一种基于ISSA耦合DELM的锂离子电池健康状态预测方法与流程

一种基于issa耦合delm的锂离子电池健康状态预测方法
技术领域
1.本发明属于锂离子电池健康管理技术领域，具体涉及一种基于issa耦合delm的锂离子电池健康状态预测方法。


背景技术：

2.锂离子电池以其重量轻、充电效率高、寿命长、维护成本低、环保等优点成为最受欢迎和应用最广泛的储能方式之一。健康状态(state of health，soh)是衡量电池寿命的标准，soh的准确监控对于提高电池储能系统的性能和实现设备的及时维护至关重要。在大多数现有的研究中，标准的充放电模式和许多假设被认为会加速电池老化过程。但是，这种模式和假设未能反映电池真实的运行条件。此外，电池的实际容量和放电电流关系密切，在大电流放电时，电池的极化增强，内阻增大，电池的容量下降很快。相应地，在低倍率放电条件下，放电电压下降缓慢，电池容量下降较慢。因此，如果不考虑放电电流的随机性，就不能准确估计实际生活中电池的健康状态。
3.根据健康因子的不同，研究人员通常将健康状态的估计方法分为直接估计法和间接估计法。直接估计方可以使用容量或阻抗这两种直接健康因子来预测soh，但是这两个参数很难通过现有的传感器来测量，且仅能够在恒定负载条件下使用。相比之下，间接健康因子(indirect health indicators,ihis)因为可以从容易测量的电压和电流数据中提取而受到了更多技术人员的关注。由于电池的操作条件复杂，传统的从恒定放电条件下提取的间接健康因子不具参考价值和实际意义。
4.此外，随机放电条件下锂离子电池的劣化复杂，且该过程在时间维度上没有规律，因此很难找到一个合适的模型来学习已经提取的ihis和电池soh之间的非线性映射关系。深度极限学习机(deep extreme learning machine,delm)是极限学习机的创始人黄广斌提出的一种简便、高效的训练算法。与传统深度学习算法相同，delm也是用逐层贪婪的训练方法来训练网络，delm每个隐藏层的输入权重都使用极限学习机自动编码器(elm
‑
ae,extreme learning machine
‑
auto encoder)初始化，执行分层无监督训练，但是与传统深度学习算法不同的是delm不需要反向微调过程，因此它的学习速度很快。
5.本发明使用两个elm
‑
ae构成delm的网络结构，实现对随机放电条件下的锂离子电池的soh的回归预测。由于delm的隐藏层权重和偏置是随机生成的，且设定之后不再反向调整，因此delm的预测精度受这些参数的影响很大。麻雀优化算法(sparrow search algorithm,ssa)是从麻雀觅食和反捕食的行为中衍生出的一种性能良好的元启发式算法，具有搜索精度高，收敛速度快，稳定性高的优点。利用ssa算法优化delm神经网络的隐含层权重和偏置，可以避免随机初始化的输入权重和隐含层偏差对delm神经网络预测精度的影响。但和其他优化算法一样，ssa算法仍存在迭代后期计算效率低，容易陷入局部最优的问题，这样在应用ssa算法解决delm预测锂离子电池soh的问题时，会导致电池soh预测效果不理想。


技术实现要素：

6.本发明针对锂离子电池随机放电下健康状态难以预测的问题，提出了一种基于issa耦合delm的锂离子电池健康状态预测方法，该方法采用delm网络预测电池soh模块和issa优化delm网络参数模块实现对电池soh的预测。
7.一种基于issa耦合delm的锂离子电池健康状态预测方法，采用delm网络预测电池soh模块和issa优化delm网络参数模块实现对电池soh的预测，
8.所述delm网络预测电池soh模块，包括以下环节：
9.(1)通过电流传感器和电压传感器获得电池随机放电过程中的充放电电流、电压，并计算充电容量对时间的微分、放电五分钟内的电压变化值以及全放电电压的标准差，以此求出最大充电容量变化率所对应的时间h1、放电五分钟的电池内阻h2和放电电压的标准偏差h3；
10.(2)随机选择电池工作815个充放电循环的观测数据的30％，按照(1)中的方法计算h1、h2、h3，构建delm网络，该网络包括2个隐藏层，每个隐藏层是一个elm
‑
