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()
【技术实现步骤摘要】
本专利技术属于新能源及节能,具体涉及一种基于优化时域卷积网络的锂电池健康状态预测方法及系统。
技术介绍
1、锂离子电池因其容量大、无记忆、能量密度高、对高温和低温适应性强等优点,在动力电池和储能领域得到了广泛应用。随着经济全球化进程的加快和化石燃料的大量使用,环境污染和能源短缺的问题日渐突出。锂离子电池相比其他电化学储能元件具有高比能量、高充放电效率、长寿命、低自放电率等优点,在储能场景中往往以成组的形式出现。随着锂离子电池使用次数的增加,电池会逐渐老化,导致性能下降,若使用不当,可能会引发严重的事故。因此,快速准确地估计出电池的健康状态(state of health,soh)能够为决策者提供必要的信息,从而提前进行规划,延长电池使用寿命,提高锂离子电池使用过程中的安全性,在实际应用中有着重要的意义。
2、锂电池soh预测主要分为两类不同的方法:一种是基于模型预测soh;一种是基于数据驱动预测soh。基于模型的方法主要采用等效电路模型或电化学模型。电化学模型基于电化学基础理论建立,如基于宏观均质多孔电极理论建立的伪二维模型(pseudo-two-dimensions,p2d)等,虽然具有一定的物理意义,但建模门槛高、参数复杂的缺点限制了算法的应用。基于模型的方法一般需要依赖搭建的电池模型,而测量数据通常含有大量的噪声,容易受到噪声的干扰,适应性较差。数据驱动的soh估计模型可以在不研究复杂电池原理的基础上探索电池外部测量参数和内部状态之间的关系,已经成为电池soh预测的主要方法之一。数据驱动的主要方法包括支持向量回
3、容量再生(cr)现象在锂电池soh预测中,是一种常见的现象。电池在充放电循环过程中处于静止状态时,电池内部的化合物发生反应使容量有一定程度的回升,下一个循环的容量将立即增加,这种现象会影响对锂电池soh估计的准确性,而大多数已有的方法并不能考虑到这种现象。zhou dh等人利用时域卷积网络(temporal convolutional network,tcn)捕捉到了容量再生现象,但其并未对超参数进行寻优,在面对不同数据集的时候可能并不适用。
技术实现思路
1、本专利技术的目的在于提供一种基于优化时域卷积网络的锂电池健康状态预测方法及系统,以解决现有的锂电池健康状态预测方法电池容量数据中存在噪声及电池的容量再生现象等非线性分量造成的预测精度低的技术问题。
2、为达到上述目的,本专利技术采用如下技术方案:
3、基于优化时域卷积网络的锂电池健康状态预测方法,包括以下步骤:
4、获取历史健康因子数据和历史soh数据;
5、对历史soh数据通过vmd分解为多个子模态,根据各子模态的pe分析结果进行子序列重组;
6、以历史健康因子数据作为输入,分解重组后的历史soh数据作为输出对锂电池健康状态预测模型进行训练;
7、将锂电池健康状态预测模型输出的各子序列预测结果相加合并得到最终的预测结果;
8、所述锂电池健康状态预测模型采用idbo-tcn模型。
9、进一步的,所述历史健康因子数据包括等压升充电时间和等压降放电时间。
10、进一步的,所述idbo-tcn模型为利用idbo对tcn的超参数进行优化。
11、进一步的,所述idbo对tcn的超参数进行优化步骤为:
12、设置适应度函数以及参数初始化;
13、利用spm混沌映射初始化蜣螂种群的位置并计算每个蜣螂的适应度值;
14、利用黄金正弦策略更新滚球蜣螂的位置并更新其他蜣螂的位置,并判断是否超出边界;
15、更新当前最优解及适应度值;
16、通过自适应高斯-柯西混合扰动变异扰动策略对当前最优解进行扰动,产生新解,并根据贪婪公式确定是否更新位置;
17、判断是否达到最大迭代次数,若达到最大迭代次数,则输出最优参数至tcn模型,否则继续循环。
18、进一步的,所述适应度函数为:
19、
20、其中,mse为锂电池实际soh和预测soh之间的均方根差,为预测soh的第i个分解量imfi;yi为实际soh的第i个分解量imfi。
21、进一步的,所述spm混沌映射的方程式如下:
22、
23、其中,η∈(0,1),μ∈(0,1),r为0~1的随机数。
24、进一步的,所述利用黄金正弦策略更新滚球蜣螂的位置并更新其他蜣螂的位置,原来滚球蜣螂滚球行为公式改进为:
