一种基于寻优算法的新能源汽车锂电池寿命预测方法

技术特征：
1.一种基于寻优算法的新能源汽车锂电池寿命预测方法，其特征在于，该方法包括如下步骤：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；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'；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。2.根据权利要求1所述的基于寻优算法的新能源汽车锂电池寿命预测方法，其特征在于，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：1)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；2)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；3)记录灰狼算法每次迭代过程中的最优解v
best-g
；4)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；5)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；6)记录粒子群算法每次迭代过程中的最优解v
best-p
；7)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；8)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。3.根据权利要求1所述的基于寻优算法的新能源汽车锂电池寿命预测方法，其特征在于，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。4.根据权利要求1所述的基于寻优算法的新能源汽车锂电池寿命预测方法，其特征在于，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：i
t
＝σ(w
i
.[h
t-1
b
i
])
ꢀꢀꢀꢀ
(1)f
t
＝σ(w
f
·
[h
t-1
，x
t
] b
f
)
ꢀꢀꢀꢀ
(2)q
t
＝tanh(w
q
.[h
t-1
，x
t
] b
q
)
ꢀꢀꢀꢀ
(3)o
t
＝σ(w
o
.[h
t-1
，x
t
] b
o
)
ꢀꢀꢀꢀ
(4)c
t
＝f
t
⊙
c
t-1
i
t
⊙
q
t
ꢀꢀꢀꢀ
(5)
h
t
＝o
t
⊙
tanh(c
t
)
ꢀꢀꢀꢀ
(6)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。

技术总结
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，该方法先收集一段时间内的锂电池的温度、放电深度和充电速率、锂电池所在环境温度、锂电池所在环境温度变化率作为锂电池健康状态数据；然后根据锂电池放电曲线规律，将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数据；最后将最优解的锂电池数据送入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。该方法预测结果准确。该方法预测结果准确。该方法预测结果准确。


技术研发人员：王效宇 闫梦强 万长东 陆建康 浦京
受保护的技术使用者：苏州市职业大学
技术研发日：2022.02.24
技术公布日：2022/5/31