CN113901721A - 基于鲸鱼优化算法的模型生成方法及数据预测方法 - Google Patents

基于鲸鱼优化算法的模型生成方法及数据预测方法 Download PDF

Info

Publication number
CN113901721A
CN113901721A CN202111185910.8A CN202111185910A CN113901721A CN 113901721 A CN113901721 A CN 113901721A CN 202111185910 A CN202111185910 A CN 202111185910A CN 113901721 A CN113901721 A CN 113901721A
Authority
CN
China
Prior art keywords
data
discharge
charge
voltage drop
self
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
CN202111185910.8A
Other languages
English (en)
Other versions
CN113901721B (zh
Inventor
刘征宇
何慧娟
黄威
王可晴
谢娟
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.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
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 Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN202111185910.8A priority Critical patent/CN113901721B/zh
Publication of CN113901721A publication Critical patent/CN113901721A/zh
Application granted granted Critical
Publication of CN113901721B publication Critical patent/CN113901721B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Secondary Cells (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了基于鲸鱼优化算法的模型生成方法及数据预测方法，模型生成方法包括：对多个锂离子电池进行soak实验和充放电循环实验，得到自放电压降数据和充放电曲线；从每个充放电曲线中提取动态特征，将将其与自放电压降数据进行灰色关联度分析，得到每个充放电曲线对应的数组，提取每个数组中特性相同的数据组合为目标数据；根据预设条件，将各目标数据划分为两类数据，并进行随机组合，得到多种组合数据；分别训练多个梯度提升模型，使用鲸鱼算法优化预测值和回归树数量，得到最终的预测模型。本发明用于模拟常规技术中的soak方法，只需对待测锂离子电池进行一次充放电实验，即可获取到该待测锂离子电池的自放电压降数据，省时省力，且精度较高。

