CN110333462A - 一种在随机放电环境下基于dgwo-elm的锂离子电池寿命预测方法 - Google Patents

一种在随机放电环境下基于dgwo-elm的锂离子电池寿命预测方法 Download PDF

Info

Publication number
CN110333462A
CN110333462A CN201910728231.7A CN201910728231A CN110333462A CN 110333462 A CN110333462 A CN 110333462A CN 201910728231 A CN201910728231 A CN 201910728231A CN 110333462 A CN110333462 A CN 110333462A
Authority
CN
China
Prior art keywords
parent
algorithm
population
elm
dgwo
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910728231.7A
Other languages
English (en)
Other versions
CN110333462B (zh
Inventor
袁慧梅
朱骏
谭天雄
吴立锋
宋宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Capital Normal University
Original Assignee
Capital Normal University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Capital Normal University filed Critical Capital Normal University
Priority to CN201910728231.7A priority Critical patent/CN110333462B/zh
Publication of CN110333462A publication Critical patent/CN110333462A/zh
Application granted granted Critical
Publication of CN110333462B publication Critical patent/CN110333462B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Secondary Cells (AREA)

Abstract

本发明公开一种在随机放电环境下基于DGWO‑ELM的锂离子电池寿命预测方法：1.初始化，归一化参数；2.确定父代狼群等级；3.改进狼群算法迭代开始，父代个体位置更新；4.产生变异种群；5.产生子代种群进行交叉操作，判断是否完成交叉操作；6.将新种群带入ELM算法计算得到子代目标值c_val；7.比较子代目标值与父代目标值；8.重新确定父代中的α，β，γ；9.判断是否完成迭代；10.带入ELM算法，利用回归预测分析最佳参数，得到最终预测值；Step11.评价算法。本发明方法改进GWO算法，首次将DGWO和ELM算法结合，并引入DE算法令算法有更强鲁棒性；整体预测效果更准确。

