布的随机数;
在每轮粒子群求解适应度值后,将粒子群的位置按适应度进行降序排列,将排名末尾20%的粒子定义为惰性粒子;
改变惰性粒子的位置,将惰性粒子的位置重置为全局最优粒子的位置,但不改变该粒子的搜索速度,表达式如下:
psoy k=psom k
其中y代表第y个粒子是惰性粒子,k代表迭代次数,psoy k代表第y个粒子第k次迭代的位置坐标;m代表第m个粒子的适应度为此次迭代全局最优值,psom k代表第m个粒子第k次迭代的位置坐标。
7.根据权利要求6所述的方法,其特征在于,所述步骤1中获取电池温度数据,构造训练集和测试集时,将获取到的电池温度数据的前90%划分为训练数据构成训练集,其余为测试数据构成测试集。
8.根据权利要求7所述的方法,其特征在于,所述LSTM预测模型包括输入层、隐含层、输出层和Dropout层,所述利用粒子种群X中粒子坐标构造LSTM预测模型时,还包括,设定LSTM预测模型的学习率衰减速度为0.2,设定LSTM预测模型的学习率衰减轮数为125,输入层、输出层和Dropout层的层数分别为1,最大迭代次数为250。
9.根据权利要求8所述的方法,其特征在于,所述适应度值RMSE趋于稳定并满足迭代结束的评判依据指:
gk-gk-2<0.0001
其中,gk表示第k次粒子群迭代的全局最优值,gk-2表示第k-2次粒子群迭代的全局最优值。
10.一种动力电池充电过程温度监测方法,其特征在于,所述方法利用权利要求1-9任一所述的方法对充电中的电池进行温度预测,实现对于电池充电过程中的温度监控。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310045702.0A CN116029183A (zh) | 2023-01-30 | 2023-01-30 | 一种基于iPSO-LSTM模型的动力电池温度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310045702.0A CN116029183A (zh) | 2023-01-30 | 2023-01-30 | 一种基于iPSO-LSTM模型的动力电池温度预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116029183A true CN116029183A (zh) | 2023-04-28 |
Family
ID=86081398
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310045702.0A Pending CN116029183A (zh) | 2023-01-30 | 2023-01-30 | 一种基于iPSO-LSTM模型的动力电池温度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116029183A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117755150A (zh) * | 2023-11-28 | 2024-03-26 | 北京潞电电力建设有限公司 | 一种基于机器学习的快速充电方法 |
-
2023
- 2023-01-30 CN CN202310045702.0A patent/CN116029183A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117755150A (zh) * | 2023-11-28 | 2024-03-26 | 北京潞电电力建设有限公司 | 一种基于机器学习的快速充电方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113030764B (zh) | 一种电池组健康状态估计方法及*** | |
CN111366848A (zh) | 一种基于pso-elm算法的电池健康状态预测方法 | |
CN113253116A (zh) | 锂离子电池荷电状态估计方法、存储介质 | |
Lipu et al. | Real-time state of charge estimation of lithium-ion batteries using optimized random forest regression algorithm | |
CN111832221B (zh) | 基于特征筛选的锂电池寿命预测方法 | |
Yang et al. | The remaining useful life estimation of lithium-ion battery based on improved extreme learning machine algorithm | |
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 | |
Dong et al. | Estimation of power battery SOC based on improved BP neural network | |
CN115308606B (zh) | 一种基于邻近特征的锂离子电池健康状态估计方法 | |
CN116029183A (zh) | 一种基于iPSO-LSTM模型的动力电池温度预测方法 | |
CN113376541B (zh) | 一种基于crj网络的锂离子电池健康状态预测方法 | |
CN115995810A (zh) | 一种考虑气象波动自适应匹配的风电功率预测方法及*** | |
CN110232432B (zh) | 一种基于人工生命模型的锂电池组soc预测方法 | |
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 | |
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 | |
Qiu et al. | Estimation of power battery SOC based on PSO-Elman neural network | |
CN116774086B (zh) | 一种基于多传感器数据融合的锂电池健康状态估计方法 | |
CN112287597A (zh) | 基于vpga-gpr算法的铅酸蓄电池soh估计方法 | |
CN113884936B (zh) | 一种基于issa耦合delm的锂离子电池健康状态预测方法 | |
CN116540134A (zh) | 一种基于gwo-lstm的锂离子电池健康状态估计方法 | |
CN115963407A (zh) | 一种基于icgwo优化elm的锂电池soc估计方法 | |
Zhou et al. | Hyperparameter optimization for SOC estimation by LSTM with internal resistance | |
CN114895206A (zh) | 基于改进灰狼优化算法的rbf神经网络的锂离子电池soh估计方法 | |
Li et al. | State of charge estimation of lithium-ion batteries using improved BP neural network and filtering techniques | |
Basia et al. | Comparison of data driven algorithms for SoH estimation of Lithium-ion batteries |
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 |