[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

摘要

本发明提供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，涉及锂离子电池技术领域。该方法首先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；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；然后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；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；最后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。本发明提供的基于灰狼群优化LSTM网络的锂离子电池剩余寿命预测方法，能够较为准确的预测锂离子电池剩余寿命。

主权项

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initialLeamRate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。