基于粒子群算法的模型生成方法、系统及预测方法技术方案

本发明专利技术提供了一种基于粒子群算法的模型生成方法、系统及预测方法，模型生成方法包括：得到多个锂离子电池的自放电压降数据和充放电曲线；从充放电曲线中提取得到目标数据；根据自放电压降数据和预设压降阈值，对目标数据进行分类，并对得到的两类目标数据分别进行采样得到样本数据；根据目标数据和样本数据，分别训练两个神经网络模型，并使用粒子群算法优化神经网络模型的连接权值和阈值，得到训练好的低值预测模型和高值预测模型。本发明专利技术用于模拟常规技术中的soak方法，只需对待测锂离子电池进行一次充放电实验，即可获取到该待测锂离子电池的自放电压降数据，省时省力，且精度较高。高。高。

【技术实现步骤摘要】
基于粒子群算法的模型生成方法、系统及预测方法


[0001]本专利技术涉及锂离子电池
，特别是涉及一种基于粒子群算法的模型生成方法、系统及预测方法。

技术介绍

[0002]锂离子电池具有重量轻、高能量密度、高效率、优异的低温性能、低自放电率和长寿命等特点，因而被广泛应用于飞机、电动汽车、航天等各个领域。
[0003]通常，锂离子电池在规定环境下搁置一段时间，其容量发生自发损耗的现象称为锂离子电池的自放电现象，同一批生产的锂离子电池由于使用的材料与制程控制基本相同，当其中个别电池的自放电压降明显偏大时，很可能是其有内部杂质异物、隔膜翻折或毛刺刺穿隔膜等异常，从而使得锂离子电池内部产生了严重的微短路。
[0004]因此，锂离子电池出厂时普遍会进行soak实验，soak实验指的是将锂离子电池自然平放于静置托盘或侧放于静置筐中，记录一段时间内锂离子电池的电压变化量，通过锂离子电压的衰减以及两次测量电压的时间间隔，测定其自放电压降，然而，soak实验中测量电压的时间间隔一般为5～30天，其时间跨度很大，耗时耗力。<br/>[0005]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于粒子群算法的模型生成方法，其特征在于，所述模型生成方法包括：对多个锂离子电池分别进行soak实验和充放电循环实验，得到相应的自放电压降数据和充放电曲线；从每个所述充放电曲线中提取多个动态特征，将各所述动态特征与所述自放电压降数据进行灰色关联度分析，得到目标数据；根据所述自放电压降数据和预设压降阈值，对所述目标数据进行分类，并对得到的两类目标数据分别进行采样得到样本数据；根据所述目标数据和所述样本数据，分别训练两个神经网络模型，并使用粒子群算法优化所述神经网络模型的连接权值和阈值，得到训练好的低值预测模型和高值预测模型。2.根据权利要求1所述的模型生成方法，其特征在于，所述从每个所述充放电曲线中提取多个动态特征，将各所述动态特征与所述自放电压降数据进行灰色关联度分析，得到目标数据的步骤包括：从每条所述充放电曲线中提取得到多个动态特征；将每条所述充放电曲线的动态特征与所述自放电压降数据进行灰色关联度分析，得到关联程度最高的多个目标特征；对每条所述充放电曲线的目标特征进行归一化，得到目标数据。3.根据权利要求1所述的模型生成方法，其特征在于，所述根据所述自放电压降数据和预设压降阈值，对所述目标数据进行分类，并对得到的两类目标数据分别进行采样得到样本数据的步骤包括：将所述自放电压降数据大于所述预设压降阈值的目标数据分为一类，记作高值数据，将所述自放电压降数据小于等于所述预设压降阈值的目标数据分为一类，记作低值数据；对所述高值数据进行过采样，对所述低值数据进行欠采样，得到所述样本数据。4.根据权利要求1所述的模型生成方法，其特征在于，所述根据所述目标数据和所述样本数据，分别训练两个神经网络模型，并使用粒子群算法优化所述神经网络模型的连接权值和阈值，得到训练好的低值预测模型和高值预测模型的步骤包括：在所述神经网络模型的输入层、隐藏层和输出层建立连接，设置相应的连接权值和阈值；建立粒子与所述连接权值、所述阈值之间的连接关系，并通过调整所述粒子的速度和位置优化所述连接权值和阈值；针对所述目标数据/所述样本数据：将其按照预设的比例划分为训练集和测试集；根据所述训练集，训练所述神经网络模型，得到训练好的神经网络模型；将所述测试集输入所述神经网络模型，得到对应的预测自放电压降数据，当所述预测自放电压降数据符合自放电压降数据的概率达到预设的阈值时，将所述神经网络模型确定为所述低值预测模型/高值预测模型。5.一种基于粒子群算法的模型生成系统，其特征在于，...

【专利技术属性】
技术研发人员：刘征宇，谢娟，何慧娟，王可晴，黄威，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：