一种基于优化后的制造技术

本发明专利技术公开了一种基于优化后的

【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，基于模型的方法的估计精度在很大程度上取决于电池模型的质量
。
不幸的是，由于电池内阻的变化，实际上难以构建精确的电压模型
。
基于数据驱动的方法既不需要考虑电池内部复杂的电化学反应，也不需要辨识模型参数，而是自行学习输入
(
电流
、
电压和温度
)
与输出
(
如
SOC
或
SOE)
的内在关系
。
但是，一般递归神经网络只能从正向分析和学习电池数据中的信息，部分有用的信息在正向传递中丢失，影响到网络的预测效果
。
此外，在网络类型确定后，能否选择合适的超参数将决定网络的最终预测精度
。
上述论文中，神经网络超参数设置均是人为设置，这需要反复实验，耗费时间且未必能实验出最优的超参数，且最终预测精度也不高
。

技术实现思路

[0004]为解决
技术介绍
中存在的技术问题，本专利技术提出一种基于优化后的
BiLSTM
神经网络的锂电池多状况预测方法
。
[0005]本专利技术提出的一种基于优化后的
BiLSTM
神经网络的锂电池多状况预测方法，，将利用改进鸽群
‑
遗传算法对锂电池
BiLSTM(
双向长短词记忆模型
)
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
。
[0006]可选地，包括如下步骤：
[0007]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；
[0008]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；
[0009]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；
[0010]步骤3，改进的鸽群
‑
遗传混合算法参数的设置：
[0011]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。
[0012]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}
；
[0013]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；
[0014]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：
[0015]X
i
＝
{x
i1
，
x
i2
，
...
，
x
ij
...
，
x
iD
}
[0016]V
i
＝
{v
i1
，
v
i2
，
...v
ij
...
，
v
iD
}
[0017]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...

【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：