[发明专利]一种在随机放电环境下基于DGWO-ELM的锂离子电池寿命预测方法

说明书

本发明公开一种在随机放电环境下基于DGWO‑ELM的锂离子电池寿命预测方法：1.初始化，归一化参数；2.确定父代狼群等级；3.改进狼群算法迭代开始，父代个体位置更新；4.产生变异种群；5.产生子代种群进行交叉操作，判断是否完成交叉操作；6.将新种群带入ELM算法计算得到子代目标值c_val；7.比较子代目标值与父代目标值；8.重新确定父代中的α，β，γ；9.判断是否完成迭代；10.带入ELM算法，利用回归预测分析最佳参数，得到最终预测值；Step11.评价算法。本发明方法改进GWO算法，首次将DGWO和ELM算法结合，并引入DE算法令算法有更强鲁棒性；整体预测效果更准确。

技术领域

本发明涉及一种在随机放电环境下基于DGWO-ELM(基于改进演化狼群算法的极限学习机算法)的锂离子电池寿命预测方法，属于锂电池健康管理技术领域。

背景技术

锂离子电池是一种非常受欢迎的电池，锂离子电池有很多优点，比如有高能量密度，体积小能量足；开路电压大输出功率大；工作温度范围广；并且在电池未放空的情况下可以随时充放电；所以锂离子电池已成功应用于许多电子产品领域。大部分能源汽车都使用锂电池作为他们的动力源，为了环保越来越多的人选择使用能源汽车，能源汽车的续航与安全性是挑选能源汽车的重中之重，锂离子电池的寿命及安全性受到越来越多的人的关注。电池以充放电的循环次数或使用年限来定义电池寿命，电池中的化学物质会随着电池工作时间的增加而逐渐老化，电池故障会造成很严重的后果。电池的老化问题应该给予足够的重视，如三星Note7爆炸事件，Tesla Modle S汽车的自燃召回事件，都在强调着锂电池安全的重要性。

电池的老化程度是无法直接测量的，所以需要对其剩余寿命进行估计预测。锂离子电池剩余使用寿命(RUL)的预测可以分为两类。一类为基于模型的驱动方法，一类为基于数据的驱动方法。基于模型的驱动方法的核心为用一些离散的随机采样点来近似系统随机变量的概率密度函数。郭等人分析了双重卡尔曼滤波器(KF)算法的方法，它使用多尺度参数自适应的方法去预测电荷状态(SOC)。陈等人提出了一种基于模型自适应与噪声自适应的UKF预测方法。罗等人使用立方卡尔曼滤波(cubature Kalman filter,CKF)的算法来预测SOC。基于模型驱动的方法要有准确的参考模型及合适的参数设置，否则预测算法的精度就不能进一步提升。

基于数据驱动的方法有进化算法，机器学习法，神经网络法等。王等人使用概率论的方法将最大期望(EM)与第一次命中时间(FHT)相结合去估算锂离子电池的RUL。邓等人为了使电池模型可以适用于多种工况，使用最小二乘法与支持向量机法(LSSVM)结合的估计方法建立SOH模型。Meru A.Patil等人使用支持向量机(SVM)与支持向量回归(SVR)的方法计算锂离子电池的RUL。李等人提出改进的鸟群算法优化最小二乘支持向量机(IBSA-LSSVM)模型预测锂离子电池的RUL。李等人将基于大数据驱动的堆叠式去噪自动编码器与极限学习机(SDAE-ELM)的方法相结合预测电池RUL。杨等人使用改进极限学习机(IELM)和启发式卡尔曼极限学习机两种方法，通过保存粒子多样性来预测锂离子电池的RUL。

在实际的应用中，锂离子电池的放电电流一定会发生改变。研究者开始研究随机放电下锂离子电池的寿命预测。王等人设计了四周期不同放电率下的电池容量降低实验，并预测电池在不同放电率下的剩余使用寿命。但该实验放电循环中只改变四次放电大小，实验设计过于简单，无法诠释随机放电这一概念，还有待改善。吴等人基于NASA随机放电锂离子电池数据，使用Gamma函数模型对电池的RUL进行预测。但因为NASA随机放电数据过于线性，并且文章中又没有比较其他数据来验证模型的好坏，结果缺乏说服力。

发明内容