[发明专利]基于灰狼群优化LSTM网络的锂离子电池剩余寿命预测方法

权利要求书

1.一种基于灰狼群优化LSTM网络的锂离子电池剩余寿命预测方法，其特征在于：包括以下步骤：

步骤1、获取锂离子电池的监测数据，并从中提取出锂离子电池容量数据，将这些电池容量数据划分成训练数据集、验证数据集和测试数据集，同时对这些电池容量数据进行归一化处理；

步骤2、确定长短期记忆网结构，构造基于LSTM的锂离子电池剩余寿命预测模型；

所述锂离子电池剩余寿命预测模型包括输入层、LSTM层、全连接层、Droupout层、全连接层、回归层以及输出层；第一层全连接层中每个神经元与其前一层LSTM层进行全连接，起到特征融合的作用；将Droupout层添加到第一层全连接层之上，起到防止过拟合和提高泛化能力的作用；Droupout层在每次参数训练过程中，以概率p舍弃部分神经元，剩余神经元以1-p的概率予以率保留；同时在Droupout层上添加神经元个数为1的全连接层以及回归层，确保输出结果为连续的预测值；

步骤3：利用灰狼群算法优化锂离子电池剩余寿命直接预测模型中的关键参数，得到基于灰狼群优化LSTM网络的直接预测模型；

所述锂离子电池剩余寿命直接预测模型中的关键参数包括作为锂离子电池容量数据划分准则的训练集长度numTrain、验证集长度numValidation以及LSTM网络的结构参数LSTM网络隐含层神经元节点数numHiddenUnits、全连接层节点数numfullyConnectedLayer、Droupout层舍弃概率pro_dropoutLayer、训练过程最大训练次数maxEpochs和初始学习率initialLearnRate七个参数；

步骤4：利用优化数据确定最优的锂离子电池剩余寿命直接预测模型；

根据优化得到的锂离子电池数据划分准则，将锂离子数据分成训练数据集和测试数据集，并将训练集样本作为长短期记忆网络模型的输入；然后再通过优化得到的其他参数训练长短期记忆网络，训练后的长短期记忆网络模型为最优网络结构；

步骤5：利用最优的锂离子电池剩余寿命直接预测模型预测后期锂离子电池容量数据；

将训练样本中最后充放电周期数据作为LSTM网络的输入，LSTM网络的输出为下一充放电周期锂离子电池容量数据的预测值；再次将下一充放电周期锂离子电池容量预测值作为LSTM网络的输入，得到LSTM网络的输出作为后续充放电周期对应的锂离子电池容量预测值；依次循环，直至锂离子电池容量预测值到达额定失效阈值；

所述步骤3的具体方法为：

步骤3.1：参数初始化：将上述七个待优化参数作为灰狼群优化算法中灰狼个体的位置向量x，初始化产生种群个体数为N的初始化种群，并通过适应度函数计算公式计算初始种群个体对应的适应度值；

步骤3.2：采用灰狼群优化算法对锂离子电池剩余寿命预测模型的参数进行更新，确保适应度值最小，由此得到优化后的锂离子电池容量数据划分准则以及LSTM网络结构参数；

步骤3.1所述适应度函数的构造方法为：

(1)将锂离子电池容量数据进行一次差分处理，将其转化成LSTM网络训练过程所需平稳时间序列；

假设原始电池容量数据为F＝{f₁，f₂，…，f_S}，其中，S表示锂离子电池总的充放电周期次数，对其进行一次差分处理后，得到的时间序列如下公式所示：

(2)在基于灰狼优化的LSTM网络直接预测模型中，选取到达失效阈值之前的第1次至第numTrain次充放电过程对应的电池容量数据用于训练LSTM网络；选取到达失效阈值之前的第numTrain+1次至第numTrain+numValidation次充放电过程对应的电池容量数据用于验证LSTM网络的预测能力；LSTM网络训练过程中，将前numTrain-1次充放电周期的电池容量数据依次作为LTSM网络的输入，将当前充放电周期的下一充放电周期的电池容量数据作为LSTM网络的输出；LSTM网络训练结束后，以第numTrain次充放电周期的电池容量数据作为LSTM网络的输入，预测下一充放电周期的电池容量数据；然后，以下一充放电周期的电池容量数据再次作为LSTM网络的输入，预测后续充放电周期对应的电池容量数据，上述过程不断重复直至预测充放电周期次数到达numValidation；

