一种基于寻优算法的新能源汽车锂电池寿命预测方法

1.本发明属于新能源汽车电池领域中的新能源汽车锂电池技术领域，具体涉及一种基于寻优算法的新能源汽车锂电池寿命预测方法。


背景技术：

2.影响电池健康状态的因素包括温度、放电深度和充电速率等，但这些指标不能直接表征电池的性能退化程度，对于在线检测存在一定困难，电池实际容量是指电池在充满电的情况下所储存的电能，是能够直接表征。现有的锂电池寿命预测方法可以分为失效物理模型和数据驱动模型。失效物理模型是通过建立数学模型来表示锂电池性能退化的过程，然而该方法易受到噪声和环境的干扰，难以对电池的健康状况进行动态检测，鲁棒性及适应性较差.数据驱动方法由于灵活性高、易实现等优点，是目前电池寿命预测的主流方法。该类算法从电池的性能退化数据中提取出寿命特征参数，通过建模输出预测结果，为系统维护提供决策信息。电池容量的退化过程中会出现局部重生现象，这种现象所产生的波动性会严重影响预测算法的性能，在实际情况中很难进行有效预测。


技术实现要素：

3.针对上述问题，本发明提供一种基于寻优算法的新能源汽车锂电池寿命预测方法，通过对锂电池参数的寻优，将电池健康指标中的局部特征和全局退化趋势进行自适应分离，解决了电池能量指标重生引起的剧烈波动问题；构建深度神经网络温度模型，建立温度补偿模型，得到可靠的锂电池寿命预测结果。
4.为实现以上目的，本发明通过以下技术方案予以实现：
5.一种基于寻优算法的新能源汽车锂电池寿命预测方法，该方法包括如下步骤：
6.步骤1.收集一段时间内的锂电池的温度为t、放电深度c和充电速率v、锂电池所在环境温度t、锂电池所在环境温度变化率δt，记作第一组锂电池健康状态数据，在不同时间内寻找多组锂电池健康状态数据，共计找到n组锂电池健康状态数据；
7.步骤2.根据锂电池放电曲线规律，将步骤1得到的n组锂电池健康状态数据送入基于灰狼算法的改进粒子群算法中，输出最优解的锂电池的温度t'、放电深度c'、充电速率v'、锂电池所在环境温度t'、锂电池所在环境温度变化率δt'；
8.步骤3.将步骤2输出的最优解的锂电池的温度t'、放电深度c'、充电速率v'、锂电池所在环境温度t'、锂电池所在环境温度变化率δt'送入lstm预测算法中，建立寿命预测模型，根据锂电池的目标寿命，对锂电池实际的寿命进行预测，最终输出锂电池的预测寿命。
9.进一步地，步骤2中所述基于灰狼算法的改进粒子群算法，具体流程包括：
10.9)对算法的寻优种群进行初始化，将其随机散布到整个解空间中，并为灰狼算法设定α、β和δ个体；
11.10)寻优种群按照灰狼算法的寻优过程对整个解空间进行寻优；
12.11)记录灰狼算法每次迭代过程中的最优解v
beat-g
；
13.12)根据自适应替换机制进行判断，若寻优算法替换为粒子群算法进入5)，否则返回2)继续搜索；
14.13)寻优种群按照粒子群算法的寻优过程对可能存在最优解的位置进行挖掘；
15.14)记录粒子群算法每次迭代过程中的最优解v
best-p
；
16.15)根据自适应逃逸机制进行判断，若寻优种群陷入局部最优则返回1)，否则进入8)继续搜索；
17.16)判断算法是否满足结束的条件，若不满足则返回5)继续搜索，否则输出最优解的相关信息。
18.进一步地，所述基于灰狼算法的改进粒子群算法的步骤5)中，对可能存在最优解的位置进行挖掘时，将对惯性系数w进行非线性递减处理，以提高其搜索寻优能力。
19.进一步地，步骤3中所述lstm预测算法一种循环神经网络架构，lstm网络的基本结构包含每个时间步长的一系列重复单元，在每个单元，在时间步长t时，由一个信息储存部分c
t
和三个门函数，即输入门i
t
、输出门o
t
和遗忘门f
t
,来调节管理lstm网络中每个单元的信息流，决定如何更新当前存储单元c
t
中保存的信息和单元当前的隐藏状态h
t
，lstm网络模块中每个单元的相关计算函数如下面的公式所示。
20.i
t
＝σ(wi·
[h
t-1
bi])
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0021]ft
＝σ(wf·
[h
t-1
，x
t
] bf)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0022]qt
＝tanh(wq·
[h
t-1
