[发明专利]一种基于iPSO-LSTM模型的动力电池温度预测方法

说明书

本发明公开了一种基于iPSO‑LSTM模型的动力电池温度预测方法，属于动力电池制造预测技术领域。所述方法定义惰性粒子，迭代过程中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。通过重置位置但不改变搜索速度的策略使更换位置后的粒子拥有了搜索意义，并且不进行时间浪费。本申请添加惰性粒子的定义与处理策略使得iPSO‑LSTM模型在不损失精度的同时增加了收敛的速度，降低了无效粒子搜索的可能性，同时增大了每轮最优值附近的搜索范围，最终快速准确的寻优得到最优超参数，将最优超参数带入LSTM模型实现对于动力电池温度的快速准确预测。

技术领域

本发明涉及一种基于iPSO-LSTM模型的动力电池温度预测方法，属于动力电池制造预测技术领域。

背景技术

近年来，锂离子电池作为镍氢和铅酸电池的升级产品，具备高能量密度、高倍率、高安全性等特点，已成为当下技术研究和产业化的重点。同时电池制造技术从作坊式生产发展到自动化和今日的智能化，产业规模不断扩大，中国已经成为全球最大的锂离子电池生产地和消费地。

动力电池充电主要依靠电流充电实现，但是电流充电会导致电池温度快速升高、内部极化反应加成充电时间延长、充电量下降。严重的极化反应还会引起电池过热和析锂现象，甚至发生热失控，因此需要对电池充电过程进行温度监测，最原始的温度监测方法采用温度传感器实时获取电池温度，当监测到温度到达阈值后采取相应措施以避免安全问题，但这种方式无法实现对于温度的提前预测，只能获取当下温度，因此出现了温度预测技术，对电池充电过程中的温度进行预测，现有的温度预测技术大多会对三元单体锂离子电池建立的等效可变参数热模型，用状态方程分析法,建立电池温度的关联，最后利用预测算法进行实时预测(参见“王昱朝.动力电池内部温度及荷电状态实时预测算法研究[C].江西理工大学,2022.”)。上述对电池进行数学建模的方法固然提升了预测的精度，但是计算复杂度高，可以用于专业的高性能服务器。但是对于不需要超高精度的电池温度预测，实用性不强反而浪费算力。

近些年神经网络预测模型渐渐成熟，出现了构造LSTM长短期记忆递归神经网络对动力电池温度的预测，多时相数据中提取时间特征的能力，能解决温度变化的非线性问题，在电池温度预测方面有着极大的优势。但LSTM预测模型的预测结果是否精准，依赖于超参数的选择，构造LSTM模型时，如果超参数的选择合适则预测结果较优，则模型预测结果更精确，但如果超参数的选择有偏差，则难以预测出精准的结果。实际应用中，超参数的选择一般都为人工进行调参，但是人工调参需要进行大量的实验，对操作者的技术要求高并且耗时耗力。

基于上述问题，有学者提出应用PSO粒子群优化算法对LSTM超参数寻优的方法，该方法将超参数作为粒子群的位置坐标，LSTM预测出的均方根误差作为粒子群的适应度，迭代粒子群找出最优超参数。但这种方法精度不高，而且容易陷入局部最优，有些粒子在自己位置附近进行无意义的搜索，并且在PSO与LSTM结合时，这类粒子更增加了模型无意义的耗时。这对于高精度要求和高实时性要求的动力电池温度预测方法来说极为不利。

发明内容

为了实现对电池充电过程最高温度的高效和高精度预测，以帮助企业进行危险预测与警告，本发明提出了一种基于深度学习的动力电池温度预测方法。该方法首先定义一种新型组合模型，用时间预测模型中的均方根误差作为粒子群算法的目标函数并结合惰性例子决策进行粒子群迭代，也即针对迭代粒子群寻找最优超参数时易陷入局部最优的问题，本申请定义惰性粒子的概念并且提出对惰性粒子的决策方案，建立iPSO-LSTM模型。添加惰性粒子的定义与处理策略使得iPSO-LSTM模型在不损失精度的同时增加了收敛的速度，降低了无效粒子搜索的可能性，同时增大了每轮最优值附近的搜索范围，最终快速准确的寻优得到最优超参数，将最优超参数带入LSTM模型实现对于动力电池温度的预测。