CN111950205A - 一种基于fwa优化极限学习机的锂电池soh预测方法 - Google Patents

Abstract

本发明公开了一种基于FWA优化极限学习机的锂电池健康状态SOH预测方法，属于动力电池SOH预测技术领域。本发明为了解决现有技术中对动力电池SOH预测过程中参数寻优困难和估算精度低的问题。本发明包括如下步骤建立基于极限学习机的锂电池SOH预测模型；采用FWA优化算法优化预测模型中的输入权值和隐含层偏置；将训练样本输入所述预测模型中对模型进行训练；输入测试样本对训练好的预测模型进行验证；本申请能够准确的对实时非线性变化的锂电池健康状态SOH进行准确的预测，预测运算速度更快且提高了健康因子与锂电池SOH之间的变化对应关系，进而提高了估计精度。

Description

一种基于FWA优化极限学习机的锂电池SOH预测方法

技术领域

本发明涉及动力电池SOH预测领域，特别是涉及一种基于FWA优化极限学习机的锂电 池SOH预测方法。

背景技术

能源危机和环境污染问题的日益加剧，发展新能源汽车成为现代工业发展的重要任务。 随着全球市场电动汽车商品化步伐的日益加快，对高功率和高能量动力电池需求迅速增加， 锂动力电池具有安全性高、寿命长、污染低、比能量大等特点，目前已作为动力电池应用于 电动汽车。电池的健康状态SOH用于描述电池的衰退状态，锂离子电池在长期使用过程中不 可避免的面临着老化衰退的问题，电池的衰退是一个不可以逆转的过程，当锂离子电池衰退 到一定程度时，将不再适合在电动汽车中继续使用，不然会造成一些汽车事故；因此准确的 估计锂离子电池健康状态SOH对减少故障提高电池效率有着十分重要的意义和价值。

锂离子动力电池的SOH随着充放电循环而逐渐退化。然而，锂离子电池是动态、时变、 非线性的电化学系统，其内部电化学机理十分复杂，很难建立准确的退化机理模型来估计锂 离子电池的SOH。因此，国内外学者在锂离子电池电化学方面开展了大量的研究，通过实验 分析法来预测SOH，非常直接，精度较高，但却需要专业的实验室及器材，设备昂贵且不适 用于SOH的实时估算，会极大地影响电池利用率；还有一些研究者使用等效电路模型进行建 模估计，但预测精度较低，且计算量偏大，运算速度慢，不利于电动汽车上的实时预测。

由于锂电池健康状态SOH与电池内阻、温度、充放电深度等诸多因素相关，选取合适的 动态参数作为锂电池健康状态SOH的预测的健康因子是重要的；容量增量曲线即IC曲线式 根据锂电池充电时根据单位时间充电容量与充电电压的比值得到的，依据容量增量曲线可以 分析出电池内部的正负极活性材料与锂离子材料的化学变化，进而找出影响电池健康状态的 健康因子；根据IC曲线各参数与锂电池SOH的动态变化比较，选取出三个IC曲线的三个典 型峰值作为锂电池SOH预测的健康因子。由于健康因子与锂电池SOH的变化并不是完全同 步且具有较大偏差，所以直接使用健康因子对锂电池SOH进行线性拟合得出的结果是非常不 准确的；那么如何准确的构建一个健康因子与锂电池SOH的预测模型是非常重要的。

发明内容

为了解决上述问题，本发明提供了一种基于FWA优化极限学习机的锂电池SOH预测方 法，实现了极限学习机输出权值的参数寻优，提高了锂电池SOH估算精度。

本发明提供的一种基于FWA优化极限学习机的锂电池SOH预测方法，包括如下步骤：

S1、建立基于极限学习机的锂电池SOH预测模型；

S2、采用FWA优化算法优化所述预测模型中的输入权值和隐含层偏置；

S3、获取样本数据，所述样本数据划分为训练样本和测试样本，将训练样本输入所述预 测模型中对模型进行训练；

S4、输入测试样本对训练好的预测模型进行验证。

步骤S1包括：

S11、建立SOH预测网络，包括输入层、隐含层和输出层，设定隐含层节点个数；

S12、计算SOH预测网络的输出为：

式中，X_i为输入层的变量值，O_i为网络输出，g(x)为极限学习机的激励函数， W_i＝[w_i1,w_i2...,w_in]^T为输入权值，β_i为输出权重，α_i是第i个隐含层单元的偏置，W_i·X_i表 示W_i和X_i的内积。