Description

一种在随机放电环境下基于DGWO-ELM的锂离子电池寿命预测 方法
技术领域
本发明涉及一种在随机放电环境下基于DGWO-ELM(基于改进演化狼群算法的极限学习机算法)的锂离子电池寿命预测方法，属于锂电池健康管理技术领域。
背景技术
锂离子电池是一种非常受欢迎的电池，锂离子电池有很多优点，比如有高能量密度，体积小能量足；开路电压大输出功率大；工作温度范围广；并且在电池未放空的情况下可以随时充放电；所以锂离子电池已成功应用于许多电子产品领域。大部分能源汽车都使用锂电池作为他们的动力源，为了环保越来越多的人选择使用能源汽车，能源汽车的续航与安全性是挑选能源汽车的重中之重，锂离子电池的寿命及安全性受到越来越多的人的关注。电池以充放电的循环次数或使用年限来定义电池寿命，电池中的化学物质会随着电池工作时间的增加而逐渐老化，电池故障会造成很严重的后果。电池的老化问题应该给予足够的重视，如三星Note7爆炸事件，Tesla Modle S汽车的自燃召回事件，都在强调着锂电池安全的重要性。
电池的老化程度是无法直接测量的，所以需要对其剩余寿命进行估计预测。锂离子电池剩余使用寿命(RUL)的预测可以分为两类。一类为基于模型的驱动方法，一类为基于数据的驱动方法。基于模型的驱动方法的核心为用一些离散的随机采样点来近似系统随机变量的概率密度函数。郭等人分析了双重卡尔曼滤波器(KF)算法的方法，它使用多尺度参数自适应的方法去预测电荷状态(SOC)。陈等人提出了一种基于模型自适应与噪声自适应的UKF预测方法。罗等人使用立方卡尔曼滤波(cubature Kalman filter,CKF)的算法来预测SOC。基于模型驱动的方法要有准确的参考模型及合适的参数设置，否则预测算法的精度就不能进一步提升。
基于数据驱动的方法有进化算法，机器学习法，神经网络法等。王等人使用概率论的方法将最大期望(EM)与第一次命中时间(FHT)相结合去估算锂离子电池的RUL。邓等人为了使电池模型可以适用于多种工况，使用最小二乘法与支持向量机法(LSSVM)结合的估计方法建立SOH模型。Meru A.Patil等人使用支持向量机(SVM)与支持向量回归(SVR)的方法计算锂离子电池的RUL。李等人提出改进的鸟群算法优化最小二乘支持向量机(IBSA-LSSVM)模型预测锂离子电池的RUL。李等人将基于大数据驱动的堆叠式去噪自动编码器与极限学习机(SDAE-ELM)的方法相结合预测电池RUL。杨等人使用改进极限学习机(IELM)和启发式卡尔曼极限学习机两种方法，通过保存粒子多样性来预测锂离子电池的RUL。
在实际的应用中，锂离子电池的放电电流一定会发生改变。研究者开始研究随机放电下锂离子电池的寿命预测。王等人设计了四周期不同放电率下的电池容量降低实验，并预测电池在不同放电率下的剩余使用寿命。但该实验放电循环中只改变四次放电大小，实验设计过于简单，无法诠释随机放电这一概念，还有待改善。吴等人基于NASA随机放电锂离子电池数据，使用Gamma函数模型对电池的RUL进行预测。但因为NASA随机放电数据过于线性，并且文章中又没有比较其他数据来验证模型的好坏，结果缺乏说服力。
发明内容
本发明的目的在于，针对上述问题，提出一种基于DGWO-ELM的锂离子电池寿命预测方法，首先，我们对GWO算法进行了三处改进。为了使GWO算法更加适应锂离子电池的退化模式，我们将搜索模式改为适应锂离子电池退化的模式；为了体现出狼群的等级制度，我们将狼群的等级制度加入狼群中；为了使算法更容易达到最优解，加强算法中个体与种群之间的联系，我们加入了记忆因子。其次，算法在中后期所有个体向最优解逼近时，算法容易产生局部最优解，导致算法缺乏多样性；于是结合另一种演化算法(DE)算法，加强狼群的鲁棒性，防止狼群算法陷入局部最优解。ELM算法将问题映射到高维空间，采用被动映射的方式，产生随机的输入权值和阈值。在训练速度快的同时，其预测结果会受到随机映射的影响。因此，我们使用改进DGWO算法去优化ELM算法随机化后的输入权值和阈值。考虑锂离子电池在工况状态下随机放电的不确定性，本发明使用NASA实验室测试的随机放电实验数据验证算法。将DGWO-ELM与GWO-SVM算法以及PSO-ELM算法进行对比，将NASA实验室测试的恒流数据带入三种算法验证算法有效性，再将随机放电实验数据带入验证后的算法，证明本发明方法可以很好的预测随机放电环境下的锂离子电池的RUL。该算法改进各自算法中的缺陷，预测效果好。
本发明一种在随机放电环境下基于DGWO-ELM的锂离子电池寿命预测方法，为了解决上述问题所采用的技术方案为：首先，改进狼群算法GWO的迭代部分，将其改为指数模型模式，使搜索模式更加适应锂离子电池退化的模式。其次，在狼群位置更新部分，加入狼群等级制度，同时在此部分加入记忆因子，加强算法中个体与种群之间的联系，从而得到父代狼群位置。再次，狼群位置更新完毕后带入ELM算法，得到父代目标值。最后，将得到的父代目标值带入DE算法得到子代目标值，更新父代种群，重新确定种群参数，完成一次DGWO-ELM过程。当所有DGWO-ELM迭代过程完成后预测测试数据。
本发明一种在随机放电环境下基于DGWO-ELM的锂离子电池寿命预测方法，具体包括如下步骤：
Step1.初始化，归一化参数；
Step2.确定父代狼群等级；
Step3.改进狼群算法迭代开始阶段，为父代个体位置更新过程；具体如下：
