CN114781273A - 基于soa-lstm的电池剩余寿命的预测方法及装置 - Google Patents

基于soa-lstm的电池剩余寿命的预测方法及装置 Download PDF

Info

Publication number
CN114781273A
CN114781273A CN202210533528.XA CN202210533528A CN114781273A CN 114781273 A CN114781273 A CN 114781273A CN 202210533528 A CN202210533528 A CN 202210533528A CN 114781273 A CN114781273 A CN 114781273A
Authority
CN
China
Prior art keywords
battery
soa
lstm
neural network
lithium ion
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.)
Pending
Application number
CN202210533528.XA
Other languages
English (en)
Inventor
李然
李可欣
刘澎东
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.)
Harbin University of Science and Technology
Original Assignee
Harbin University of Science and 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 Harbin University of Science and Technology filed Critical Harbin University of Science and Technology
Priority to CN202210533528.XA priority Critical patent/CN114781273A/zh
Publication of CN114781273A publication Critical patent/CN114781273A/zh
Pending legal-status Critical Current

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
    • 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
    • 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]
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (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)

Abstract

基于SOA‑LSTM的电池剩余寿命的预测方法及装置，涉及电池剩余寿命预测领域。本发明为了解决现有技术无法对锂离子动力电池的剩余寿命精确地、快速地预测的问题。本发明获取锂离子动力电池的实时电池数据，并对所述实时信息进行预处理；将预处理后的实时信息输入SOA‑LSTM神经网络模型中，得到锂离子动力电池的可用容量；根据所述可用容量得到电池的剩余寿命。本发明实现了电池剩余寿命的精确预测。

