基于K均值聚类与Elman神经网络的锂电池容量在线预测方法技术

本发明专利技术提出了一种基于

On line prediction of lithium battery capacity based on K-means clustering and Elman neural network

【技术实现步骤摘要】
基于K均值聚类与Elman神经网络的锂电池容量在线预测方法
本专利技术属于锂电池
，具体涉及一种基于K均值聚类与Elman神经网络的锂电池容量在线预测方法。
技术介绍
作为当代电子产品的主要储能器件，锂电池受益于其较轻的质量、较低的放电率和长使用寿命等优势，已经基本取代了传统的镍镉电池、镍氢电池。锂电池在载人航天器、无人驾驶飞机等其他工业领域应用也颇为广泛。锂电池已然成为促进国民经济健康发展和国家科技进步的重要元件，对推动工业技术进步、新能源应用和生态环境的改善起到了重要作用。不可避免的是，锂电池内部在实际使用过程也存在着一些无法控制的物理化学变化，这将引起锂电池的性能下降和失效，甚至引发安全事故。近年来，由锂电池故障导致的安全事故频发，这些重大安全事故的发生，不仅与使用人员操作方法相关，更与锂电池自身的固有特性有着密不可分的联系。因此，为了提高锂电池的安全性与可靠性，既需要不断改进锂电池的加工工艺，提高其安全性，也要求我们必须实时对其进行实际容量监测，在了解锂电池的退化过程，制定合理的锂电池健康管理方案的同时避免一些不必要事故的发生。锂电池容量(即锂电池实际容量)指在一定的放电制度下(一定深度，一定的电流密度和终止电压)，电池所能释放的电量。传统的锂电池实际容量预测方法基于建立物理化学机理模型。但是，基于物理化学机理的建模方法非常复杂，模型求解通常不易实现，且在线应用与泛化能力较差。所以，基于自回归滑动模型、支持矢量机、粒子滤波和神经网络等数据驱动的方式预测锂电池容量方法应运而生。在实际预测过程中，自回归滑动模型需要估计求和自回归滑动平均的阶次、未知参数，算法实现比较复杂，一般难以在对软件硬件资源约束较高的工程领域得到广泛应用；支持矢量机虽然具有较优的人工智能自学习功能，但是其模型求解过程相对复杂，不易在工程上实现推广和应用；粒子滤波算法在预测锂电池实际容量时过度依赖电池经验退化模型，在线应用能力较差；传统神经网络算法自身存在易陷入局部极小值，收敛速度慢等问题。
技术实现思路
本专利技术的目的在于提出了一种基于K均值聚类与Elman神经网络的锂电池容量在线预测方法，通过K均值聚类在构建完成的锂电池放电时间序列数据模型中选取最佳样本，构建多组训练集分别训练Elman神经网络。在开始训练前，引入模拟退火遗传算法优化Elman神经网络的初始权值和阈值，利用模拟退火遗传算法的全局优化搜索能力，有效避开局部极小值点。利用本专利技术中提出的方法，将K均值聚类算法与训练完成的Elman神经网络相结合，离线构建锂电池实际容量预测系统并在线应用，实现锂电池实际容量的在线精确预测。实现本专利技术目的的技术解决方案为：一种基于K均值聚类与Elman神经网络的锂电池容量在线预测方法，包括以下步骤：步骤1：通过实验构建锂电池实际容量预测数据模型1-1)确定待测锂电池型号，并利用一块与待测电池型号相同的崭新锂电池进行循环充放电实验。实验过程为：以充电电流I1恒流充电，直至电池电压达到预设值U1，保持电池电压U1不变，在恒压模式下继续充电，直至充电电流I1下降至预设值I2。接着以放电电流I3恒流放电，直至电压下降至预设值U2。