【技术实现步骤摘要】
一种基于优化后的BiLSTM神经网络的锂电池多状况预测方法和装置
[0001]本专利技术涉及锂电池
,尤其涉及一种基于优化后的
BiLSTM
神经网络的锂电池多状况预测方法和装置
。
技术介绍
[0002]传统的燃油汽车在行驶中不仅制造大量的温室气体,而且会排放多种细微污染物,给人类和环境带来极大的困扰
。
无污染
、
能效高的电动汽车逐渐受到人们的青睐
。
作为电动汽车的动力来源,锂电池由于寿命长
、
容量大等特点而被广泛使用
。
为了保障锂电池的正常运行,电池管理系统需要准确监测众多参数
。
其中,精准的荷电状态
(state
‑
of
‑
charge
,
SOC)
和能源状态
(state
‑
of
‑
energy
,
SOE)
对电池管理系统的可靠性至关重要
。
但是,锂电池具有极强的非线性和时变特性,这导致直接测量
SOC
和
SOE
困难重重
。
[0003]迄今为止,学者们对
SOC
和
SOE
估计方法的研究成果主要分为两大类:基于模型的方法和数据驱动的方法
。
基于模型的方法需要优先建立合适的电池模型
。
但是,基于模型
【技术保护点】
【技术特征摘要】
1.
一种基于优化后的
BiLSTM
神经网络的锂电池多状况预测方法,其特征在于,将利用改进鸽群
‑
遗传算法对锂电池
BiLSTM
神经网络模型超参数进行辨识,然后将得到的最优参数反馈到锂电池
BiLSTM
神经网络模型中,并同时估计锂电池荷电状态和锂电池剩余能量两种状态,再将优化后的神经网络输出到平方根无迹卡尔曼滤波中
。2.
根据权利要求1所述的基于优化后的
BiLSTM
神经网络的锂电池多状况预测方法,其特征在于,包括如下步骤:
S1
:将锂电池在不同温度和驱动周期下充放电循环,并对放电循环中的锂电池进行采样,将采样数据组成锂电池放电数据集,并进行归一化处理;
S2
:获取锂电池
BiLSTM
神经网络的辨识参数:所述锂电池
BiLSTM
神经网络的辨识参数为:超参数中隐层神经元的数量
ls、
初始学习速率
lr、
最大迭代次数
ep、
学习速率下降因子
lrdf
和全连接层神经元数量
fls
,即在优化算法中,目标搜索空间的维数为5,将隐层神经元的数量
ls、
初始学习速率
lr、
最大迭代次数
ep、
学习速率下降因子
lrdf
和全连接层神经元数量
fls
分别记为辨识参数
1、
辨识参数
2、
辨识参数
3、
辨识参数4和辨识参数5;将所述辨识参数中的每一个辨识参数视为粒子个体的一个维度,所述粒子个体有粒子个体位置与粒子个体速度两个属性,粒子个体位置代表移动的方向,粒子个体速度代表移动的快慢,其中,粒子个体位置为辨识参数的值;步骤3,改进的鸽群
‑
遗传混合算法参数的设置:设定目标搜索空间的维数为
D
,
D
=5;设一个种群由
N
个粒子组成;设定最大迭代次数
M
;设定每条染色体的编码长度
L
;设定交叉概率
p1。
设定粒子个体的位置范围为
{x_min
,
x_max}、
粒子个体的速度范围
{v_min
,
v_max}
;其中,
x_min
为粒子个体位置的最小值,
x_max
为粒子个体位置的最大值,
v_min
为粒子个体速度的最小值,
v_max
为粒子个体速度的最大值;将
N
个粒子个体中的任意一个记为粒子个体
i
,
i
为种群中任意一个粒子个体的序号,
i
=1,2,
..N
,将粒子个体
i
的位置向量记为个体位置
X
i
,粒子个体
i
的速度向量记为个体速度
V
i
,其表达式分别如下:
X
i
=
{x
i1
,
x
i2
,
...
,
x
ij
...
,
x
iD
}V
i
=
{v
i1
,
v
i2
,
...v
ij
...
,
v
iD
}
其中,个体位置
X
i
为锂电池
BiLSTM
神经网络模型的一组辨识参数的解,
x
ij
为粒子个体
i
第
j
维的位置,
j
=1,2,
..D
;个体速度
V
i
为锂电池等效电路模型的一组参数的解在粒子搜索解空间中的速度,
v
ij
为粒子个体
i
第
j
维的速度;将粒子个体
i
的适应度值记为个体适应度值
f
i
,将整个粒子群搜索到的适应度值最小的位置记为全局最优位置
X
g
;步骤4,优化
BiLSTM
神经网络的迭代流程:步骤
4.1
,个体位置和个体速度的初始化;步骤
4.2
,个体位置和个体速度的更新;步骤
4.3
,交叉和变异并计算适应度值,更新全局最优;步骤
4.4
,比较迭代次数:如果当前迭代次数
t
>
N
C1
,转到步骤
4.5
;否则,转到步骤
4.1
;步骤
4.5
,找到鸽群的中心,并对鸽群更新位置;步骤
4.6
,判断若当前迭代次数
t
=
N
C2
,结束迭代,输出当前全局最优位置
X
g
,该全局最
终位置对应的一组辨识参数即为锂电池
BiLSTM
神经网络的一组最优参数;若
t
<
N
C2
,返回步骤
4.5
进行下一次迭代;步骤5,平方根无迹卡尔曼滤波器对输出进行滤波:将寻优后的
BiLSTM
神经网络的预测结果输出到平方根无迹卡尔曼滤波中,由平方根无迹卡尔曼滤波器对输出进行滤波
。3.
根据权利要求2所述的基于优化后的
BiLSTM
神经网络的锂电池多状况预测方法,其特征在于,步骤
S4.1
中:初始化鸽群的速度和位置,随机生成种群个体
x
=
(ls、fls、ep、lr、lrdf)
,使用步骤1处理后的输入数据
x
n
和输出数据
y
n
训练
BiLSTM
并计算适应度值训练
BiLSTM
并计算适应度值,选择均方误差
(MSE)
为
BiLSTM
的损失函数,同时也是优化...
【专利技术属性】
技术研发人员:陈立平,宋英杰,丁纪宇,赖振伟,刘创,
申请(专利权)人:合肥工业大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。