[发明专利]一种锂离子电池剩余寿命预测方法

摘要

本发明公开了一种锂离子电池剩余寿命预测方法，该方法包括以下步骤：1)混沌粒子初始化；2)适应度评估；3)粒子的个体最优值以及全局最优值更新；4)根据PSO算法公式更新粒子的速度和位置；5)对最优位置进行混沌优化；6)判断每次迭代是否满足结束要求；7)使用CPSO‑SVR模型对数据集进行训练和预测。本发明采用混沌(Chaos)算法改善PSO算法，将产生的混沌序列中的出现的最优位置粒子随机替换当前的粒子群中的某一粒子的位置，由此来促使惰性粒子摆脱局部最优，跳出束缚并重新由混沌序列进行初始化，迅速在空间中搜索到最优解。将改进的CPSO‑SVR算法对锂离子电池剩余寿命进行预测，并与PSO‑SVR算法相比较，具有更高的预测精度。

主权项

1.一种锂离子电池剩余寿命预测方法，其特征在于：该方法包括以下步骤：步骤一：混沌粒子初始化，由SVR的两个参数c、g组成一个粒子，其中c为成为因子，g为高斯径向基核函数的幅宽，由任意初值z₀∈[0，1]，根据式z_n+1＝μz_n(1‑z_n)，n＝0，1，2，…1000的Logistic方程可获得一个确定的序列z₁，z₂，z₃，…，式中μ为Logistic映射参数，Z_n为混沌变量，Z₀为混沌变量初始值；步骤二：适应度评估，对每个粒子的适应度函数值进行计算，该函数值就是粒子的适应度函数值，如果粒子当前的适应度值优于个体极值，则用粒子当前的位置和适应度值更新为当前值；如果种群中的适应度值最优的粒子的适应度优于全局极值，则用适应度值最优粒子的位置和适应度值更新全局极值；步骤三：粒子的个体最优值以及全局最优值更新，粒子通过跟踪极值不断调整自己的位置，进行更新，粒子本身所找到的解称为个体最优解，整个种群找到的最优解为全局最优解；步骤四：根据PSO算法公式X_i＝(x_i1,x_i2,…,x_in)，其的速度为V_i＝(v_i1,v_i2,…,v_in)，其中n为粒子的维度，则第i个粒子第t+1步的位置更新公式为x_ij(t+1)＝x_ij(t)+v_ij(t+1)，第i个粒子第t+1步的速度更新公式为v_ij(t+1)＝w·v_ij(t)+c₁·r₁·(p_ij(t)‑x_ij(t))+c₂·r₂·(p_g‑x_ij(t))，式中，c₁，c₂为学习因子，r₁,r₂为在[0,1]区间内均匀分布的随机数，w为惯性权重，p_i为粒子的个体最优解，p_g为整个种群的全局最优解；步骤五：对最优位置进行混沌优化，首先把目前整个粒子群搜寻的最佳状态作为搜索的起始位置，依据混沌运动的遍历性的特点产生混沌序列；把产生的混沌序列中出现的最优位置粒子随机替换目前的粒子群中的某一粒子的位置；使PSO算法避免陷入局部极值的同时优化种群的质量，再重新由混沌序列进行初始化，迅速在空间中找到满意解；步骤六：判断每次迭代是否满足结束要求：直到达到迭代次数达到1000或计算误差E，E≤0.001时，优化结束；否则返回步骤二；步骤七：优化过程结束后，保存模型的最优参数，并使用模型对数据集进行训练和预测。