[发明专利]一种基于GWO-LSTM的锂离子电池健康状态估计方法

权利要求书

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，MDV_i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，U_ik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，X_p(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，a_max和a_min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，t_max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。