一种基于机器学习的快速充电方法与流程

本发明属于电池充电，具体涉及一种基于机器学习的快速充电方法。

背景技术：

1、新能源汽车产业发展中，新能源汽车的动力来源(动力电池)的研发备受重视，动力电池的性能直接影响着整车的驾驶性能和续航里程。动力电池性能每一次提升，都会促进电动汽车续航里程的提高、驾驶性能的飞跃，促进电动汽车产业的发展。在各类动力电池中，锂离子电池因其绿色无污染、能量密度和功率密度大的特别优势，已经成为了目前电动汽车领域的主流动力电池。因此，如何保证电池的充电效率以及寿命成了继续解决的问题。在现有技术中，难以对电池的soc进行准确的估计，导致不能准确的匹配充电策略。

技术实现思路

1、本发明提供一种基于机器学习的快速充电方法，用以解决现有技术中存在的问题。

2、一种基于机器学习的快速充电方法，包括：

3、获取电池在不同soc时的历史电池状态参数，将历史电池状态参数作为样本数据，将历史电池状态参数对应的soc作为标签数据，得到训练数据；

4、采用机器学习模型构建soc预测模型，并根据训练数据对soc预测模型进行训练，获取训练完成的soc预测模型；

5、当电池在充电过程中，获取电池的实时电池状态参数，并采用训练完成的soc预测模型对实时电池电流、实时电池电压以及实时电池温度进行识别，得到电池的实时soc；

6、以所述电池的实时soc为基础，调度不同的预设充电规则对电池的充电参数进行调整，完成电池的快速充电。

7、进一步地，获取电池在不同soc时的历史电池状态参数，将历史电池状态参数作为样本数据，将历史电池状态参数对应的soc作为标签数据，得到训练数据，包括：

8、获取电池在不同soc时的历史电流数据、历史电压数据以及历史温度数据，得到电池在不同soc时的历史电池状态参数；

9、将历史电池状态参数作为样本数据，并对样本数据进行归一化处理，得到归一化处理之后的样本数据；

10、将历史电池状态参数对应的soc作为标签数据，并将标签数据与归一化处理之后的样本数据组成训练数据。

11、进一步地，采用机器学习模型构建soc预测模型，并根据训练数据对soc预测模型进行训练，获取训练完成的soc预测模型，包括：

12、采用模糊神经网络构建soc预测模型；

13、以训练数据中的样本数据作为soc预测模型的输入，以训练数据中的标签数据作为期望输出，并采用改进的粒子群算法对soc预测模型进行训练，获取训练完成的soc预测模型。

14、进一步地，以训练数据中的样本数据作为soc预测模型的输入，以训练数据中的标签数据作为期望输出，并采用改进的粒子群算法对soc预测模型进行训练，获取训练完成的soc预测模型，包括：

15、a1、初始化soc预测模型的模型参数，并将所有的模型参数构建为向量，得到用于寻优的粒子，并获取粒子群；

16、a2、采用第一全局搜索策略对粒子群中每个粒子进行优化，得到一次优化之后的粒子群，同时获取粒子群中每个粒子的历史极值以及粒子群的群体极值；

17、a3、采用第二全局搜索策略对粒子群中每个粒子进行优化，得到二次优化之后的粒子群，同时更新粒子群中每个粒子的历史极值以及粒子群的群体极值；

18、a4、采用变异策略以及概率选择策略对粒子群的群体极值进行更新，得到更新后的群体极值；

19、a5、以训练数据中的样本数据作为soc预测模型的输入，以训练数据中的标签数据作为期望输出，重新获取粒子群中所有粒子的适应度值，并将适应度值最大的粒子作为新的群体极值；

20、a6、以预设的第一最大次数重复执行步骤a2至步骤a5之后，输出每个粒子的历史极值以及粒子群的群体极值；

21、a7、根据步骤a6输出的每个粒子的历史极值以及粒子群的群体极值，采用局部寻优策略对每个粒子进行优化，得到三次优化之后的粒子群，同时更新粒子群中每个粒子的历史极值以及粒子群的群体极值；

