基于ISSA-LSTM算法的电池剩余使用寿命预测方法及系统技术方案

本发明专利技术涉及一种基于ISSA

【技术实现步骤摘要】
基于ISSA
‑
LSTM算法的电池剩余使用寿命预测方法及系统


[0001]本申请涉及电池剩余使用寿命预测领域，特别是涉及基于ISSA
‑
LSTM(Long Short
‑
Term Memory Network optimized by Improve Search Sparrow Algorithm改进麻雀搜索算法优化长短时记忆神经网络)算法的电池剩余使用寿命预测方法及系统。

技术介绍

[0002]本专利技术
技术介绍
中公开的信息仅仅旨在增加对本专利技术的总体背景的理解，而不必然被视为承认或以任何形式暗示该信息构成已经成为本领域一般技术人员所公知的现有技术。
[0003]现有的锂离子电池剩余使用寿命预测方法可以分为两大类：一是基于电池模型的剩余使用寿命预测方法，二是基于数据驱动的剩余使用预测方法。第一种是基于模型的方法。这类方法存在以下缺点:(1)模型参数调整困难。(2)粒子滤波等观测器技术容易出现粒子贫化问题，导致剩余使用寿命(RUL)预测不准确。第二种是数据驱动的方法。与基于模型的方法相比，数据驱动的方法不需要建立复杂的锂离子电池电化学模型。它主要是从锂离子电池的容量衰减数据中提取隐含信息，从而实现RUL的预测。这些方法大多采用机器学习算法、神经网络算法、进化算法等。

技术实现思路

[0004]为了解决现有技术的不足，本申请提供了基于ISSA
‑
LSTM算法的电池剩余使用寿命预测方法及系统。
[0005]为了实现上述目的，本专利技术公开如下技术方案:
[0006]第一方面，本专利技术提供一种基于ISSA
‑
LSTM算法的电池剩余使用寿命预测方法。
[0007]所述基于ISSA
‑
LSTM算法的电池剩余使用寿命预测方法，包括如下步骤：
[0008]S101：对获取的目标电池容量退化序列中的每个容量数据，利用优化的LSTM模型进行训练，预测剩余的电池容量数据；所述优化的LSTM模型是通过ISSA
‑
LSTM算法计算获得的；
[0009]S102：根据预测的容量和循环次数的对应关系，计算目标电池的剩余使用寿命。
[0010]进一步的，所述优化的LSTM模型的具体获得步骤包括：
[0011]S1011：首先对电池容量数据进行归一化处理，将预处理之后的电池容量数据作为输入；
[0012]S1012：设置需要优化参数的初始值；
[0013]S1013：在训练过程中，使用实际容量和预测容量的平均均方根误差来建立适应度函数；
[0014]S1014：ISSA算法优化LSTM的参数。
[0015]进一步的，所述ISSA算法的具体步骤包括：
[0016](1)初始化参数，并利用式(1)Sin混沌映射初始化麻雀种群；
[0017][0018]其中x代表麻雀，N是麻雀的数量。
[0019](2)计算各只麻雀的适应度值，找出当前最优适应度值和最差适应度值，以及相对应的位置；
[0020](3)从适应度值较优的麻雀中没选取部分麻雀作为发现者，并按照式(2)更新位置；
[0021][0022]其中表示第i个麻雀在第j维的位置，t表示当前迭代次数。ω表示权重系数。为上一代中第j维的全局最优解。R2(R2∈[0,1])、ST(ST∈[0.5,1.0])依次代表预警值和安全值。Q为服从[0,1]正态分布的随机数。当R2<ST，表示附近没有天敌，发现者实行广泛搜索模式；如果R2≥ST，这意味着一些麻雀已经察觉到了天敌，则整个种群需要尽快前往其他安全区域。
[0023](4)余下麻雀作为跟随者，并按照式(3)更新位置；
[0024][0025]其中X
worst
表示全局最差的位置，A为1
×
d的矩阵，且矩阵中每个元素随机赋值1或
‑
1，其中A
+
＝A
T
(AA)
‑1。当i>N/2时，表示适应度值较差的第i个跟随者未取得食物，能量值较低，需要前往别的区域寻找食物，以补充能量。
[0026](5)从麻雀中随机选择部分麻雀作为警戒者，并按照式(4)更新位置；
[0027][0028]其中X
best
表示全局最佳的位置，β为步长调整系数，是一个均值为0、方差为1的正态分布随机数。
[0029](6)根据概率P
s
选择柯西变异扰动策略和反向学习策略对当前最优解进行扰动，产生新解；
[0030](7)根据贪婪规则式(5)，确定是否进行位置更新；
[0031][0032](8)判断是否达到结束条件，若是，则进行下一步，否则跳转步骤(2)；
[0033](9)程序结束，输出最优结果。
[0034]进一步的，所述初始化参数包括种群数量N、最大迭代次数、发现者比例PD、侦察者比例SD、警戒阈值R2。
[0035]进一步的，所述LSTM算法的具体步骤包括：
[0036](1)以当前层的输入x
t
和上一层的输出h
t
‑1为输入，用公式(6)来计算遗忘门f
t
的值；遗忘门决定哪些来自前一单元的信息需要被丢弃；
[0037]f
t
＝σ(W
xf
x
t
+W
hf
h
t
‑1+b
f
)
ꢀꢀꢀꢀ
(6)
[0038][0039]其中f
t
是遗忘门的输出，W
xf
和W
hf
是线性关系的权重，b
f
是偏置；
[0040](2)更新状态信息，决定哪些新信息需要存储在单元状态中；它由两部分控制，其中一部分是一个sigmoid层，决定哪些需要被更新；公式(7)用于计算输入门它的值；然后，公式(8)被用来在tanh函数中创建一个矢量g
t
；它包含全新的信息，可以被添加到新的单元状态中；之后，单元状态通过结合这两部分的信息而被更新；首先，旧单元的状态被更新；其次，新的信息被输入到新的单元状态中；然后，完成更新门的操作；
[0041]i
t
＝σ(W
xi
x
t
+W
hi
h
t
‑1+b
i
)
ꢀꢀ
(7)
[0042][0043]g
t
＝tanh(W
xg
x
t
+W
hg
h
t
‑1+b
g
)
ꢀꢀꢀꢀꢀꢀꢀ
(8)
[0044]其中，i
t
是更新门的输出，g...