Description

基于鲸鱼优化算法的模型生成方法及数据预测方法
技术领域
本发明涉及锂离子电池技术领域，特别是涉及基于鲸鱼优化算法的模型生成方法及数据预测方法。
背景技术
锂离子电池具有重量轻、高能量密度、高效率、优异的低温性能、低自放电率和长寿命等特点，因而被广泛应用于飞机、电动汽车、航天等各个领域。
通常，锂离子电池在规定环境下搁置一段时间，其容量发生自发损耗的现象称为锂离子电池的自放电现象，同一批生产的锂离子电池由于使用的材料与制程控制基本相同，当其中个别电池的自放电压降明显偏大时，很可能是其有内部杂质异物、隔膜翻折或毛刺刺穿隔膜等异常，从而使得锂离子电池内部产生了严重的微短路。
因此，锂离子电池出厂时普遍会进行soak实验，soak实验指的是将锂离子电池自然平放于静置托盘或侧放于静置筐中，记录一段时间内锂离子电池的电压变化量，通过锂离子电压的衰减以及两次测量电压的时间间隔，测定其自放电压降，然而，soak实验中测量电压的时间间隔一般为5～30天，其时间跨度很大，耗时耗力。
综上，现有技术中用于测试锂离子电池自放电压降的soak实验存在时间跨度大、耗时耗力的问题。
发明内容
鉴于以上现有技术的缺点，本发明的目的在于提供一种基于鲸鱼优化算法的模型生成方法及数据预测方法，以改善现有技术中采用soak获取锂离子电池自放电压降的方法存在时间跨度大、耗时耗力的问题。
为实现上述目的及其他相关目的，本发明提供一种基于鲸鱼优化算法的模型生成方法，所述模型生成方法包括：
对多个锂离子电池分别进行soak实验和充放电循环实验，得到相应的自放电压降数据和充放电曲线；
从每个所述充放电曲线中提取多个动态特征，将各所述动态特征与所述自放电压降数据进行灰色关联度分析，得到每个充放电曲线对应的数组，提取每个数组中特性相同的数据并组合为目标数据；
根据预设条件，将各目标数据划分为两类数据，从每个所述目标数据中任选一类数据进行随机组合，得到多种组合数据；
根据多种所述组合数据，分别训练多个梯度提升模型，并使用鲸鱼算法优化所述梯度提升模型的预测精度和回归树数量，得到训练好的多个预测模型。
在本发明一实施例中，所述从每个所述充放电曲线中提取多个动态特征，将各所述动态特征与所述自放电压降数据进行灰色关联度分析，得到每个充放电曲线对应的数组，提取每个数组中特性相同的数据并组合为目标数据的步骤包括：
针对每个所述充放电曲线，从中提取多个动态特征；
将每个所述充放电曲线的所述动态特征与对应的所述自放电压降数据进行灰色关联度分析，得到关联程度最高的多种目标特征；
对每个所述充放电曲线的目标特征进行标准化，得到所述数组；
提取每个所述数组中特性相同的数据并组合为目标数据。
在本发明一实施例中，多个所述动态特征包括预充浓差极化、预放浓差极化和预放电压降中的至少一项。
在本发明一实施例中，所述根据预设条件，将各目标数据划分为两类数据，从每个所述目标数据中任选一类数据进行随机组合，得到多种组合数据的步骤包括：
根据每种所述目标数据对应的预设条件，将符合所述预设条件的目标数据作为第一类数据，不符合的作为第二类数据；
从每个所述目标数据中任选一类数据进行随机组合，得到多种组合数据。在本发明一实施例中，所述根据多种所述组合数据，分别训练多个梯度提升模型，并使用鲸鱼算法优化所述梯度提升模型的预测精度和回归树数量，得到训练好的多个预测模型的步骤包括：
判断每种所述组合数据中包含的数据数量是否达到预设的数量阈值，若否，则进行赋值处理；
针对每类组合数据：
将其按照预设的比例划分为训练集、验证集和测试集；
根据所述训练集训练梯度提升模型，得到训练好的梯度提升模型：
L(t)＝∑il(yi，yi)+γT+0.5×λ||ω||2
其中，l(yi，yi)表示损失函数，且l(yi，yi)＝(l[yi，yi (t-1)]+gift(xi)+0.5×hift 2(xi))，其中，yi (t-1)表示所述训练集中第i个样本在所述梯度提升模型的第t-1颗回归树中得到的预测值，t-1∈K，K表示所述梯度提升模型中回归树的总数，gi表示所述损失函数的一阶梯度，且
Figure BDA0003299197590000031
hi表示所述损失函数的二阶梯度，且
Figure BDA0003299197590000032
γT表示L1正则项，T表示回归树的叶子节点的数量，λ||ω||2表示L2正则项，ω表示叶子权重，λ和γ表示惩罚系数；
根据所述验证集，采用鲸鱼算法优化所述梯度提升模型中的预测值和回归树的总数，得到优化后的梯度提升模型；
将所述测试集输入优化后的梯度提升模型，得到对应的预测自放电压降数据，当所述预测自放电压降数据符合自放电压降数据的概率达到预设的阈值时，将所述梯度提升模型确定为所述预测模型。
在本发明一实施例中，所述赋值处理的步骤包括：
随机从预设赋值范围中选取一个数值作为所述组合数据中的数据对应的模拟自放电压降数据；
针对当前组合数据中的数据，计算所述模拟自放电压降数据与对应的自放电压降数据的均方根误差；
将均方根误差最小时对应的模拟自放电压降数据作为当前一类组合数据的预测自放电压降数据。
本发明还公开了一种基于鲸鱼优化算法的模型生成系统，采用上述模型生成方法，所述模型生成系统包括：
处理模块，用于对多个锂离子电池分别进行soak实验和充放电循环实验，得到相应的自放电压降数据和充放电曲线；
