一种基于优化后的BiLSTM神经网络的锂电池多状况预测方法和装置

本发明涉及锂电池，尤其涉及一种基于优化后的bilstm神经网络的锂电池多状况预测方法和装置。

背景技术：

1、传统的燃油汽车在行驶中不仅制造大量的温室气体，而且会排放多种细微污染物，给人类和环境带来极大的困扰。无污染、能效高的电动汽车逐渐受到人们的青睐。作为电动汽车的动力来源，锂电池由于寿命长、容量大等特点而被广泛使用。为了保障锂电池的正常运行，电池管理系统需要准确监测众多参数。其中，精准的荷电状态(state-of-charge，soc)和能源状态(state-of-energy，soe)对电池管理系统的可靠性至关重要。但是，锂电池具有极强的非线性和时变特性，这导致直接测量soc和soe困难重重。

2、迄今为止，学者们对soc和soe估计方法的研究成果主要分为两大类：基于模型的方法和数据驱动的方法。基于模型的方法需要优先建立合适的电池模型。但是，基于模型的方法的估计精度在很大程度上取决于电池模型的质量。不幸的是，由于电池内阻的变化，实际上难以构建精确的电压模型。基于数据驱动的方法既不需要考虑电池内部复杂的电化学反应，也不需要辨识模型参数，而是自行学习输入(电流、电压和温度)与输出(如soc或soe)的内在关系。但是，一般递归神经网络只能从正向分析和学习电池数据中的信息，部分有用的信息在正向传递中丢失，影响到网络的预测效果。此外，在网络类型确定后，能否选择合适的超参数将决定网络的最终预测精度。上述论文中，神经网络超参数设置均是人为设置，这需要反复实验，耗费时间且未必能实验出最优的超参数，且最终预测精度也不高。

技术实现思路

1、为解决背景技术中存在的技术问题，本发明提出一种基于优化后的bilstm神经网络的锂电池多状况预测方法。

2、本发明提出的一种基于优化后的bilstm神经网络的锂电池多状况预测方法，，将利用改进鸽群-遗传算法对锂电池bilstm(双向长短词记忆模型)神经网络模型超参数进行辨识，然后将得到的最优参数反馈到锂电池bilstm神经网络模型中，并同时估计锂电池荷电状态和锂电池剩余能量两种状态，再将优化后的神经网络输出到平方根无迹卡尔曼滤波中。

3、可选地，包括如下步骤：

4、s1：将锂电池在不同温度和驱动周期下充放电循环，并对放电循环中的锂电池进行采样，将采样数据组成锂电池放电数据集，并进行归一化处理；

5、s2：获取锂电池bilstm神经网络的辨识参数：所述锂电池bilstm神经网络的辨识参数为：超参数中隐层神经元的数量ls、初始学习速率lr、最大迭代次数ep、学习速率下降因子lrdf和全连接层神经元数量fls，即在优化算法中，目标搜索空间的维数为5，将隐层神经元的数量ls、初始学习速率lr、最大迭代次数ep、学习速率下降因子lrdf和全连接层神经元数量fls分别记为辨识参数1、辨识参数2、辨识参数3、辨识参数4和辨识参数5；

6、将所述辨识参数中的每一个辨识参数视为粒子个体的一个维度，所述粒子个体有粒子个体位置与粒子个体速度两个属性，粒子个体位置代表移动的方向，粒子个体速度代表移动的快慢，其中，粒子个体位置为辨识参数的值；

7、步骤3，改进的鸽群-遗传混合算法参数的设置：

8、设定目标搜索空间的维数为d，d＝5；设一个种群由n个粒子组成；设定最大迭代次数m；设定每条染色体的编码长度l；设定交叉概率p1。

9、设定粒子个体的位置范围为{x_min，x_max}、粒子个体的速度范围{v_min，v_max}；

10、其中，x_min为粒子个体位置的最小值，x_max为粒子个体位置的最大值，v_min为粒子个体速度的最小值，v_max为粒子个体速度的最大值；

11、将n个粒子个体中的任意一个记为粒子个体i，i为种群中任意一个粒子个体的序号，i＝1，2，..n，将粒子个体i的位置向量记为个体位置xi，粒子个体i的速度向量记为个体速度vi，其表达式分别如下：

12、xi＝{xi1，xi2，...，xij...，xid}

13、vi＝{vi1，vi2，...vij...，vid}

14、其中，个体位置xi为锂电池bilstm神经网络模型的一组辨识参数的解，xij为粒子个体i第j维的位置，j＝1，2，..d；个体速度vi为锂电池等效电路模型的一组参数的解在粒子搜索解空间中的速度，vij为粒子个体i第j维的速度；

