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

技术特征：
1.一种基于issa耦合delm的锂离子电池健康状态预测方法，其特征在于：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，所述delm网络预测电池soh模块，包括以下环节：(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；(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；(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；(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；所述issa优化delm网络参数模块，包括以下环节：(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；(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；(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；(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。

技术总结
本发明公开了一种基于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，其中，DELM网络包括两个ELM


技术研发人员：贾建芳 温杰 元淑芳 史元浩 庞晓琼 刘豪 曾建潮
受保护的技术使用者：中北大学
技术研发日：2021.11.08
技术公布日：2022/1/4