Description

基于SOA-LSTM的电池剩余寿命的预测方法及装置
技术领域
本发明涉及电池剩余寿命预测领域，特别是涉及基于SOA-LSTM的电池剩余寿命的预测方法及装置。
背景技术
随着我国工业的迅速发展，当前对各种能源的需求仍在不断增长，由于储能技术的进步，使得一些新能源例如风能、水力发电的能源可以通过电能的形式储存起来。而锂离子电池由于存在着众多优点，例如较高的能量密度、较为稳定的电化学特性以及污染较少、循环寿命较长等，已经被广泛应用于民用、商用、军用等各个领域的能源设备中，并展现出了极为突出的优越性。在应用广泛的同时，锂离子电池在实际使用过程中，其安全性一直是非常重要的问题。当电池由于某种原因出现故障时，可能会导致其供电设备或相关系统的故障，从而增加成本。尤其是如果电动汽车的锂离子电池管理不当，会引起火灾和爆炸。作为各种工业系统的关键电源，锂离子电池缺陷通常会导致致命的系统故障。因此对锂离子电池的剩余寿命进行准确的预测并提前预警就显得非常重要，可以减少不必要的损失。
随着科技的不断进步，深度学习方法在相当多的领域内都得到了广泛的应用，深度学习的概念隶属于机器学习中，它对数据进行特征学习，并且能够自动获取特征而不必使用手工获取特征，它的结构受到生物的神经系统的启发，并且随着计算机硬件水平的不断发展，深度学习方法的效率也越来越高，近几年人工智能和深度学习的不断进步使得上述问题引入了新的数据驱动方法。深度神经网络、特别是卷积神经网络以及循环神经网络特别适合通过训练多层人工神经网络进行高复杂度的非线性拟合，并且对于诸如多电池RUL估计之类的复杂预测问题，可以实现更高的精度，从而提升电池系统的安全性和可用性，为电池系统的管理者和使用者提供极具使用价值的参考建议。
由此可见，准确地评估、预测锂离子电池的剩余寿命，在锂离子电池状态估计和健康管理中起着越来越重要的作用，能够在电池出现失效前及时调整工作状态，避免出现更严重的故障。随着相关领域对电池安全的要求越来越高，能够准确、快速的对锂电池的寿命预测不仅提高了相关领域的安全性，而且能够为相关领域节省大量的资金和时间，因此研究出能够准确预测锂离子电池剩余寿命的方法对其实际应用有着重大意义。
发明内容
为了解决上述问题，本发明提供了基于SOA-LSTM的电池剩余寿命的预测方法及装置，解决了现有技术中对于锂离子动力电池的剩余寿命预测精度低的问题。
本发明提供了一种基于SOA-LSTM的电池剩余寿命的预测方法，包括如下步骤：
S1、获取锂离子动力电池的实时电池数据，并对所述实时信息进行预处理；
S2、将预处理后的实时信息输入SOA-LSTM神经网络模型中，得到锂离子动力电池的可用容量；
S3、根据所述可用容量得到电池的剩余寿命。
进一步的，所述实时电池数据包括放电容量、循环次数、电池内阻和电池温度。
进一步的，所述SOA-LSTM神经网络的构建方法包括：
S21、获取锂离子动力电池的历史电池数据，并将其划分为训练集和测试集；
S22、建立LSTM神经网络，并初始化；
S23、通过SOA算法优化LSTM神经网络的超参数；
S24、利用训练集对优化后的LSTM神经网络进行训练，得到电池容量和电池数据的映射关系。
进一步的，所述超参数包括一般学习率、迭代次数和神经元个数。
进一步的，步骤S23包括：
S231、随机初始化每只海鸥的位置；
S232、评估每只海鸥位置，并得到全局最优；
S233、判断是否达结束条件，若是，输出最优的海鸥位置，若否，执行步骤S234；
S234、更新每只海鸥的迁徙和攻击位置；
S235、评估每只海鸥的函数适应度；
S236、更新每只海鸥的历史最优位置；
S237、更新每只海鸥群体的全局最优位置，并执行步骤S233。
进一步的，所述预处理采用最小最大标准化方法对数据进行归一化，加快最优解求解速度和提高精度，结果落于[0,1]区间，具体如下式所示：
Figure BDA0003643929560000021
进一步的，所述电池的放电容量通过下式计算：
Q＝∫Idt
其中，Q为电池放电容量，I为电池电流，t为电池从满充状态释放至当前状态的时间。
进一步的，步骤S3具体包括，根据容量预测曲线，得到电池达到电池失效阈值，所述电池失效阈值为电池容量达到额定容量的80％时的循环次数，根据下列公式计算出电池剩余寿命。
NRUL＝NEOL-NECL；
其中，NRUL为电池剩余充放电循环次数；NEOL为电池寿命，即当电池容量退化到失效阈值时电池的充放电次数；NECL为电池当前状态下经历的循环充放电周期数。
本发明提供了基于SOA-LSTM的电池剩余寿命的预测装置，包括：
数据获取单元，用以获取锂离子动力电池的实时电池数据，并对所述实时信息进行预处理；
神经网络单元，用以将预处理后的实时信息输入SOA-LSTM神经网络模型中，得到锂离子动力电池的可用容量；
估算单元，用以根据所述可用容量得到电池的剩余寿命。
如上所述，本发明提供的一种基于SOA-LSTM的电池剩余寿命的预测方法及装置，具有如下效果：
1.本申请基于长短期记忆神经网络和海鸥优化算法将长短期记忆神经网络模型参数作为海鸥优化算法的参数优化目标，来完成建模并预测锂离子动力电池的剩余寿命，解决了现有技术中不能精确的预测电池剩余寿命的问题。
2.本发明所述方法的训练模型简单，收敛速度快，提高计算结果速度，适用于预测锂离子动力电池的剩余寿命。