步骤S2具体包括：

S21，初始化话烟花数目M，设定结束条件；

S22，计算适应度、爆炸幅度和火花数；

S23，更新烟花位置；

S24，利用高斯算法计算变异算子；

S25，在烟花、爆炸火花和变异火花中选择下一次迭代的烟花；选择策略采用轮盘赌的方 式选择；

S26，判断是否满足结束条件，若满足，则选择最优个体作为SOH预测模型的输入权值 和隐含层偏置，若不满足，则返回步骤S21重新选择。

所述爆炸幅度为：

每个烟花爆炸的火花的数目为：

式中w_i为第i个烟花产生的火花个数，m为限制火花总数的常数，y_max为种群中适应度 最差的个体的适应度值，f(x_i)为个体x_i的适应度值，ε为防止出现零分母的极小常数，s_i为 第i个烟花的爆炸范围，Z表示最大爆炸幅度，为常数，y_min为种群中适应度最好的个体的适应度值。

所述变异算子计算过程包括：

烟花爆炸过程中每个烟花爆炸后的火花数目限定为：

式中，

是第i个烟花可以产生的火花数量，round()是取整函数，a和是给定的常数， 位移操作是烟花算法中烟花位置的操作；

火花位置为：

式中，random(0,A_i)表示在幅度A_i内生成的均匀随机数，

为烟花位置；

根据高斯变异公式计算变异算子，所述高斯变异公式为：

式中g表示服从均值和方差均为1的高斯分布，即g～N(1，1)，

表示第i个体在 第k维上的位置。

所述选择下一代种群的方法包括：

采用欧式距离d(x_i-y_i)用来度量任意两个体x_i和y_i之间的距离；

根据下式得到个体x_i与其他烟花距离之和：

式中，R(x_i)表示个体x_i与其他烟花距离之和，集合K是爆炸算子和高斯变异产生的火 花的位置集合；

采用轮盘赌博方式的选择策略选择个体，每个个体被选择的概率用P(x_i)为：

选择离其他个体距离更远的个体具有更多的机会成为下一代个体，用以保证种群多样性。

所述样本数据的获取方法包括如下步骤：

S31、根据电池的数据构建锂电池的IC特性曲线；

S32、剔除所述IC特性曲线中的异常曲线，提取IC特性曲线中的三个峰值和相应状态的 SOH值；并对数据进行归一化处理，获取归一化结果信息；

S33、根据归一化处理结果信息，将IC特性曲线提取到的三个峰值归一化结果作为极限 学习机的输入，将锂电池SOH响应值作为其输出。

与现有技术相比，本发明的有益效果是：

1、本发明通过采用IC曲线三个峰值作为健康因子作为输入数据，并通过建立基于FWA 的极限学习机SOH估算模型，得到明确的预测结果。预测过程方便快捷，可以迅速准确的对 锂电池健康状态SOH进行预测；

2、本发明构建基于FWA优化的极限学习机锂电池健康状态SOH预测模型，利用烟花算 法FWA优化极限学习机的输入权值和隐含层偏置，达到优化输出权值的目的，准确与快速修 正健康因子与锂电池SOH之间的变化关系，更进一步的利用健康因子的变化预测出下一阶段 的锂电池健康状态SOH，进而达到提高锂电池健康状态SOH的预测精度；

3、本发明能够进行算法打包，直接输入锂电池输入数据，输出预测的锂电池SOH；

4、本发明可以根据不同种类锂电池的数据进行SOH预测，实现锂电池健康状态的准确 估算；

5、本发明操作简单，锂电池健康状态预测准确；

6、本发明可以实现在不拆解电池的条件下对电池SOH进行准确的预测估算，为锂电池 SOH预测提供技术支持。

综上，本发明能够准确的对实时非线性变化的锂电池健康状态SOH进行准确的预测，预 测运算速度更快且提高了健康因子与锂电池SOH之间的变化对应关系，进而提高了估计精 度。

