一种锂离子电池健康状态预测方法

1.本发明提出一种锂离子电池健康状态预测的算法。具体涉及一种基于改进鲸鱼算法优化的长短期记忆神经网络算法，通过已有的健康因子历史数据来预测当前容量数据的方法。


背景技术：

2.电池健康状态是锂离子电池的重要指标，它反映出锂离子电池的可用容量在额定容量上的占比，为电池系统的报废、回收及更换提供参考和依据。为避免锂离子电池使用过程中发生安全事故，实时掌握锂离子电池工作状态，需要对锂离子电池的健康状态进行预测。准确地估算出可用容量，是对锂离子电池充分利用和安全使用的前提，可以实现锂离子电池性能的最大化利用和寿命的延长，从而科学地应用于实际生活中。


技术实现要素：

3.本发明提出了一种基于改进鲸鱼算法优化的长短期记忆神经网络算法，其目的在于通过已有的健康因子历史数据来较为精准地预测当前容量数据。
4.为实现上述目的，本发明设计方案如下：
5.一种锂离子电池健康状态预测方法，基于改进鲸鱼算法iwoa和长短期记忆神经网络算法lstm，算法模型建立流程为：
6.(1)健康因子选择和相关性分析；
7.(2)鲸鱼算法woa改进方法的提出和改进鲸鱼算法iwoa对长短期记忆神经网络算法 lstm的优化效果分析；
8.(3)基于改进鲸鱼算法iwoa和长短期记忆神经网络算法lstm的预测模型建立和电池健康状态的预测。
9.作为优选方式，健康因子选择和相关性分析包括下述步骤：
10.①
提出可能表达可用容量变化的特征参数，从原数据集中计算并获取这些参数；
11.②
对步骤
①
中的特征参数分别与其对应的锂离子电池可用容量进行相关性分析，使用pearson相关系数、kendall相关系数和spearman相关系数综合评判相关性最高的特征参数，将其作为健康因子；
12.③
选取锂离子电池可用容量在额定容量70％以上的健康因子和可用容量数据。
13.作为优选方式，鲸鱼算法woa模拟了鲸鱼捕食的三个阶段：包围阶段、发泡阶段和搜索阶段。
14.作为优选方式，改进鲸鱼算法iwoa包括如下改进过程：
15.①
引入非线性权重因子：为了提高鲸鱼算法的全局性，提出一种非线性的自适应权重因子：
[0016][0017]
式中，ω为权重因子，k为调节系数，k》1，t为当前迭代次数，i
max
为最大迭代次数，引入非线性权重因子后，woa算法公式更新为：
[0018][0019][0020]
式中，为当前鲸鱼个体的位置向量，为当前适应度最高的鲸鱼位置向量，是系数向量，和是中间过程值，表示当前鲸鱼位置与猎物的距离向量，b为与螺旋形状相关的常量，l为[-1,1]区间内的随机数，表示当前某个随机鲸鱼的位置向量；
[0021]
②
差分变异扰动项：设计一个差分变异扰动项，其系数以线性递减的方式随迭代次数变化，该项定义为：
[0022][0023][0024]
式中，δ为差分变异扰动项，h为动态调节系数；引入差分变异扰动项后，woa算法公式更新为：
[0025][0026]
③
自适应调整搜索策略：设计一个概率阈值，使得算法尽可能随机在初期全局范围内产生一组解：
[0027][0028][0029]
式中，q为概率阈值，为种群的平均适应度，f
min
为种群中最差的适应度，f
max
为种群中最优的适应度，g为[0,1]区间内的随机数，和分别为的最大值与最小值；对于每条鲸鱼，用一个[0,1]之间的随机数q与概率阈值q进行比较，如果q《q，则按照该鲸鱼按照公式(8)更新位置，其他鲸鱼的位置不变；反之则按照公式(3)更新其他鲸鱼的位置。
[0030]
作为优选方式，所述改进鲸鱼算法iwoa对长短期记忆神经网络算法lstm的优化效果分析，包括如下步骤：
[0031]
①
将改进鲸鱼算法iwoa中的调节系数k设为2，设定种群规模和进化次数；
[0032]
②
将均方误差mse作为长短期记忆神经网络算法lstm的损失函数和改进鲸鱼算法 iwoa的目标函数；
[0033]
③
将长短期记忆神经网络算法lstm中隐含层节点数和初始学习率作为鲸鱼算法woa 的优化对象；
[0034]
④
设定长短期记忆神经网络算法lstm的输入时间步长。
[0035]
作为优选方式，所述基于改进鲸鱼算法iwoa和长短期记忆神经网络算法lstm的预测模型的建立，将数据的60％划分为训练集，对网络进行训练，另40％划分为测试集，测试网络的精确度并建立评价指标。
[0036]