Step31.随机游走阶段，设置迭代过程参数d。
Step32.狩猎过程。得到α，β，γ的活动半径、位置更新，以及父代位置更新。step32-step35为父代种群的狩猎过程；
Step33.加入自适应因子Dz，此值由step32得到的活动半径确定。加入自适应因子K让算法产生记忆性。得到更新后的位置X。
Step34.设置变量取值范围[minc，maxc]，防止越界；
Step35.判断是否遍历每个维度。如果完成，则进入step36，否则进入step32；
Step36.更新父代个体位置。并判断是否所有位置都已更新，如果完成则进入step4，否则进入step31；
Step4.产生变异种群。产生随机种群，设置变异个体，得到变异种群；step4-step6为DE算法过程；
Step5.产生子代种群进行交叉操作，判断是否完成交叉操作，如果完成则进入step6，否则继续执行step5；
Step6.将得到的新种群带入ELM算法计算得到子代目标值c_val。判断是否得到全部子代目标值c_val，全部得到进入step7，否则进入step4；
Step7.比较子代目标值与父代目标值，如果子代目标值优于父代目标值则子代替代父代，反之则不变；
Step8.重新确定父代中的α，β，γ；
Step9.判断是否完成迭代。如果完成，则进入step10，否则进入step3；
Step10.带入ELM算法，利用回归预测分析最佳参数，得到最终预测值；
Step11.评价算法。
其中，所述Step1初始化的参数包括：1)狼群算法参数。n为种群规模，N_iter为迭代次数，b_max为缩放因子上界，b_min为缩放因子下界，CP为交叉概率。2)种群初始化。随机初始化狼群算法的空间目标p，输入层个数inputnum，隐藏层个数Hiddenum。3)归一化的参数包括：归一化输入矩阵与输出矩阵得到input_train1，output_train1。将p，inputnum，Hiddenum及归一化后的input_train1，output_train1，带入ELM算法计算得到父代目标值p_val。重复上述过程得到子代目标值c_val，突变目标值m_val。
其中，所述Step2为确定父代狼群等级，父代种群的目标值与目标距离越近等级越高，三个最好的目标值分别设为父代种群中的α,β,γ，α，β，γ值分别表示为parent1，parent2，parent3。
其中，所述Step3为狼群算法迭代开始阶段，整个采样阶段循环M次。
其中，所述Step31具体为：设置迭代过程参数rand1，rand2介于-1到1之间。w为过程因子，本实验设定为1.4；N_iteri值为进行到第几次迭代；N_iter为迭代总次数。
其中，所述Step32具体为：包围、狩猎过程。Dα＝|Cα*parent1(t)-parentpr(t)|为α的活动半径，Cα为狼群C位置计算系数。parentpr为当前父代个体的个体值α的位置更新为Xα＝parent1(vr)-Aα*Dα，Aα为狼群A位置计算系数。重复step32步骤，得到β，γ的活动半径Dβ，Dγ及位置更新Xβ，Xγ。
其中，所述Step33具体为：Dz＝Dα+Dβ+Dγ，Dz为活动半径的总和。参考Kalman算法中的增益与状态方程，算法加入参数K以及状态更新方程，K由当前位置的活动半径与前一位置的活动半径决定K＝1-Dα(t-1)/Dα(t)，更新后的位置
其中，所述Step34具体为：设置变量取值范围[minc，maxc]，防止越界。parentpr(t)＝X，X∈[minc，maxc]。
其中，所述Step36具体为：将计算后得到的当前种群的全部位置向量parentpr带入ELM算法，得到最优父代目标值p_val。
其中，所述Step4具体为：DE算法进行变异得到种群Metm，a，b，c变异个体，δ为缩放因子。MCm＝parentm(a)+δ*(parentm(b)-parentm(c))。parentm为变异前种群父代的位置。设置变量范围防止种群越界，得到变异种群Metm＝MCm，MCm∈[minc，maxc]。
其中，所述Step5具体为：当随机概率小于交叉概率时，父代种群与中间种群执行交叉操作，交换维度j[1，2，3，…，D]。在原种群和中间种群中选择个体，得到新一代种群。
本发明一种在随机放电下基于DGWO-ELM的锂离子电池寿命预测方法，其优点及功效在于：改进GWO算法中的三个部分，包括探索步骤、等级制度和增加记忆性因子，得到改进GWO算法。本文中首次将DGWO算法和ELM算法的结合。为防止算法陷入局部最优，算法中引入DE算法令算法有更强的鲁棒性。使用改进DGWO算法去优化ELM算法随机化后的输入权值和阈值，使算法的预测效果更为准确。
附图说明
图1所示为本发明方法流程图
图2所示为ELM方法流程图
图3所示为DE方法流程图
图4所示为DGWO-ELM方法部分流程图
图5所示为NASA实验室测试的4组在随机变化的放电循环下电池Y3，Y4，Y5，Y6的容量变化曲线图
图6a～图6c所示为恒流放电4组电池数据的三种算法结果对比图
图6a所示为NASA的恒定电流的锂电池实验数据B05组数据三种算法结果对比图
图6b所示为NASA的恒定电流的锂电池实验数据B06组数据三种算法结果对比图
图6c所示为NASA的恒定电流的锂电池实验数据B07组数据三种算法结果对比图