，x
t
] bq)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0023]ot
＝σ(wo·
[h
t-1，
x
t
] bo)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0024]ct
＝f
t
⊙ct-1
i
t
⊙qt
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0025]ht
＝o
t
⊙
tanh(c
t
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0026]
其中x
t
是lstm网络单元中的输入特征，σ表示sigmod函数，
⊙
表示特征向量逐元素相乘，w和b分别表示训练时的权重矩阵和偏移向量，所述lstm网络使用了一个直接放置在maxpooling层之后的lstm模块，包含64个lstm单位，其中使用0.2的dropout层作为正则化参数，以防止模型过度拟合，dense层是整个模型的最后一层，也就是神经网络中用于输出结果的全连接层，用于根据lstm层的输出对锂电池寿命相关参数进行分类。
[0027]
有益效果：
[0028]
1.本发明提出的一种基于寻优算法的新能源汽车锂电池寿命预测方法，将电池健康指标中的局部特征和全局退化趋势进行自适应分离，解决了电池能量指标重生引起的剧烈波动问题；构建深度神经网络温度模型，建立温度补偿模型，得到可靠的锂电池寿命预测结果。在研究中，我们发现由于粒子群算法的寻优效果十分依赖于寻优种群的初始化，若初始化时粒子主要分布在了局部极值点附近，就会造成整个寻优种群陷入局部最优，影响最终的寻优效果。因此引入了灰狼算法来进行改进，灰狼算法的寻优过程受种群初始化效果的影响程度很小，在初始化之后整个种群会在整个解空间内进行搜索，因此能够有效防止算法陷入局部最优。而在后续的挖掘过程中，由于灰狼算法的更新计算公式较为复杂，因此在这一过程中消耗的时间较多且不容易找到最优值。因此在后续对全局最优值的可能区域的挖掘，采用了粒子群算法，这样可以提高最优值搜索的速度和效果。
[0029]
针对这一思路，其中要解决的问题是如何确定替换寻优算法的时机。因此提出了
一个自适应替换机制，在使用灰狼算法寻优时，根据其找到的最优解的值和两个阈值进行判断是否更换寻优算法。首先在算法迭代过程中记录当前最优解的适应值和上一代最优解的适应值之差v
gwo
，当其小于波动阈值v1时进行记录，记录v
gwo
连续小于波动阈值v的次数na。当na大于迭代次数的阈值n1时，则替换为粒子群算法进行局部的寻优。
[0030]
另外，在寻优后期，随着迭代次数的增加，整个种群的寻优个体会在目前所找到的最优值附近堆积，这是寻优的速度会不停地下降，对整个寻优过程造成不好的影响。为了解决这个问题，我们在整个算法中加入的一个自适应逃逸机制。与上面的自适应替换机制类似，通过两个阈值-波动阈值v2和n2进行判断是否对粒子进行重新散布。当波动次数nb大于n2时，判断为寻优种群即将陷入局部最优。此时，需要重新散布粒子进行全局搜索。通过这种机制可以提前判断粒子群算法是否将会陷入局部最优点，能够加强粒子摆脱局部最优点的能力，提高算法的寻优水平。
[0031]
具体来说，使用gwo-pso算法寻优过程中，首先使用灰狼算法进行寻优以对整个解空间进行搜索，获取最优解可能存在的位置；通过自适应替换机制的判断后，替换为使用粒子群算法进行解空间的局部挖掘；若自适应逃逸机制判断种群个体陷入了局部最优，则对寻优种群进行重新散布，之后继续进行寻优迭代。最终根据终止条件结束寻优过程输出最优解。
附图说明
[0032]
图1为本发明的基于灰狼算法的改进粒子群算法流程图；
[0033]
图2为本发明的lstm算法学习过程图；
[0034]
图3为本发明与其他其他深度神经网络寻优算法对比。
具体实施方式
[0035]
该方法包括如下步骤：
[0036]
步骤1.收集一段时间内的锂电池的温度为t、放电深度c和充电速率v、锂电池所在环境温度t、锂电池所在环境温度变化率δt，记作第一组锂电池健康状态数据，在不同时间内寻找多组锂电池健康状态数据，共计找到n组锂电池健康状态数据；
[0037]
