[发明专利]一种基于iPSO-LSTM模型的动力电池温度预测方法

权利要求书

1.一种基于iPSO-LSTM模型的动力电池温度预测方法，其特征在于，所述方法将LSTM模型的均方根误差结果RMSE作为动态决策粒子群算法的适应度值，设置LSTM模型的隐藏层节点数和学习率为粒子群的寻优参数；根据的适应度和迭代次数的变化，更新单个粒子的最优位置，并更新粒子的坐标与速度，直至适应度值RMSE趋于稳定，并确定寻优参数的最优值，利用寻优参数的最优值构造LSTM模型，即iPSO-LSTM模型，训练所述iPSO-LSTM模型，并利用训练好的iPSO-LSTM模型进行电池温度预测。

2.根据权利要求1所述的方法，其特征在于，所述方法包括：

步骤1，获取电池温度数据，构造训练集和测试集；所述温度数据为电池单次充电中的最高温度；

步骤2，初始化粒子种群X，设置粒子种群规模、迭代次数、初始速度与位置区间；

设粒子种群X中任一粒子x(α,β)，其位置坐标(α,β)为粒子群的寻优参数；

步骤3，利用粒子种群X中粒子坐标构造LSTM预测模型，其中以α为LSTM预测模型的隐藏层单元数，以β为LSTM预测模型的学习率；

步骤4，以LSTM预测模型的均方根误差RMSE作为粒子群迭代更新的适应度值，进行粒子群寻优；寻优过程中，定义惰性粒子，利用惰性粒子决策对粒子群的位置坐标与速度迭代更新，直至适应度值RMSE满足迭代结束的评判依据或者迭代次数达到最大，并确定寻优参数(α,β)最优值；

步骤5，以寻优参数(α,β)最优值中α为隐藏层单元数，以β为学习率构造得到iPSO-LSTM模型并进行训练，得到训练好的iPSO-LSTM模型；

步骤6，获取待预测电池的温度数据，输入训练好的iPSO-LSTM模型进行温度预测。

3.根据权利要求2所述的方法，其特征在于，所述惰性粒子决策指在粒子每轮迭代更新后，将粒子群的位置按适应度值进行降序排列，将排名末尾20％的粒子定义为惰性粒子，将惰性粒子的位置重置为全局最优粒子的位置，但不改变该粒子的搜索速度，继续寻优。

4.根据权利要求3所述的方法，其特征在于，所述步骤2中的粒子群初始化过程中，按照下述公式进行粒子群坐标和速度的初始化：

pso_i⁰(γ)＝lb(γ)+r*(ub(γ)-lb(γ))γ＝1、2

v_i⁰(γ)＝-vmax(γ)+2vmax(γ)*rγ＝1、2

其中，pso_i⁰(γ)表示初始第i个粒子的位置坐标中第γ个寻优参数的值，v_i⁰(γ)表示初始第i个粒子的第γ个寻优参数的搜索速度，vmax(γ)表示粒子群的第γ个寻优参数的搜索速度的上限，ub(γ)、lb(γ)分别为粒子群第γ个寻优参数的上下限，r为从[0,1]间均匀分布的随机数。

5.根据权利要求4所述的方法，其特征在于，所述步骤4中LSTM预测模型的均方根误差RMSE表示为真实值与预测值偏差值的标准差：

式中，n为步骤1获取到的电池温度数据中最高温度样本点的数量；x_j为第j个样本点的实际值；为对应第j个最高温度样本点的预测值。