[发明专利]一种基于GWO-LSTM的锂离子电池健康状态估计方法在审
申请号: | 202310505705.8 | 申请日: | 2023-05-06 |
公开(公告)号: | CN116540134A | 公开(公告)日: | 2023-08-04 |
发明(设计)人: | 禄盛;许泽康;罗久飞;马莹;朴昌浩;李海青;陈翔 | 申请(专利权)人: | 重庆邮电大学 |
主分类号: | G01R31/392 | 分类号: | G01R31/392;G01R31/388;G01R31/389;G01R31/367 |
代理公司: | 重庆辉腾律师事务所 50215 | 代理人: | 周磊 |
地址: | 400065 重*** | 国省代码: | 重庆;50 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 基于 gwo lstm 锂离子电池 健康 状态 估计 方法 | ||
1.一种基于GWO-LSTM的锂离子电池健康状态估计方法,其特征在于,包括:
S1:获取锂离子电池循环放电的放电电压数据,对放电电压数据进行预处理,得到MDV-SOH数据;
S2:采用灰狼优化算法求解LSTM模型的最优参数,包括样本数、神经元个数和丢失率;根据最优参数训练LSTM模型,得到训练好的基于GWO-LSTM的SOH估计模型;
S3:将MDV-SOH数据输入到训练好的基于GWO-LSTM的SOH估计模型中,得到锂离子电池SOH估计结果。
2.根据权利要求1所述的一种基于GWO-LSTM的锂离子电池健康状态估计方法,其特征在于,对放电电压数据进行预处理的过程包括:
剔除放电电压数据的异常数据,并对剔除异常数据后的放电电压数据作统一数据长度处理,得到初始放电电压数据;
根据初始放电电压数据计算健康因子,对健康因子作Box-Cox变换,得到MDV-SOH数据。
3.根据权利要求2所述的一种基于GWO-LSTM的锂离子电池健康状态估计方法,其特征在于,计算健康因子的公式为:
其中,MDVi表示第i次放电循环的放电电压均值即第i次放电循环的健康因子,Uik表示第i次放电循环中第k个放电电压值,j表示放电电压数据总长度。
4.根据权利要求2所述的一种基于GWO-LSTM的锂离子电池健康状态估计方法,其特征在于,对健康因子作Box-Cox变换的过程包括:
设置初始辨识参数;根据初始辨识参数和健康因子序列,采用极大似然法计算最优辨识参数;根据最优辨识参数和健康因子得到MDV-SOH数据。
5.根据权利要求1所述的一种基于GWO-LSTM的锂离子电池健康状态估计方法,其特征在于,采用灰狼优化算法求解LSTM模型的最优参数的过程包括:
S21:初始化灰狼种群;
S22:计算每个灰狼的适应度,保存适应度最好的3匹狼;
S23:根据适应度最好的3匹狼的位置更新当前所有灰狼的位置;
S24:判断是否达到最大迭代次数,若是,执行步骤S25;否则重复步骤S22~S24;
S25:将适应度最好的3匹狼的位置作为LSTM模型的最优参数。
6.根据权利要求5所述的一种基于GWO-LSTM的锂离子电池健康状态估计方法,其特征在于,初始化灰狼种群包括:设置最大迭代次数,以神经元个数、丢失率和样本数为灰狼个体,随机初始化灰狼位置。
7.根据权利要求1所述的一种基于GWO-LSTM的锂离子电池健康状态估计方法,其特征在于,灰狼优化算法表示为:
其中,X(t)表示当前灰狼的位置向量,Xp(t)表示猎物的位置向量;rand1和rand2分别表示第一随机向量和第二随机向量;C和A分别表示第一协同系数向量和第二协同系数向量;a(t)表示当前的收敛因子。
8.根据权利要求7所述的一种基于GWO-LSTM的锂离子电池健康状态估计方法,其特征在于,收敛因子的计算公式为:
其中,amax和amin分别表示收敛因子的最大值和最小值,t表示当前迭代次数,tmax为最大迭代次数,k1和k2分别表示第一非线性调节系数和第二非线性调节系数。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于重庆邮电大学,未经重庆邮电大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202310505705.8/1.html,转载请声明来源钻瓜专利网。