22、a8、检查是否满足迭代终止条件，若是，则输出群体极值作为soc预测模型的最终模型参数，否则返回步骤a7。

23、进一步地，采用第一全局搜索策略对粒子群中每个粒子进行优化，得到一次优化之后的粒子群，同时获取粒子群中每个粒子的历史极值以及粒子群的群体极值，包括：

24、针对粒子群中每个粒子，获取粒子的邻域集为

25、其中，表示粒子群中第i个粒子的邻域集，i＝1,2,…,i，i表示粒子群中的粒子总数，t表示训练次数，且t的最大值为第一最大次数，表示第i个粒子的邻域集中第j个其他粒子，j＝1,2,…,ji，ji表示第i个粒子的邻域集中的其他粒子总数，dji表示其他粒子与粒子之间的欧式距离，dist表示距离阈值，且每次执行第一全局搜索策略之后对距离阈值更新为:dist'表示更新后的距离阈值，α表示衰减因子，dist_min表示距离阈值的预设最小值；

26、获取第i个粒子的邻域集的中心位置为：并获取中心位置的适应度值为以及第i个粒子的适应度值为yit；

27、判断是否大于δyit，若是，则对第i个粒子直接更新，否则对第i个粒子进行选择更新；其中，δ表示预设控制系数；

28、对第i个粒子直接更新为：

29、

30、

31、

32、其中，表示更新后的粒子step表示更新步长，表示粒子所对应的感知位置，rand表示与粒子维度相同的随机向量，且元素在(0,1)之间随机生成；表示的适应度值；

33、对第i个粒子xi进行选择更新为：

34、从第i个粒子的邻域集中随机选择一个粒子并判断粒子的适应度值是否大于第i个粒子的适应度值，若是，则对第i个粒子更新为否则重复执行本步骤，直至达到预设的第二最大次数，对第i个粒子更新为

35、进一步地，采用第二全局搜索策略对粒子群中每个粒子进行优化，得到二次优化之后的粒子群，包括：

36、获取粒子群的群体极值的适应度值并判断是否大于δyit，若是，则对第i个粒子更新为否则对第i个粒子进行选择更新。

37、进一步地，采用变异策略以及概率选择策略对粒子群的群体极值进行更新，得到更新后的群体极值，包括：

38、确定粒子群的群体极值的更新值为：

39、

40、其中，表示群体极值的更新值，n(0,1)表示均值为0，方差为1的高斯分布；

41、判断群体极值的更新值对应的适应度值是否增大，若是，则接受该更新值，得到更新后的群体极值，否则拒绝该更新值，得到更新后的群体极值。

42、进一步地，根据步骤a6输出的每个粒子的历史极值以及粒子群的群体极值，采用局部寻优策略对每个粒子进行优化，得到三次优化之后的粒子群，包括：

43、针对某个粒子，采用局部寻优策略更新为：

44、

45、

46、其中，w表示惯性权重，表示粒子群中第h个粒子中的第d维参数的更新量，h＝1,2,…,i，t表示局部寻优策略的执行次数，表示更新之后的c1表示第一学习因子，r1表示(0,1)范围内的第一随机数，表示粒子群中第h个粒子中的第d维参数，phd表示表示粒子群中第h个粒子的历史极值中的第d维参数，c2表示第二学习因子，r2表示(0,1)范围内的第二随机数，表示粒子群的群体极值中的第d维参数，表示更新后的

47、遍历每个粒子进行更新，得到三次优化之后的粒子群。

48、进一步地，以所述电池的实时soc为基础，调度不同的预设充电规则对电池的充电参数进行调整，完成电池的快速充电，包括：

49、判断电池的实时soc是否小于或者等于第一预设阈值，若是，则执行第一预设充电规则，否则继续判断；

50、判断电池的实时soc是否大于第一预设阈值，且小于等于第二预设阈值，若是，则执行第二预设充电规则，否则执行第三预设充电规则。

51、进一步地，所述第一预设充电规则，包括：采用小于第一预设电流阈值的恒流充电电流进行预充电；

52、所述第二预设充电规则，包括：采用正向脉冲、负向脉冲以及脉冲间隙交错的充电方式进行快速充电；

53、所述第三预设充电规则，包括：采用小于第二预设电流阈值的目标电流以及小于预设电压阈值的目标电压进行涓流充电。

54、本发明提供了一种基于机器学习的快速充电方法，采用机器学习模型构建soc预测模型，并通过改进的粒子群算法对soc预测模型的模型参数进行优化，使soc预测模型能够准确地对电池的soc进行识别，从而方便执行预设的充电策略，并且提供的充电策略包括预充电、快速充电以及涓流充电是哪个阶段，能够保证电池在低温下的安全快速充电，并且削弱了电池极化，有助于延长电池寿命。