ae，其中第一个隐藏层的输出为第二个隐藏层的输入，隐藏层的输入层权重与偏置是随机产生的正交随机矩阵；以上述计算得到的h1、h2、h3作为delm网络的输入，以观测数据中各h1、h2、h3对应的电池soh作为delm网络的输出，训练delm网络；
11.(3)将delm网络的第一个隐藏层的节点数量设置为20，第二个隐藏层的节点数设置为10训练delm网络，当delm网络的当前均方根误差小于0.1时停止训练；
12.(4)将(2)中选择30％观测数据后剩余的70％的观测数据按照(1)中的方法计算h1、h2、h3，并将其作为(3)训练好的delm网络的输入，实现对锂离子电池soh的预测；
13.所述issa优化delm网络参数模块，包括以下环节：
14.(a)初始化麻雀种群将ssa算法的种群数量、发现者比例和警告值分别设置为30、0.7和0.6，通过相关公式求出麻雀种群中发现者、加入者和侦察者的位置，选取n组delm网络的训练误差作为ssa算法的适应度函数来计算每个麻雀个体的适应度值，其中，n为大于1的正整数；
15.(b)使用精英反向学习提高ssa算法的多样性根据适应度函数由小到大的顺序，将麻雀以最优麻雀到最差麻雀的顺序排列，并将排名前30％的麻雀视为精英麻雀，求出这些麻雀的反向解；
16.(c)使用柯西
‑
高斯扰动变异策略对潜在全局最优麻雀的位置进行更新随着迭代次数的增加，柯西
‑
高斯变异策略可以自适应地调整柯西
‑
高斯变异算子的大小，从而改变最优麻雀的分布参数，重新定位最优麻雀的位置，避免算法陷入局部最优；
17.(d)采用上述3个环节改进后的issa算法对delm网络的隐含层权重和偏置进行寻优，利用改进的issa算法经过50次迭代，找到适应度函数的最小值所对应的delm网络的隐含层权重和偏置，实现对delm网络的优化。
18.本发明所公开的方法具有以下优点：
19.将30％的优秀麻雀作为精英麻雀，通过求解这些麻雀的反向解，进一步扩大了ssa算法的搜索空间；并采用柯西
‑
高斯变异算子重新定位了最优麻雀的位置，使得整个种群尽可能移动到最优解附近，避免算法陷入局部最优；基于改进后的ssa算法求解delm网络的最优隐含层权重和偏置，进一步提高delm网络的预测精度；issa
‑
delm锂离子电池soh估计模
型预测精度高，可用于随机放电条件下锂离子电池的健康状态精确预测。
附图说明
20.图1为本发明中基于issa耦合delm的锂离子电池健康状态预测方法的整体流程图；
21.图2为不同循环周期的充电容量变化率曲线；
22.图3为充电容量变化率的最大值所对应时间(h1)的提取结果；
23.图4为电池放电5分钟后的内阻(h2)的提取结果；
24.图5为电池放电电压标准差(h3)的提取结果；
25.图6为电池三个间接健康因子的提纯结果；
26.图7为delm网络结构图；
27.图8为issa耦合delm方法与其他方法的soh对比结果图；
28.图9为issa耦合delm方法与其他方法的适应度函数迭代收敛曲线对比图。
具体实施方式
29.接下来通过具体实施例和参考图对本发明做进一步详细说明。该实施例仅用于进一步解释本发明，并不能限制本发明的保护范围。
30.一种基于issa耦合delm的锂离子电池健康状态预测方法，采用delm网络预测电池soh模块和issa优化delm网络参数模块实现对电池soh的预测，
31.所述delm网络预测电池soh模块，包括以下环节：
32.(1)通过电流传感器和电压传感器获得电池随机放电过程中的充放电电流、电压，并计算充电容量对时间的微分、放电五分钟内的电压变化值以及全放电电压的标准差，以此求出最大充电容量变化率所对应的时间h1、放电五分钟的电池内阻h2和放电电压的标准偏差h3；
33.(2)随机选择电池工作815个充放电循环的观测数据的30％，按照(1)中的方法计算h1、h2、h3，构建delm网络，该网络包括2个隐藏层，每个隐藏层是一个elm
‑
ae，其中第一个隐藏层的输出为第二个隐藏层的输入，隐藏层的输入层权重与偏置是随机产生的正交随机矩阵；以上述计算得到的h1、h2、h3作为delm网络的输入，以观测数据中各h1、h2、h3对应的电池soh作为delm网络的输出，训练delm网络；