25、xi(t+1)=xi(t)×|sin(r1)|+r2×sin(r2)×|x1×pi(t)-x2×xi(t)|
26、其中,t为当前迭代次数,xi(t)为个体x在第t次迭代中的第i个位置分量,pi(t)为第t次迭代中最佳个体位置变量的第i个分量,r1∈[0,2π]是决定下次迭代中个体的移动距离的一个随机数,r2∈[0,π]是决定下次移动方向的随机数,x1=-π+(1-τ)×2π及x2=-π+τ×2π是根据黄金分割系数得到的系数。
27、一种基于优化时域卷积网络的锂电池健康状态预测系统,包括数据获取模块、数据处理模块、模型训练模块和预测结果输出模块,其中:
28、数据获取模块:用于获取历史健康因子数据和历史soh数据;
29、数据处理模块:用于对历史soh数据通过vmd分解为多个子模态,根据各子模态的pe分析结果进行子序列重组;
30、模型训练模块,用于以历史健康因子数据作为输入,分解重组后的历史soh数据作为输出对锂电池健康状态预测模型进行训练;
31、预测结果输出模块,用于将锂电池健康状态预测模型输出的各子序列预测结果相加合并得到最终的预测结果。
32、一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
33、一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述方法的步骤。
34、与现有技术相比,本专利技术具有以下有益的技术效果:
35、本专利技术一种基于优化时域卷积网络的锂电池健康状态预测方法,通过vmd-pe算法将电池soh序列分解并重组成几个平稳的模态分量,能够有效降噪声干扰和预本文档来自技高网...
【技术保护点】
1.基于优化时域卷积网络的锂电池健康状态预测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于优化时域卷积网络的锂电池健康状态预测方法,其特征在于,所述历史健康因子数据包括等压升充电时间和等压降放电时间。
3.根据权利要求1所述的一种基于优化时域卷积网络的锂电池健康状态预测方法,其特征在于,所述IDBO-TCN模型为利用IDBO对TCN的超参数进行优化。
4.根据权利要求3所述的一种基于优化时域卷积网络的锂电池健康状态预测方法,其特征在于,所述IDBO对TCN的超参数进行优化步骤为:
5.根据权利要求4所述的一种基于优化时域卷积网络的锂电池健康状态预测方法,其特征在于,所述适应度函数为:
6.根据权利要求4所述的一种基于优化时域卷积网络的锂电池健康状态预测方法,其特征在于,所述SPM混沌映射的方程式如下:
7.根据权利要求1所述的一种基于优化时域卷积网络的锂电池健康状态预测方法,其特征在于,所述利用黄金正弦策略更新滚球蜣螂的位置并更新其他蜣螂的位置,原来滚球蜣螂滚球行为公式改进为:
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-7任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7任一项所述方法的步骤。
...【技术特征摘要】
1.基于优化时域卷积网络的锂电池健康状态预测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于优化时域卷积网络的锂电池健康状态预测方法,其特征在于,所述历史健康因子数据包括等压升充电时间和等压降放电时间。
3.根据权利要求1所述的一种基于优化时域卷积网络的锂电池健康状态预测方法,其特征在于,所述idbo-tcn模型为利用idbo对tcn的超参数进行优化。
4.根据权利要求3所述的一种基于优化时域卷积网络的锂电池健康状态预测方法,其特征在于,所述idbo对tcn的超参数进行优化步骤为:
5.根据权利要求4所述的一种基于优化时域卷积网络的锂电池健康状态预测方法,其特征在于,所述适应度函数为:
6.根据权利要求4所述的一种基于优化时域卷积网络的锂电池健康状态预测方法,...
【专利技术属性】
技术研发人员:巫春玲,付俊成,赵玉冰,陈俊硕,宋江鑫,
申请(专利权)人:长安大学,
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。