图7a～图7c所示为随机放电下Y3数据集在不同训练周期下的三种算法结果对比图
图7a所示为Y3电池组训练周期200下三种算法结果对比图
图7b所示为Y3电池组训练周期300下三种算法结果对比图
图7c所示为Y3电池组训练周期400下三种算法结果对比图
图8a～图8c所示为随机放电下不同电池组下三种算法结果对比图
图8a所示为Y4电池组训练周期400下三种算法结果对比图
图8b所示为Y5电池组训练周期400下三种算法结果对比图
图8c所示为Y6电池组训练周期200下三种算法结果对比图
图9所示为随机放电下不同周期电池的MTTF图
具体实施方式
下面结合附图和实施例，对本发明的技术方案做进一步的说明。
如图1所示，一种在随机放电环境下基于DGWO-ELM的锂离子电池寿命预测方法，具体过程如下：
步骤一、初始化，归一化参数，包括：狼群算法参数。n为种群规模，N_iter为迭代次数，b_max为缩放因子上界，b_min为缩放因子下界，CP为交叉概率。种群初始化。随机初始化狼群算法的空间目标p，输入层个数inputnum，隐藏层个数Hidddenum。归一化的参数包括：归一化输入矩阵与输出矩阵得到input_train1，output_train1。将p，inputnum，Hiddenum及归一化后的input_train1，output_train1，带入ELM算法计算得到父代目标值p_val。重复上述过程得到子代目标值c_val，突变目标值m_val；
步骤二、确定父代狼群等级。本步骤为确定父代狼群等级，父代种群的目标值与目标距离越近等级越高，三个最好的目标值分别设为父代种群中的α,β,γ，α,β,γ值分别表示为parent1,parent2,parent3。采样阶段为：步骤二到步骤九；
步骤三、改进狼群算法迭代开始阶段。具体为：狼群算法迭代开始阶段，整个采样阶段循环M次。步骤三到步骤十四为改进狼群算法过程；
步骤四、随机游走阶段，设置迭代过程参数d。具体为：设置迭代过程参数d＝w*(1-rand1，rand2介于-1到1之间。步骤四到步骤九为父代个体位置更新过程。
步骤五、狩猎过程。得到α，β，γ的活动半径、位置更新，以及父代位置更新。具体为：包围、狩猎过程。Aα＝2*d*rand1-d；Cα＝2*rand2；Dα＝|Cα*parent1(t)-parentpr(t)|为α的活动半径，α的位置更新为Xα＝parent1(vr)-Aα*Dα，重复下式步骤，得到β，γ的活动半径Dβ，Dγ及位置更新Xβ，Xγ。步骤五到步骤八为父代种群的狩猎过程；
步骤六、加入自适应因子Dz，此值由步骤五得到的活动半径确定。加入自适应因子K让算法产生记忆性。得到更新后的位置X。Dz＝Dα+Dβ+Dγ，参考Kalman算法中的增益与状态方程，算法加入参数K以及状态更新方程，K由当前位置的活动半径与前一位置的活动半径决定K＝1-Dα(t-1)/Dα(t)，更新后的位置
步骤七、设置变量取值范围[minc，maxc]，防止越界。具体为：设置变量取值范围[minc，maxc]，防止越界。parentpr(t)＝X，X∈[minc，maxc]；
步骤八：判断是否遍历每个维度。如果完成，则进入步骤九，否则进入步骤五。
步骤九、更新父代个体位置。并判断是否所有位置都已更新，如果完成则进入步骤十，否则进入步骤四。具体为：将计算后得到的当前种群的全部位置向量parentpr带入ELM算法，得到最优父代目标值p_val；
步骤十、产生变异种群。产生随机种群，设置变异个体，得到变异种群，具体为：DE算法进行变异得到种群Metm，a，b，c变异个体，δ为缩放因子。MCm＝parentm(a)+δ*(parentm(b)-patentm(c))。设置变量范围防止种群越界，得到变异种群Metm＝MCm，MCm∈[minc，maxc]。步骤十到步骤十二为DE算法过程；
步骤十一、产生子代种群进行交叉操作，具体为：当随机概率小于交叉概率时，父代种群与中间种群执行交叉操作，交换维度j[1，2，3，…，D]。在原种群和中间种群中选择个体，得到新一代种群。判断是否完成交叉操作，如果完成则进入步骤十二，否则继续执行步骤十一；
步骤十二、将得到的新种群带入ELM算法计算得到子代目标值c_val。判断是否得到全部子代目标值c_val，全部得到进入步骤十三，否则进入步骤十；
步骤十三、比较子代目标值与父代目标值，如果子代目标值优于父代目标值则子代替代父代，反之则不变；
步骤十四、重新确定父代中的α,β，γ；
步骤十五、判断是否完成迭代。如果完成，则进入步骤十六，否则进入步骤三；
步骤十六、带入ELM算法，利用回归预测分析最佳参数，得到最终预测值；
步骤十七、评价算法。
具体实施例：
本实验使用matlab进行仿真，使用DGWO-ELM算法的RUL预测基于NASA电池组的实验数据，该数据使用NASA发布的随机放电实验数据集。选择电池03,04,05和06作为具有相同类型，品牌和不同体积劣化率的实验数据。该实验的测试温度恒定为25℃(不考虑电池自发热)。放电过程中，每个放电周期内放电电流大小随机变化，每隔5分钟变化一次(变化的大小不定)，直至所设阈值。充电过程，使用1C电流恒流给电池充电，直至所设阈值。重复充电放电过程，直至电池失效。NASA变电流实验只在电池测试的过程中设置了10到20个测试点，电池的容量只由10到20个测量点的数据表示，因此本实验将所用的实验数据进行了平滑处理。在随机变化的放电循环下电池Y3，Y4，Y5，Y6的容量变化，如图5所示。