34.(3)将delm网络的第一个隐藏层的节点数量设置为20，第二个隐藏层的节点数设置为10训练delm网络，当delm网络的当前均方根误差小于0.1时停止训练；
35.(4)将(2)中选择30％观测数据后剩余的70％的观测数据按照(1)中的方法计算h1、h2、h3，并将其作为(3)训练好的delm网络的输入，实现对锂离子电池soh的预测；
36.所述issa优化delm网络参数模块，包括以下环节：
37.(a)初始化麻雀种群将ssa算法的种群数量、发现者比例和警告值分别设置为30、0.7和0.6，通过相关公式求出麻雀种群中发现者、加入者和侦察者的位置，选取n组delm网络的训练误差作为ssa算法的适应度函数来计算每个麻雀个体的适应度值，其中，n为大于1的正整数；
38.(b)使用精英反向学习提高ssa算法的多样性根据适应度函数由小到大的顺序，将
麻雀以最优麻雀到最差麻雀的顺序排列，并将排名前30％的麻雀视为精英麻雀，求出这些麻雀的反向解；
39.(c)使用柯西
‑
高斯扰动变异策略对潜在全局最优麻雀的位置进行更新随着迭代次数的增加，柯西
‑
高斯变异策略可以自适应地调整柯西
‑
高斯变异算子的大小，从而改变最优麻雀的分布参数，重新定位最优麻雀的位置，避免算法陷入局部最优；
40.(d)采用上述3个环节改进后的issa算法对delm网络的隐含层权重和偏置进行寻优，利用改进的issa算法经过50次迭代，找到适应度函数的最小值所对应的delm网络的隐含层权重和偏置，实现对delm网络的优化。
41.本实施方式记载的是一种基于issa耦合delm的锂离子电池健康状态预测方法，如图1所示，其技术方案主要包含delm网络预测电池soh模块和issa优化delm网络参数模块两个模块。
42.delm网络预测电池soh模块通过电流传感器和电压传感器获得电池随机放电过程中的充放电电流、电压，并计算充电容量对时间的微分、放电五分钟内的电压变化值以及全放电电压的标准差，以此求出最大充电容量变化率所对应的时间h1、放电五分钟的电池内阻h2和放电电压的标准偏差h3，具体计算方法如下：
43.1.1：随着随机充放电循环次数的增加，电流曲线对充电时间的积分面积不规则减小，充电容量不断减少。通过计算不同循环下电池充电容量的变化率可以观察充电容量的这种不规则变化，具体计算公式如下：
[0044][0045]
式中，q
l
和t
l
分别是第l个采样点的充电容量和充电时间，相邻两个采样点之间的间隔为10秒。不同循环下电池充电容量的变化率如图2所示。随着充放电循环的增加，电阻值的加速增长缩短了恒流充电达到截止电压的时间，与充电容量最大变化率对应的时间缩短。因此，本发明提取出充电容量最大变化率所对应的时间作为第一个间接健康因子(h1)，提取结果如图3所示。
[0046]
1.2：随着电池的老化，电池的内阻总是增加。考虑到电池在实际应用中并未完全放电，本发明选择电池放电五分钟后与电池内阻相关的ihi。电池放电5分钟后的电阻值可以通过电压变化和随机选择的放电电流粗略得到。具体计算公式如下。
[0047][0048]
式中，h2(i)是第i个随机放电循环的放电容量，δu
i
和i
i
分别为放电5分钟内的电压变化值和电流值。电池在815次充放电循环中放电5分钟后的内阻如图4显示。其变化趋势明显，这支撑了这个参数与电池soh有关的言论。
[0049]
1.3：在大电流放电条件下，电极极化增强，内阻增大，放电电压迅速下降。相应地，在低速放电中，由于相对较小的内阻，放电电压缓慢降低。因此，本发明提取放电电压的标准差作为第三间接健康因子(h3)，具体计算公式如下：
[0050][0051]
式中，h3(i)代表第i个随机充放电循坏的放电电压的标准差，μ
i
和n
i
分别表示第i
个随机充放电循坏中所有放电电压的平均值和个数，是第i个随机充放电循坏中的第k个电压值。图5为h3的提取结果。
[0052]
1.4：从图2、图3和图4可以看出，这3个ihis包含了大量的突变数据。为了提高3个的ihis与电池容量之间的相关性，本发明采用指数加权滑动平均算法(exponentiallyweightedmovingaverage，ewma)对这些参数进行提纯，具体计算公式如下：
[0053][0054]
式中：λ
k
为加权因子，它以指数形式递减，
[0055]