附图说明

图1为本发明一实施例的基于FWA优化极限学习机的锂电池健康状态SOH预测方法的 整体系统流程图；

图2为本发明一实施例的基于FWA优化极限学习机的锂电池健康状态SOH预测方法的 1只磷酸铁锂电池IC特性曲线；

图3为本发明一实施例的基于FWA优化极限学习机的锂电池健康状态SOH预测方法的 预测结果对比图；

图4为本发明一实施例的基于FWA优化极限学习机的锂电池健康状态SOH预测方法的 预测误差结果对比图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露 的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加 以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精 神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征 可以相互组合。

如图1所示，本实施例的本发明提供的一种基于FWA优化极限学习机的锂电池SOH预 测方法，包括如下步骤：

S1、建立基于极限学习机的锂电池SOH预测模型，具体包括如下步骤：

S11、建立SOH预测网络，包括输入层、一个隐含层和输出层，依据公式

对 ELM的隐含层节点个数进行设定，式中m为输入层节点向量长度，f为输出层节点向量长度， α为1-10之间的常数，本实施例取m＝8，f＝8，α＝3，设定隐含层节点个数为19个；所述 SOH预测网络的输入层节点为所述健康因子，输出节点为SOH值。

S12、根据下式计算SOH预测网络的输出为：

式中，X_i为输入层的变量值，O_i为网络输出，W_i＝[w_i1,w_i2...,w_in]^T为输入权值，β_i为输 出权重，α_i是第i个隐含层单元的偏置，W_i·X_i表示W_i和X_i的内积，g(x)为极限学习机的激励函数，为：

S2、采用FWA优化算法优化所述预测模型中的输入权值和隐含层偏置，具体包括如下步 骤：

S21，初始化话烟花数目M＝10，设定结束条件为迭代次数达到25次；

S22，计算适应度、爆炸幅度和火花数；

所述爆炸幅度为：

每个烟花爆炸的火花的数目为：

式中w_i为第i个烟花产生的火花个数，m为限制火花总数的常数，本实施例中取m＝60， y_max为种群中适应度最差的个体的适应度值，ε为防止出现零分母的极小常数，s_i为第i个烟 花的爆炸范围，Z表示最大爆炸幅度，为常数，y_min为种群中适应度最好的个体的适应度值； f(x_i)为个体x_i的适应度值，具体为：

本实施例中的烟花爆炸过程每个烟花爆炸后的火花数目限定为：

式中，

是第i个烟花可以产生的火花数量，round()是取整函数，上式中的a和b为给 定的常数，本实施例中取a＝0.05和b＝0.75。

S23，更新烟花位置，烟花位置更新通过下式实现：

式中，random(0,A_i)表示在幅度A_i内生成的均匀随机数，

为烟花位置

S24，利用高斯算法计算变异火花；

高斯变异增加了算法中突变性和多样性，用

表示第i个体在第k维上的位置，则高斯变异公式如下：

式中g服从均值和方差均为1的高斯分布，即g～N(1，1)。

S25，在烟花、爆炸火花和变异火花中选择下一次迭代的烟花；选择策略采用轮盘赌的方 式选择，候选个体被选中的概率通过下式计算：

式中，R(x_i)表示个体x_i与其他烟花距离之和，集合K是爆炸算子和高斯变异产生的火 花的位置集合；采用轮盘赌博进行选择过程中，每个个体被选择的概率用P(x_i)表示；

上式说明离其他个体距离更远的个体具有更多的机会成为下一代个体，保证种群多样性。

S26，判断是否满足结束条件，若满足，则选择最优个体作为SOH预测模型的输入权值 和隐含层偏置，若不满足，则返回步骤S21重新选择。

S3、获取样本数据，所述样本数据划分为训练样本和测试样本，将训练样本输入所述预 测模型中对模型进行训练，得到最优输出权重；

所述样本数据的获取方法包括如下步骤：

S31、根据电池的数据构建锂电池的IC特性曲线；

本实施例采用某厂家2400mAh磷酸铁锂电池作为实验对象，根据产品规格书，该电池的 充电截止电压为3.7V，放电截止电压为3.2V，最大放电电流为5A。在室温条件下(25℃±2℃)， 对单体电池进行循环寿命性能测试。每个循环结束记录电池数据，获得近680次循环电池的 电压数据，包括电压数据、电流数据、温度数据、内阻数据和容量数据，生成IC曲线。如图 2所示；