1.n＝20,Niter＝50,CP＝0.6,p＝[0.2589 … -2.8622]40×1,bmax＝1.49,bmin＝-1.49,inputnum＝3,Hiddenum＝10,归一化的参数包括：归一化输入矩阵与输出矩阵得到将p,inputnum,Hiddenum,nput_train1，output_train1，带入ELM算法计算得到父代目标值得到子代目标值 突变目标值
2.三个最好的目标值分别设为父代种群中的α,β,γ，α,β,γ值分别表示为parent1＝0.3227,parent2＝0.3642,parent3＝0.3906；
3.整个采样阶段循环50次；
4.rand1，rand2介于-1到1之间。步骤四到步骤九为父代个体位置更新过程。
5.狩猎过程。得到α,β,γ的活动半径、位置更新，以及父代位置更新。Aα＝2*d*rand1-d＝0.4499；Cα＝2*rand2＝0.3443；Dα＝|Cα*parent1(t)-parentpr(t)|＝1.2746为α的活动半径，α的位置更新为Xα＝parent1(vr)-Aα*Dα＝-1.3626，重复下式步骤，得到β,γ的活动半径Dβ＝2.0802，Dγ＝2.0086及位置更新Xβ＝-0.0853，Xγ＝0.6466；
6.Dz＝Dα+Dβ+Dγ＝5.3634，参考Kalman算法中的增益与状态方程，算法加入参数K以及状态更新方程，K由当前位置的活动半径与前一位置的活动半径决定
7.设置变量取值范围[minc,maxc]，防止越界
8.判断是否遍历每个维度；
9.带入ELM算法，得到最优父代目标值p_val＝[0.7695 2.9052 …2.8465]20×1；判断是否所有位置都已更新；
10.DE算法，a＝9，b＝25，c＝31， 设置变量范围防止种群越界，得到变异种群
11.交换维度j[1，2，3，…，D],得到新一代种群。 判断是否完成交叉操作；
12.将得到的新种群带入ELM算法计算得到子代目标值 判断是否得到全部子代目标值c_val；
13.比较子代目标值与父代目标值，如果子代目标值优于父代目标值则子代替代父代，反之则不变；
14.重新确定父代中的α＝0.31255，β＝0.3137，γ＝0.3353；
15.判断是否完成迭代；
16.带入ELM算法，利用回归预测分析最佳参数，得到最终预测值；
17.评价算法。
由于实验数据过于线性，可能无法充分说明算法的有效性，本实验使用NASA的恒定电流的锂电池实验数据对算法进行验证，锂电池为电池B5，B6，B7,本文所选用的电池的失效阈值设定为1.4Ah。图5是针对B05，B06，B07的三种算法的RUL预测结果的图。
B05,B06,B07数据分别训练了100，80，80周期。图6a～6c中，’*’所代表的是电池的真实值，其中’×’所代表的是DGWO-ELM算法的预测结果，’△’代表的是GWO-SVM算法的预测结果，’○’所代表的是PSO-ELM算法的预测结果，竖线表示训练周期长度，横线是电池容量失效阈值。从图6a～6c中可以明显看出，不论是不同的训练数据，还是不同的训练周期，’×’所代表的DGWO-ELM算法的预测效果总是最好的。PSO-ELM算法在某些数据集中有好的预测效果，预测效果最差的为GWO-SVM算法。
实验使用相同的数据，将DGWO-ELM算法与GWO-SVM算法和PSO-ELM算法进行了比较，并对结果进行讨论。图7a～7c表示,Y3实验数据分别在200，300，400的训练长度下所得到的各个算法的预测结果。从图7中可以看出DGWO-ELM算法可以很好的预测Y3数据集在不同训练周期下,同种电池组的随机放电实验，训练的周期越多，精度越高。DGWO-ELM算法与真实数据最为接近，PSO-ELM算法其次，效果最差的GWO-SVM算法。对比GWO-SVM算法与PSO-ELM算法，不论是在短的或是长的预测周期中，改进后的DGWO-ELM算法都要优于其他两种算法，预测效果最差的算法为GWO-SVM算法。
图8a～8c表示:Y4,Y5,Y6组实验数据分别在400,400,200的训练长度下所得到的三个算法的预测结果。为进一步验证所提方法的有效性，本文进行了横向对比,用三种方法分别对Y4,Y5,Y6进行了预测因为Y6数据相比与其他两组数据来说数据量要小，所以将Y6数据组的训练数据设定为200,其他两组电池训练数据设定为400。如图8a～8c所示DGWO-ELM算法与PSO-ELM算法都很接近真实值，GWO-SVM算法离真实值最远，PSO-ELM算法和DGWO-ELM算法都改进了ELM算法，因此ELM算法优于SVM算法。结合图7可以看出，PSO-ELM算法在后期容易陷入到局部最优，以至于算法收敛后不能很好的对进行预测。DGWO-ELM算法在后期也能有很好的预测效果，所以其优于GWO-SVM与PSO-ELM算法。
电池的失效阈值设定为1.4Ah,失效点选为低于1.4Ah的第一个点，Y3,Y4,Y5,Y6的寿命终止周期分别为527,478,482,346。不考虑Y6数据，因为其劣化机制可能与其他电池不同。电池平均寿命为Y3,Y4,Y5寿命周期的平均值，平均值为495.其MTTF图如图9所示。DGWO-ELM算法在240周期之后有很好的预测效果，DGWO-ELM算法对RUL有着更好的预测效果。