1.5：利用3个精炼后的ihis和电池容量的平均值和标准差，求出它们的无量纲表达式，3个ihis和电池容量的计算结果如图6所示。
[0056][0057][0058]
式中，和分别代表第k个间接健康因子和电池容量的归一化后的结果，mean(c)和std(c)分别表示所有循环的电池容量的平均值和标准差；和分别为第k个间接健康因子值在所有循环的平均值和标准差。
[0059]
1.6：使用皮尔逊积距相关系数计算提纯后的ihis与电池容量之间的相关性。
[0060][0061]
构建含有两层elm
‑
ae的delm网络，如图7所示，它的数学表达式可以简单地表示如下：
[0062][0063]
g＝βp(9)
[0064]
e＝y
‑
g＝y
‑
βp(10)
[0065]
β＝yp
t
(pp
t
)
‑1(11)
[0066]
式中，代表网络的激活函数，设置为sigmoid函数，a，w，b，β，p分别代表输入序列、输入权重、隐含层偏差、输出权重和隐藏节点的结果值。为了避免过度拟合，可以使用著名的tikhonov正则化系数将公式(11)改为：
[0067][0068]
issa优化delm网络参数模块获得delm网络的最优隐含层权重和偏置，提高delm网络的预测精度，具体方法如下：
[0069]
麻雀搜索算法参数初始化，主要包括：种群规模、算法最大迭代次数、发现者的比重、预警者的比重、比例因子的上边界和下边界；
[0070]
初始化麻雀种群，通过相关公式求出麻雀种群中发现者、加入者和侦察者的位置，并用delm的实际输出和期望输出的均方误差计算出初始麻雀种群的适应度函数，以评估初
始食物源的质量，麻雀个体的位置和适应度函数的计算公式如下所示：
[0071][0072][0073][0074][0075]
式中，x，e，c分别是生产者、进入者和侦察者的位置，它们是delm神经网络的最佳输入权重和隐藏层节点偏差的潜在解决方案。r2和st分别时预警指标和安全指标。x
i，j
表示第i个麻雀在第j维解空间中的位置。x
p
，x
worst
，x
best
分别指生产者占据的最佳位置、全局的最差位置和全局的最佳位置。适应度函数f通过预测sohy和实际之间的平均绝对误差(mean absolute error，mse)计算，用于评估潜在最优麻雀的质量。如果i≤n/2，则表示加入者接近delm的最优参数；而i＞n/2，则表示加入者的能量很低，需要到别处寻找食物。f
g
和f
w
分别是当前的最佳适应度和最差适应度。当f
i
＞f
g
时，表明麻雀个体处于群体的边缘并且容易受到捕食者的攻击时。如果f
i
＝f
g
，这意味着处于群体中心的麻雀意识到了危险，需要飞向其他麻雀以降低捕获风险。
[0076]
在ssa的初始化阶段，算法随机生成解，能量储存较高的精英麻雀开始引导种群中的其他麻雀寻找食物。当精英麻雀陷入局部优化时，所有麻雀的觅食速度可能会减慢甚至停滞，最终导致整个麻雀种群的局部优化。eobl可以在两个方向上搜索原始初始解和新生成的逆解，从而为种群中的精英粒子提供动量。其可以帮助精英粒子跳出局部极值，引导其他粒子飞向全局最优解。本发明采用eobl在ssa的所有方向和相反方向同时执行搜索过程。具体实施方式为：按照适应度函数的大小，将麻雀从最优到最差排列，并将排名前30％的麻雀视为精英麻雀，求出这些精英麻雀的反向解。其计算公式为：
[0077][0078][0079][0080][0081]
式中，其中和分别代表第j维解空间中第i个精英麻雀的当前解和基于反向的求解；t是当前的迭代次数；k是一个介于0和1之间的随机数。a和b分别对应于决策变量的上界和下界。
[0082]
根据贪婪标准更新精英麻雀的位置，以确保整个进化过程不会后退。具体位置更新公式如下：
[0083][0084]
另外，在ssa的后期迭代中，麻雀会逐渐向最优个体飞去，容易导致种群多样性的丧失。如果当前最优个体是局部最优解，那么算法很容易陷入局部最优。因此，应考虑提高最优解的搜索速度，避免麻雀被掠食者攻击。为了解决这个问题，本发明在麻雀种群的最优解位置进行柯西
‑
高斯扰动变异操作，其计算公式如下：
[0085][0086][0087]
其中和分别表示变异前后最优麻雀的位置；σ2是柯西
‑