S32、剔除所述IC特性曲线中的异常曲线，提取IC特性曲线中的三个峰值和相应状态的 SOH值；并对数据进行归一化处理，获取归一化结果信息；

本实施例使用最大最小归一化进行计算：

式中，X指当前IC曲线三个峰值和对应SOH样本的取值，X_min是当前IC曲线三个峰值和对应SOH样本的最小值，X_max是当前IC曲线三个峰值和对应SOH样本的最大值；

S33、对获取的数据进行数据清洗，将数据中严重偏离的数据点删除，删除点位置由前后 两个时刻的数据值进行线性插值求得；利用MATLAB软件对IC曲线数据峰值进行识别，提 取三个峰值并提取对应时刻SOH值；将IC特性曲线提取到的三个峰值归一化结果作为极限 学习机的输入，将锂电池SOH响应值作为其输出。

本实施例将600次循环的的数据集划分为训练集，剩下的80次循环的数据划分为测试集。

本实施例的模型为单隐含层神经网络，其训练的目的是使输出值的误差最小，即：

即存在β_i，W_i和α_i使得

设H为隐层节点的输出矩阵，β为输出权重矩阵，则上式可以表示为:Hβ＝T。此时网络等价于寻取最优的权值矩阵β，使得实际值与期望值差的平方和最小。依据广义逆理论， 其解为：

式中，H⁺是矩阵H的广义逆矩阵，可以通过正交投影法或奇异值分解法解析得到；

所述的训练跟踪值与训练输出集的均方差适应度函数表示形式为：

式中s_i为实际值，t_i为预测值，N为样本个数；

将极限学习机输入端随机给定的输入权重和偏置作为寻优对象，并将训练跟踪值与训练 输出集的均方差作为适应度函数。

本实施例采用的样本通过充放电实验获取，但在实际应用过程中，样本的获取可以通过 已有电池数据作为样本，或电池管理系统中存储的相关电池数据作为样本，使本申请适用范 围更为广泛。

S4、将测试数据输入到ELM预测模型中，得到最优的ELM预测模型，得到预测结果，根据真实数据评估SOH预测模型的性能。

为了更直观的验证锂电池SOH的预测效果，将基于FWA优化的极限学习机预测获得的 磷酸铁锂电池SOH预测值和未经优化的极限学习机SOH预测值绘制于同一幅图中，并将其 对于实际SOH预测值的误差曲线进行绘制，如图3和图4所示。从图3可以看出依靠极限学习机对电池SOH进行预测的数值在前期预测中明显具有较大的误差，这是由于输入层权值和 隐含层偏差不稳定导致的误差，由烟花算法优化后的极限学习机算法对电池SOH的预测非常 接近，能较好的对锂离子电池SOH进行更好的预测。从图4可以看出ELM的误差上下波动 较大，最大误差在0.06附近左右，但经过烟花算法优化的ELM算法对SOH的预测明显误差降低，且波动较小，最大误差不超过0.035，说明其对SOH具有较好的预测效果，统计结果 表明基于FWA优化学习机的锂电池SOH的预测误差在1.9％左右，说明通过基于FWA优化 学习机的锂电池SOH的预测，预测健康状态稳定性较好，证明了该方法的可行性，得到了高 可靠性的锂离子电池健康状态SOH。

综上可见，本发明采用了FWA优化的极限学习机对锂电池健康状态SOH进行预测，通 过采取与锂电池SOH密切相关的IC特性曲线的三个典型峰值，作为预测锂电池健康状态SOH 的健康因子，利用三个峰值的变化来表征锂电池SOH的变化，为准确与快速修正健康因子与 锂电池SOH之间的变化关系，更进一步的利用健康因子的变化预测出下一阶段的锂电池健康 状态SOH，构建基于FWA优化的极限学习机锂电池健康状态SOH预测模型，利用烟花算法 FWA优化极限学习机的输入权值和隐含层偏差，达到优化输出权值的目的，进而达到提高锂 电池健康状态SOH的预测精度；该方法是基于数据驱动的方法，避免了构建电池物理等效模 型的繁琐操作而导致的较大误差，与现有直接利用健康因子对SOH进行线性拟合映射或数据 驱动的方法相比；本发明能够准确的对实时非线性变化的锂电池健康状态SOH进行准确的预 测，预测运算速度更快且提高了健康因子与锂电池SOH之间的变化对应关系，进而提高了估 计精度。

