[发明专利]一种基于优化多层残差BP深度网络的蓄电池寿命预测方法

权利要求书

1.一种基于优化多层残差BP深度网络的蓄电池寿命预测方法，其特征在于，包括如下步骤：

S1：采集储能电站中处于工作状态的蓄电池实时数据作为样本数据，并构建指标体系；步骤S1中，构建指标体系过程具体如下：

S11：选取影响因子：根据影响蓄电池寿命的因素，选取5个指标作为预测蓄电池寿命的影响因子，包括：环境温度、健康状态SOH、浮充电压、投运时长、电池型号；

S12：对各影响因子进行指标构建：

环境温度：蓄电池所处的环境温度，是数值数据，环境温度以摄氏度计算，范围为12℃～30℃；

健康状态SOH：蓄电池使用一段时间后性能参数与标称参数的比值，是数值数据，以百分比计算，范围为5％～100％；

浮充电压：由整流器供电，同时给蓄电池微小的补充电流以平衡电池自放电所造成的容量损耗的整流器输出的电压，是数值数据，浮充电压以伏特计算，范围为2.17V～2.25V；

投运时长：蓄电池的投运时长，是数值数据，投运时长以年份计算，范围为1年～12年；

电池型号：蓄电池的型号，是分类数据，型号包括荷贝克、梅兰日兰、欧利特、圣阳；

S13：对剩余容量进行指标构建：蓄电池的剩余容量，是数值数据，剩余容量以变量q来表示，单位为A·h，范围为0～x之间，其中x为电池额定容量；

S2：根据所建指标体系对样本数据进行预处理，并对多层残差BP深度学习网络进行初始化；

步骤S2中，根据所建指标体系对样本数据进行预处理，具体如下：

对环境温度进行预处理，温度范围设定为12℃～30℃，将属于数值数据的环境温度划分成若干环境温度范围的分类数据：12℃～15℃为A类，15℃～18℃为B类，18℃～21℃为C类，21℃～24℃为D类，24℃～27℃为E类，27℃～30℃为F类；若所收集的数据中存在不属于设定范围的数据，则将其剔除；

对健康状态SOH进行预处理，将健康状态SOH的范围设定为5％～100％，若所收集的数据中存在不属于设定范围的数据，则将其剔除；

对浮充电压进行预处理，将浮充电压的范围设定为2.17V～2.25V，若所收集的数据中存在不属于设定范围的数据，则将其剔除；

对投运时长进行预处理，将投运时长的范围设定为1年～12年，若所收集的数据中存在不属于设定范围的数据，则将其剔除；

对电池型号进行预处理，选取四个常用型号，设定荷贝克为A类，用[0,0,0,1]表示；梅兰日兰为B类，用[0,0,1,0]表示；欧利特为C类,用[0,1,0,0]表示；圣阳为D类，用[1,0,0,0]表示；若所收集的数据中存在不属于设定范围的数据，则将其剔除；

对剩余容量进行预处理，将其按一定范围进行分类，分类如下：0～0.5x为A类，表示寿命小于1年，建议更换；0.5x～0.6x为B类，表示寿命为1年～2年；0.6x～0.7x为C类，表示寿命为2年～3年；0.7x～0.8x为D类，表示寿命为3年～4年；0.8x～0.9x为E类，表示寿命为4年～5年；0.9x～x为F类，表示寿命为5年～6年；

步骤S2中，对多层残差BP深度学习网络进行初始化，包括确定其激活函数及超参数和模型的初值，其步骤如下：

S21：首先根据数据机理确定激活函数的类型；

S22：判断是否有训练该类型样本数据的历史经验，若没有则转入步骤S23，若有则转入步骤S25；

S23：根据“宽泛策略”确定一个网络的架构，确定多层残差BP深度学习网络中隐含层的数目及每一层中包含的神经元个数；

S24：在代价函数中先不考虑正则项对学习率进行迭代求解，确定初始范围，再取阈值的一半并加入正则项对学习率进行调整；

S25：根据历史经验，套用已有蓄电池寿命预测模型进行计算；

S26：根据训练样本对超参数的取值做最终优化训练；

S27：得到结果，确定超参数取值；

S28：利用生物地理学优化算法确定网络模型的初始权值w^[1]和阈值b^[1]；

S29：网络初始化完成；

S3：将样本数据分为样本训练集和样本测试集，输入样本训练集，并由多层残差BP深度学习网络正向传播求解预测值；

S4：将所求的预测值数据集代入成本函数求解网络误差，成本函数为所有训练样本损失函数和的平均值，并对网络误差进行判别，若满足要求，则进行步骤S6，不满足要求则进行步骤S5；

S5、确定误差梯度并对权值学习进行调整，然后转到步骤S3；

S6、完成网络学习，得到蓄电池寿命模型，转到步骤S7；

S7、结束本次计算。