目标数据获取模块，用于从每个所述充放电曲线中提取多个动态特征，将各所述动态特征与所述自放电压降数据进行灰色关联度分析，得到每个充放电曲线对应的数组，提取每个数组中特性相同的数据并组合为目标数据；
组合数据获取模块，用于根据预设条件，将各目标数据划分为两类数据，从每个所述目标数据中任选一类数据进行随机组合，得到多种组合数据；
预测模型生成模块，用于根据多种所述组合数据，分别训练多个梯度提升模型，得到训练好的多个预测模型。
本发明还公开了一种计算机设备，包括处理器，所述处理器和存储器耦合，所述存储器存储有程序指令，当所述存储器存储的程序指令被所述处理器执行时实现上述模型生成方法。
本发明还公开了一种计算机可读的存储介质，包括程序，当其在计算机上运行时，使得计算机执行上述模型生成方法。
本发明还公开了一种数据预测方法，其特征在于，采用上述模型生成方法得到的预测模型，所述预测方法包括：
对待测锂离子电池进行充放电实验，并建立充放电曲线；
根据所述充放电曲线，处理得到一个数组；
判断所述数组中的每个数据是否符合对应的预设条件，并根据判断结果进行标记；
根据标记的结果，判断所述数组是否存在有对应的预测模型：若是，则将所述数组中的数据输入匹配到的预测模型，得到所述待测锂离子电池的预测自放电压降数据；若否，则直接获取到预测自放电压降数据。
本发明提供的基于鲸鱼优化算法的模型生成方法及数据预测方法用于模拟常规技术中的soak方法，只需对待测锂离子电池进行一次充放电实验，即可预测得到该待测锂离子电池的自放电压降数据，省时省力；在模型训练过程中，采用预设的多个预设范围，将充放电实验中获取到的几种目标数据标记为正常数据或异常数据，并将每种目标数据的正/异常数据与其余种目标数据的正/异常数据进行随机组合，分别训练梯度提升模型，进一步使用鲸鱼优化算法对梯度提升模型进行优化，使得最终得到的预测自放电压降数据精度较高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1显示为本发明的基于鲸鱼优化算法的模型生成方法于一实施例中的流程示意图。
图2显示为本发明的基于鲸鱼优化算法的模型生成系统于一实施例中的结构示意图。
图3显示为本发明的计算机设备于一实施例中的结构示意图。
图4显示为本发明的数据预测方法于一实施例中的流程示意图。
元件标号说明
100、模型生成系统；
110、处理模块；
120、目标数据获取模块；
130、组合数据获取模块；
140、预测模型生成模块；
200、计算机设备；
210、处理器；
220、存储器。
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它优点与功效。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。还应当理解，本发明实施例中使用的术语是为了描述特定的具体实施方案，而不是为了限制本发明的保护范围。下列实施例中未注明具体条件的试验方法，通常按照常规条件，或者按照各制造商所建议的条件。
请参阅图1至图4。须知，本说明书附图所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容所能涵盖的范围内。同时，本说明书中所引用的如“上”、“下”、“左”、“右”、“中间”及“一”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。
当实施例给出数值范围时，应理解，除非本发明另有说明，每个数值范围的两个端点以及两个端点之间任何一个数值均可选用。除非另外定义，本发明中使用的所有技术和科学术语与本技术领域的技术人员对现有技术的掌握及本发明的记载，还可以使用与本发明实施例中所述的方法、设备、材料相似或等同的现有技术的任何方法、设备和材料来实现本发明。
锂离子电池是一种二次可充电电池，主要依靠锂离子在正负极之间来回移动来工作，在充放电过程中，Li+在两个电极之间往返嵌入和脱嵌充电时，Li+从正极脱嵌，经过电解质嵌入负极，负极处于富锂状态，放电时则相反。
锂系电池分为锂电池和锂离子电池。手机和笔记本电脑使用的都是锂离子电池，通常人们俗称其为锂电池。电池一般采用含有锂元素的材料作为电极，是现代高性能电池的代表。而真正的锂电池由于危险性大，很少应用于日常电子产品。本实施例针对锂离子电池进行自放电压降数据的预测模型的生成。
请参阅图1，显示为本实施例中的基于鲸鱼优化算法的模型生成方法的流程示意图，该模型生成方法包括：
步骤S100：对多个锂离子电池分别进行soak实验和充放电循环实验，得到相应的自放电压降数据和充放电曲线；
本实施例对多个锂离子电池进行充放电循环实验，采集每次充放电过程中的电压数据以建立每次充放电循环实验对应的充放电曲线；充放电实验结束后将这些锂离子电池静置，随后进行soak实验得到每个锂离子电池对应的自放电压降数据。
在本实施例的充放电循环实验中，锂离子电池首先以50A的恒定电流充电5s，静置5s后，以50A恒定电流放电5s。然后以150A的恒定电流充电60s，静置后，再以300A的恒定电流放电30s；每一次采集电压数据的采样间隔为100ms；且为了后续采集数据的准确性，每次充放电过程之间，需将锂离子电池静置一段时间，例如静置24小时。