3.本发明采用LSTM(长短期记忆神经网络)算法，对长序列数据不仅具备更好的传递记忆功能，解决了循环神经网络反向梯度消失问题。
4.本发明采用海鸥优化算法，优化了长短期记忆神经网络算法超参数问题，减小了超参数调整困难、收敛速度慢等问题的影响。
5.本方法适用于各种电池的剩余寿命的预测方面，适用性广且硬件电路易实现，应用场合较多，结果具有精度高，计算速度快等优势。
综上可见，本发明中提出的一种基于改进的长短期记忆神经网络的锂离子动力电池寿命预测方法适用预测锂离子电池的剩余寿命结果较为准确，具有实用性。
附图说明
图1为本发明具体实施例的锂离子动力电池剩余寿命预测流程图；
图2为本发明具体实施例的改进的的长短期记忆神经网络流程图；
图3为本发明具体实施例的一个长短期记忆神经网络单元图；
图4为本发明具体实施例的海鸥优化算法原理图；
图5为本发明具体实施例的电池估算剩余容量图；
图6为本发明具体实施例的LSTM和改进模型的误差绝对值对比图。
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。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图示中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
如图1所示，本发明提供了一种基于SOA-LSTM的电池剩余寿命的预测方法，所述电池为锂离子动力电池，包括磷酸铁锂电池、钴酸锂电池或锰酸锂电池；所述锂离子动力电池形状包括方形、圆柱形、软包方形和塑壳方形。
包括如下步骤：
S1、获取锂离子动力电池的实时电池数据，并对所述实时信息进行预处理；
实时电池数据包括电池的循环次数、放电电池温度和电池内阻，由于循环次数、放电电池温度和电池内阻为原始数据，类型不同，较难处理，因此，必须将数进行归一化处理，转化到统一参考系下，本实施例的预处理方法采用最小最大标准化方法对数据进行归一化，可以加快最优解求解速度和提高精度，其结果落于[0,1]区间，具体如下式所示：
Figure BDA0003643929560000041
其中，Xi、Xinew分别为归一化前、后的数据，Xmax、Xmin分别为归一化前数据的最大值和最小值。
S2、将预处理后的实时信息输入SOA-LSTM神经网络模型中，得到锂离子动力电池的可用容量，所述SOA-LSTM神经网络模型通过如下方法构建：
S21、获取锂离子动力电池的历史电池数据，并将其划分为训练集和测试集；
所述电池的历史数据包括锂离子动力电池的放电容量、循环次数、电池内阻以及温度，随机从数据中选取30％的数据作为测试集，其余作为训练集。其中循环次数、放电电池温度、电池内阻为SOA-LSTM神经网络模型的输入变量，电池的可用容量为输出变量。
所述电池的放电容量通过下式计算：
Q＝∫Idt
其中，Q为电池放电容量，I为电池电流，t为电池从满充状态释放至当前状态的时间。
S22、建立LSTM神经网络，并初始化；
长短期记忆神经网络(LSTM)算法，对长序列数据不仅具备更好的传递记忆功能，解决了循环神经网络反向梯度消失问题，本实施例所述LSTM神经网络包括遗忘门、输入门和输出门，遗忘门决定从单元状态中去除哪些信息，输出门在同时输出单元状态和隐藏状态给下一层以及输入门将旧的单元状态更新为新的单元状态；
所述遗忘门ft的计算公式如下：
ft＝σ(Wf[ht-1,xt]+bf)；
其中，ft为遗忘层的输出，xt为t时刻单元的输入信息，ht-1表示t-1时刻单元的输出信息，σ为sigmoid激活函数，W表示权重矩阵，bf表示偏差矩阵，经过遗忘层结构，实现了去除冗余数据，保留长时间依赖关系的记忆。
所述输入门it的计算公式如下：
it＝σ(Wi[ht-1,xt]+bi)；
Figure BDA0003643929560000051
Figure BDA0003643929560000052
其中，Wi和Wc分别为输入门的两个权重矩阵，bi、bc分别为输入门偏置，
Figure BDA0003643929560000053
表示t时刻的暂时单元细胞状态，Ct表示t时刻的单元细胞状态；
所述输出门ot的计算公式如下：
Figure BDA0003643929560000054
ot＝σ(Wo[ht-1,xt]+bo)；
ht＝ot*tanh(Ct)；
其中，ht表示t时刻的LSTM单元输出信息。
所述LSTM神经网络的超参数一般学习率α、迭代次数η和神经元个数n会对模型的拟合能力产生很大影响，因此，本实施例采用海鸥算法(SOA)对LSTM神经网络的上述超参数进行优化，用以解决超参数调整困难、收敛速度慢等问题，具有结果具有精度高，计算速度快等优势。
本实施例中，LSTM超参数初始化范围分别为：学习率α＝[0.001,0.01]，迭代次数η＝[1,100]，神经元个数n＝[1,100]，并且LSTM模型由单层LSTM单元组成。定义：迭代次数20，学习率0.001，神经元个数为100，批次为16。
S23、通过SOA算法优化LSTM神经网络的超参数，具体包括如下步骤：
S231、随机初始化每只海鸥的位置；