按上述过程对锂电池循环充电、放电，直至锂电池健康状态值(SOH)下降至预设值停止实验。实验中电流I1，I2，I3，电压U1，U2和健康状态值SOH均为常数，可根据锂电池实际工作环境不同而选取不同值。锂电池完成一次充电与一次放电的过程记为一次循环。其中，锂电池SOH定义为：式中：CM——锂电池实际容量；CN——锂电池的额定容量。1-2)每次循环从锂电池开始放电的时刻计时，统计每次循环中锂电池放电过程的端电压分别为V1，V2，…，Vn(Vn-1≥Vn且Vn-1-Vn＝常数，该常数可根据实际工作环境不同而选取不同值。)这n个电压值对应的时刻，相应的端电压记为向量V＝[V1，V2，…，Vn]，向量V中各元素所对应的时间点依次排列组成的时间序列记为u＝[t1，t2，…，tn]，称该时间序列为锂电池放电时间序列。将N次循环记录的N个锂电池放电时间序列合并，记为矩阵T1：式中：N——实验停止时锂电池循环充放电的次数。1-3)记录每次循环结束后锂电池的实际容量，记为向量C1：C1＝[c1c2…cN]式中：N——实验停止时锂电池循环充放电的次数。转入步骤2。步骤2：对矩阵T1做K均值聚类，构建Elman神经网络训练集2-1)将矩阵T1的每行记作一个向量，在矩阵T1中随机选择k个向量，作为数据集的初始聚类中心。聚类个数k的确定方式如下：在正整数1,2,…,q中(q可根据实际情况选取不同值)，找出一个正整数，使评价指标J在评价矩阵T1时为最小值，得到的正整数即为k。评价指标J定义为：其中，(clm为第l个聚类中心向量的第m个值)为每个向量到k个聚类中心的欧式距离；n为实验中采集的锂电池端电压值的个数；i为实验中锂电池已经完成的充放电循环次数。2-2)分别计算T1中每个行向量到k个聚类中心的欧式距离，若某个向量与第l个聚类中心的欧式距离最近，则将该数据划分至第l簇，其中，l∈{1,2,…,k}。如果某个向量与多个聚类中心的欧式距离相等，该向量可以划分至对应的多个簇中的任意一簇。2-3)计算每簇中所有行向量的均值向量，将得到的这k个均值向量作为数据集新的聚类中心。2-4)重复步骤2)和3)直至聚类中心不再变化。2-5)将T1中对应每一簇的所有行向量依次组成新的矩阵，分别记为A1，A2，…，Ak。在预测系统中构建l个Elman神经网络，Al为第l个Elman神经网络的输入训练集。2-6)在步骤1所构建的向量C1中，提取与Al中每个行向量相对应的电池实际容量，得到的新向量作为第l个Elman神经网络的目标输出训练集。转入步骤3。步骤3：使用模拟退火遗传算法优化Elman神经网络。首先建立Elman神经网络的拓扑结构，然后使用模拟退火遗传算法确定网络的最优初始连接权值和阈值。使用模拟退火遗传算法确定Elman神经网络的最优连接权值与阈值主要有以下步骤：3-1)设置模拟退火初始温度t；3-2)给出Elman神经网络的权值和阈值编码方案，同时生成初始种群：采用实数编码方案，每个个体均为一个实数串，网络的权值和阈值参数分别由输入层与隐含层的连接权值、承接层与隐含层的连接权值、隐含层与输出层的连接权值、隐含层神经元的阈值、输出层神经元的阈值；每个个体代表一个结构、初始权值和阈值确定的神经网络；3-3)解码初始种群中的每个个体，并构造其相对应的神经网络；3-4)根据性能评价准则计算出每个个体的适应度；3-5)根据适应度大小决定每个个体繁衍后代的概率，完成个体选择操作；3-6)个体选择完成后，将产生的新种群按照一定的概率做交叉、变异操作得到新一代种群；3-7)计算3-6)中新生成的种群中每个个体的适应度，对新种群本文档来自技高网...