在步骤S100中，每个锂离子电池得到一条对应的充放电曲线。
步骤S200：从每个充放电曲线中提取多个动态特征，将各动态特征与自放电压降数据进行灰色关联度分析，得到每个充放电曲线对应的数组，提取每个数组中特性相同的数据并组合为目标数据。
步骤S200包括：
针对每个充放电曲线，从中提取多个动态特征；将每个充放电曲线的动态特征与对应的自放电压降数据进行灰色关联度分析，得到关联程度最高的多种目标特征；对每个充放电曲线的目标特征进行标准化，得到数组；提取每个数组中特性相同的数据并组合为目标数据。
在本实施例中，从每条充放电曲线中提取到多个动态特征，针对多个动态特征，采用灰色关联度分析得到各个动态特征的发展曲线和soak实验中获取到的自放电压降数据的发展曲线最相似的三个目标特征，随后将三个目标特征进行标准化，得到一个数组，该数组中存在三个标准化后的目标特征，从所有充放电曲线对应的数组中，提取特性相同的数据，得到三种目标数据。
此处的灰色关联度分析方法是指对锂离子电池的自放电压降数据的发展变化态势的定量描述和比较的方法，其基本思想是通过确定动态特征和soak实验得出的自放电压降数据的几何形状相似程度来判断其联系是否紧密，它反映了曲线间的关联程度。若某个动态特征变化的趋势与自放电压降数据的变化趋势具有一致性，即同步变化程度很高，即可谓二者关联程度较高，反之，则较低。
例如，与充放单曲线中的电压数据关联度最大的三个目标特征分别是：预充浓差极化、预放浓差极化、预放电压降。
每个锂离子电池经过充放电实验获得一条充放电曲线，每条充放电曲线在步骤S200中得到三种目标数据，所有锂离子电池的目标数据形成一个集合，在该集合中，所有目标数据可以被分为三类，且每类目标数据中包含有多个元素，元素的数量等于锂离子电池的数量。
步骤S300：根据预设条件，将各目标数据划分为两类数据，从每个目标数据中任选一类数据进行随机组合，得到多种组合数据；
步骤S300具体包括：根据每种目标数据对应的预设条件，将符合预设条件的目标数据作为第一类数据，不符合的作为第二类数据；从每个目标数据中任选一类数据进行随机组合，得到多种组合数据。
在本实施例中，上述集合中包括的三类目标数据分别对应有一个预设条件，该预设条件可以为一个预设范围，针对每类目标数据，将符合预设范围的元素标记为正常数据，即第一类数据，将不符合预设范围的元素标记为异常数据，即第二类数据，从每种目标数据中任选一类数据进行随机组合，得到多种组合数据；例如，第一类目标数据中包含的正常数据、第二类目标数据中包含的正常数据和第三类目标数据中包含的正常数据组合得到一种组合数据，按照此组合方式，共计能够得到八种组合数据，具体组合情况如下：
表1：八种组合数据内容
Figure BDA0003299197590000091
其中，1表示正常数据，0表示异常数据。
步骤S400：根据多种组合数据，分别训练多个梯度提升模型，并使用鲸鱼算法优化梯度提升模型的预测精度和回归树数量，得到训练好的多个预测模型。
步骤S400具体包括：
判断每种组合数据中包含的数据数量是否达到预设的数量阈值，若否，则进行赋值处理；若是，则针对每类组合数据，将其按照预设的比例划分为训练集、验证集和测试集；根据训练集训练梯度提升模型，得到训练好的梯度提升模型；根据验证集，采用鲸鱼算法优化梯度提升模型中的回归树的总数，得到优化后的梯度提升模型；将测试集输入优化后的梯度提升模型，得到对应的预测自放电压降数据，当预测自放电压降数据符合自放电压降数据的概率达到预设的阈值时，将梯度提升模型确定为预测模型。
具体的，将一类组合数据划分为训练集、验证集和测试集的过程是随机的。
数量阈值例如可以为50。
在本实施例中，赋值处理的步骤包括：
随机从预设赋值范围中选取一个数值作为组合数据中的数据对应的模拟自放电压降数据；针对当前组合数据中的数据，计算模拟自放电压降数据与对应的自放电压降数据的均方根误差；将均方根误差最小时对应的模拟自放电压降数据作为当前一类组合数据的预测自放电压降数据。
赋值范围例如可以为[0，200]，数据数量小于50的组合数据不用进行梯度提升模型的训练和优化，直接将均方根误差最小时对应的模拟自放电压降数据作为该类组合数据的预测自放电压降数据。
而对于数据数量大于50的组合数据，在本实施例中，梯度提升(Extreme GradientBoosting，XGBoost)模型的建立过程如下：
以一类组合数据为例，设其为数据集Q＝{(xi，yi)||Q|＝n，xi∈Rm，yi∈R}，其中，Q的大小为n×m，n为该类组合数据中数据的总数，m为3，表示存在三种目标特征，xi表示数据集Q中的第i个数据，yi表示数据集Q中的第i个数据对应的自放电压降数据的预测值。
首先，建立梯度提升模型中回归树的模型：
Figure BDA0003299197590000101
其中，yi k表示第k棵回归树得到的预测值；
Figure BDA0003299197590000102
Figure BDA0003299197590000103
是梯度提升模型中的回归树函数空间，T表示当前回归树的叶子节点的数量；q表示当前回归树的结构；ω表示当前回归树的叶子权重；fk与每一棵回归树的结构q和权重ω相关联，fk将每个输入的样本xi映射到相应的叶子索引中，