高斯变异算子的标准差；c和g分别表示满足柯西分布和高斯分布的随机变量。t
max
是最大迭代次数。
[0088]
利用贪婪规则更新最优麻雀的位置。其位置更新公式如下：
[0089][0090]
当达到最大迭代次数时，麻雀种群停止搜寻食物。输出最优麻雀的位置，并将其作为delm网络的最优隐含层权重和偏置。
[0091]
对本发明所公开的基于issa耦合delm的锂离子电池健康状态预测方法进行验证。
[0092]
采用nasa提供的随机电池老化数据进行了验证实验，并对实验的结果进行对比分析。在这一数据集中，电池的随机电流放电被称为随机游走(random walk,rw)，并使用标称容量为2ah，充放电截止电压分别为4.2v和3.2v的18650锂离子电池进行随机放电实验。每50次rw循环之后，进行两次参考充放电循环以提供真实的soh。该数据集综合考虑了锂离子电池多种工况条件，同时提供相关电池实验数据为工作数据集开展锂离子电池健康管理技术的研究之用。
[0093]
首先，提取可以反应电池随机放电情况的3个ihi，使用ewma算法对这3个间接健康因子进行提纯。并使用皮尔逊积距相关系数验证提纯后的ihi与电池容量之间的相关性。四个电池的间接健康因子和容量之间的皮尔逊积距相关系数的计算结果如表1所示。
[0094]
表1电池3个间接健康因子相关性分析表
[0095][0096]
表中所有pcc的绝对值均高于0.983，证明容量与每个ihi之间存在很强的线性相
关性。因此，通过使用这些ihi作为模型输入，可以获得较高精度的soh估计结果。
[0097]
然后，使用delm神经网络学习3个ihi和电池soh之间的潜在映射关系，其中，利用issa算法获取delm神经网络的输入权重和隐含层偏差值。考虑到添加隐藏层会使网络复杂化并增加训练时间，使用两个隐藏层构建delm网络。经过实验发现，当增加隐藏层的个数到3个时，算法的执行时间增加了1.8倍，但预测误差rmse仅减少了0.7％。此外，为了准确预测电池soh，经过反复测试，确定两个隐藏层的节点数分别为20和10。并设置ssa算法的种群规模为30、最大迭代次数为50、发现者的比重为0.7、预警者的比重为0.3、比例因子的上边界和下边界分别为10和
‑
10。
[0098]
最后，为了验证issa耦合delm神经网络的预测精度，选取基于ssa
‑
delm、ipso
‑
delm和igwo
‑
delm对随机放电时电池的健康状态进行预测，并且与issa
‑
delm模型的预测结果比较。这里，igwo由灰狼优化(gray wolf optimization,gwo)和差分进化(differential evolution,de)组成，ipso由粒子群优化(particle swarm optimization,pso)和遗传算法(genetic algorithm,ga)合并而成。四种方法的电池soh估计结果和适应度函数的迭代收敛曲线分别在图8和图9上显示。并且选用均方根误差(root mean square error,rmse)、拟合度(r2)、算法的执行时间(t)作为预测方法的评价指标，实验结果如下表所示。
[0099]
表2不同方法的soh估计结果
[0100][0101]
根据以上验证实验，本发明基于锂离子的随机放电的电流和电压特性，提取了与电池容量十分相关的三个ihi进行电池soh预测分析：
[0102]
(1)issa算法利用精英对立学习和柯西
‑
高斯变异算子对基本ssa算法进行了改进，扩大了搜索空间，避免了算法陷入局部优化。实验表明，与其他的改进优化算法相比，改进后的issa算法具有更快的收敛速度和更高的收敛精度。
[0103]
(2)在针对随机放电条件下锂离子电池的soh预测，issa耦合delm方法相对其他方法能更好地学习电池间接健康因子和电池soh之间的相关性，并取得了较好的预测结果。
[0104]
(3)这种基于间接健康因子进行电池soh进行预测，克服了在线预测中电池容量难以获得的困难。通过实时监测电池的充放电情况，从实时监测的电池充放电数据中提取最大充电容量变化率时间、放电5分钟后的近似内阻和放电电压的标准偏差。这3个指标比电池容量更容易测量，且与电池容量的相关度很高，为实现电池随机放电条件下soh的高精度在线预测提供了有力条件。