作为优选方式，所述基于改进鲸鱼算法iwoa和长短期记忆神经网络算法lstm算法模型的电池健康状态预测，主要流程为：
[0037]
(1)提取锂离子电池循环过程中的健康因子数据和容量变化数据；
[0038]
(2)将数据集分为训练集与测试集，基于改进鲸鱼算法iwoa和长短期记忆神经网络算法lstm，使用训练集数据训练算法模型；
[0039]
(3)将测试集模型代入算法模型，通过建立评价体系定量评估模型的预测能力。
[0040]
作为优选方式，所述评价指标，包含平均绝对误差mae、平均绝对误差百分比mape 和均方根误差rmse，从多维度综合评价算法的预测效果。
[0041]
本发明的优点在于：
[0042]
改进了woa算法，提高了其优化能力，使其具有较强的全局搜索能力，不容易陷入局部最优解，基于iwoa-lstm算法，能够有效、精确地基于健康因子的历史值预测当前可用容量。
附图说明
[0043]
图1为本发明实施例3每节电池使用不同健康因子的iwoa-lstm预测结果。(a)1号电池；(b)2号电池；(c)3号电池；(d)4号电池。
具体实施方式
[0044]
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。
[0045]
实施例1
[0046]
本实施例提供一种锂离子电池健康状态预测方法，基于改进鲸鱼算法iwoa和长短期记忆神经网络算法lstm，其特征在于，算法模型建立流程为：
[0047]
(1)健康因子选择和相关性分析；
[0048]
(2)鲸鱼算法woa改进方法的提出和改进鲸鱼算法iwoa对长短期记忆神经网络算法 lstm的优化效果分析；
[0049]
(3)基于改进鲸鱼算法iwoa和长短期记忆神经网络算法lstm的预测模型建立和电池健康状态的预测。
[0050]
实施例2
[0051]
本实施例提供一种锂离子电池健康状态预测方法，基于改进鲸鱼算法iwoa和长短期记忆神经网络算法lstm，算法模型建立流程为：
[0052]
(1)健康因子选择和相关性分析；
[0053]
(2)鲸鱼算法woa改进方法的提出和改进鲸鱼算法iwoa对长短期记忆神经网络算法 lstm的优化效果分析；
[0054]
(3)基于改进鲸鱼算法iwoa和长短期记忆神经网络算法lstm的预测模型建立和电池健康状态的预测。
[0055]
所述步骤(1)健康因子选择和相关性分析包括下述步骤：
[0056]
①
提出可能表达可用容量变化的特征参数，包括恒流恒压充电模式下的恒流充电时间、恒流恒压充电模式下的恒压充电时间、恒流放电模式下电压降至3.65v的放电时间、恒流放电模式下电压从3.95v降到3.65v的放电时间、恒流放电模式下放电末期电压梯度为-0.001 的放电时间、恒流放电模式下放电末期电压梯度为-0.002的放电时间、恒流放电模式下最大平稳放电时间(梯度《0.0005)、恒流放电模式下前半分钟的压降，从原数据集中计算并获取这些参数。
[0057]
②
接下来把特征参数分别与其对应的锂离子电池可用容量进行相关性分析，使用pearson 相关系数、kendall相关系数和spearman相关系数综合评判相关性最高的特征参数，分别为恒流恒压充电模式下的恒流充电时间、恒流放电模式下电压降至3.65v的放电时间、恒流放电模式下放电末期电压梯度为-0.002的放电时间和恒流放电模式下前半分钟的压降，将其作为健康因子。
[0058]
选取锂离子电池可用容量在额定容量70％以上的健康因子和可用容量数据。
[0059]
所述步骤(2)具体为：建立lstm神经网络结构。
[0060]
使用woa算法对lstm神经网络的超参数选择进行优化。鲸鱼算法woa模拟了鲸鱼捕食的三个阶段：包围阶段、发泡阶段和搜索阶段。
[0061]
包围阶段：在这一阶段中，鲸鱼位置的更新按照如下公式进行：
[0062][0063][0064]
式中，t为当前迭代次数，为当前鲸鱼个体的位置向量，为当前适应度最高的鲸鱼位置向量，和都是系数向量，具体表示为：
[0065][0066][0067]
式中，和为[0,1]区间内的随机向量，为由2线性递减至0的向量，如公式表示：
[0068][0069]
式中，t
max
为最大迭代次数。
[0070]
发泡阶段：这一过程为算法的局部搜索过程。螺旋游动方式可表示为：