Figure BDA0003299197590000104
是索引为q(xi)的叶子节点的权重值；eta表示梯度提升模型的学习率。
进一步的，若要学习函数集合ψ，则需通过最小化正则目标函数，即本实施例中的梯度提升模型的目标函数：
L(t)＝∑il(yi，yi)+γT+0.5×λ||ω||2
其中，l(yi，yi)表示损失函数，γT表示L1正则项，λ||ω||2表示L2正则项，ω表示叶子权重，λ和γ表示惩罚系数；
具体的，L1正则项用于特征选择、限制叶子节点的数量，可以产生稀疏权值矩阵，L1正则项和L2正则项都可以防止模型过拟合。
将损失函数l(yi，yi)通过二阶泰勒展开的方式进行优化：
Figure BDA0003299197590000111
其中，yi (k-1)表示训练集中第i个样本在梯度提升模型的第k-1颗回归树中得到的预测值，k-1∈K，K表示梯度提升模型中回归树的总数，gi表示损失函数的一阶梯度，且
Figure BDA0003299197590000112
hi表示损失函数的二阶梯度，且
Figure BDA0003299197590000113
针对某一棵回归树，计算其叶子节点的叶子权重：
Figure BDA0003299197590000114
其中，wj表示第j个叶子结点的叶子权重，Ij表示被分到第j个叶子节点的样本集合，计算该回归树结构的损失函数：
Figure BDA0003299197590000115
其中l*(q)表示当前回归树结构的损失函数，一般的，l*(q)越小，代表当前回归树结构越好，此时采用贪心算法将该回归树的叶子结点中的样本进行划分，得到左节点IjL和右节点IjR，即Ij＝IjL∪IjR，将划分后的样本带入损失函数l*(q)，得到：
Figure BDA0003299197590000116
根据上述方法，能够得到梯度提升模型中所有回归树的损失函数，据此能够获得待训练的梯度提升模型。
此时将训练集输入该待训练的梯度提升模型，得到训练好的梯度提升模型。
本实施例中，采用鲸鱼优化算法优化梯度提升模型中的预测值和回归树的总数，其中预设值的表达式为：
yi k＝yi k-1+etafk(xi)
因此实际上，鲸鱼优化算法优化的是梯度提升模型中的学习率。
在根据验证集，采用鲸鱼优化算法优化梯度提升模型中的预测值和回归树的总数，得到优化后的梯度提升模型的步骤之前，首先需鲸鱼优化算法的原理，其包括三种行为模式，包括：
包围目标猎物：座头鲸在狩猎中可以通过识别目标猎物位置调整自身位置将其包围。在包围过程中，以当前距离目标猎物最近的个体座头鲸位置为当前最优解位置，其他座头鲸个体动态更新它们的位置向最优座头鲸位置靠近，包围目标猎物。该行数学模型为
D＝|CX*(t)-X(t)|
X(t+1)＝X*(t)-AD
其中，D为最优个体位置与当前个体位置的距离；X*(t)为当前最优解的位置向量；X(t)为当前解的位置向量；t为当前迭代；A和C为参数向量，其具体数学表达式分别为
A＝2ar1-a
C＝2r2
其中，r1与r2为值在[0,1]中的随机向量；a为迭代搜索中从2线性减小到0的参数，其数学表达式为:
Figure BDA0003299197590000121
式中，tmax为最大迭代次数。
螺旋泡泡网攻击:座头鲸的螺旋泡泡网攻击方式是按照收缩包围与螺旋前进对自身位置进行更新逐渐靠近猎物并发动攻击，螺旋式位置更新表示为：
X(t+1)＝D′eblcos(2πl)+X*(t)
式中，l为[0,1]之间的随机数；b为常数参数。D′＝|X*(t)-X(t)|代表第i头鲸鱼群体位于最好位置与其所需捕获地点两者之间的距离。鲸鱼在实际捕猎过程中，还需要不断包围收缩。鲸鱼采用二分之一的几率实现位置更新，其表达式为：
Figure BDA0003299197590000131
式中，p代表任意数，一直位于[0,1]范围之内。
搜索目标猎物:座头鲸除了利用螺旋泡泡网搜索目标猎物外，还会根据个体间彼此的位置进行随机游走寻找猎物。当随机控制参数|A|≥1时会迫使个体鲸鱼远离最优鲸鱼个体，根据随机选中的个体鲸鱼位置进行位置更新，执行全局探索；当|A|＜1时，选择最优鲸鱼个体位置更新各鲸鱼个体位置，执行局部搜索，根据p值，在螺旋运动和圆环包围猎物运动之间进行切换。数学模型为
D＝|CXrand(t)-X(t)|
X(t+1)＝Xrand(t)-AD
式中，Xrand为座头鲸群体中被随机选中的个体的位置向量。
则在本实施例中，根据验证集，采用鲸鱼优化算法优化梯度提升模型中的回归树的总数，得到优化后的梯度提升模型的步骤包括：
初始化参数：设置初始化鲸鱼种群大小SN为50、学习率eta和回归树总数K的初始数值，并设置重复更新次数M＝500次。
适应度计算：计算每头鲸鱼相适应的适应度值，并对其进行排序，将适应度值最小的数据作为目前种群中的最优位置，并对其进行保存。
进一步判断当前的更新次数，若小于或等于M，则对上述鲸鱼优化算法中的A、C、a、l、p的值进行更新。
若此时p小于0.5，且|A|＜1，则根据下式对当前鲸鱼个体的空间位置进行更新；
D＝|CX*(t)-X(t)|
X(t+1)＝X*(t)-AD
若此时p小于0.5，且|A|≥1，则从鲸鱼群体中任意选择Xrand，作为鲸鱼群体所处地点，并根据下式对鲸鱼群体的空点地点进行实施更改：