Claims (10)

1.一种在随机放电环境下基于DGWO-ELM的锂离子电池寿命预测方法，其特征在于：该方法具体包括如下步骤：
Step1.初始化，归一化参数；
Step2.确定父代狼群等级；
Step3.改进狼群算法迭代开始阶段，为父代个体位置更新过程；
Step4.产生变异种群；产生随机种群，设置变异个体，得到变异种群；
Step5.产生子代种群进行交叉操作，判断是否完成交叉操作，如果完成则进入step6，否则继续执行step5；
Step6.将得到的新种群带入ELM算法计算得到子代目标值c_val；判断是否得到全部子代目标值c_val，全部得到进入step7，否则进入step4；
Step7.比较子代目标值与父代目标值，如果子代目标值优于父代目标值则子代替代父代，反之则不变；
Step8.重新确定父代中的α,β，γ；
Step9.判断是否完成迭代；如果完成，则进入step10，否则进入step3；
Step10.带入ELM算法，利用回归预测分析最佳参数，得到最终预测值；
Step11.评价算法。
2.根据权利要求1所述的一种在随机放电环境下基于DGWO-ELM的锂离子电池寿命预测方法，其特征在于：所述Step1初始化的参数包括：1)狼群算法参数；n为种群规模，N_iter为迭代次数，b_max为缩放因子上界，b_min为缩放因子下界，CP为交叉概率；2)种群初始化；随机初始化狼群算法的空间目标p，输入层个数inputnum，隐藏层个数Hiddenum；3)归一化的参数包括：归一化输入矩阵与输出矩阵得到input_train1，output_train1；将p，inputnum，Hiddenum及归一化后的input_train1，output_train1，带入ELM算法计算得到父代目标值p_val；重复上述过程得到子代目标值c_val，突变目标值m_val。
3.根据权利要求1所述的一种在随机放电环境下基于DGWO-ELM的锂离子电池寿命预测方法，其特征在于：所述Step2为确定父代狼群等级，父代种群的目标值与目标距离越近等级越高，三个最好的目标值分别设为父代种群中的α，β，γ，α，β，γ值分别表示为parent1，parent2，parent3；。
4.根据权利要求1所述的一种在随机放电环境下基于DGWO-ELM的锂离子电池寿命预测方法，其特征在于：所述的Step3，父代个体位置更新过程，具体如下：
Step31.随机游走阶段，设置迭代过程参数d；
Step32.狩猎过程；得到α，β，γ的活动半径、位置更新，以及父代位置更新；step32-step35为父代种群的狩猎过程；
Step33.加入自适应因子Dz，此值由step32得到的活动半径确定；加入自适应因子K让算法产生记忆性；得到更新后的位置X；
Step34.设置变量取值范围[minc,maxc]，防止越界；
Step35.判断是否遍历每个维度；如果完成，则进入step36，否则进入step32；
Step36.更新父代个体位置；并判断是否所有位置都已更新，如果完成则进入step4，否则进入step31。
5.根据权利要求4所述的一种在随机放电环境下基于DGWO-ELM的锂离子电池寿命预测方法，其特征在于：所述Step31具体为：设置迭代过程参数 d∈[0,2]，rand1，rand2介于-1到1之间；w为过程因子，本实验设定为1.4；N_iteri值为进行到第几次迭代；N_iter为迭代总次数。
6.根据权利要求4所述的一种在随机放电环境下基于DGWO-ELM的锂离子电池寿命预测方法，其特征在于：所述Step32具体为：包围、狩猎过程；Dα＝|Cα*parent1(t)-parentpr(t)|为α的活动半径，Cα为狼群C位置计算系数；parentpr为当前父代个体的个体值α的位置更新为Xα＝parent1(vr)-Aα*Dα，Aα为狼群A位置计算系数；重复step32步骤，得到β，γ的活动半径Dβ，Dγ及位置更新Xβ，Xγ。
7.根据权利要求4所述的一种在随机放电环境下基于DGWO-ELM的锂离子电池寿命预测方法，其特征在于：所述Step33具体为：Dz＝Dα+Dβ+Dγ，Dz为活动半径的总和；参考Kalman算法中的增益与状态方程，算法加入参数K以及状态更新方程，K由当前位置的活动半径与前一位置的活动半径决定K＝1-Dα(t-1)/Dα(t)，更新后的位置
8.根据权利要求4所述的一种在随机放电环境下基于DGWO-ELM的锂离子电池寿命预测方法，其特征在于：所述Step34具体为：设置变量取值范围[minc，maxc]，防止越界；parentpr(t)＝X，X∈[minc，maxc]。
9.根据权利要求1所述的一种在随机放电环境下基于DGWO-ELM的锂离子电池寿命预测方法，其特征在于：所述Step4具体为：DE算法进行变异得到种群Metm，a，b，c变异个体，δ为缩放因子；MCm＝parentm(a)+δ*(parentm(b)-parentm(c))；parentm为变异前种群父代的位置；设置变量范围防止种群越界，得到变异种群Metm＝MCm,MCm∈[minc,maxc]。
10.根据权利要求1所述的一种在随机放电环境下基于DGWO-ELM的锂离子电池寿命预测方法，其特征在于：所述Step5具体为：当随机概率小于交叉概率时，父代种群与中间种群执行交叉操作，交换维度j[1,2,3,…，D]；在原种群和中间种群中选择个体，得到新一代种群；
CN201910728231.7A 2019-08-08 2019-08-08 一种在随机放电环境下基于dgwo-elm的锂离子电池寿命预测方法 Active CN110333462B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910728231.7A CN110333462B (zh) 2019-08-08 2019-08-08 一种在随机放电环境下基于dgwo-elm的锂离子电池寿命预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910728231.7A CN110333462B (zh) 2019-08-08 2019-08-08 一种在随机放电环境下基于dgwo-elm的锂离子电池寿命预测方法

