[发明专利]一种基于CRJ网络的锂离子电池健康状态预测方法

权利要求书

1.一种基于CRJ网络的锂离子电池健康状态预测方法，其特征在于，包括：

形成CRJ网络并训练，包括：构建AOA算法和改进粒子群算法(IPSO)的粒子，粒子各维度位置为CRJ网络的网络参数；每个粒子位置对应的网络参数更新CRJ网络，采用CRJ网络的验证集RMSE值作为AOA算法和改进粒子群算法(IPSO)的适应度；AOA算法和改进粒子群算法(IPSO)进行迭代，改进粒子群算法(IPSO)每次迭代后采用AOA算法和改进粒子群算法(IPSO)中的最优位置作为IPSO最优位置，更新粒子位置；迭代完成后获得的粒子位置对应的最优网络参数，更新CRJ网络，训练更新后的CRJ网络，形成预测模型；

在线监测电池恒流充电时间序列，输入所述预测模型，输出可用放电容量序列，获得电池健康状态；

其中，形成预测模型，包括如下步骤：

(1)初始化AOA算法和改进粒子群算法(IPSO)的粒子位置；

(2)采用AOA算法和改进粒子群算法(IPSO)的每个粒子位置对应的网络参数更新CRJ网络，训练更新后的CRJ网络，验证CRJ网络并计算RMSE值；

(3)步骤(2)中计算的RMSE值中最小RMSE值对应的粒子位置作为全局最优位置；

(4)判断是否迭代完毕，如果迭代完毕则进入步骤(10)，否则进入步骤(5)；

(5)AOA算法更新粒子位置；改进粒子群算法(IPSO)以所述全局最优位置作为IPSO最优位置，更新粒子位置；

(6)采用步骤(5)更新后的AOA算法和改进粒子群算法(IPSO)的每个粒子位置对应的网络参数更新CRJ网络，训练更新后的CRJ网络，验证CRJ网络并计算RMSE值；

(7)步骤(6)中计算的RMSE值中最小RMSE值对应的粒子位置作为全局最优位置，更新IPSO最优位置；

(8)改进粒子群算法(IPSO)执行变异操作，变异后的每个粒子位置对应的网络参数更新CRJ网络，训练更新后的CRJ网络，验证CRJ网络并计算RMSE值；

(9)选择步骤(7)中最小RMSE值与步骤(8)中的变异后的每个粒子位置对应的RMSE值中最小的一个，作为全局最优位置，更新IPSO最优位置；并返回步骤(4)；

(10)以当前的全局最优位置对应的网络参数，作为最优网络参数，更新CRJ网络，训练更新后的CRJ网络，形成预测模型；

所述改进粒子群算法(IPSO)为粒子群优化算法(PSO)的基础上，引入了tan函数非线性惯性权重和cos函数进行变异操作：具体为：

X_id＝X_id×(1+cos(rand×π))

其中ω为惯性权重，ω_max和ω_min分别为惯性权重的最大值和最小值，k和M分别为迭代次数和最大迭代次数，rand为(0,1)之间的随机数，X_id为第i个粒子第d维的位置；

所述CRJ网络包括输入层、储备池和输出层结构；所述输出层结构加入L₂范数，储备池状态更新方程加入泄露积分；

加入泄露积分后的更新方程为：

x(n+1)＝(1-a)x(n)+f(W_inu(n+1)+ρWx(n))

y(n+1)＝f_out(W_out(u(n+1),x(n+1)))

式中u(n),x(n),y(n)分别为输入变量、状态变量和输出变量，a为泄漏率，ρ为谱半径系数，W_in,W,W_out分别为输入权值矩阵、储备池权值矩阵和输出权值矩阵，W矩阵谱半径设置为1，f()为储备池神经元的激活函数；f_out为输出层神经元激活函数。

2.根据权利要求1所述的基于CRJ网络的锂离子电池健康状态预测方法，其特征在于，所述CRJ网络的网络参数包括：输入权重共享值r、循环权重共享值r_c、跳跃权重共享值r_j、泄漏率a、谱半径系数ρ以及正则化系数λ。

3.根据权利要求1所述的基于CRJ网络的锂离子电池健康状态预测方法，其特征在于，所述储备池神经元的激活函数，选择双曲正切函数tanh，所述输出层神经元激活函数，选择线性激活函数。