步骤2.根据锂电池放电曲线规律，将步骤1得到的n组锂电池健康状态数据送入基于灰狼算法的改进粒子群算法中，输出最优解的锂电池的温度t'、放电深度c'、充电速率v'、锂电池所在环境温度t'、锂电池所在环境温度变化率δt'；
[0038]
步骤3.将步骤2输出的最优解的锂电池的温度t'、放电深度c'、充电速率v'、锂电池所在环境温度t'、锂电池所在环境温度变化率δt'送入lstm预测算法中，建立寿命预测模型，根据锂电池的目标寿命，对锂电池实际的寿命进行预测，最终输出锂电池的预测寿命。
[0039]
进一步地，步骤2中所述基于灰狼算法的改进粒子群算法，具体流程包括：
[0040]
17)对算法的寻优种群进行初始化，将其随机散布到整个解空间中，并为灰狼算法设定α、β和δ个体；
[0041]
18)寻优种群按照灰狼算法的寻优过程对整个解空间进行寻优；
[0042]
19)记录灰狼算法每次迭代过程中的最优解v
best-g
；
[0043]
20)根据自适应替换机制进行判断，若寻优算法替换为粒子群算法进入5)，否则返回2)继续搜索；
[0044]
21)寻优种群按照粒子群算法的寻优过程对可能存在最优解的位置进行挖掘；
[0045]
22)记录粒子群算法每次迭代过程中的最优解v
best-p
；
[0046]
23)根据自适应逃逸机制进行判断，若寻优种群陷入局部最优则返回1)，否则进入8)继续搜索；
[0047]
24)判断算法是否满足结束的条件，若不满足则返回5)继续搜索，否则输出最优解的相关信息。
[0048]
进一步地，所述基于灰狼算法的改进粒子群算法的步骤5)中，对可能存在最优解的位置进行挖掘时，将对惯性系数w进行非线性递减处理，以提高其搜索寻优能力。
[0049]
进一步地，步骤3中所述lstm预测算法一种循环神经网络架构，lstm网络的基本结构包含每个时间步长的一系列重复单元，在每个单元，在时间步长t时，由一个信息储存部分c
t
和三个门函数，即输入门i
t
、输出门o
t
和遗忘门f
t
,来调节管理lstm网络中每个单元的信息流，决定如何更新当前存储单元c
t
中保存的信息和单元当前的隐藏状态h
t
，lstm网络模块中每个单元的相关计算函数如下面的公式所示。
[0050]it
＝σ(wi·
[h
t-1
bi])
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0051]ft
＝σ(wf·
[h
t-1
，x
t
] bf)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0052]qt
＝tanh(wq·
[h
t-1
，x
t
] bq)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0053]ot
＝σ(wo·
[h
t-1
，x
t
] bo)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0054]ct
＝f
t
⊙ct-1
i
t
⊙qt
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0055]ht
＝o
t
⊙
tanh(c
t
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0056]
其中x
t
是lstm网络单元中的输入特征，σ表示sigmod函数，
⊙
表示特征向量逐元素相乘，w和b分别表示训练时的权重矩阵和偏移向量，所述lstm网络使用了一个直接放置在maxpooling层之后的lstm模块，包含64个lstm单位，其中使用0.2的dropout层作为正则化参数，以防止模型过度拟合，dense层是整个模型的最后一层，也就是神经网络中用于输出结果的全连接层，用于根据lstm层的输出对锂电池寿命相关参数进行分类。
[0057]
为了验证改进后的算法是否新能源汽车电池寿命预测中得到有效应用，选取31组新能源汽车电池的特征数据对寿命进行了预测，并且传统的预测方法进行对比，详情见图3，由图3可以看出，本专利提出的算法可以更好地对新能源汽车电池的寿命进行预测，相比其他算法，在准确率和精确度方面有很大提升。
[0058]
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。