[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

说明书

本发明涉及一种基于CRJ网络的锂离子电池健康状态预测方法，形成CRJ网络并训练；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。本发明的方法使用恒流充电时间作为输入，由CRJ网络预测健康状态，实现了实时在线预测锂离子电池的健康状态；该方法对硬件条件要求不高，对内存占用小。本发明采用优化算法优化CRJ网络后建立的预测模型可用于同类型电池的健康状态预测；将IPSO算法和AOA算法结合，形成IAPSOA算法，IAPSOA优化算法加强了AOA算法的搜索能力和稳定性，可以更好地优化网络参数；获取CRJ网络模型精度高。

技术领域

本发明涉及电池健康状态预测技术领域，尤其涉及一种基于CRJ网络的锂离子电池健康状态预测方法。

背景技术

锂离子电池健康状态(SOH)预测是电池管理系统的基础且重要的功能，其目的是在有限的硬件条件下，实现在线、准确、实时和快速的SOH预测。现有SOH预测方法主要为2种：

基于模型的方法：该方法需要根据电池的老化机理建立电化学模型、等效电路模型或数学模型。电化学模型其缺点是相关参数的识别较困难，在应用中要使用较为昂贵的测试设备。等效电路模型缺点是模型参数识别的误差会不断增加。数学模型受环境影响大，实际使用需要完备的数据收集。

基于数据驱动的方法：该方法需要利用与电池相关的数据建立模型。锂电池的容量数据难以在线准确提取。锂电池在实际使用时，放电过程的变化无规律，数据实际意义不大。而且现有的电池管理系统的计算能力和数据储存能力有限。各种数据驱动方法中，动态性能好、模型复杂度低且预测精度高这三点同时满足的模型比较少。而回声状态网络(ESN)具有以上优点，但它自身的参数难以人为选取。

综上所述，找到可在线使用的易提取的健康因子和具有动态能力的良好的预测模型仍待解决。

发明内容

针对现有技术中存在的问题，本发明提供一种基于CRJ网络的锂离子电池健康状态预测方法，针对CRJ网络的特性，使用改进的算术粒子群优化算法(IAPSOA)优化CRJ网络的输入权重、储备池参数和正则化系数；采用改进的CRJ网络进行锂离子电池健康状态预测方法，提高了预测精度。

为达到上述目的，本发明提供了一种基于CRJ网络的锂离子电池健康状态预测方法，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。

进一步地，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；