X(t+1)＝Xrand(t)-AD
若此时p大于或等于0.5，则根据下式对当前鲸鱼个体的空间地点进行更新；
X(t+1)＝D′eblcos(2πl)+X*(t)
进一步的，对每一鲸鱼群体的适应程度进相关计算，然后寻找出X*，此X*指鲸鱼群体最优群体，并对其进行储存，并判断此时t是否达到M，若是，则输出最优鲸鱼群体适应程度与相应的空间地点X*，并输出XGBoost模型中学习率eta和回归树的个数K的最优参数；若否，则继续进行迭代直到t达到M。
根据鲸鱼优化算法，得到优化后的学习率eta和回归树的个数K，此时将测试集中的数据输入XGBoost模型中，得到对应的预测自放电压降数据，根据最开始的soak实验中得到的自放电压降数据，处理得到当前XGBoost模型的预测精度，优选地，该预测精度为预测自放电压降数据与soak实验中得到的自放电压降数据符合的目标数据的数量占测试集中数据的总数的百分比，若该预测精度达到预设的阈值，则将当前的XGBoost模型作为预测模型，若未达到，则继续进行XGBoost模型的训练和优化。
请参阅图2，本实施例还提供了一种基于鲸鱼优化算法的模型生成系统100，采用上述模型生成方法，该模型生成系统包括：
处理模块110，用于对多个锂离子电池分别进行soak实验和充放电循环实验，得到相应的自放电压降数据和充放电曲线；
目标数据获取模块120，用于从每个所述充放电曲线中提取多个动态特征，将各所述动态特征与所述自放电压降数据进行灰色关联度分析，得到每个充放电曲线对应的数组，提取每个数组中特性相同的数据并组合为目标数据；
组合数据获取模块130，用于根据预设条件，将各目标数据划分为两类数据，从每个目标数据中任选一类数据进行随机组合，得到多种组合数据；
预测模型生成模块140，用于根据多种组合数据，分别训练多个梯度提升模型，得到训练好的多个预测模型。
请参阅图3，本实施例还提出了一种计算机设备200，该计算机设备200包括处理器210和存储器220，处理器210和存储器220耦合，存储器220存储有程序指令，当存储器220存储的程序指令被处理器210执行时实现上述模型生成方法。处理器210可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件；所述存储器220可能包含随机存取存储器(Random AccessMemory，简称RAM)，也可能还包括非易失性存储器(Non-Volatile Memory)，例如至少一个磁盘存储器。所述存储器220也可以为随机存取存储器(Random Access Memory，RAM)类型的内部存储器，所述处理器210、存储器220可以集成为一个或多个独立的电路或硬件，如：专用集成电路(Application Specific Integrated Circuit，ASIC)。需要说明的是，上述的存储器520中的计算机程序可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，电子设备，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。
本实施例还提出一种计算机可读的存储介质，所述存储介质存储有计算机指令，所述计算机指令用于使计算机执行上述的自放电压降预测模型生成方法。存储介质可以是电子介质、磁介质、光介质、电磁介质、红外介质或半导体系统或传播介质。存储介质还可以包括半导体或固态存储器、磁带、可移动计算机磁盘、随机存取存储器(RAM)、只读存储器(ROM)、硬磁盘和光盘。光盘可以包括光盘-只读存储器(CD-ROM)、光盘-读/写(CD-RW)和DVD。
请参阅图4，本发明还提供一种数据预测方法，采用基于鲸鱼优化算法的模型生成方法得到的预测模型及多个预测自放电压降数据，预测方法包括：
SS100、对待测锂离子电池进行充放电实验，并建立充放电曲线；
SS200、根据所述充放电曲线，处理得到一个数组；
SS300、判断所述数组中的每个数据是否符合对应的预设条件，并根据判断结果进行标记；
SS400、根据标记的结果，判断所述数组是否存在有对应的预测模型：若是，则将所述数组中的数据输入匹配到的预测模型，得到所述待测锂离子电池的预测自放电压降数据；若否，则直接获取到预测自放电压降数据。
步骤SS200-步骤SS400中数据处理与判断的过程请参考前文中的步骤200-步骤400，在此不再赘述。
本发明提供的基于鲸鱼优化算法的模型生成方法及数据预测方法用于模拟常规技术中的soak方法，只需对待测锂离子电池进行一次充放电实验，即可预测得到该待测锂离子电池的自放电压降数据，省时省力；在模型训练过程中，采用预设的多个预设范围，将充放电实验中获取到的几种目标数据标记为正常数据或异常数据，并将每种目标数据的正/异常数据与其余种目标数据的正/异常数据进行随机组合，分别训练梯度提升模型，进一步使用鲸鱼优化算法对梯度提升模型进行优化，使得最终得到的预测自放电压降数据精度较高。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
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 (10)

