System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 一种基于改进长短期记忆网络的储能电池剩余使用寿命预测方法技术_技高网

一种基于改进长短期记忆网络的储能电池剩余使用寿命预测方法技术

技术编号:40665071 阅读:4 留言:0更新日期:2024-03-18 18:59
一种基于改进长短期记忆网络的储能电池剩余使用寿命预测方法,属于储能电池健康管理技术领域,本发明专利技术提供了一种预测储能电池剩余使用寿命的方法,通过融合自注意力机制和长短期记忆网络增加模型全局关注能力,并通过贝叶斯优化对模型超参数进行优化,提升模型性能,模型汲取了长短期记忆网络的顺序建模能力和自注意力机制的全局关注能力,更全面捕捉全局信息,更好的处理长距离依赖问题,有效避免梯度消失问题,使用贝叶斯优化器优化模型超参数,能够更高效的迭代超参数组合,在一定程度上避免选取局部最优的超参数配置,与现有的储能电池剩余使用寿命预测方法相比,本方法具有超参数寻优速度快、模型泛化能力强和预测准确率高的优点。

【技术实现步骤摘要】


技术介绍


技术实现思路

【技术保护点】

1.一种基于改进长短期记忆网络的储能电池剩余使用寿命预测方法,其特征在于:所述方法是按照以下步骤实现的:步骤一,对电池进行循环测试并记录测试数据,一个电池充放电循环分为以下七个阶段:(1)在每个充放电循环之前,电池会静置120秒,以确保稳定性,(2)以0.55A的恒定电流进行充电,一直到电压达到额定充电电压4.2V,(3)静置120秒(4)进行恒压涓流充电,直至充电电流下降至50mA,(5)静置120秒,(6)以1.1A恒定电流进行放电,直至电压降为2.7V,(7)静置90秒,在每个循环阶段中,采样时间间隔为30秒,记录每次循环过程的测试时间、循环阶段、电流、电压、充电容量、放电容量、充电能量、放电能量、内阻数据、电压变化率,步骤二,提取已采集到数据中的数据特征:(1)将采集的所有数据按照采样时间排序,将采样点数据分为不同循环并记录(2)计算每个循环第二个阶段持续时间,提取恒流充电时间作为特征,(3)计算每个循环第四个阶段持续时间,提取恒压充电时间作为特征,(4)通过对每个循环第六个阶段即恒流放电阶段记录的内阻取均值,提取均值作为特征,(5)通过对每个循环第六个阶段每个数据点的当前电流采用安时积分法,将所有数据点的放电容量求和作为电池容量提取为当前循环的特征,(6)通过对特定电压区间的放电容量提取为当前电池循环的健康状态作为特征,步骤三,数据清洗,剔除已提取特征中的异常值:(1)将数据分割为长度相等的数据段,计算不同排列中的全局标准差和均值,(2)通过均值和全局标准差确定当前数据段的上限和下限,公式为:Datamax=valuemean+2*valuemse,Datamin=valuemean-2*valuemse,(3)遍历每个数据段中的数据,将超出上限或者下限的数据删除,重新构建数据,步骤四,数据填充,若采样数据产生缺失倒置提取特征不完整,会影响模型的训练结果,我们将清洗后的数据进行处理,对缺失的数据特征进行填充,采用均值填充法将一段数据的对应数据的特征均值填充至空缺特征处,步骤五,确定损失函数,使用均方误差(MSE)、均方根误差(RMSE)、相对误差(RE)作为损失函数,公式为:步骤六,搭建预测模型,在长短期记忆网络模型中插入自注意力机制层,搭建改进长短期记忆网络模型,处理数据,选取80%的数据作为训练集,选取20%的数据作为测试集,步骤七,通过贝叶斯优化器优化改进长短期记忆网络模型的超参数,选取长短期记忆网络的学习率、隐藏单元数、层数、自注意力机制的头数以及窗口大小作为优化器输入,通过高斯过程来决定下一个超参数配置的选择,使用均方误差函数衡量误差指标,不断重复上述步骤,选择新的超参数配置,并不断更新高斯过程模型,直到达到一定的迭代次数,记录每次迭代的超参数组合和性能指标,从而得到最优的改进长短期记忆网络的超参数配置,步骤八,通过贝叶斯优化器优化后的超参数配置训练改进长短期记忆网络模型,选取整个训练集用于训练,在训练过程中对模型性能进行记录,通过均方误差、均方根误差以及相对误差在测试集测试以衡量模型性能,当模型满足性能指标,停止训练,步骤九,将满足性能要求的模型保存下来,以备将来在实际应用中使用。

...

【技术特征摘要】

1.一种基于改进长短期记忆网络的储能电池剩余使用寿命预测方法,其特征在于:所述方法是按照以下步骤实现的:步骤一,对电池进行循环测试并记录测试数据,一个电池充放电循环分为以下七个阶段:(1)在每个充放电循环之前,电池会静置120秒,以确保稳定性,(2)以0.55a的恒定电流进行充电,一直到电压达到额定充电电压4.2v,(3)静置120秒(4)进行恒压涓流充电,直至充电电流下降至50ma,(5)静置120秒,(6)以1.1a恒定电流进行放电,直至电压降为2.7v,(7)静置90秒,在每个循环阶段中,采样时间间隔为30秒,记录每次循环过程的测试时间、循环阶段、电流、电压、充电容量、放电容量、充电能量、放电能量、内阻数据、电压变化率,步骤二,提取已采集到数据中的数据特征:(1)将采集的所有数据按照采样时间排序,将采样点数据分为不同循环并记录(2)计算每个循环第二个阶段持续时间,提取恒流充电时间作为特征,(3)计算每个循环第四个阶段持续时间,提取恒压充电时间作为特征,(4)通过对每个循环第六个阶段即恒流放电阶段记录的内阻取均值,提取均值作为特征,(5)通过对每个循环第六个阶段每个数据点的当前电流采用安时积分法,将所有数据点的放电容量求和作为电池容量提取为当前循环的特征,(6)通过对特定电压区间的放电容量提取为当前电池循环的健康状态作为特征,步骤三,数据清洗,剔除已提取特征中的异常值:(1)将数据分割为长度相等的数据段,计算不同排列中的全局标准差和均值,(2)通过均值和全局标准差确定当前数据段的上限和下限,公式为:d...

【专利技术属性】
技术研发人员:殷玉恒杨明辉
申请(专利权)人:哈尔滨理工大学
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1