15、将粒子个体i的适应度值记为个体适应度值fi，将整个粒子群搜索到的适应度值最小的位置记为全局最优位置xg；

16、步骤4，优化bilstm神经网络的迭代流程：

17、步骤4.1，个体位置和个体速度的初始化；

18、步骤4.2，个体位置和个体速度的更新；

19、步骤4.3，交叉和变异并计算适应度值，更新全局最优；

20、步骤4.4，比较迭代次数：如果当前迭代次数t＞nc1，转到步骤4.5；否则，转到步骤4.1；

21、步骤4.5，找到鸽群的中心，并对鸽群更新位置；

22、步骤4.6，判断若当前迭代次数t＝nc2，结束迭代，输出当前全局最优位置xg，该全局最终位置对应的一组辨识参数即为锂电池bilstm神经网络的一组最优参数；

23、若t＜nc2，返回步骤4.5进行下一次迭代；

24、步骤5，平方根无迹卡尔曼滤波器对输出进行滤波：

25、将寻优后的bilstm神经网络的预测结果输出到平方根无迹卡尔曼滤波中，由平方根无迹卡尔曼滤波器对输出进行滤波。

26、可选地，步骤s4.1中：

27、初始化鸽群的速度和位置，随机生成种群个体x＝(ls、fls、ep、lr、lrdf)，使用步骤1处理后的输入数据xn和输出数据yn训练bilstm并计算适应度值训练bilstm并计算适应度值，选择均方误差(mse)为bilstm的损失函数，同时也是优化算法的适应度函数，适应度函数如下：

28、

29、其中，soc’(t)和soe’(t)是xn输入bilstm网络的预测结果，soe(t)和soc(t)为真实值。

30、可选地，步骤s4.2中：对个体位置和个体速度的更新步骤为：

31、更新鸽群的速度和位置，公式如下：

32、

33、vi(t)＝vi(t-1)*e-w+rand*(xg-xi(t-1))

34、xi(t)＝xi(t-1)+vi(t)

35、其中，rmin、rmax为r最小值和最大值，分别为0.2和2.2，nc1为指南针算子中的迭代次数，w为惯性权重，xi(t)、vi(t)表示第i只鸽子在第t次迭代时的位置和速度，rand是一个0-1的随机数，t为迭代次数，xg为鸽群中最优鸽子的位置。

36、可选地，步骤4.3中具体为：

37、对个体进行交叉和变异，强化跳出局部最优的能力，计算粒子个体i在当前迭代中的适应度值fi。将个体位置对应的适应度值与全，最优位置xg对应的适应度值fg_best进行如下判断：

38、比较fi和fg_best，取适应度值最小者的位置为当前全局最优位置xg，并将当前全局最优位置xg对应的适应度值记为当前全局最优适应度值为fg_best；

39、可选地，步骤4.5，找到鸽群的中心，并对鸽群更新位置步骤为：

40、根据适应度值对鸽群进行排序，确定鸽群中心位置，公式如下：

41、nc2＝tmax-nc1

42、

43、

44、其中，tmax为最大迭代次数。np(t)为第t次迭代鸽子的数量，xc(t)为第t次迭代鸽群的中心位置，fitness为第i只鸽子的适应度值，xi(t)表示第i只鸽子的位置，n为种群数量；

45、根据下面公式对鸽群更新位置，计算适应度值并更新全局最优，公式如下：

46、xi(t)＝xi(t-1)+rand*(xc(t)-xi(t-1))

47、具体地，步骤s1具体包括如下步骤：

48、s10：从该放电数据集中提取以下与锂电池荷电状态和剩余能量状况相关的锂电池采样参数，放电循环中的采样端电压、放电循环中的采样端电流、放电循环中的采样锂电池温度、放电循环中的采样锂电池荷电状态和剩余能量，上述参数构建神经网络输入矩阵xn和输出数据矩阵yn：

49、

50、yn＝[socn socn]；

51、其中，xn为n时刻的bilstm的输入矩阵，其大小为m*n；in、vn、tn分别为n时刻测量的电池电流、电压和温度数据，soc为锂电池荷电状态，soe为剩余能量状况；yn为n时刻输出层输出的soc和soe值，其矩阵大小为1×2；

52、s10：对输入矩阵和输出矩阵数据进行归一化处理，三个输入变量v，i，t具有不同的维度，为了消除不利影响，采用最小-最大归一化方法将原始数据映射到区间[0，1]；归一化公式如下：

53、

54、其中，x为原数据；xmax和xmin分别为原数据的最大值和最小值；x*为归一化值。

55、一种基于优化后的bilstm神经网络的锂电池多状况预测装置，包括：至少一个处理器和存储器；

56、所述存储器存储计算机执行指令；所述至少一个处理器执行所述存储器存储的计算机执行指令，以执行如上述所述的方法。

57、本发明中，所提出的基于优化后的bilstm神经网络的锂电池多状况预测方法和装置，具有如下优点：

58、1.提出一种改进鸽群-遗传算法，能够有效的优化bilstm神经网络的超参数。这种方法避免了传统神经网络复杂的调参过程，简单易行，可以有效提高网络性能。

59、2.使用后的优化bilstm神经网络同时估计两种电池状态，实现了一种网络同时准确估计两种状态，提高了网络的效率。

60、3.寻优后的bilstm神经网络的预测结果由平方根无迹卡尔曼滤波器进行滤波，进一步提高估计精度，。

61、本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。