1.一种基于鲸鱼优化算法的模型生成方法，其特征在于，所述模型生成方法包括：
对多个锂离子电池分别进行soak实验和充放电循环实验，得到相应的自放电压降数据和充放电曲线；
从每个所述充放电曲线中提取多个动态特征，将各所述动态特征与所述自放电压降数据进行灰色关联度分析，得到每个充放电曲线对应的数组，提取每个数组中特性相同的数据并组合为目标数据；
根据预设条件，将各目标数据划分为两类数据，从每个所述目标数据中任选一类数据进行随机组合，得到多种组合数据；
根据多种所述组合数据，分别训练多个梯度提升模型，并使用鲸鱼算法优化所述梯度提升模型的预测值和回归树数量，得到训练好的多个预测模型。
2.根据权利要求1所述的模型生成方法，其特征在于，所述从每个所述充放电曲线中提取多个动态特征，将各所述动态特征与所述自放电压降数据进行灰色关联度分析，得到每个充放电曲线对应的数组，提取每个数组中特性相同的数据并组合为目标数据的步骤包括：
针对每个所述充放电曲线，从中提取多个动态特征；
将每个所述充放电曲线的所述动态特征与对应的所述自放电压降数据进行灰色关联度分析，得到关联程度最高的多种目标特征；
对每个所述充放电曲线的目标特征进行标准化，得到所述数组；
提取每个所述数组中特性相同的数据并组合为目标数据。
3.根据权利要求2所述的模型生成方法，其特征在于，多个所述目标特征包括预充浓差极化、预放浓差极化和预放电压降中的至少一项。
4.根据权利要求1所述的模型生成方法，其特征在于，所述根据预设条件，将各目标数据划分为两类数据，从每个所述目标数据中任选一类数据进行随机组合，得到多种组合数据的步骤包括：
根据每种所述目标数据对应的预设条件，将符合所述预设条件的目标数据作为第一类数据，不符合的作为第二类数据；
从每种所述目标数据中任选一类数据进行随机组合，得到多种组合数据。
5.根据权利要求1所述的模型生成方法，其特征在于，所述根据多种所述组合数据，分别训练多个梯度提升模型，并使用鲸鱼算法优化所述梯度提升模型的预测值和回归树数量，得到训练好的多个预测模型的步骤包括：
判断每种所述组合数据中包含的数据数量是否达到预设的数量阈值，若否，则进行赋值处理；
针对每种组合数据：
将其按照预设的比例划分为训练集、验证集和测试集；
根据所述训练集训练梯度提升模型，得到训练好的梯度提升模型：
L(t)＝∑il(yi，yi)+γT+0.5×λ||ω||2
其中，l(yi，yi)表示损失函数，且
Figure FDA0003299197580000021
Figure FDA0003299197580000022
其中，yi (t-1)表示所述训练集中第i个样本在所述梯度提升模型的第t-1颗回归树中得到的预测值，t-1∈K，K表示所述梯度提升模型中回归树的总数，gi表示所述损失函数的一阶梯度，且
Figure FDA0003299197580000023
hi表示所述损失函数的二阶梯度，且
Figure FDA0003299197580000031
γT表示L1正则项，T表示回归树的叶子节点的数量，λ||ω||2表示L2正则项，ω表示叶子权重，λ和γ表示惩罚系数；
根据所述验证集，采用鲸鱼算法优化所述梯度提升模型中的预测值和回归树的总数，得到优化后的梯度提升模型；
将所述测试集输入优化后的梯度提升模型，得到对应的预测自放电压降数据，当所述预测自放电压降数据符合自放电压降数据的概率达到预设的阈值时，将所述梯度提升模型确定为所述预测模型。
6.根据权利要求5所述的模型生成方法，其特征在于，所述赋值处理的步骤包括：
随机从预设赋值范围中选取一个数值作为所述组合数据中的数据对应的模拟自放电压降数据；
针对当前组合数据中的数据，计算所述模拟自放电压降数据与对应的自放电压降数据的均方根误差；
将均方根误差最小时对应的模拟自放电压降数据作为当前一类组合数据的预测自放电压降数据。
7.一种基于鲸鱼优化算法的模型生成系统，其特征在于，采用如权利要求1-6任意一项所述的模型生成方法，所述模型生成系统包括：
处理模块，用于对多个锂离子电池分别进行soak实验和充放电循环实验，得到相应的自放电压降数据和充放电曲线；
目标数据获取模块，用于从每个所述充放电曲线中提取多个动态特征，将各所述动态特征与所述自放电压降数据进行灰色关联度分析，得到每个充放电曲线对应的数组，提取每个数组中特性相同的数据并组合为目标数据；
组合数据获取模块，用于根据预设条件，将各目标数据划分为两类数据，从每个所述目标数据中任选一类数据进行随机组合，得到多种组合数据；
预测模型生成模块，用于根据多种所述组合数据，分别训练多个梯度提升模型，得到训练好的多个预测模型。
8.一种计算机设备，其特征在于，包括处理器，所述处理器和存储器耦合，所述存储器存储有程序指令，当所述存储器存储的程序指令被所述处理器执行时实现如权利要求1-6任意一项所述的模型生成方法。
9.一种计算机可读的存储介质，其特征在于，包括程序，当其在计算机上运行时，使得计算机执行如权利要求1-6任意一项所述的模型生成方法。
10.一种数据预测方法，其特征在于，采用如权利要求1-6任意一项所述的模型生成方法得到的预测模型及多个预测自放电压降数据，所述预测方法包括：
对待测锂离子电池进行充放电实验，并建立充放电曲线；
根据所述充放电曲线，处理得到一个数组；
判断所述数组中的每个数据是否符合对应的预设条件，并根据判断结果进行标记；
根据标记的结果，判断所述数组是否存在有对应的预测模型：若是，则将所述数组中的数据输入匹配到的预测模型，得到所述待测锂离子电池的预测自放电压降数据；若否，则直接获取到对应的预测自放电压降数据。
CN202111185910.8A 2021-10-12 2021-10-12 基于鲸鱼优化算法的模型生成方法及数据预测方法 Active CN113901721B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111185910.8A CN113901721B (zh) 2021-10-12 2021-10-12 基于鲸鱼优化算法的模型生成方法及数据预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111185910.8A CN113901721B (zh) 2021-10-12 2021-10-12 基于鲸鱼优化算法的模型生成方法及数据预测方法