【技术保护点】
1.一种基于K均值聚类与Elman神经网络的锂电池容量在线预测方法，其特征在于：利用K均值聚类算法对实验获取的锂电池实际容量预测数据模型做聚类分析，引入模拟退火遗传算法优化Elman神经网络的初始权值和阈值，离线构建预测系统，实现精确地在线预测锂电池的实际容量。/n

【技术特征摘要】
1.一种基于K均值聚类与Elman神经网络的锂电池容量在线预测方法，其特征在于：利用K均值聚类算法对实验获取的锂电池实际容量预测数据模型做聚类分析，引入模拟退火遗传算法优化Elman神经网络的初始权值和阈值，离线构建预测系统，实现精确地在线预测锂电池的实际容量。


2.根据权利要求1所述的基于K均值聚类与Elman神经网络的锂电池容量在线预测方法，其特征在于：包括以下步骤：
步骤1、通过实验构建锂电池实际容量预测数据模型，转入步骤2；
步骤2：对矩阵T1做K均值聚类，构建Elman神经网络训练集，转入步骤3；
步骤3、使用模拟退火遗传算法优化Elman神经网络：
建立Elman神经网络的拓扑结构，使用模拟退火遗传算法确定Elman神经网络的最优初始连接权值和阈值，转入步骤4；
步骤4、训练Elman神经网络，离线构建锂电池实际容量预测系统，转入步骤5；
步骤5、在线实现锂电池实际容量预测。


3.根据权利要求1所述的基于K均值聚类与Elman神经网络的锂电池容量在线预测方法，其特征在于，步骤1中通过实验构建锂电池实际容量预测数据模型，具体如下：
1-1)确定待测锂电池型号，并利用一块与待测电池型号相同的崭新锂电池进行循环充放电实验，实验过程为：
以充电电流I1恒流充电，直至锂电池电压达到预设值U1，保持电压U1不变，在恒压模式下继续充电，直至充电电流I1下降至预设值I2；接着以放电电流I3恒流放电，直至电压下降至预设值U2；
按上述过程对锂电池循环充电、放电，直至锂电池SOH下降至其预设值停止实验，实验中电流I1，I2，I3，电压U1，U2和SOH均为常数，根据锂电池实际工作环境不同而选取不同值，锂电池完成一次充电与一次放电的过程记为一次循环；
1-2)每次循环从锂电池开始放电的时刻计时，统计每次循环中锂电池放电过程的端电压分别为V1，V2，…，Vn，这n个电压值对应的时刻，相应的端电压记为向量V＝[V1，V2，…，Vn]，向量V中各元素所对应的时间点依次排列组成的时间序列记为u＝[t1，t2，…，tn]，称该时间序列为锂电池放电时间序列，其中Vn-1≥Vn且Vn-1-Vn＝常数，将N次循环记录的N个锂电池放电时间序列合并，记为矩阵T1：



式中：N为实验停止时锂电池循环充放电的次数；
1-3)记录每次循环结束后锂电池的实际容量，记为向量C1：
C1＝[c1c2…cN]
转入步骤2。


4.根据权利要求1或3所述的基于K均值聚类与Elman神经网络的锂电池容量在线预测方法，其特征在于，步骤2中，对矩阵T1做K均值聚类，构建Elman神经网络训练集，具体如下：
2-1)将矩阵T1的每行记作一个向量，在矩阵T1中随机选择k个向量，作为数据集的初始聚类中心；
2-2)分别计算T1中每个行向量到k个聚类中心的欧式距离，若某个向量与第l个聚类中心的欧式距离最近，则将该数据划分至第l簇，其中，l∈{1,2,…,k}；如果某个向量与多个聚类中心的欧式距离相等，则该向量被划分至对应的多个簇的任意一簇中；
2-3)计算每簇中所有行向量的均值向量，将得到的这k个均值向量作为数据集新的聚类中心；
2-4)重复步骤2-2)和步骤2-3)直至聚类中心不再变化；
2-5)将T1中对应每一簇的所有行向量依次组成新的矩阵，分别记为A1，A2，…，Ak，构建k个Elman神经网络，其中Al为第l个Elman神经网络的输入训练集；
2-6)在步骤1所构建的向量C1中，分别提取与Al中每个行向量相对应的电池实际容量，得到的新向量作为第l个Elman神经网络的目标输出训练集，转入步骤3。


5.根据权利要求4所述的基于K均值聚类与Elman神经网络的锂电池容量在线预测方法，其特征在于：步骤2-2)中，聚类个数k的确定方式如下：
在正整数1,2,…,q中，找出一个正整数，q根据实际情况选取不同值，使评价指标J在评价矩阵T1时为最小值，得到的正整数即为k，评价指标J定义为：



其中，每个向量到k个聚类中心的欧式距离clm为第l个聚类中心向量的第m个值，N为实验停止时锂电池循环充放电的次数；n为实验中采集的锂电池端电压值的个数；i为实验中锂电池已经完成的充放电循环次数。


6.根据权利要求1或4所述的基于K均值聚类与Elman神经网络的锂电池容量在线预测方法，其特征在于，步骤3中，建立Elman神经网络的拓扑结构，使用模拟退火遗传算法确定Elman神经网络的最优初始连接权值和阈值，具体...

【专利技术属性】
技术研发人员：张登峰，李伟宸，徐凯，陆宝春，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：江苏;32