以上实施例为基于FWA优化学习机的锂电池SOH的预测方法，本发明可以不拘泥于磷 酸铁锂电池，应用于其他锂电池IC特性曲线提取的健康因子也预测出准确锂电池SOH。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技 术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡 所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等 效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (7)

1.一种基于FWA优化极限学习机的锂电池SOH预测方法，其特征在于，包括如下步骤：

S1、建立基于极限学习机的锂电池SOH预测模型；

S2、采用FWA优化算法优化所述预测模型中的输入权值和隐含层偏置；

S3、获取样本数据，所述样本数据划分为训练样本和测试样本，将训练样本输入所述预测模型中对模型进行训练；

S4、输入测试样本对训练好的预测模型进行验证。

2.根据权利要求1所述一种基于FWA优化极限学习机的锂电池SOH预测方法，其特征在于，步骤S1包括：

S11、建立SOH预测网络，包括输入层、隐含层和输出层，设定隐含层节点个数；

S12、计算SOH预测网络的输出为：

式中，X_i为输入层的变量值，O_i为网络输出，g(x)为极限学习机的激励函数，W_i＝[w_i1,w_i2...,w_in]^T为输入权值，β_i为输出权重，α_i是第i个隐含层单元的偏置，W_i·X_i表示W_i和X_i的内积。

3.根据权利要求1所述一种基于FWA优化极限学习机的锂电池SOH预测方法，其特征在于，步骤S2具体包括：

S21，初始化话烟花数目M，设定结束条件；

S22，计算适应度、爆炸幅度和火花数；

S23，更新烟花位置；

S24，利用高斯算法计算变异算子；

S25，在烟花、爆炸火花和变异火花中选择下一次迭代的烟花；选择策略采用轮盘赌的方式选择；

S26，判断是否满足结束条件，若满足，则选择最优个体作为SOH预测模型的输入权值和隐含层偏置，若不满足，则返回步骤S21重新选择。

4.根据权利要求3所述一种基于FWA优化极限学习机的锂电池SOH预测方法，其特征在于，所述爆炸幅度为：

每个烟花爆炸的火花的数目为：

式中w_i为第i个烟花产生的火花个数，m为限制火花总数的常数，y_max为种群中适应度最差的个体的适应度值，f(x_i)为个体x_i的适应度值，ε为防止出现零分母的极小常数，s_i为第i个烟花的爆炸范围，Z表示最大爆炸幅度，为常数，y_min为种群中适应度最好的个体的适应度值。

5.根据权利要求3所述一种基于FWA优化极限学习机的锂电池SOH预测方法，其特征在于，所述变异算子计算过程包括：

烟花爆炸过程中每个烟花爆炸后的火花数目限定为：

式中，

是第i个烟花可以产生的火花数量，round()是取整函数，a和是给定的常数，位移操作是烟花算法中烟花位置的操作；

火花位置为：

式中，random(0,A_i)表示在幅度A_i内生成的均匀随机数，

为烟花位置；

根据高斯变异公式计算变异算子，所述高斯变异公式为：

式中g表示服从均值和方差均为1的高斯分布，即g～N(1，1)，x_i ^k表示第i个体在第k维上的位置。

6.根据权利要求3所述一种基于FWA优化极限学习机的锂电池SOH预测方法，其特征在于，所述选择下一代种群的方法包括：

采用欧式距离d(x_i-y_i)用来度量任意两个体x_i和y_i之间的距离；

根据下式得到个体x_i与其他烟花距离之和：

式中，R(x_i)表示个体x_i与其他烟花距离之和，集合K是爆炸算子和高斯变异产生的火花的位置集合；

采用轮盘赌博方式的选择策略选择个体，每个个体被选择的概率用P(x_i)为：

选择离其他个体距离更远的个体具有更多的机会成为下一代个体，用以保证种群多样性。

7.根据权利要求1所述一种基于FWA优化极限学习机的锂电池SOH预测方法，其特征在于，所述样本数据的获取方法包括如下步骤：

S31、根据电池的数据构建锂电池的IC特性曲线；

S32、剔除所述IC特性曲线中的异常曲线，提取IC特性曲线中的三个峰值和相应状态的SOH值；并对数据进行归一化处理，获取归一化结果信息；

S33、根据归一化处理结果信息，将IC特性曲线提取到的三个峰值归一化结果作为极限学习机的输入，将锂电池SOH响应值作为其输出。

Images