[发明专利]一种基于寻优算法的新能源汽车锂电池寿命预测方法

说明书

本发明提供一种基于寻优算法的新能源汽车锂电池寿命预测方法，该方法先收集一段时间内的锂电池的温度、放电深度和充电速率、锂电池所在环境温度、锂电池所在环境温度变化率作为锂电池健康状态数据；然后根据锂电池放电曲线规律，将锂电池健康状态数据送入基于灰狼算法的改进粒子群算法中，输出最优解的锂电池数据；最后将最优解的锂电池数据送入LSTM预测算法中，建立寿命预测模型，根据锂电池的目标寿命，对锂电池实际的寿命进行预测，最终输出锂电池的预测寿命。该方法预测结果准确。

技术领域

本发明属于新能源汽车电池领域中的新能源汽车锂电池技术领域，具体涉及一种基于寻优算法的新能源汽车锂电池寿命预测方法。

背景技术

影响电池健康状态的因素包括温度、放电深度和充电速率等，但这些指标不能直接表征电池的性能退化程度，对于在线检测存在一定困难，电池实际容量是指电池在充满电的情况下所储存的电能，是能够直接表征。现有的锂电池寿命预测方法可以分为失效物理模型和数据驱动模型。失效物理模型是通过建立数学模型来表示锂电池性能退化的过程，然而该方法易受到噪声和环境的干扰，难以对电池的健康状况进行动态检测，鲁棒性及适应性较差.数据驱动方法由于灵活性高、易实现等优点，是目前电池寿命预测的主流方法。该类算法从电池的性能退化数据中提取出寿命特征参数，通过建模输出预测结果，为系统维护提供决策信息。电池容量的退化过程中会出现局部重生现象，这种现象所产生的波动性会严重影响预测算法的性能，在实际情况中很难进行有效预测。

发明内容

针对上述问题，本发明提供一种基于寻优算法的新能源汽车锂电池寿命预测方法，通过对锂电池参数的寻优，将电池健康指标中的局部特征和全局退化趋势进行自适应分离，解决了电池能量指标重生引起的剧烈波动问题；构建深度神经网络温度模型，建立温度补偿模型，得到可靠的锂电池寿命预测结果。

为实现以上目的，本发明通过以下技术方案予以实现：

一种基于寻优算法的新能源汽车锂电池寿命预测方法，该方法包括如下步骤：

步骤1.收集一段时间内的锂电池的温度为T、放电深度C和充电速率V、锂电池所在环境温度t、锂电池所在环境温度变化率Δt，记作第一组锂电池健康状态数据，在不同时间内寻找多组锂电池健康状态数据，共计找到n组锂电池健康状态数据；

步骤2.根据锂电池放电曲线规律，将步骤1得到的n组锂电池健康状态数据送入基于灰狼算法的改进粒子群算法中，输出最优解的锂电池的温度T'、放电深度C'、充电速率V'、锂电池所在环境温度t'、锂电池所在环境温度变化率Δt'；

步骤3.将步骤2输出的最优解的锂电池的温度T'、放电深度C'、充电速率V'、锂电池所在环境温度t'、锂电池所在环境温度变化率Δt'送入LSTM预测算法中，建立寿命预测模型，根据锂电池的目标寿命，对锂电池实际的寿命进行预测，最终输出锂电池的预测寿命。

进一步地，步骤2中所述基于灰狼算法的改进粒子群算法，具体流程包括：

9)对算法的寻优种群进行初始化，将其随机散布到整个解空间中，并为灰狼算法设定α、β和δ个体；

10)寻优种群按照灰狼算法的寻优过程对整个解空间进行寻优；

11)记录灰狼算法每次迭代过程中的最优解V_beat-g；

12)根据自适应替换机制进行判断，若寻优算法替换为粒子群算法进入5)，否则返回2)继续搜索；

13)寻优种群按照粒子群算法的寻优过程对可能存在最优解的位置进行挖掘；

14)记录粒子群算法每次迭代过程中的最优解V_best-p；

15)根据自适应逃逸机制进行判断，若寻优种群陷入局部最优则返回1)，否则进入8)继续搜索；