设置海鸥种群规模N、最大迭代次数T、算法终止条件、频率系数fc、超参数的搜索范围，所述海鸥种群规模N为训练样本个数，所述随机初始化海鸥位置并进行迭代寻优，本实施例中的海鸥种群规模N＝10，频率系数fc＝1，寻优维度为3。
S232、评估每只海鸥位置，并得到全局最优；
选用训练样本均方根误差(RMSE)作为优化目标函数，如下式所述：
Figure BDA0003643929560000061
所述海鸥的位置为寻找目标函数最优解，根据下述公式确定：
Ms(t)＝B×[Pbs(t)-Ps(t)]
其中Ms(t)表示最佳位最大迭代次数置的方向；Pbs(t)表示最适合海鸥的最佳位置；Ps(t)表示当前海鸥位置；B是随机数，用来平衡局部和全局的关系。
S233、判断是否达结束条件，若是，输出最优的海鸥位置，若否，执行步骤S234；
所述结束条件为达到误差和最大迭代次数，达到结束条件时停止迭代。所述误差为10-4，所述达到误差停止迭代，所述达到最大迭代次数停止迭代。
S234、更新每只海鸥的迁徙和攻击位置；
所述海鸥的位置根据下式确定：
Figure BDA0003643929560000062
其中x＝rcos(k)；y＝rsin(k)；z＝rk；r＝uekv；式中,x、y、z为平面坐标；r为螺旋旋转半径；k为[0＜＜k＜＜2π]内的随机数；u、v均为螺旋形状常数；e为自然对数底数。
S235、评估每只海鸥的函数适应度；
所述适应度函数为训练样本目标函数，所述适应度值为目标函数的可能解。
S236、更新每只海鸥的位置；
S237、更新每只海鸥群体的全局最优位置，并执行步骤S233。
将每只海鸥的适应度数值与最优位置的海鸥的适应度值比较，得到新的最优位置为全局最优位置，所述全局最优位置
Figure BDA0003643929560000071
为一般学习率、迭代次数、神经元个数三个超参数的向量。
S24、利用训练集对优化后的LSTM神经网络进行训练，得到电池容量和电池数据的映射关系。
S3、根据所述可用容量得到电池的剩余寿命，
根据图5所示的容量预测曲线，得到电池达到电池失效阈值，所述电池失效阈值为电池容量达到额定容量的80％时的循环次数，根据下列公式计算出电池剩余寿命，本实施例中的电池剩余寿命用电池容量退化到失效阈值时电池的充放电次数表示，具体为：
NRUL＝NEOL-NECL；
其中，NRUL为电池剩余充放电循环次数，NEOL为电池寿命，NECL为电池当前状态下经历的循环充放电周期数。
为了进一步验证本发明，在一具体实施例中，采用本发明的SOA-LSTM神经网络和现有技术中的LSTM神经网络对相同电池样本的剩余寿命进行预测，得到如图6所示的误差绝对值对比图，通过对比发现SOA-LSTM模型估算结果的误差低于单一LSTM模型估计锂电池剩余使用寿命的误差。
本发明提供了基于SOA-LSTM的电池剩余寿命的预测装置，包括数据获取单元、神经网络单元、估算单元、存储单元和显示单元；
数据获取单元，用以获取锂离子动力电池的实时电池数据，并对所述实时信息进行预处理；在应用过程中，所述锂离子动力电池可以为用于测试的电池，所述测试电池数量不受限制，用户根据实际确定电池数量。
神经网络单元，用以将预处理后的实时信息输入SOA-LSTM神经网络模型中，得到锂离子动力电池的可用容量；
估算单元，根据所述锂电池的放电容量、循环次数、内阻和温度，得到锂离子动力电池的剩余寿命。
所述估算单元可以采用现有的电池管理主控模块实现，例如可以采用STM32F103C8T6。上述的STM32F103C8T6最小系统开发板，其核心采用ARM的CortexTM-M3处理器。所述64K或128K字节的内置闪存存储器，用于存放程序和数据；所述CRC(循环冗余校验)计算单元使用一个固定的多项式发生器，从一个32位的数据字产生一个CRC码；所述20K字节的内置SRAM，CPU能以0等待周期访问(读/写)。所述外部中断/事件控制器包含19个边沿检测器，用于产生中断/事件请求。每个中断线都可以独立地配置它的触发事件(上升沿或下降沿或双边沿)，并能够单独地被屏蔽；有一个挂起寄存器维持所有中断请求的状态。所述多达2个I2C总线接口，能够工作于多主模式或从模式，支持标准和快速模式。I2C接口支持7位或10位寻址，7位从模式时支持双从地址寻址等等。
存储单元，用以存储所述锂电池的输入输出变量，在实际使用过程中，存储模块通过存储器实现。
显示模块，用以显示预测的电池剩余寿命信息。所述显示模块可以采用现有的显示装置予以实现。
上述单元可以集成在一种电子设备中，具体包括处理器和存储器，存储器中存储实施例中的锂离子电池放电容量、循环次数、内阻、温度等参数，处理器用以调用所述指令用以执行本发明实施例所述的锂离子电池寿命预测方法指令；所述计算模块和估算模块可以分别为两种电子设备，两种电子设备分别包括处理器和存储器，计算模块的电子设备中的存储器中存储实施例中的电池获取模块参数，处理器用以调用所述指令用以执行本发明实施例所述的电池寿命预测方法指令；计算模块的电子设备中的存储器中存储实施例中的计算模块的寿命预测计算指令，处理器用以调用所述指令用以执行本发明实施例所述的寿命预测方法指令；存储模块可以通过所有的存储器实现其功能。
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 (9)

1.基于SOA-LSTM的电池剩余寿命的预测方法，其特征在于，包括如下步骤：
S1、获取锂离子动力电池的实时电池数据，并对所述实时信息进行预处理；
S2、将预处理后的实时信息输入SOA-LSTM神经网络模型中，得到锂离子动力电池的可用容量；
S3、根据所述可用容量得到电池的剩余寿命。
2.根据权利要求1所述基于SOA-LSTM的电池剩余寿命的预测方法，其特征在于，所述实时电池数据包括放电容量、循环次数、内阻和温度。
3.根据权利要求2所述基于SOA-LSTM的电池剩余寿命的预测方法，其特征在于，
所述电池的放电容量Q通过下式获取：
Q＝∫Idt
其中，Q为电池放电容量，I为电池电流，t为电池从满充状态释放至当前状态的时间。
4.根据权利要求2所述基于SOA-LSTM的电池剩余寿命的预测方法，其特征在于，所述SOA-LSTM神经网络的构建方法包括：
S21、获取锂离子动力电池的历史电池数据，并将其划分为训练集和测试集；
S22、建立LSTM神经网络，并初始化；
S23、通过SOA算法优化LSTM神经网络的超参数；
S24、利用训练集对优化后的LSTM神经网络进行训练，得到电池容量和电池数据的映射关系。
5.根据权利要求4所述基于SOA-LSTM的电池剩余寿命的预测方法，其特征在于，所述超参数包括一般学习率、迭代次数和神经元个数。
6.根据权利要求5所述基于SOA-LSTM的电池剩余寿命的预测方法，其特征在于，步骤S23包括：
S231、随机初始化每只海鸥的位置；
S232、评估每只海鸥位置，并得到全局最优；
S233、判断是否达到结束条件，若是，输出最优的海鸥位置，若否，执行步骤S234；
S234、更新每只海鸥的迁徙和攻击位置；
S235、评估每只海鸥的函数适应度；
S236、更新每只海鸥的历史最优位置；
S237、更新每只海鸥群体的全局最优位置，并执行步骤S233。
7.根据权利要求1所述基于SOA-LSTM的电池剩余寿命的预测方法，其特征在于，所述预处理采用最小最大标准化方法对数据进行归一化，加快最优解求解速度和提高精度，结果落于[0,1]区间，具体如下式所示：
Figure FDA0003643929550000021
8.根据权利要求1所述基于SOA-LSTM的电池剩余寿命的预测方法，其特征在于，步骤S3所述电池剩余寿命为电池容量退化到失效阈值时的电池充放电次数NEOL，获取方法为：
NRUL＝NEOL-NECL；
其中，NRUL为电池剩余充放电循环次数；NEOL为电池容量退化到失效阈值时电池的充放电次数；NECL为电池当前状态下经历的循环充放电周期数。
9.基于SOA-LSTM的电池剩余寿命的预测装置，其特征在于，包括：
数据获取单元，用以获取锂离子动力电池的实时电池数据，并对所述实时信息进行预处理；
神经网络单元，用以将预处理后的实时信息输入SOA-LSTM神经网络模型中，得到锂离子动力电池的可用容量；
估算单元，用以根据所述可用容量得到电池的剩余寿命。
CN202210533528.XA 2022-05-14 2022-05-14 基于soa-lstm的电池剩余寿命的预测方法及装置 Pending CN114781273A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210533528.XA CN114781273A (zh) 2022-05-14 2022-05-14 基于soa-lstm的电池剩余寿命的预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210533528.XA CN114781273A (zh) 2022-05-14 2022-05-14 基于soa-lstm的电池剩余寿命的预测方法及装置

