一种基于粒子群优化长短时记忆网络的电池寿命预测方法技术

为了克服现有技术中传统方法在实际应用场景中不能广泛应用，利用统计学方法的寿命预测方法不具备良好的适应性的问题，本发明专利技术提供了一种基于粒子群优化长短时记忆网络的电池寿命预测方法。为了实现上述目的，采用以下技术方案：首先通过锂电池检测系统采集一款电池的容量衰退数据，包括电池的循环次数以及该次循环的放电容量。然后利用粒子群优化算法对长短时记忆网络的隐藏层节点数、学习率等超参数进行寻优，构建长短时记忆网络，并结合Adam优化算法对模型反向传递过程进行优化。该模型能够实现利用早期循环数据对电池循环寿命进行预测，增强了对电池容量跳跃现象的适应性。

【技术实现步骤摘要】
一种基于粒子群优化长短时记忆网络的电池寿命预测方法
本专利技术涉及深度学习领域，尤其是涉及一种基于粒子群优化长短时记忆网络的电池寿命预测方法。
技术介绍
随着电动汽车行业的不断发展，锂离子电池的可靠性和性能也受到了极大的关注。锂电池作为为电动汽车提供能量的关键部件，决定了电动汽车续航能力、爬坡能力和加速能力。循环寿命作为锂离子电池性能评价的一项重要指标，精准且快速的预测出锂离子电池循环寿命对电池的生产制造和合理管理都具有积极的作用。但是由于锂离子电池系统往往十分复杂，传统的基于锂电池机理模型的电化学模型和等效电路模型在进行寿命预测的时候往往局限在有限的副反应之上，对于不同材料和不同类型的电池的可扩展性不强，在实际应用场景中得不到广泛应用。因此，从数据角度出发，利用早期循环数据对锂离子电池循环寿命进行预测，对新型号锂离子电池的生产和设计都有很大的意义。在基于数据的寿命预测方法中，利用统计学方法，如扩展卡尔曼滤波、粒子滤波方法等都利用早期循环数据对电池容量衰退的经验公式参数进行更新，一方面，利用统计学方法的寿命预测方法过于依赖经验公本文档来自技高网...

【技术保护点】
1.一种基于粒子群优化长短时记忆网络的电池寿命预测方法，其特征是，包括以下步骤：/nS1：利用锂电池检测系统采集电池容量衰退数据，数据包括电池循环次数及该次循环中电池的放电容量，采集循环次数为理论循环寿命的50％；/nS2：将50％理论循环寿命的循环中的电池容量进行数据清洗和标准化；/nS3：初始化粒子速度与位置；对粒子群优化算法的参数进行初始化设置，评估粒子并得到初始化最优位置；同时设置长短时记忆网络超参数隐藏层节点数、学习率和批数据的大小的范围，进行LSTM模型训练，将LSTM的训练结果的MSE作为粒子群优化算法的适应度函数，利用粒子群优化算法对范围内的超参数进行寻优，计算粒子的历史最优位...

【技术特征摘要】
1.一种基于粒子群优化长短时记忆网络的电池寿命预测方法，其特征是，包括以下步骤：
S1：利用锂电池检测系统采集电池容量衰退数据，数据包括电池循环次数及该次循环中电池的放电容量，采集循环次数为理论循环寿命的50％；
S2：将50％理论循环寿命的循环中的电池容量进行数据清洗和标准化；
S3：初始化粒子速度与位置；对粒子群优化算法的参数进行初始化设置，评估粒子并得到初始化最优位置；同时设置长短时记忆网络超参数隐藏层节点数、学习率和批数据的大小的范围，进行LSTM模型训练，将LSTM的训练结果的MSE作为粒子群优化算法的适应度函数，利用粒子群优化算法对范围内的超参数进行寻优，计算粒子的历史最优位置和群体的最优位置；
S4：将步骤3中的通过粒子群优化算法寻找到的最优超参数带入LSTM中，利用采集到的锂电池循环寿命数据按照批数据长度进行训练，训练次数为1500次，同时利用Adam优化算法加快模型反向传递过程；
S5：将最后一批数据经过LSTM后的输出的反标准化值作为预测值；
S6：同时剔除最后一批数据的第一个值，将该输出添加到该批数据中组成新的时间序列作为新的输入序列，重复步骤5得到下一时刻的输出值作为预测值；
S7：重复步骤6直到出现预测值容量衰退到初始值75％的时候，将所有预测值组成预测序列，将预测值序列中容量衰退到初始值的80％时所对应的循环次数作为锂离子电池的循环寿命。


2.根据权利要求1所述的一种基于粒子群优化长短时记忆网络的电池寿命预测方法，其特征是，所述S2的具体过程为：
将采集到的容量数据C＝{x1,x2,...,xm}进行数据清洗和标准化，使其尽可能符合标准正态分布，通过公式(1)和公式(2)分别计算出采集数据的均值和方差，






上式中，μC为采集到的容量数据的均值，m为容量数据个数，xi为第i个循环的电池容量数据，为采集到的容量数据的方差；
在计算得到均值和方差后，根据公式(3)计算标准化后的容量数据



式中ε为调整因子，保证数值稳定，使得分母不容易趋于0。


3.根据权利要求1所述的一种基于粒子群优化长短时记忆网络的电池寿命预测方法，其特征是，所述S3的具体过程为：
首先设计粒子群优化算法的基本参数，设置惯性权重ω＝0.6，加速常数c1＝c2＝2，粒子群数量为20，迭代次数为20，对长短时记忆网络的隐藏层节点数、学习率和批数据的大小L在设定范围内进行寻优，寻优过程中参数的速度和位置更新如公式(4)和公式(5)所示，
vid(t+1)＝ωvid(t)+c1rid1(t)(pid(t)-xid(t))+c2rid2(t)(pgd(t)-xid(t))(4)
xid(t+1)＝xid(t)+vid(t+1)(5)
式中，vid(t)是第i个粒子第d维度在t次迭代过程中的速度；xid(t)是第i个粒子第d维度在t次迭代过程中位置；rid1和rid2是大小在(0，1)之间的随机数，pid(t)是个体历史极值在第d维度的值，pgd(t)是全局极值在第d维度的值；
选择将各个粒子值作为超参数的LSTM的训练结果的MSE作为适应度函数来评价粒子，



n表示为训练集中电池容量和循环次数数据的组数，yi为训练集容量数据真实值，y′i为LSTM给出训练集容量数据的预测值；
设置隐藏层节点数取值范围为[0，15]，学习率范围为[0.001，0.1]，批数据范围视所选型号电池的循环寿命选择左右的数据长度，通过公式(4)和公式(5)更新...

【专利技术属性】
技术研发人员：童哲铭，施文骏，童水光，李元松，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江;33