假设第numTrain+1次至第numTrain+numValidation次充放电过程对应的电池容量预测数据为：

Fp_sec＝{fp_numTrain+1，fp_numTrain+2，，fp_{numTrain+numValidation}}. (2)

与之相对应的，经差分处理后第numTrain+1次至第numTrain+numValidation次充放电过程对应的电池容量真实数据为：

Fr_sec＝{fr_numTrain+1，fr_numTrain+2，…，fr_{numTrain+numValidation}}· (3)

构造如下函数表示预测后的电池容量数据与差分处理后的电池容量数据之间的关系：

其中，Fit₁表示预测后的电池容量数据与差分处理后的电池容量数据之间的关系，length(Fp_sec)为电池容量预测数据的长度；

(3)对式2所示锂离子电池容量预测数据进行逆差分化处理后，将预测得到的第numTrain+1次至第numTrain+numValidation次充放电过程对应的电池容量数据恢复至原始电池容量数据区间，得到恢复后的电池容量数据其表达式为：

其中，

与之相对应的，第numTrain+1次至第numTrain+numValidation次充放电过程对应的原始电池容量数据为：

F_sec＝{f_numTrain+1，f_numTrain+2，…，f_{numTrain+numValidation}}. (7)

构造如下函数表示恢复至原始电池容量区间的电池容量数据与原始电池容量数据之间的关系：

(4)通过上述两个表述预测数据与真实数据间相近程度的关系式得到基于灰狼群优化的LSTM网络直接预测模型的适应度函数Fit_direct，如下公式所示：

Fit_direct＝Fit₁+Fit₂. (9)

所述步骤3.2的具体方法为：

在灰狼群算法中，为了模拟灰狼群的社会行为，将距离猎物最近的个体，即适应度值最小的个体称为首领狼α，将距离猎物较近的其他两个个体，即适应度值较小的其他两个个体称为助理狼β和δ，剩余狼群个体表示为ω；捕猎过程中，利用距离猎物较近的三只狼，即α狼、β狼和δ狼引导剩余狼群个体ω对猎物进行搜索；搜索过程中，灰狼群个体位置更新公式如下公式所示：

X(t+1)＝X_p(t)-A·d， (10a)

d＝|C·X_p(t)-X(t)|， (10b)

其中，A和C表示系数因子，t表示迭代次数，X_p表示当前猎物的位置向量，X表示灰狼个体的位置向量；系数因子A和C的计算公式如下所示：

A＝2a·r₁-a， (11a)

C＝2·r₂， (11b)

其中，r₁和r₂是[0，1]范围内的随机数，系数a随着迭代次数的增加从2到0线性递减；

在搜索猎物过程中，由于首领狼α、助理狼β和δ距离猎物较近，剩余狼群个体ω的位置根据处于领导阶层的首领狼α、助理狼β和δ的位置进行更新，其表示式为：

d_α＝|C·X_α-X|， (12a)

d_β＝|C·X_β-X|， (12b)

d_δ＝|C·X_δ-X|， (12c)

其中，X_α、X_β和X_δ分别表示首领狼α、助理狼β和δ所处的位置，d_α、d_β和d_δ分别表示当前狼群趋向于猎物位置的近似距离，通过如下计算公式确定当前狼群与猎物位置间的距离为：

X₁＝X_α-A₁·d_α， (13b)

X₂＝X_β-A₂·d_β， (13c)

X₃＝X_δ-A₃·d_δ， (13d)

其中，A₁、A₂和A₃是控制灰狼群个体前进或后退的系数因子，X(t+1)为狼群t+1次迭代时所处位置。