Publications (2)

Publication Number Publication Date
CN110333462A true CN110333462A (zh) 2019-10-15
CN110333462B CN110333462B (zh) 2021-04-30

Family

ID=68148980

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910728231.7A Active CN110333462B (zh) 2019-08-08 2019-08-08 一种在随机放电环境下基于dgwo-elm的锂离子电池寿命预测方法

Country Status (1)

Country Link
CN (1) CN110333462B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111025041A (zh) * 2019-11-07 2020-04-17 深圳供电局有限公司 电动汽车充电桩监测方法及其系统、计算机设备、介质
CN111366848A (zh) * 2019-12-31 2020-07-03 安徽师范大学 一种基于pso-elm算法的电池健康状态预测方法
CN111428418A (zh) * 2020-02-28 2020-07-17 贵州大学 一种轴承故障的诊断方法、装置、计算机设备和存储介质
CN111443293A (zh) * 2020-03-30 2020-07-24 青岛大学 一种基于数据驱动的锂电池健康状态soh估算方法
CN111603161A (zh) * 2020-05-28 2020-09-01 苏州小蓝医疗科技有限公司 一种脑电分类方法
CN113960482A (zh) * 2021-09-03 2022-01-21 西南科技大学 基于改进灰狼粒子滤波的锂电池荷电状态智能预测方法
CN113985294A (zh) * 2021-12-29 2022-01-28 山东大学 一种电池剩余寿命的预估方法及装置
CN114936514A (zh) * 2022-04-20 2022-08-23 东北电力大学 一种基于改进灰色模型的锂离子电池寿命预测方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107908688A (zh) * 2017-10-31 2018-04-13 温州大学 一种基于改进灰狼优化算法的数据分类预测方法及系统
CN108510074A (zh) * 2018-05-30 2018-09-07 江苏理工学院 一种改进gwo算法的实现方法
CN108761346A (zh) * 2018-06-20 2018-11-06 首都师范大学 一种车用锂电池剩余寿命预测方法
CN108804764A (zh) * 2018-05-07 2018-11-13 电子科技大学 一种基于极限学习机的锂电池老化趋势预测方法
CN109002892A (zh) * 2018-05-30 2018-12-14 江苏理工学院 一种改进de-gwo算法的实现方法
CN109324291A (zh) * 2018-08-21 2019-02-12 西南交通大学 一种针对质子交换膜燃料电池寿命预测的预测方法
CN109993270A (zh) * 2019-03-27 2019-07-09 东北大学 基于灰狼群优化lstm网络的锂离子电池剩余寿命预测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107908688A (zh) * 2017-10-31 2018-04-13 温州大学 一种基于改进灰狼优化算法的数据分类预测方法及系统
CN108804764A (zh) * 2018-05-07 2018-11-13 电子科技大学 一种基于极限学习机的锂电池老化趋势预测方法
CN108510074A (zh) * 2018-05-30 2018-09-07 江苏理工学院 一种改进gwo算法的实现方法
CN109002892A (zh) * 2018-05-30 2018-12-14 江苏理工学院 一种改进de-gwo算法的实现方法
CN108761346A (zh) * 2018-06-20 2018-11-06 首都师范大学 一种车用锂电池剩余寿命预测方法
CN109324291A (zh) * 2018-08-21 2019-02-12 西南交通大学 一种针对质子交换膜燃料电池寿命预测的预测方法
CN109993270A (zh) * 2019-03-27 2019-07-09 东北大学 基于灰狼群优化lstm网络的锂离子电池剩余寿命预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
M.S. HOSSAIN LIPU ET AL.: "A review of state of health and remaining useful life estimation methods for lithium-ion battery in electric vehicles: Challenges and recommendations", 《JOURNAL OF CLEANER PRODUCTION》 *
何成等: "改进灰狼优化算法医疗锂电池剩余寿命预测", 《重庆师范大学学报（自然科学版）》 *
廖康等: "基于时间序列与GWO-ELM模型的滑坡位移预测", 《中南大学学报(自然科学版)》 *
龙文等: "一种改进的灰狼优化算法", 《电子学报》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111025041A (zh) * 2019-11-07 2020-04-17 深圳供电局有限公司 电动汽车充电桩监测方法及其系统、计算机设备、介质
CN111366848A (zh) * 2019-12-31 2020-07-03 安徽师范大学 一种基于pso-elm算法的电池健康状态预测方法
CN111428418A (zh) * 2020-02-28 2020-07-17 贵州大学 一种轴承故障的诊断方法、装置、计算机设备和存储介质
CN111443293A (zh) * 2020-03-30 2020-07-24 青岛大学 一种基于数据驱动的锂电池健康状态soh估算方法
CN111603161A (zh) * 2020-05-28 2020-09-01 苏州小蓝医疗科技有限公司 一种脑电分类方法
CN113960482A (zh) * 2021-09-03 2022-01-21 西南科技大学 基于改进灰狼粒子滤波的锂电池荷电状态智能预测方法
CN113985294A (zh) * 2021-12-29 2022-01-28 山东大学 一种电池剩余寿命的预估方法及装置
CN113985294B (zh) * 2021-12-29 2022-04-01 山东大学 一种电池剩余寿命的预估方法及装置
CN114936514A (zh) * 2022-04-20 2022-08-23 东北电力大学 一种基于改进灰色模型的锂离子电池寿命预测方法及装置
CN114936514B (zh) * 2022-04-20 2022-12-02 东北电力大学 一种基于改进灰色模型的锂离子电池寿命预测方法及装置

