基于GA-PSO优化的多模型融合电池荷电状态预测方法及系统技术方案

本发明专利技术公开了一种基于GA

【技术实现步骤摘要】
基于GA
‑
PSO优化的多模型融合电池荷电状态预测方法及系统


[0001]本专利技术属于电池预测领域，具体涉及一种基于遗传算法和粒子群混合算法优化LSTM 神经网络的电池荷电状态估算方法及系统。

技术介绍

[0002]随着环境污染和能源缺乏问题的愈发严重，新能源电动汽车正在逐步取代传统的燃油车。锂离子电池因为能量密度高、使用寿命长、环保性能好等优点，已经被广泛用作电动汽车的动力部件。为避免锂离子电池过度充放电而造成能源浪费的现象，准确的预测电池的荷电状态(SOC)至关重要。然而SOC作为电池的内部特性无法直接测量得到，只能通过一些诸如电压，温度，电流等可以实际测量的参数估算得到。
[0003]目前针对锂离子电池荷电状态的估算方法的研究，主要有两种方法：基于模型的方法和基于数据驱动的方法。基于模型的方法主要包括安时积分法，开路电压法，电化学阻抗法和卡尔曼滤波法。安时积分法通过电流传感器采样值作积分运算在线估算SOC，不具备对初始误差的校正能力，误差积累可能导致估算值与实际值的严重偏差；开路电压法通过开路电压和SOC的数值关系估算SOC，需要将电池长时间搁置，实时性较差；电化学阻抗法通过测量电池内部阻抗估算SOC，受外界环境影响大且难以在线测量；卡尔曼滤波法需要建立复杂的等效电路模型，模型精度要求高。基于传统模型方法的局限性，基于数据驱动方法因其不用考虑电池内部复杂的物理化学反应，只需要通过电池工作的历史数据即可实现SOC的预测而得到了广泛重视。
[0004]基于数据驱动方法是目前的主流方法，主要包括神经网络，支持向量机等方法。支持向量机在处理中小型数据具有较好的效果，但当数据量过于庞大时，模型计算变得复杂而导致计算速度变慢，模型精度降低。神经网络在处理大量样本数据集时具有令人称赞的效果，其中RNN对于时间序列数据具有强大的处理能力，因此常作为SOC的估算方法之一，然而 RNN在反向传播过程中往往会存在梯度消失和梯度爆炸的问题，LSTM可以很好的解决这一缺点，但LSTM网络结构多变，难以寻找最优的超参数。

