[發(fā)明專利]一種基于粒子群優(yōu)化長短時記憶網(wǎng)絡(luò)的電池壽命預測方法

在審

• 申請?zhí)枺?/td>: 202010633671.7
• 申請日: 2020-07-02
• 公開（公告）號: CN112001113A
• 公開（公告）日: 2020-11-27
• 發(fā)明（設(shè)計）人: 童哲銘;施文駿;童水光;李元松
• 申請（專利權(quán)）人: 浙江大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/04;G06N3/08;G06N3/00;G01R31/367;G01R31/392;G01R31/396;G06F119/02;G06F119/04
• 代理公司: 杭州天昊專利代理事務(wù)所(特殊普通合伙) 33283
• 代理人: 何碧珩

1.一種基于粒子群優(yōu)化長短時記憶網(wǎng)絡(luò)的電池壽命預測方法，其特征是，包括以下步驟：

S1：利用鋰電池檢測系統(tǒng)采集電池容量衰退數(shù)據(jù)，數(shù)據(jù)包括電池循環(huán)次數(shù)及該次循環(huán)中電池的放電容量，采集循環(huán)次數(shù)為理論循環(huán)壽命的50％；

S2：將50％理論循環(huán)壽命的循環(huán)中的電池容量進行數(shù)據(jù)清洗和標準化；

S3：初始化粒子速度與位置；對粒子群優(yōu)化算法的參數(shù)進行初始化設(shè)置，評估粒子并得到初始化最優(yōu)位置；同時設(shè)置長短時記憶網(wǎng)絡(luò)超參數(shù)隱藏層節(jié)點數(shù)、學習率和批數(shù)據(jù)的大小的范圍，進行LSTM模型訓練，將LSTM的訓練結(jié)果的MSE作為粒子群優(yōu)化算法的適應(yīng)度函數(shù)，利用粒子群優(yōu)化算法對范圍內(nèi)的超參數(shù)進行尋優(yōu)，計算粒子的歷史最優(yōu)位置和群體的最優(yōu)位置；

S4：將步驟3中的通過粒子群優(yōu)化算法尋找到的最優(yōu)超參數(shù)帶入LSTM中，利用采集到的鋰電池循環(huán)壽命數(shù)據(jù)按照批數(shù)據(jù)長度進行訓練，訓練次數(shù)為1500次，同時利用Adam優(yōu)化算法加快模型反向傳遞過程；

S5：將最后一批數(shù)據(jù)經(jīng)過LSTM后的輸出的反標準化值作為預測值；

S6：同時剔除最后一批數(shù)據(jù)的第一個值，將該輸出添加到該批數(shù)據(jù)中組成新的時間序列作為新的輸入序列，重復步驟5得到下一時刻的輸出值作為預測值；

S7：重復步驟6直到出現(xiàn)預測值容量衰退到初始值75％的時候，將所有預測值組成預測序列，將預測值序列中容量衰退到初始值的80％時所對應(yīng)的循環(huán)次數(shù)作為鋰離子電池的循環(huán)壽命。

2.根據(jù)權(quán)利要求1所述的一種基于粒子群優(yōu)化長短時記憶網(wǎng)絡(luò)的電池壽命預測方法，其特征是，所述S2的具體過程為：

將采集到的容量數(shù)據(jù)C＝{x₁,x₂,...,x_m}進行數(shù)據(jù)清洗和標準化，使其盡可能符合標準正態(tài)分布，通過公式(1)和公式(2)分別計算出采集數(shù)據(jù)的均值和方差，

上式中，μ_C為采集到的容量數(shù)據(jù)的均值，m為容量數(shù)據(jù)個數(shù)，x_i為第i個循環(huán)的電池容量數(shù)據(jù)，為采集到的容量數(shù)據(jù)的方差；

在計算得到均值和方差后，根據(jù)公式(3)計算標準化后的容量數(shù)據(jù)

式中ε為調(diào)整因子，保證數(shù)值穩(wěn)定，使得分母不容易趨于0。