【技术保护点】

【技术特征摘要】
1.一种基于ISSA
‑
LSTM算法的电池剩余使用寿命预测方法，其特征在于，包括如下步骤：S101：对获取的目标电池容量退化序列中的每个容量数据，利用优化的LSTM模型进行训练，预测剩余的电池容量数据；所述优化的LSTM模型是通过ISSA
‑
LSTM算法计算获得的；S102：根据预测的容量和循环次数的对应关系，计算目标电池的剩余使用寿命。2.根据权利要求1所述基于ISSA
‑
LSTM算法的电池剩余使用寿命预测方法，其特征在于，所述优化的LSTM模型的具体获得步骤包括：S1011：首先对电池容量数据进行归一化处理，将预处理之后的电池容量数据作为输入；S1012：设置需要优化参数的初始值；S1013：在训练过程中，使用实际容量和预测容量的平均均方根误差来建立适应度函数；S1014：ISSA算法优化LSTM的参数。3.根据权利要求2所述基于ISSA
‑
LSTM算法的电池剩余使用寿命预测方法，其特征在于，所述ISSA算法的具体步骤包括：(1)初始化参数，并利用式(1)Sin混沌映射初始化麻雀种群；其中x代表麻雀，N是麻雀的数量；(2)计算各只麻雀的适应度值，找出当前最优适应度值和最差适应度值，以及相对应的位置；(3)从适应度值较优的麻雀中没选取部分麻雀作为发现者，并按照式(2)更新位置；其中表示第i个麻雀在第j维的位置，t表示当前迭代次数；ω表示权重系数；为上一代中第j维的全局最优解；R2(R2∈[0,1])、ST(ST∈[0.5,1.0])依次代表预警值和安全值；Q为服从[0,1]正态分布的随机数；当R2<ST，表示附近没有天敌，发现者实行广泛搜索模式；如果R2≥ST，这意味着一些麻雀已经察觉到了天敌，则整个种群需要尽快前往其他安全区域；(4)余下麻雀作为跟随者，并按照式(3)更新位置；
其中X
worst
表示全局最差的位置，A为1
×
d的矩阵，且矩阵中每个元素随机赋值1或
‑
1，其中A
+
＝A
T
(AA)
‑1；当i>N/2时，表示适应度值较差的第i个跟随者未取得食物，能量值较低，需要前往别的区域寻找食物，以补充能量；(5)从麻雀中随机选择部分麻雀作为警戒者，并按照式(4)更新位置；其中X
best
表示全局最佳的位置，β为步长调整系数，是一个均值为0、方差为1的正态分布随机数；(6)根据概率P
s
选择柯西变异扰动策略和反向学习策略对当前最优解进行扰动，产生新解；(7)根据贪婪规则式(5)，确定是否进行位置更新；(8)判断是否达到结束条件，若是，则进行下一步，否则跳转步骤(2)；(9)程序结束，输出最优结果。4.根据权利要求3所述基于ISSA
‑
LSTM算法的电池剩余使用寿命预测方法，其特征在于，所述初始化参数包括种群数量N、最大迭代次数、发现者比例PD、侦察者比例SD、警戒阈值R2。5.根据权利要求3所述基于ISSA
‑
LSTM算法的锂离子电池剩余使用寿命预测方法，其特征在于，所述LSTM算法的具体步骤包括：(1)以当前层的输入x
t
和上一层的输出h
t
‑1为输入，用公式(6)来计算遗忘门f
t
的值；遗忘门决定哪些来自前一单元的信息需要被丢弃；f
t
＝σ(W
xf
x
t
+W
hf
h
t
‑1+b
f
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)其中f
t
是遗忘门的输出，W
xf
和W
hf
是线性关系的权重，b
f
是偏置；(2)更新状态信息，决定哪些新信息需要存储在单元状态中；它由两部分控制，其中一部分是一个sigmoid层，决定哪些需要被更新；公式(7)用于计算输入门它的值；然后，公式(8)被用来在tanh函数中创建一个矢量g
t
；它包含全新的信息，可以被添加到新的单元状态中；之后，单元状态通过结合这两部分的信息而被更新；首先，旧单元的状态被更新；其次，新的信息被输入到新的单元状态中；然后，完成更新门的操作；i
t
＝σ(W
xi
x
t
+W

【专利技术属性】
技术研发人员：孙静，刘艺伟，王海洋，
申请(专利权)人：烟台中科网络技术研究所，
类型：发明
国别省市：