技术实现思路

[0005]为了解决上述现有技术对电池SOC估算和预测各方法的不足，本专利技术提出一种基于 GA
‑
PSO优化的多模型融合电池荷电状态预测方法及系统，提高预测效率和准确度，可实现电池的SOC的准确在线估算。
[0006]为解决上述技术问题，本专利技术采用如下技术方案：
[0007]一种基于GA
‑
PSO优化的多模型融合电池荷电状态预测方法，其特征在于包括如下步骤：
[0008]S1：采集锂电池的外部参数并计算实际电池SOC值；最终获得按时间排序的锂电池电流、电压、温度、SOC值原始特征加标签的数据集；
[0009]S2：数据清洗：对数据集数据中的缺失值，重复值，离群点分别进行数据分析，对少
量缺失值采用插值处理，对重复值进行去重处理，对离群点进行删除处理；然后对清洗完的数据进行Max
‑
min归一化处理，将归一化后的样本数据划分为训练集、验证集和测试集；
[0010]S3:构建多个基模型，集成为强学习模型：构建GA
‑
PSO
‑
LSTM模型，采用遗传算法和粒子群混合算法优化确定LSTM神经网络的各个最优超参数；构建GA
‑
PSO
‑
SVM模型，优化确定SVM的最优惩罚系数和高斯径向基宽度系数；构建GA
‑
PSO
‑
GRU模型，优化确定 GRU的隐藏层节点数和学习步长；
[0011]S4:建立新特征：将步骤S3得到的包含最优超参数的GA
‑
PSO
‑
LSTM模型、 GA
‑
PSO
‑
SVM模型、GA
‑
PSO
‑
GRU模型集成，每次将五个工况中的四个工况作为训练集，另外一个工况的数据作为验证集，得到每个模型验证集的预测值，将各模型验证集的预测值作为新的训练集的特征，同时也得另一个工况作为测试集的预测值，将测试集的预测值的结果加权平均作为新的测试集的特征；
[0012]S5:SOC预测：将步骤S4得到的每个模型验证集的预测值作为输入，将真实SOC值作为输出，选择GA
‑
PSO
‑
LSTM，GA
‑
PSO
‑
SVM，GA
‑
PSO
‑
GRU模型训练，将模型训练好后，将步骤S4的新的测试集的特征作为输入，得到三个模型的单个模型的SOC预测值，最后将单个模型的SOC预测值加权平均得到最终的SOC预测值，并评估模型的误差。
[0013]进一步地，所述步骤S1中，在电动汽车运行时，在电池放电过程中，每次间隔0.1s实时的采集锂电池的所述外部参数：电流(i)，电压(v)，温度(T)，放电安时(Ah)，电动汽车的额定容量(Ah)；将外部参数由下式计算实际电池SOC值：
[0014][0015]其中，SOC值表示锂电池当前的电量，Q
res
表示电池的放电安时，Q
rated
表示电池的额定容量。
[0016]进一步地，所述步骤S1最终获得按时间排序的各外部参数原始特征加标签的锂电池数据集Df：
[0017]Df＝{(Df
i1
,Df
v1
，Df
t1
，Df
s1
)，(Df
i2
，Df
v2
，Df
t2
，Df
s2
)，
…
，(Df
in
，Df
vn
， Df
tn
，Df
sn
)}；
[0018]其中n表示收集到的数据集样本数量，Df
ik
，Df
vk
，Df
tk
，Df
sk
分别表示第k个样本的锂电池电流、电压、温度、SOC值数据，k在1到n之间。
[0019]进一步地，所述步骤S2中，对处理后的电池数据的电流、电压、温度以及真实SOC 值进行离差标准化的归一化处理公式如下：
[0020][0021]其中，Df
*
表示归一化后的锂电池电流、电压、温度、SOC值数据，Df
i
表示归一化前的锂电池电流、电压、温度、SOC值数据，Df
i min表示锂电池电流，电压，温度，SOC 值的样本最小值，Df
i max表示锂电池电流，电压，温度，SOC值的样本最大值。
[0022]进一步地，步骤S2中按照比例划分训练集，验证集和测试集：将归一化后的数据Df
*
的64％作为训练集，Df
*
的16％作为验证集，Df
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于GA
‑
PSO优化的多模型融合电池荷电状态预测方法，其特征在于包括如下步骤：S1：采集锂电池的外部参数：电流、电压、温度，并由外部参数计算得到实际电池SOC值，获得按时间排序的包括电流、电压、温度、SOC值原始特征加标签的数据集；S2：数据清洗：对数据集数据中的缺失值，重复值，离群点分别进行数据分析，对少量缺失值采用插值处理，对重复值进行去重处理，对离群点进行删除处理；然后对清洗完的数据进行Max
‑
min归一化处理，将归一化后的样本数据划分为训练集、验证集和测试集；S3:构建多个基模型，集成为强学习模型：构建GA
‑
PSO
‑
LSTM模型，采用遗传算法和粒子群混合算法优化确定LSTM神经网络的各个最优超参数；构建GA
‑
PSO
‑
SVM模型，优化确定SVM的最优惩罚系数和高斯径向基宽度系数；构建GA
‑
PSO
‑
GRU模型，优化确定GRU的隐藏层节点数和学习步长；S4:建立新特征：将步骤S3得到的包含最优超参数的GA
‑
PSO
‑
LSTM模型、GA
‑
PSO
‑
SVM模型、GA
‑
PSO
‑
GRU模型集成，将其中一个工况作为测试集不变，每次将剩余五个工况中的四个工况分别作为训练集，另外一个工况的数据作为验证集，依次输入得到每个模型验证集的预测值，将各模型验证集的预测值作为新的训练集的特征；同时也得到测试集的预测值，将测试集的预测值的结果加权平均作为新的测试集的特征；S5:SOC预测：将步骤S4得到的新的训练集的特征作为输入，将真实SOC值作为输出，选择GA
‑
PSO
‑
LSTM，GA
‑
PSO
‑
SVM，GA
‑
PSO
‑
GRU模型训练，将模型训练好后，将步骤S4的新的测试集的特征作为输入，得到三个模型的单个模型的SOC预测值，最后将单个模型的SOC预测值加权平均得到最终的SOC预测值，并评估模型的误差。2.根据权利要求1所述的基于GA
‑
PSO优化的多模型融合电池荷电状态预测方法，其特征在于步骤S1中，在电动汽车运行时，电池放电过程中，每次间隔0.1s实时的采集锂电池的外部参数：电流(i)，电压(v)，温度(T)，放电安时(Ah)，电动汽车的额定容量(Ah)；外部参数由下式计算实际电池SOC值：其中，SOC值表示锂电池当前的电量，Q
res
表示电池的放电安时，Q
rated
表示电池的额定容量。3.根据权利要求1所述的基于GA
‑
PSO优化的多模型融合电池荷电状态预测方法，其特征在于所述步骤S1获得按时间排序的各外部参数原始特征加标签的锂电池数据集Df：Df＝{(Df
i1
,Df
v1
，Df
t1
，Df
s1
)，(Df
i2
，Df
v2
，Df
t2
，Df
s2
)，
…
，(Df
in
，Df
vn
，Df
tn
，Df
sn
)}；其中n表示收集到的数据集样本数量，Df
ik
，Df
vk
，Df
tk
，Df
sk
分别表示第k个样本的锂电池电流、电压、温度、SOC值数据，k在1到n之间。4.根据权利要求1所述的基于GA
‑
PSO优化的多模型融合电池荷电状态预测方法，其特征在于步骤S2中，对处理后的电池数据的电流、电压、温度以及真实SOC值进行离差标准化的归一化处理公式如下：其中，Df
*
表示归一化后的锂电池电流、电压、温度、SOC值数据，Df
i
表示归一化前的锂电
池电流、电压、温度、SOC值数据，Df
i min表示锂电池电流，电压，温度，SOC值的样本最小值，Df
i max表示锂电池电流，电压，温度，SOC值的样本最大值；步骤S2中按照比例划分训练集，验证集和测试集：将归一化后的数据Df
*
的64％作为训练集，Df<...

【专利技术属性】
技术研发人员：魏翼鹰，袁鹏举，张晖，杨杰，王书旺，黄超，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：