Publications (2)

Publication Number Publication Date
CN113901721A true CN113901721A (zh) 2022-01-07
CN113901721B CN113901721B (zh) 2024-06-11

Family

ID=79191588

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111185910.8A Active CN113901721B (zh) 2021-10-12 2021-10-12 基于鲸鱼优化算法的模型生成方法及数据预测方法

Country Status (1)

Country Link
CN (1) CN113901721B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115840145A (zh) * 2022-11-29 2023-03-24 上海玫克生储能科技有限公司 电化学参数辨识方法、装置、设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110110930A (zh) * 2019-05-08 2019-08-09 西南交通大学 一种改进鲸鱼算法的循环神经网络短期电力负荷预测方法
CN111310788A (zh) * 2020-01-15 2020-06-19 广东奥博信息产业股份有限公司 基于参数优化的水体pH值预测方法
US20200303078A1 (en) * 2019-03-22 2020-09-24 Inflammatix, Inc. Systems and Methods for Deriving and Optimizing Classifiers from Multiple Datasets
WO2020191801A1 (zh) * 2019-03-27 2020-10-01 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
CN112734130A (zh) * 2021-01-21 2021-04-30 河北工业大学 一种双馈型风机主轴的故障预警方法
CN112834927A (zh) * 2021-01-06 2021-05-25 合肥工业大学 锂电池剩余寿命预测方法、系统、设备及介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200303078A1 (en) * 2019-03-22 2020-09-24 Inflammatix, Inc. Systems and Methods for Deriving and Optimizing Classifiers from Multiple Datasets
WO2020191801A1 (zh) * 2019-03-27 2020-10-01 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
CN110110930A (zh) * 2019-05-08 2019-08-09 西南交通大学 一种改进鲸鱼算法的循环神经网络短期电力负荷预测方法
CN111310788A (zh) * 2020-01-15 2020-06-19 广东奥博信息产业股份有限公司 基于参数优化的水体pH值预测方法
CN112834927A (zh) * 2021-01-06 2021-05-25 合肥工业大学 锂电池剩余寿命预测方法、系统、设备及介质
CN112734130A (zh) * 2021-01-21 2021-04-30 河北工业大学 一种双馈型风机主轴的故障预警方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
YINGUI QIU等: "Performance evaluation of hybrid WOA-XGBoost, GWO-XGBoost and BO-XGBoost models to predict blast-induced ground vibration", ENGINEERING WITH COMPUTERS, 22 April 2021 (2021-04-22) *
王茹;宋爽;贺佳;: "改进鲸鱼算法构建混合模型的建筑能耗预测", 计算机测量与控制, no. 02, 25 February 2020 (2020-02-25) *
纪广月;: "基于改进的混沌鲸鱼算法优化DBN的广东人口数量预测研究", 模糊系统与数学, no. 02, 15 April 2020 (2020-04-15) *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115840145A (zh) * 2022-11-29 2023-03-24 上海玫克生储能科技有限公司 电化学参数辨识方法、装置、设备及存储介质
CN115840145B (zh) * 2022-11-29 2023-07-25 上海玫克生储能科技有限公司 电化学参数辨识方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN113901721B (zh) 2024-06-11

Similar Documents

Publication Publication Date Title
CN113030764B (zh) 一种电池组健康状态估计方法及系统
CN112382352B (zh) 基于机器学习的金属有机骨架材料结构特征快速评估方法
CN110888058B (zh) 一种基于动力电池soc和soh联合估计的算法
CN113917337A (zh) 基于充电数据和lstm神经网络的电池健康状态估计方法
CN112269134A (zh) 一种基于深度学习的电池soc和soh联合估计方法
CN114047452B (zh) 一种确定电池循环寿命的方法及装置
Li et al. The lithium-ion battery state-of-charge estimation using random forest regression
CN112305441B (zh) 一种集成式聚类下的动力电池健康状态评估方法
CN112834927A (zh) 锂电池剩余寿命预测方法、系统、设备及介质
CN113076938A (zh) 一种结合嵌入式硬件信息的深度学习目标检测方法
CN113554200A (zh) 动力电池电压不一致性预测方法、系统及设备
CN113311337A (zh) 基于相关向量回归的锂离子电池剩余寿命检测方法
CN113901721B (zh) 基于鲸鱼优化算法的模型生成方法及数据预测方法
CN112036083A (zh) 一种相似产品剩余寿命预测方法及系统
CN117129875A (zh) 电池容量预测模型的训练和预测方法、系统、设备及介质
CN116029183A (zh) 一种基于iPSO-LSTM模型的动力电池温度预测方法
CN115656824A (zh) 基于cnn-lstm模型的锂电池核电状态预测方法
CN116224112A (zh) 一种基于XGBoost模型的电池阻抗谱频率重要性分析方法
CN114839542A (zh) 一种动力锂电池的样本数据集生成方法、soc估计方法
CN114186522A (zh) 一种混合电容器功率状态在线估计模型的构建方法及应用
CN113376541A (zh) 一种基于crj网络的锂离子电池健康状态预测方法
CN114295999A (zh) 一种基于间接健康指标的锂离子电池soh预测方法及系统
CN114462294A (zh) 一种两阶段代理模型辅助参数估计方法以及系统
CN109738807B (zh) 基于蚁群算法优化后的bp神经网络来估算soc的方法
CN116930769A (zh) 一种基于双向生成式对抗神经网络的锂电池建模方法

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