[发明专利]一种基于优化算法与数据驱动的锂电池健康状态评估方法

权利要求书

1.一种基于优化算法与数据驱动的锂电池健康状态评估方法，其特征在于，包括：

建立初始PSO-LSTM模型；

获取表征锂电池性能的特征参数，将所述特征参数作为输入变量输入到所述初始PSO-LSTM模型，并将电池健康状况作为所述初始PSO-LSTM模型的输出进行迭代训练得到训练完备的目标PSO-LSTM模型；

将待预测电池的实时数据输入至所述目标PSO-LSTM模型，对所述电池健康状况进行预测。

2.根据权利要求1所述的基于优化算法与数据驱动的锂电池健康状态评估方法，其特征在于，所述建立初始PSO-LSTM模型，包括：

生成不同网络参数的LSTM网络模型；

根据所述PSO算法对所述不同网络参数的LSTM网络模型优化，寻找最优的网络参数。

3.根据权利要求2所述的基于优化算法与数据驱动的锂电池健康状态评估方法，其特征在于，所述PSO算法包括：

初始化粒子群中每个粒子的速度和位置；

计算所述粒子群种群的历史最佳位置；

更新所述粒子群中每个粒子的速度和位置；

更新所述粒子群中历史最佳位置的粒子；

将所述粒子群中历史最佳位置的粒子的位置信息映射到LSTM网络模型，优化LSTM网络模型的参数。

4.根据权利要求3所述的基于优化算法与数据驱动的锂电池健康状态评估方法，其特征在于，所述更新所述粒子群中每个粒子的速度和位置的公式具体为：

速度更新公式为：

v_i＝v_i+c₁×r₁×(pbest_i-x_i)+c₂×r₂×(gbest_i-x_i)，

位置更新公式为：

x_i＝x_i+v_i，

式中：c₁，c₂是学习因子，r₁，r₂是[0，1]之间的随机数，pbest_i是粒子的历史最佳位置，gbest_i是种群的历史最佳位置。

5.根据权利要求1所述的基于优化算法与数据驱动的锂电池健康状态评估方法，其特征在于，所述表征锂电池性能的特征参数包括锂电池的实时放电电压、实时放电电流、实时负载电压及实时负载电流，所述表征电池性能的特征参数数据分为数据训练集和数据测试集，且所述数据训练集和数据测试集均包括实时放电电压数据集、实时放电电流数据集、实时负载电压数据集及实时负载电流数据集。

6.根据权利要求5所述的基于优化算法与数据驱动的锂电池健康状态评估方法，其特征在于，所述实时放电电压数据集为电池外接负载时，负载两端的实时电压数据集，所述实时放电电流数据集为电池外接负载时，负载两端的实时电流数据集，所述实时负载电压数据集为电池外接负载时，电池两端的实时电压数据集，所述实时负载电流数据集为电池外接负载时，电池两端的实时电流数据集。

7.根据权利要求6所述的基于优化算法与数据驱动的锂电池健康状态评估方法，其特征在于，所述利用所述粒子群优化算法对所述过渡LSTM网络模型进行优化并判断优化后的模型是否达到预设预测精度或者预设迭代次数，具体包括：

计算预测结果的均方根误差：

计算预测结果的平均绝对百分比误差：

计算粒子群算法的适应度：

其中，n为样本总量，为样本预测值，y_i为样本真实值，为样本平均值。