Publications (1)

Publication Number Publication Date
CN114781273A true CN114781273A (zh) 2022-07-22

Family

ID=82436722

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210533528.XA Pending CN114781273A (zh) 2022-05-14 2022-05-14 基于soa-lstm的电池剩余寿命的预测方法及装置

Country Status (1)

Country Link
CN (1) CN114781273A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116341612A (zh) * 2023-04-03 2023-06-27 济南大学 一种基于ABiLSTM-QSOA网络的AUV漂移轨迹预测方法
CN117031310A (zh) * 2023-09-05 2023-11-10 南京工业大学 一种电动汽车动力电池剩余使用寿命预测方法
CN117554846A (zh) * 2024-01-12 2024-02-13 烟台海博电气设备有限公司 计及约束条件的锂电池寿命预测方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116341612A (zh) * 2023-04-03 2023-06-27 济南大学 一种基于ABiLSTM-QSOA网络的AUV漂移轨迹预测方法
CN117031310A (zh) * 2023-09-05 2023-11-10 南京工业大学 一种电动汽车动力电池剩余使用寿命预测方法
CN117554846A (zh) * 2024-01-12 2024-02-13 烟台海博电气设备有限公司 计及约束条件的锂电池寿命预测方法及系统
CN117554846B (zh) * 2024-01-12 2024-03-22 烟台海博电气设备有限公司 计及约束条件的锂电池寿命预测方法及系统

Similar Documents

Publication Publication Date Title
CN114781273A (zh) 基于soa-lstm的电池剩余寿命的预测方法及装置
WO2022253038A1 (zh) 基于弹性网的锂电池健康状态预测方法、系统、设备及介质
CN113064093B (zh) 储能电池荷电状态与健康状态联合估算方法及系统
Yi et al. Prediction of the remaining useful life of supercapacitors
WO2024045567A1 (zh) 电池寿命预测方法、系统、终端设备及计算机可读介质
Zhang et al. Intelligent state of charge estimation of battery pack based on particle swarm optimization algorithm improved radical basis function neural network
CN113128672B (zh) 一种基于迁移学习算法的锂离子电池组soh估计方法
CN113589189B (zh) 基于充放电数据特征的锂电池健康状况预测方法及装置
WO2023184824A1 (zh) 电池簇荷电状态的估计方法及系统、电子设备及存储介质
CN113671401A (zh) 一种基于优化算法与数据驱动的锂电池健康状态评估方法
CN113285490A (zh) 电力系统调度方法、装置、计算机设备和存储介质
CN113705922A (zh) 一种改进的超短期风电功率预测算法及模型建立方法
CN113093014B (zh) 一种基于阻抗参数的soh与soc的在线协同估计方法及系统
Zhang et al. Online state-of-health estimation for the lithium-ion battery based on an LSTM neural network with attention mechanism
CN110232432A (zh) 一种基于人工生命模型的锂电池组soc预测方法
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
CN115047350B (zh) 一种基于数模联动的锂离子电池剩余使用寿命预测方法
CN115879378B (zh) 一种电芯的膨胀力预测模型的训练方法及装置
CN114371416A (zh) 一种燃料电池的寿命预测方法
Zhou et al. Voltage regulation based on deep reinforcement learning algorithm in distribution network with energy storage system
Zhu et al. Remaining useful life prediction of lithium battery based on SSA-ELM
CN116613736B (zh) 一种含虚拟惯量的新能源电力系统等效惯量预测方法
Hsieh et al. Prediction of Battery Discharge States Based on the Recurrent Neural Network
CN117540618A (zh) 一种基于hs-lstm算法的继电保护装置故障率预测方法
Wang et al. Adaptive Energy Evaluation for Supercapacitor in Hydrogen-Electric Hybrid Unmanned Aerial Vehicle Applications Consider Non-Integer Order Impedance

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