[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

说明书

本发明涉及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。本发明将PSO算法强大的寻优能力和LSTM算法的可变长序列的预测能力有效的结合在了一起，为锂电池的健康状态评估提出了一种更加有效的方法，能够迅速而准确的对锂电池的健康状况进行预测。

技术领域

本发明涉及电池监控技术领域，尤其涉及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。

背景技术

随着新能源汽车产业的快速发展，电动汽车的电池也得到了大力发展。因为锂电池具有成本低，寿命长，能量高等特点，所以被广泛用于为电动汽车提供动力。但锂电池在使用过程中它的健康状态一直在发生变化，内部化学反应机理复杂，导致锂电池性能衰减的因素很多，会影响其使用性能，因此，对于电池健康状态进行评估是十分重要的。

目前电池健康状态评估的方法主要有三类：物理模型，数据驱动和融合法。

基于物理模型的方法包括电化学模型、等效电路模型、经验模型等方法，但该方法需要考虑的参数多，受环境影响大，建模困难。基于数据驱动的方法包括神经网络，支持向量回归和高斯过程回归等，但神经网络模型复杂，需要大量的数据进行训练，计算量大。而融合法在于将多种方法融合在一起，扬长避短，发挥每个方法的优点，已经被众多学者所接受使用，但当前研究成功较少。

发明内容

有鉴于此，有必要提供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，用以解决现有技术中物理模型方法建模困难，数据驱动方法计算量大的问题。

为达到上述技术目的，本发明采取了以下技术方案：

第一方面，本发明提供了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，包括：

建立初始PSO-LSTM模型；

获取表征锂电池性能的特征参数，将特征参数作为输入变量输入到初始PSO-LSTM模型，并将电池健康状况作为初始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目标PSO-LSTM模型，对电池健康状况进行预测。

优选的，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PSO算法对不同网络参数的LSTM网络模型优化，寻找最优的网络参数。

优选的，PSO算法包括：

初始化粒子群中每个粒子的速度和位置；

计算粒子群种群的历史最佳位置；

更新粒子群中每个粒子的速度和位置；

更新粒子群中历史最佳位置的粒子；

将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。

优选的，更新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)，