Also Published As

Publication number Publication date
CN110333462B (zh) 2021-04-30

Similar Documents

Publication Publication Date Title
CN110333462A (zh) 一种在随机放电环境下基于dgwo-elm的锂离子电池寿命预测方法
Ma et al. State of charge and state of energy estimation for lithium-ion batteries based on a long short-term memory neural network
Lipu et al. State of charge estimation for lithium-ion battery using recurrent NARX neural network model based lighting search algorithm
CN110824364B (zh) 一种基于ast-lstm神经网络的锂电池soh估计与rul预测方法
Lyu et al. Li-ion battery state of health estimation and remaining useful life prediction through a model-data-fusion method
CN108872866B (zh) 一种锂离子电池荷电状态动态评估与长效预测融合方法
Lipu et al. Real-time state of charge estimation of lithium-ion batteries using optimized random forest regression algorithm
US11422192B2 (en) Method and apparatus for estimating state of health of battery
CN110568359B (zh) 一种锂电池剩余寿命预测方法
CN107238800B (zh) 基于相关向量机和粒子滤波的电池剩余可用寿命预测方法
CN103926536A (zh) 基于dst和bmc技术的锂离子电池剩余使用寿命预测方法
Zhang et al. Intelligent state of charge estimation of lithium-ion batteries based on LM optimized back-propagation neural network
KR102090476B1 (ko) 클라우드 및 빅데이터를 활용한 bms 최적화 시스템
CN109917292B (zh) 一种基于daupf的锂离子电池寿命预测方法
CN107677962A (zh) 基于充电所需时间来管理电池的系统和方法
Shah et al. State of charge, remaining useful life and knee point estimation based on artificial intelligence and Machine learning in lithium-ion EV batteries: A comprehensive review
CN105574231A (zh) 一种蓄电池剩余容量检测方法
Anton et al. A new predictive model for the state-of-charge of a high-power lithium-ion cell based on a PSO-optimized multivariate adaptive regression spline approach
CN104680024A (zh) 基于ga和arma模型的锂离子电池剩余使用寿命预测方法
US11422199B1 (en) State of health evaluation of retired lithium-ion batteries and battery modules
CN116680983A (zh) 基于改进粒子滤波模型的锂离子剩余寿命预测方法
Rozaqi et al. Comparison between RLS-GA and RLS-PSO for Li-ion battery SOC and SOH estimation: a simulation study
Veeraraghavan et al. Battery aging estimation with deep learning
CN110232432B (zh) 一种基于人工生命模型的锂电池组soc预测方法
Lipu et al. Differential search optimized random forest regression algorithm for state of charge estimation in electric vehicle batteries

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant