CN111523226A - 一种基于优化多层残差bp深度网络的蓄电池寿命预测方法 - Google Patents
一种基于优化多层残差bp深度网络的蓄电池寿命预测方法 Download PDFInfo
- Publication number
- CN111523226A CN111523226A CN202010320522.5A CN202010320522A CN111523226A CN 111523226 A CN111523226 A CN 111523226A CN 202010320522 A CN202010320522 A CN 202010320522A CN 111523226 A CN111523226 A CN 111523226A
- Authority
- CN
- China
- Prior art keywords
- network
- data
- residual
- storage battery
- years
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Abstract
一种基于优化多层残差BP深度网络的蓄电池寿命预测方法,包括如下步骤:S1、采集储能电站中处于工作状态的蓄电池实时数据,并构建指标体系;S2、根据所建指标体系将数据进行预处理,并对多层残差BP深度学习网络进行初始化;S3、由残差网络正向传播求解预测值;S4、代入成本函数,计算网络误差,并对误差情况进行判别,若不满足要求,则进行步骤S5,若满足要求,则进行步骤S6;S5、确定误差梯度并对权值学习进行调整,然后转到步骤S3;S6、完成网络学习,得到蓄电池寿命模型,转到步骤S7;S7、结束本次计算。本发明能高精度预测蓄电池的寿命,有助于指导储能电站充电站的调度方案,从而有效保证含储能系统的电动汽车充电站运行的合理性及经济性。
Description
技术领域
本发明属于蓄电池寿命预测和储能电站管理领域,具体涉及一种基于优化多层残差BP深度网络的蓄电池寿命预测方法。
背景技术
蓄电池寿命预测在近年来被广泛研究。目前,蓄电池寿命预测主要有以下几种研究方法。以实验失效数据为基础预测对寿命进行预测;采用传统神经网络模型估算蓄电池剩余电量;采用灰色系统理论,实现小数据下电池剩余电量预测;采用RC模型预测蓄电池剩余电量。
近年来,使用蓄电池储能已经成为最广泛的储能方式之一,其在电动汽车、分布式储能与国防工业中都有着广泛的应用。随着蓄电池应用领域的扩大,蓄电池的性能和材质也在升级,蓄电池在储能领域扮演着重要的角色。而近年来正在兴起的电动汽车产业,对电动汽车充电站的建设具有较高的要求。仅靠电网单一供电无法满足充电峰值时刻所需负荷,因此利用蓄电池储能的特点,建立包含蓄电池及储能系统的电动汽车充电站是大势所趋。
蓄电池寿命预测不够准确会对储能电站带来如下弊端:
一、储能电站不能准确预知其蓄电池设备的健康程度及剩余使用期限,可能会造成蓄电池在某时刻意外停运而无法及时维修替换,造成设备损失。
二、蓄电池寿命预测不准确会造成充电站充电调度的不准确,既影响用户体验,也会造成充电站自身经济损失。
三、蓄电池预测不准确可能会引起更严重的后果,如可能造成电网超负荷运行引起范围停电;或导致充电供应不能满足需求,致使大量用户排队造成交通堵塞等。
因此,为避免上文简述以及更多因蓄电池寿命预测不准确而带来的负面影响,需要新的技术来提高蓄电池寿命预测的精确度。
发明内容
本发明针对现有技术中的不足,提供一种基于优化多层残差BP深度网络的蓄电池寿命预测方法,以提供更精确的蓄电池寿命预测。
为实现上述目的,本发明采用以下技术方案:
一种基于优化多层残差BP深度网络的蓄电池寿命预测方法,其特征在于,包括如下步骤:
S1:采集储能电站中处于工作状态的蓄电池实时数据作为样本数据,并构建指标体系;
S2:根据所建指标体系对样本数据进行预处理,并对多层残差BP深度学习网络进行初始化;
S3:将样本数据分为样本训练集和样本测试集,输入样本训练集,并由多层残差BP深度学习网络正向传播求解预测值;
S4:将所求的预测值数据集代入成本函数求解网络误差,成本函数为所有训练样本损失函数和的平均值,并对网络误差进行判别,若满足要求,则进行步骤S6,不满足要求则进行步骤S5;
S5、确定误差梯度并对权值学习进行调整,然后转到步骤S3;
S6、完成网络学习,得到蓄电池寿命模型,转到步骤S7;
S7、结束本次计算。
为优化上述技术方案,采取的具体措施还包括:
进一步地,步骤S1中,构建指标体系过程具体如下:
S11:选取影响因子:根据影响蓄电池寿命的因素,选取5个指标作为预测蓄电池寿命的影响因子,包括:环境温度、健康状态SOH、浮充电压、投运时长、电池型号;
S12:对各影响因子进行指标构建:
环境温度:蓄电池所处的环境温度,是数值数据,环境温度以摄氏度计算,范围为12℃~30℃;
健康状态SOH:蓄电池使用一段时间后性能参数与标称参数的比值,是数值数据,以百分比计算,范围为5%~100%;
浮充电压:由整流器供电,同时给蓄电池微小的补充电流以平衡电池自放电所造成的容量损耗的整流器输出的电压,是数值数据,浮充电压以伏特计算,范围为2.17V~2.25V;
投运时长:蓄电池的投运时长,是数值数据,投运时长以年份计算,范围为1年~12年;
电池型号:蓄电池的型号,是分类数据,型号包括荷贝克、梅兰日兰、欧利特、圣阳;
S13:对剩余容量进行指标构建:蓄电池的剩余容量,是数值数据,剩余容量以变量q来表示,单位为A.h(安时),范围为0~x之间,其中x为电池额定容量。
进一步地,步骤S2中,根据所建指标体系对样本数据进行预处理,具体如下:
对环境温度进行预处理,温度范围设定为12℃~30℃,将属于数值数据的环境温度划分成若干环境温度范围的分类数据:12℃~15℃为A类,15℃~18℃为B类,18℃~21℃为C类,21℃~24℃为D类,24℃~27℃为E类,27℃~30℃为F类;若所收集的数据中存在不属于设定范围的数据,则将其剔除;
对健康状态SOH进行预处理,将健康状态SOH的范围设定为5%~100%,若所收集的数据中存在不属于设定范围的数据,则将其剔除;
对浮充电压进行预处理,将浮充电压的范围设定为2.17V~2.25V,若所收集的数据中存在不属于设定范围的数据,则将其剔除;
对投运时长进行预处理,将投运时长的范围设定为1年~12年,若所收集的数据中存在不属于设定范围的数据,则将其剔除;
对电池型号进行预处理,选取四个常用型号,设定荷贝克为A类,用[0,0,0,1]表示;梅兰日兰为B类,用[0,0,1,0]表示;欧利特为C类,用[0,1,0,0]表示;圣阳为D类,用[1,0,0,0]表示;若所收集的数据中存在不属于设定范围的数据,则将其剔除;
对剩余容量进行预处理,将其按一定范围进行分类,分类如下:0~0.5x为A类,表示寿命小于1年,建议更换;0.5x~0.6x为B类,表示寿命为1年~2年;0.6x~0.7x为C类,表示寿命为2年~3年;0.7x~0.8x为D类,表示寿命为3年~4年;0.8x~0.9x为E类,表示寿命为4年~5年;0.9x~x为F类,表示寿命为5年~6年。
进一步地,步骤S2中,对多层残差BP深度学习网络进行初始化,包括确定其激活函数及超参数和模型的初值,其步骤如下:
S21:首先根据数据机理确定激活函数的种类;
S22:判断是否有训练该类型数据样本的历史经验,若没有则转入步骤S23,若有则转入步骤S25;
S23:根据“宽泛策略”大致确定一个网络的架构,确定多层残差BP深度学习网络中隐含层的数目及每一层中包含的神经元个数;
S24:在代价函数中先不考虑正则项对学习率进行迭代求解,确定初始范围,再取阈值的一半并加入正则项对学习率进行调整;
S25:根据历史经验,套用已有蓄电池寿命预测模型进行计算;
S26:根据训练样本对超参数的取值做最终优化训练;
S27:得到结果,确定超参数取值;
S28:利用生物地理学优化算法确定网络模型的初始权值w[1]和阈值b[1];
S29:网络初始化完成。
进一步地,步骤S28中,利用改进的生物地理学优化算法对初始权值w[1]和阈值b[1]进行计算,其步骤如下:
1)BBO参数初始化:以残差网络的初始权值w[1]和阈值b[1]作为BBO中的栖息地,栖息地的迁入率以λk表示,迁出率以μk表示;迁入解为Hi(V),迁出解为Hj(V);
2)确定适应度函数:将数据样本的预测值和期望值的输出均方误差作为适应度函数;
3)采用余弦型迁移模型代替原始线性模型,此模型的迁入率和迁出率如下式所示:
式中,I为迁入率的峰值,E为迁出率的峰值,k为物种数量,n为物种数量的最大值;
4)采用差分进化算法的策略来改进BBO的迁移算子,改进后迁移算子表示为:
5)计算BBO算法中用来衡量所产生的可行解优劣的重要指标HIS并排序,适宜度指数HIS为使用该组权值时的网络输出均方误差;
6)进行迁移、变异以及重组的操作,并更新满足适宜度指数HIS的最优解;若最优解已经满足迭代条件,则转入步骤7),若未满足迭代条件,则转入步骤5);
7)确定多层残差BP深度学习网络的最优初始权值w[1]和阈值b[1]。
进一步地,步骤S2中,对多层残差BP深度学习网络进行初始化,包括对残差网络模块进行初始设定,具体如下:
堆叠7个残差网络模块I-VII,每个残差网络模块中均堆叠两层神经元;其中,在I、II、V、VI这4个残差网络模块中,每层神经元的个数均为128,在III、IV这2个残差网络模块中,每层神经元的个数均为256;神经网络的激活函数采用ReLU函数;
多层残差BP深度学习网络的输入数据x为影响蓄电池寿命的影响因子,特征属性维度为5;输出层的神经元个数为6,将蓄电池的寿命范围分为6类,其中蓄电池的寿命以剩余容量来衡量,剩余容量0~0.5x为A类,表示寿命小于1年,建议更换;0.5x~0.6x为B类,表示寿命为1年~2年;0.6x~0.7x为C类,表示寿命为2年~3年;0.7x~0.8x为D类,表示寿命为3年~4年;0.8x~0.9x为E类,表示寿命为4年~5年;0.9x~x为F类,表示寿命为5年~6年。
设置残差网络模块的维度,使各残差网络模块的输入、输出维度一致:在残差网络模块I中,权重wts1的维度为5×128;在残差网络模块III中,权重wts2的维度为128×256;在残差网络模块V中,权重wts3的维度为256×128;在残差网络模块VII中,权重wts4的维度为128×6。
进一步地,步骤S4中,对网络误差进行判别,具体如下:
S41:输入样本测试集,通过训练后的多层残差BP深度学习网络得到实验值;
S42:将样本测试集的实际值与实验值进行比较,计算误差;
S43:为判别误差是否满足要求,定义测试集诊断准确率低于90%为不满足要求,测试集诊断准确率大于等于90%为满足要求;
S44:误差判别结束,若不满足要求转入步骤S5,满足要求转入步骤S6。
本发明的有益效果是:本发明针对蓄电池寿命预测精确度不够的问题,提出了一种基于多层残差BP深度学习网络提高蓄电池寿命预测精确度的算法,并创新性地将环境温度、放电深度、浮充电压、投运时长、电池型号5种影响因素纳入考虑范围,作为预测蓄电池寿命地影响因子,提高了神经网络的预测准确率;针对传统BP神经网络在网络模型达到一定深度时,网络模型性能趋向饱和且准确性降低的问题,提出了一种基于优化残差多层BP深度网络的蓄电池寿命预测方法。使用多层残差BP深度学习网络取代简单BP神经网络模型,可以拓宽网络模型深度,同时,在训练过程中,提高训练的稳定性,降低整体训练损失,使得在训练样本较小时网络仍具有较高的预测准确性。
附图说明
图1是本发明的总体流程图。
图2是本发明的指标体系构建流程图。
图3是本发明的数据预处理流程图。
图4是本发明的多层残差BP深度学习网络初始化流程图。
图5是本发明的遗传算法确定初值的流程图。
图6是本发明的多层残差BP深度学习网络模型示意图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。
参考图1描述的本发明方法的总体流程,具体步骤如下:
步骤1.通过搜集各储能电站蓄电池的数据,完成样本采集。
步骤2.通过构建指标体系完成数据的量化。
步骤3.根据步骤2所建的指标体系对数据进行预处理。
步骤4.对多层残差BP深度学习网络进行初始化。
步骤5.将采集的样本划分为样本训练集和样本测试集,在此步骤中输入样本训练集。
步骤6.由残差网络正向传播,求解样本训练集的预测值。
步骤7.将所求数据集代入成本函数求解网络误差,成本函数即所有训练样本损失函数和的平均值。
步骤8.定义测试集诊断准确率大于或等于90%为符合要求,小于90%为不满足要求。不满足要求转入步骤9;满足要求转入步骤10。
步骤9.确定网络误差梯度,重新设定权值,进行权值学习调整,并转入步骤5。
步骤10.网络学习完成,转入步骤12。
步骤11.求解蓄电池寿命,转入步骤13。
步骤12.本次计算结束。
为了更清楚的说明本发明,下面对相关内容进行展开说明。
一、指标体系构建方法
如图2所示,指标体系构建方法主要是对复杂多样的数据进行分类,并通过一定手段的处理,选取数据中的一些指标作为模型计算的基础。
步骤1.选取影响因子,即选取5个指标作为预测蓄电池寿命的影响因子,即:环境温度、健康状态SOH、浮充电压、投运时长、电池型号。
步骤2.对环境温度进行指标构建,即蓄电池所处的环境温度,是数值数据,并以摄氏度计算,范围为12℃~30℃。
步骤3.对健康状态SOH进行指标构建,即蓄电池使用一段时间后性能参数与标称参数的比值,是数值数据。健康状态以百分比计算,范围为5%~100%。
步骤4.对浮充电压进行指标构建,即由整流器供电,同时给蓄电池微小的补充电流以平衡电池自放电所造成的容量损耗的整流器输出的电压,是数值数据,并以伏特计算,范围为2.17V~2.25V。
步骤5.对投运时长进行指标构建,即蓄电池的投运时长,是数值数据,并以年份计算,范围为1年~12年。
步骤6.对电池型号进行指标构建,即蓄电池的型号,是分类数据,其包括APC、CSB、保护神、非凡、欧利特等。
步骤7.对剩余容量进行指标构建,即蓄电池的剩余容量,是数值数据。剩余容量以变量q来表示,单位为A·h(安时),范围为0~x之间,其中x为电池额定容量。
步骤8.完成指标体系构建。
二、数据预处理方法
如图3所示,数据预处理方法主要是对计算前的数据进行粗略的校验,剔除明显的错误数据和坏数据,以保证后续计算的顺利进行。将分类数据首先进行预处理。例如假设分类数据包括A类和B类两种,则将该指标转换为0-1型的两个指标。其中为表示A类,则A类对应的指标为1且B类对应的指标为0。为表示B类,同理可得。蓄电池的型号种类繁多,部分型号数量较少且投运时间单一,无法对网络模型产生贡献,相反可能会影响网络模型的准确性,因此需要删除型号数据中的数量较少且投运时间单一的值。最后选择了4个主要品牌作为研究的数据集。环境温度是数值数据,但本文模型需要计算的是在一定的环境温度范围下蓄电池的寿命情况,因此将属于数值数据的环境温度划分成若干环境温度范围的分类数据。
数据预处理方法具体包括如下步骤:
步骤1.对环境温度进行预处理,本文模型需要计算的是在一定的环境温度范围下蓄电池的寿命情况,即将温度范围设定为12℃~30℃。因此将属于数值数据的环境温度划分成若干环境温度范围的分类数据。12℃~15℃为A类,15℃~18℃为B类,18℃~21℃为C类,21℃~24℃为D类,24℃~27℃为E类,27℃~30℃为F类。若所收集的数据中存在不属于设定范围的数据,则将其剔除,转入步骤2。
步骤2.对健康状态SOH进行预处理,将健康状态的范围设定为5%~100%。若所收集的数据中存在不属于设定范围的数据,则将其剔除,转入步骤3。
步骤3.对浮充电压进行预处理,将浮充电压的范围设定为2.17V~2.25V。若所收集的数据中存在不属于设定范围的数据,则将其剔除,转入步骤4。
步骤4.对投运时长进行预处理,将投运时长的范围设定为1年~12年。若所收集的数据中存在不属于设定范围的数据,则将其剔除,转入步骤5。
步骤5.对电池型号进行预处理,电池型号属分类数据,本文选取四个常用型号,设定荷贝克为A类,用[0,0,0,1]表示;梅兰日兰为B类,用[0,0,1,0]表示;欧利特为C类,用[0,1,0,0]表示;圣阳为D类,用[1,0,0,0]表示。若所收集的数据中存在不属于设定范围的数据,则将其剔除,转入步骤6。
步骤6.对剩余容量进行预处理,剩余容量属数值数据,但由于本文拟用剩余容量反映蓄电池寿命,故需将其按一定范围进行分类。分类如下:0~0.5x为A类,表示寿命小于1年,建议更换;0.5x~0.6x为B类,表示寿命为1年~2年;0.6x~0.7x为C类,表示寿命为2年~3年;0.7x~0.8x为D类,表示寿命为3年~4年;0.8x~0.9x为E类,表示寿命为4年~5年;0.9x~x为F类,表示寿命为5年~6年。
步骤7.数据预处理结束。
三、多层残差BP深度学习网络模型初始化
如图4所示,对多层残差BP深度学习网络模型进行初始化,需确定其激活函数及超参数和模型的初值,其步骤如下:
步骤1.首先根据数据机理(不同的数据有不同的特征,有不同的种类)确定激活函数的种类。
步骤2.判断是否有训练该类型数据样本的历史经验,若没有则转入步骤3,若有则转入步骤5。
步骤3.根据“宽泛策略”大致确定一个网络的架构,即确定残差网络中隐含层的数目及每一层中包含的神经元个数。
步骤4.在代价函数中先不考虑正则项对学习率进行迭代求解,确定初始范围,再取阀值的一半并加入正则项对学习率进行调整。
步骤5.根据历史经验,套用已有蓄电池寿命预测模型进行计算。
步骤6.根据训练样本对超参数的取值做最终优化训练。
步骤7.得到结果,确定超参数取值。
步骤8.利用生物地理学优化算法确定网络模型初值,及参数w[1]、b[1]。
步骤9.网络初始化完成。
四、利用生物地理学优化算法(Biogeography-based optimization BBO)算法确定残差网络模型的初值参数
如图5所示,对残差网络模型的初始权值w[1]和阈值b[1]进行设置,本文拟利用改进的BBO算法进行计算,其步骤如下:
步骤1.BBO参数初始化。以残差网络的初始权值w[1]和阈值b[1]作为BBO中的栖息地。栖息地的迁入率以λk表示,迁出率以μk表示。迁入解为Hi(V),迁出解为Hj(V)。
步骤2.确定适应度函数,即将数据样本的预测值和期望值的输出均方误差作为适应度函数。
步骤3.采用余弦型迁移模型代替原始线性模型,此模型的迁入率和迁出率如下式所示:
式中,I为迁入率的峰值,E为迁出率的峰值,k为物种数量,n为物种数量的最大值。
步骤4.采用差分进化算法的策略来改进BBO的迁移算子,改进后迁移算子表示为:
步骤5.计算BBO算法中用来衡量所产生的可行解优劣的重要指标HIS并排序,在此应用环境下,适宜度HIS值为使用该组权值时的网络输出均方误差。
步骤6.进行迁移、变异以及重组的操作,并更新满足适宜度指数HIS的最优解。若最优解已经满足迭代条件,则转入步骤7,若未满足迭代条件,则转入步骤5。
步骤7.确定残差网络的最优初始权值w[1]和阈值b[1]。
五、多层残差BP深度学习网络模块初始化
如图6所示,对多层残差BP深度学习网络模块进行初始设定,本文通过堆叠7个多层残差BP深度学习网络模块(I-VII),每个残差网络模块中均堆叠2层神经元。其中,在I、II、V、VI这4个残差网络模块中,每层神经元的个数均为128,在III、IV这2个残差网络模块中,每层神经元的个数均为256。神经网络的激活函数采用ReLU函数。
本文采用的多层残差BP深度学习网络模型的输入数据x为影响蓄电池寿命的影响因子,特征属性维度为5。输出层的神经元个数为6,将蓄电池的寿命范围分为6类,由于蓄电池剩余寿命与剩余容量存在一定线性关系,故将蓄电池的寿命范围以蓄电池剩余容量衡量,分类如下:0~0.5x为A类,表示寿命小于1年,建议更换;0.5x~0.6x为B类,表示寿命为1年~2年;0.6x~0.7x为C类,表示寿命为2年~3年;0.7x~0.8x为D类,表示寿命为3年~4年;0.8x~0.9x为E类,表示寿命为4年~5年;0.9x~x为F类,表示寿命为5年~6年,具体如表1所示:
表1蓄电池的寿命范围分类
设置残差网络模块的权重具体如下:
1)残差网络模块I中,每层神经元个数为128,则残差网络模块I中第2层网络的输出a[2]的特征维度为128,该特征维度与模块I中输入的影响因子的特征维度5不匹配。因此,在残差网络模块I中调整权重wts1的维度为5×128,从而使a[2]的特征维度与wtsx的特征维度一致。
2)在残差网络模块III中,每层神经元个数为256,则残差网络模块III中第2层网络的输出a[6]的特征维度为256,该特征维度与模块III中输入的a[4]的特征维度128不匹配。因此,设置模块III中调整权重wts2的维度为128×256,从而使输入,输出维度一致。
3)在残差网络模块V中,同理,设置权重wts3的维度为256×128。
4)在残差网络模块VII中,同理,设置权重wts4的维度为128×6。
总之,针对现有研究,本发明引入多层残差BP深度学习网络对蓄电池寿命进行预测。通过残差神经网络一定程度上缓解了BP神经网络预测时稳定性不高,深度不够的问题。同时,创新性引入5种影响因子,使预测模型更加全面,预测结果更加精确,有说服力。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (7)
1.一种基于优化多层残差BP深度网络的蓄电池寿命预测方法,其特征在于,包括如下步骤:
S1:采集储能电站中处于工作状态的蓄电池实时数据作为样本数据,并构建指标体系;
S2:根据所建指标体系对样本数据进行预处理,并对多层残差BP深度学习网络进行初始化;
S3:将样本数据分为样本训练集和样本测试集,输入样本训练集,并由多层残差BP深度学习网络正向传播求解预测值;
S4:将所求的预测值数据集代入成本函数求解网络误差,成本函数为所有训练样本损失函数和的平均值,并对网络误差进行判别,若满足要求,则进行步骤S6,不满足要求则进行步骤S5;
S5、确定误差梯度并对权值学习进行调整,然后转到步骤S3;
S6、完成网络学习,得到蓄电池寿命模型,转到步骤S7;
S7、结束本次计算。
2.如权利要求1所述的一种基于优化多层残差BP深度网络的蓄电池寿命预测方法,其特征在于:步骤S1中,构建指标体系过程具体如下:
S11:选取影响因子:根据影响蓄电池寿命的因素,选取5个指标作为预测蓄电池寿命的影响因子,包括:环境温度、健康状态SOH、浮充电压、投运时长、电池型号;
S12:对各影响因子进行指标构建:
环境温度:蓄电池所处的环境温度,是数值数据,环境温度以摄氏度计算,范围为12℃~30℃;
健康状态SOH:蓄电池使用一段时间后性能参数与标称参数的比值,是数值数据,以百分比计算,范围为5%~100%;
浮充电压:由整流器供电,同时给蓄电池微小的补充电流以平衡电池自放电所造成的容量损耗的整流器输出的电压,是数值数据,浮充电压以伏特计算,范围为2.17V~2.25V;
投运时长:蓄电池的投运时长,是数值数据,投运时长以年份计算,范围为1年~12年;
电池型号:蓄电池的型号,是分类数据,型号包括荷贝克、梅兰日兰、欧利特、圣阳;
S13:对剩余容量进行指标构建:蓄电池的剩余容量,是数值数据,剩余容量以变量q来表示,单位为A·h,范围为0~x之间,其中x为电池额定容量。
3.如权利要求2所述的一种基于优化多层残差BP深度网络的蓄电池寿命预测方法,其特征在于:步骤S2中,根据所建指标体系对样本数据进行预处理,具体如下:
对环境温度进行预处理,温度范围设定为12℃~30℃,将属于数值数据的环境温度划分成若干环境温度范围的分类数据:12℃~15℃为A类,15℃~18℃为B类,18℃~21℃为C类,21℃~24℃为D类,24℃~27℃为E类,27℃~30℃为F类;若所收集的数据中存在不属于设定范围的数据,则将其剔除;
对健康状态SOH进行预处理,将健康状态SOH的范围设定为5%~100%,若所收集的数据中存在不属于设定范围的数据,则将其剔除;
对浮充电压进行预处理,将浮充电压的范围设定为2.17V~2.25V,若所收集的数据中存在不属于设定范围的数据,则将其剔除;
对投运时长进行预处理,将投运时长的范围设定为1年~12年,若所收集的数据中存在不属于设定范围的数据,则将其剔除;
对电池型号进行预处理,选取四个常用型号,设定荷贝克为A类,用[0,0,0,1]表示;梅兰日兰为B类,用[0,0,1,0]表示;欧利特为C类,用[0,1,0,0]表示;圣阳为D类,用[1,0,0,0]表示;若所收集的数据中存在不属于设定范围的数据,则将其剔除;
对剩余容量进行预处理,将其按一定范围进行分类,分类如下:0~0.5x为A类,表示寿命小于1年,建议更换;0.5x~0.6x为B类,表示寿命为1年~2年;0.6x~0.7x为C类,表示寿命为2年~3年;0.7x~0.8x为D类,表示寿命为3年~4年;0.8x~0.9x为E类,表示寿命为4年~5年;0.9x~x为F类,表示寿命为5年~6年。
4.如权利要求1所述的一种基于优化多层残差BP深度网络的蓄电池寿命预测方法,其特征在于:步骤S2中,对多层残差BP深度学习网络进行初始化,包括确定其激活函数及超参数和模型的初值,其步骤如下:
S21:首先根据数据机理确定激活函数的种类;
S22:判断是否有训练该类型数据样本的历史经验,若没有则转入步骤S23,若有则转入步骤S25;
S23:根据“宽泛策略”大致确定一个网络的架构,确定多层残差BP深度学习网络中隐含层的数目及每一层中包含的神经元个数;
S24:在代价函数中先不考虑正则项对学习率进行迭代求解,确定初始范围,再取阈值的一半并加入正则项对学习率进行调整;
S25:根据历史经验,套用已有蓄电池寿命预测模型进行计算;
S26:根据训练样本对超参数的取值做最终优化训练;
S27:得到结果,确定超参数取值;
S28:利用生物地理学优化算法确定网络模型的初始权值w[1]和阈值b[1];
S29:网络初始化完成。
5.如权利要求4所述的一种基于优化多层残差BP深度网络的蓄电池寿命预测方法,其特征在于:步骤S28中,利用改进的生物地理学优化算法对初始权值w[1]和阈值b[1]进行计算,其步骤如下:
1)BB0参数初始化:以残差网络的初始权值w[1]和阈值b[1]作为BBO中的栖息地,栖息地的迁入率以λk表示,迁出率以μk表示;迁入解为Hi(V),迁出解为Hj(V);
2)确定适应度函数:将数据样本的预测值和期望值的输出均方误差作为适应度函数;
3)采用余弦型迁移模型代替原始线性模型,此模型的迁入率和迁出率如下式所示:
式中,I为迁入率的峰值,E为迁出率的峰值,k为物种数量,n为物种数量的最大值;
4)采用差分进化算法的策略来改进BBO的迁移算子,改进后迁移算子表示为:
5)计算BBO算法中用来衡量所产生的可行解优劣的重要指标HIS并排序,适宜度指数HIS为使用该组权值时的网络输出均方误差;
6)进行迁移、变异以及重组的操作,并更新满足适宜度指数HIS的最优解;若最优解已经满足迭代条件,则转入步骤7),若未满足迭代条件,则转入步骤5);
7)确定多层残差BP深度学习网络的最优初始权值w[1]和阈值b[1]。
6.如权利要求2所述的一种基于优化多层残差BP深度网络的蓄电池寿命预测方法,其特征在于:步骤S2中,对多层残差BP深度学习网络进行初始化,包括对残差网络模块进行初始设定,具体如下:
堆叠7个残差网络模块I-VII,每个残差网络模块中均堆叠两层神经元;其中,在I、II、V、VI这4个残差网络模块中,每层神经元的个数均为128,在III、IV这2个残差网络模块中,每层神经元的个数均为256;神经网络的激活函数采用ReLU函数;
多层残差BP深度学习网络的输入数据x为影响蓄电池寿命的影响因子,特征属性维度为5;输出层的神经元个数为6,将蓄电池的寿命范围分为6类,其中蓄电池的寿命以剩余容量来衡量,剩余容量0~0.5x为A类,表示寿命小于1年,建议更换;0.5x~0.6x为B类,表示寿命为1年~2年;0.6x~0.7x为C类,表示寿命为2年~3年;0.7x~0.8x为D类,表示寿命为3年~4年;0.8x~0.9x为E类,表示寿命为4年~5年;0.9x~x为F类,表示寿命为5年~6年。
设置残差网络模块的维度,使各残差网络模块的输入、输出维度一致:在残差网络模块I中,权重wts1的维度为5×128;在残差网络模块III中,权重wts2的维度为128×256;在残差网络模块V中,权重wts3的维度为256×128;在残差网络模块VII中,权重wts4的维度为128×6。
7.如权利要求1所述的一种基于优化多层残差BP深度网络的蓄电池寿命预测方法,其特征在于:步骤S4中,对网络误差进行判别,具体如下:
S41:输入样本测试集,通过训练后的多层残差BP深度学习网络得到实验值;
S42:将样本测试集的实际值与实验值进行比较,计算误差;
S43:为判别误差是否满足要求,定义测试集诊断准确率低于90%为不满足要求,测试集诊断准确率大于等于90%为满足要求;
S44:误差判别结束,若不满足要求转入步骤S5,满足要求转入步骤S6。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010320522.5A CN111523226B (zh) | 2020-04-21 | 2020-04-21 | 一种基于优化多层残差bp深度网络的蓄电池寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010320522.5A CN111523226B (zh) | 2020-04-21 | 2020-04-21 | 一种基于优化多层残差bp深度网络的蓄电池寿命预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111523226A true CN111523226A (zh) | 2020-08-11 |
CN111523226B CN111523226B (zh) | 2020-12-29 |
Family
ID=71903752
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010320522.5A Active CN111523226B (zh) | 2020-04-21 | 2020-04-21 | 一种基于优化多层残差bp深度网络的蓄电池寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111523226B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112319462A (zh) * | 2020-11-17 | 2021-02-05 | 河南科技大学 | 一种插电式混合动力汽车能量管理方法 |
CN112630665A (zh) * | 2020-12-18 | 2021-04-09 | 北京理工大学 | 一种基于智能网联的锂电池寿命预测系统 |
CN113589175A (zh) * | 2021-08-23 | 2021-11-02 | 上海智能新能源汽车科创功能平台有限公司 | 一种燃料电池寿命预测方法和系统 |
CN114089206A (zh) * | 2021-10-24 | 2022-02-25 | 郑州云海信息技术有限公司 | 一种电池冗余模块的寿命预测方法、系统、介质及设备 |
CN114236416A (zh) * | 2021-12-24 | 2022-03-25 | 南京工程学院 | 一种电池组健康状况监测装置 |
CN114781278A (zh) * | 2022-06-17 | 2022-07-22 | 天津理工大学 | 一种基于数据驱动的机电设备寿命预测方法及系统 |
CN116734424A (zh) * | 2023-06-13 | 2023-09-12 | 青岛理工大学 | 基于rc模型和深度强化学习的室内热环境的控制方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107748936A (zh) * | 2017-11-03 | 2018-03-02 | 国网江苏省电力公司信息通信分公司 | 基于遗传算法改进的bp神经网络蓄电池寿命预测算法 |
CN110412470A (zh) * | 2019-04-22 | 2019-11-05 | 上海博强微电子有限公司 | 电动汽车动力电池soc估计方法 |
CN110443377A (zh) * | 2019-06-24 | 2019-11-12 | 南方电网调峰调频发电有限公司信息通信分公司 | 一种基于免疫算法优化的支持向量机蓄电池寿命预测方法 |
WO2020063715A1 (en) * | 2018-09-26 | 2020-04-02 | Huawei Technologies Co., Ltd. | Method and system for training binary quantized weight and activation function for deep neural networks |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110941929A (zh) * | 2019-12-06 | 2020-03-31 | 长沙理工大学 | 一种基于ARMA和Elman神经网络联合建模的电池健康状态评估方法 |
-
2020
- 2020-04-21 CN CN202010320522.5A patent/CN111523226B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107748936A (zh) * | 2017-11-03 | 2018-03-02 | 国网江苏省电力公司信息通信分公司 | 基于遗传算法改进的bp神经网络蓄电池寿命预测算法 |
WO2020063715A1 (en) * | 2018-09-26 | 2020-04-02 | Huawei Technologies Co., Ltd. | Method and system for training binary quantized weight and activation function for deep neural networks |
CN110412470A (zh) * | 2019-04-22 | 2019-11-05 | 上海博强微电子有限公司 | 电动汽车动力电池soc估计方法 |
CN110443377A (zh) * | 2019-06-24 | 2019-11-12 | 南方电网调峰调频发电有限公司信息通信分公司 | 一种基于免疫算法优化的支持向量机蓄电池寿命预测方法 |
Non-Patent Citations (3)
Title |
---|
JI WU 等: "An online method for lithium-ion battery remaining useful life estimation using importance sampling and neural networks", 《APPLIED ENERGY》 * |
梅成林 等: "小波神经网络预测变电站VRLA电池工作寿命", 《电池》 * |
陈思媛 等: "可充电锂电池剩余电量预测方法", 《中南大学学报(自然科学版)》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112319462A (zh) * | 2020-11-17 | 2021-02-05 | 河南科技大学 | 一种插电式混合动力汽车能量管理方法 |
CN112630665A (zh) * | 2020-12-18 | 2021-04-09 | 北京理工大学 | 一种基于智能网联的锂电池寿命预测系统 |
CN113589175A (zh) * | 2021-08-23 | 2021-11-02 | 上海智能新能源汽车科创功能平台有限公司 | 一种燃料电池寿命预测方法和系统 |
CN113589175B (zh) * | 2021-08-23 | 2024-04-12 | 上海智能新能源汽车科创功能平台有限公司 | 一种燃料电池寿命预测方法和系统 |
CN114089206A (zh) * | 2021-10-24 | 2022-02-25 | 郑州云海信息技术有限公司 | 一种电池冗余模块的寿命预测方法、系统、介质及设备 |
CN114236416A (zh) * | 2021-12-24 | 2022-03-25 | 南京工程学院 | 一种电池组健康状况监测装置 |
CN114236416B (zh) * | 2021-12-24 | 2024-01-26 | 南京工程学院 | 一种电池组健康状况监测装置 |
CN114781278A (zh) * | 2022-06-17 | 2022-07-22 | 天津理工大学 | 一种基于数据驱动的机电设备寿命预测方法及系统 |
CN114781278B (zh) * | 2022-06-17 | 2022-09-27 | 天津理工大学 | 一种基于数据驱动的机电设备寿命预测方法及系统 |
CN116734424A (zh) * | 2023-06-13 | 2023-09-12 | 青岛理工大学 | 基于rc模型和深度强化学习的室内热环境的控制方法 |
CN116734424B (zh) * | 2023-06-13 | 2023-12-22 | 青岛理工大学 | 基于rc模型和深度强化学习的室内热环境的控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111523226B (zh) | 2020-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111523226B (zh) | 一种基于优化多层残差bp深度网络的蓄电池寿命预测方法 | |
Caliwag et al. | Hybrid VARMA and LSTM method for lithium-ion battery state-of-charge and output voltage forecasting in electric motorcycle applications | |
CN110687452B (zh) | 基于K均值聚类与Elman神经网络的锂电池容量在线预测方法 | |
CN114372417A (zh) | 基于充电网的电动汽车电池健康状态和剩余寿命评估方法 | |
CN111736084B (zh) | 基于改进lstm神经网络的阀控铅酸蓄电池健康状态预测方法 | |
CN108646189A (zh) | 一种面向铅酸蓄电池剩余容量预测的libsvm建模方法 | |
CN114035098A (zh) | 一种融合未来工况信息和历史状态信息的锂电池健康状态预测方法 | |
CN108804764A (zh) | 一种基于极限学习机的锂电池老化趋势预测方法 | |
CN108921376A (zh) | 一种智能配电网用电可靠性提升对象的优选方法及系统 | |
CN112258251A (zh) | 基于灰色关联的电动汽车换电需求的集成学习预测方法及系统 | |
CN113917334A (zh) | 基于进化lstm自编码器的电池健康状态估计方法 | |
CN111222787A (zh) | 受端电网规模化储能商业模式决策方法及系统 | |
WO2022237661A1 (zh) | 一种基于两点寿命特征的锂电池在线寿命预测方法 | |
CN113065715A (zh) | 一种综合能源系统多元负荷超短期预测方法 | |
CN110232432B (zh) | 一种基于人工生命模型的锂电池组soc预测方法 | |
CN112881914B (zh) | 一种锂电池健康状态预测方法 | |
CN112149976B (zh) | 一种基于人工智能的电网精准投资项目决策方法 | |
CN116653608B (zh) | 电动汽车充电保护、控制方法、装置及存储介质 | |
CN110932300B (zh) | 一种考虑梯次利用储能的配电网优化调度方法 | |
CN115542165A (zh) | 一种锂离子电池健康状态的预测方法 | |
CN106296444A (zh) | 一种基于粒子群算法和支持向量机的年度全社会电量预测方法 | |
CN113552491B (zh) | 一种基于rnn模型的储能电站电池组soc估计方法 | |
CN115481363A (zh) | 基于组合赋权-模糊综合评价的电池组不一致性评估方法 | |
CN115327390A (zh) | 一种基于改进多层残差神经网络的锂电池寿命预测方法 | |
CN109977622A (zh) | 一种动力电池的剩余寿命预测方法 |
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 |