[0071][0072][0073]
式中，表示当前鲸鱼个体位置到猎物的距离向量，b为与螺旋形状相关的常量，l为[-1,1] 区间内的随机数。假设包围收缩和螺旋游动两种行为是等概率执行的，综合二者
的位置更新过程，描述如下：
[0074][0075]
式中，p为[0,1]区间内的随机变量，用于保证两种行为等概率进行。
[0076]
③
搜索阶段：这一阶段使得网络的收敛具有更强的全局性，可描述为：
[0077][0078][0079]
式中，表示当前某个随机鲸鱼的位置向量。
[0080]
改进鲸鱼算法iwoa包括如下改进过程：
[0081]
①
引入非线性权重因子：为了提高鲸鱼算法的全局性，提出一种非线性的自适应权重因子：
[0082][0083]
式中，ω为权重因子，k为调节系数，k》1，t为当前迭代次数，i
max
为最大迭代次数，引入非线性权重因子后，woa算法公式更新为：
[0084][0085][0086]
式中，为当前鲸鱼个体的位置向量，为当前适应度最高的鲸鱼位置向量，是系数向量，和是中间过程值，表示当前鲸鱼位置与猎物的距离向量，b为与螺旋形状相关的常量，l为[-1,1]区间内的随机数，表示当前某个随机鲸鱼的位置向量；
[0087]
②
差分变异扰动项：设计一个差分变异扰动项，其系数以线性递减的方式随迭代次数变化，该项定义为：
[0088][0089][0090]
式中，δ为差分变异扰动项，h为动态调节系数；引入差分变异扰动项后，woa算法公式更新为：
[0091][0092]
③
自适应调整搜索策略：设计一个概率阈值，使得算法尽可能随机在初期全局范围内产生一组解：
[0093][0094]
[0095]
式中，q为概率阈值，为种群的平均适应度，f
min
为种群中最差的适应度，f
max
为种群中最优的适应度，g为[0,1]区间内的随机数，和分别为的最大值与最小值；对于每条鲸鱼，用一个[0,1]之间的随机数q与概率阈值q进行比较，如果q《q，则按照该鲸鱼按照公式(8)更新位置，其他鲸鱼的位置不变；反之则按照公式(3)更新其他鲸鱼的位置。
[0096]
所述改进鲸鱼算法iwoa对长短期记忆神经网络算法lstm的优化，包括如下技术特征：
[0097]
①
将改进鲸鱼算法iwoa中的调节系数k设为2，设定种群规模和进化次数；
[0098]
②
将均方误差mse作为长短期记忆神经网络算法lstm的损失函数和改进鲸鱼算法 iwoa的目标函数；
[0099]
③
将长短期记忆神经网络算法lstm中隐含层节点数和初始学习率作为鲸鱼算法woa 的优化对象；
[0100]
④
设定长短期记忆神经网络算法lstm的输入时间步长。
[0101]
所述基于改进鲸鱼算法iwoa和长短期记忆神经网络算法lstm的预测模型的建立，将数据的60％划分为训练集，对网络进行训练，另40％划分为测试集，测试网络的精确度并建立评价指标。
[0102]
所述基于改进鲸鱼算法iwoa和长短期记忆神经网络算法lstm算法模型的电池健康状态预测，主要流程为：
[0103]
(1)提取锂离子电池循环过程中的健康因子数据和容量变化数据；
[0104]
(2)将数据集分为训练集与测试集，基于改进鲸鱼算法iwoa和长短期记忆神经网络算法lstm，使用训练集数据训练算法模型；
[0105]
(3)将测试集模型代入算法模型，通过建立评价体系定量评估模型的预测能力。
[0106]
所述评价指标，包含平均绝对误差mae、平均绝对误差百分比mape和均方根误差 rmse，从多维度综合评价算法的预测效果。
[0107]
实施例3
[0108]
本实施例提供一种锂离子电池健康状态预测方法，基于改进鲸鱼算法iwoa和长短期记忆神经网络算法lstm，其具体实现过程包括如下步骤：
[0109]
(1)健康因子选择和相关性分析。以4节松下ncr18650b锂离子电池作为实验对象，获取其全生命周期的充放电及容量变化数据，为其编号为1～4号。提出可能表达可用容量变化的特征参数，包括恒流恒压充电模式下的恒流充电时间、恒流恒压充电模式下的恒压充电时间、恒流放电模式下电压降至3.65v的放电时间、恒流放电模式下电压从3.95v降到3.65v 的放电时间、恒流放电模式下放电末期电压梯度为-0.001的放电时间、恒流放电模式下放电末期电压梯度为-0.002的放电时间、恒流放电模式下最大平稳放电时间(梯度《0.0005)、恒流放电模式下前半分钟的压降，从原数据集中计算并获取这些参数。
[0110]
接下来把特征参数分别与其对应的锂离子电池可用容量进行相关性分析，使用pearson 相关系数、kendall相关系数和spearman相关系数综合评判相关性最高的特征参数，分别为恒流恒压充电模式下的恒流充电时间、恒流放电模式下电压降至3.65v的放电时间、恒流放电模式下放电末期电压梯度为-0.002的放电时间和恒流放电模式下前半分钟的压降，将其作为健康因子，为其编号为健康因子1～4。
[0111]
(2)提出iwoa算法，优化lstm。建立lstm神经网络结构，每一个隐含层节点单元以链式结构首尾相连，网络层之间相互作用，形成遗忘门、输入门、记忆门和输出门结构来对神经元的输入信息进行处理。门的设计包括一个sigmoid激活函数层和一个乘法操作，使信息能够选择性通过。
[0112]
使用woa算法对lstm神经网络的超参数选择进行优化。过程主要分为三个阶段：
[0113]
①
包围阶段：在这一阶段中，鲸鱼位置的更新按照如下公式进行：
[0114][0115][0116]
式中，t为当前迭代次数，为当前鲸鱼个体的位置向量，为当前适应度最高的鲸鱼位置向量，和都是系数向量，具体表示为：
[0117][0118][0119]
式中，和为[0,1]区间内的随机向量，为由2线性递减至0的向量，如公式表示：
[0120][0121]
式中，t
max
为最大迭代次数。
[0122]
②
发泡阶段：这一过程为算法的局部搜索过程。螺旋游动方式可表示为：
[0123][0124][0125]
式中，表示当前鲸鱼个体位置到猎物的距离向量，b为与螺旋形状相关的常量，l为[-1,1] 区间内的随机数。假设包围收缩和螺旋游动两种行为是等概率执行的，综合二者的位置更新过程，描述如下：
[0126][0127]
式中，p为[0,1]区间内的随机变量，用于保证两种行为等概率进行。
[0128]
③
搜索阶段：这一阶段使得网络的收敛具有更强的全局性，可描述为：
[0129][0130][0131]
式中，表示当前某个随机鲸鱼的位置向量。
[0132]
提出iwoa算法，具体改进内容为：
[0133]
①
非线性权重因子。为了提高鲸鱼算法的全局性，提出一种非线性的自适应权重因子：
[0134][0135]
式中，ω为权重因子，k为调节系数(k》1)，t为当前迭代次数，i
max
为最大迭代次数。引入非线性权重因子后，woa算法公式更新为：
[0136][0137][0138]
②
差分变异扰动项。设计一个差分变异扰动项，其系数以线性递减的方式随迭代次数变化，该项定义为：
[0139][0140][0141]
式中，δ为差分变异扰动项，h为动态调节系数。引入差分变异扰动项后，woa算法公式更新为：
[0142][0143]
③
自适应调整搜索策略。设计一个概率阈值，使得算法尽可能随机在初期全局范围内产生一组解：
[0144][0145][0146]
式中，q为概率阈值，为种群的平均适应度，f
min
为种群中最差的适应度，f
max
为种群中最优的适应度，g为[0,1]区间内的随机数，和分别为的最大值与最小值。对于每条鲸鱼，用一个[0,1]之间的随机数q与概率阈值q进行比较，如果q《q，则按照该鲸鱼按照公式(18)更新位置，其他鲸鱼的位置不变；反之则按照公式(13)更新其他鲸鱼的位置。
[0147]
(3)基于改进鲸鱼算法iwoa和长短期记忆神经网络算法lstm，建立预测模型，预测电池健康状态。将iwoa算法中的调节系数k设为2，设定种群规模为5，进化次数为20；将mse作为lstm的损失函数和iwoa的目标函数；将lstm中隐含层节点数和初始学习率等超参数作为woa算法的优化对象；设定lstm的输入时间步长为3。将数据的60％划分为训练集，另40％划分为测试集，以1号电池为例，结果如图1所示。选择评价指标 mae、mape和rmse，从多维度综合评价算法的预测效果，结果如表(1)所示。表1为每节电池所有健康因子的基于woa-lstm和iwoa-lstm算法的预测结果各项评价指标
[0148]
表1每节电池所有健康因子的woa改进前后的各项评价指标
[0149][0150]
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。