CN116804706A - 一种电动汽车锂电池温度预测方法及装置 - Google Patents
一种电动汽车锂电池温度预测方法及装置 Download PDFInfo
- Publication number
- CN116804706A CN116804706A CN202310661234.XA CN202310661234A CN116804706A CN 116804706 A CN116804706 A CN 116804706A CN 202310661234 A CN202310661234 A CN 202310661234A CN 116804706 A CN116804706 A CN 116804706A
- Authority
- CN
- China
- Prior art keywords
- temperature
- lithium battery
- prediction
- algorithm
- sample
- 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
Links
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 75
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000032683 aging Effects 0.000 claims abstract description 61
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 57
- 241000282346 Meles meles Species 0.000 claims abstract description 35
- 230000000739 chaotic effect Effects 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims abstract description 12
- 230000004927 fusion Effects 0.000 claims abstract description 9
- 238000003384 imaging method Methods 0.000 claims abstract description 9
- 238000013507 mapping Methods 0.000 claims abstract description 9
- 238000009412 basement excavation Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 10
- 238000005065 mining Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 235000012907 honey Nutrition 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 241000282345 Meles Species 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000007405 data analysis Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 3
- 235000013305 food Nutrition 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 2
- 230000002596 correlated effect Effects 0.000 abstract 1
- 241000349731 Afzelia bipindensis Species 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 238000003411 electrode reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种电动汽车锂电池温度预测方法及装置,采集不同老化程度下锂电池数据,基于灰色关联度理论选取强相关的温度特征,利用DBSCAN聚类算法对关键温度特征集合划分基于不同老化程度的数据样本子集;运用TCN温度预测模型对不同老化程度的数据样本子集进行分别温度预测,得到第一层预测结果;组合所有预测值重构为新的数据集作为温度在线预测模型OSELM的输入;采用Chebyshev混沌映射对蜜獾算法的种群进行初始化,在挖掘阶段中加入Levy飞行和透镜成像反向学习策略,得到XHBA算法;同时使用XHBA优化OSELM的权重和偏置,并将最优权重和偏置和测试数据样本输入到OSELM预测模型中进行融合预测,得到预测结果。本发明能够有效实现电动汽车锂电池温度的在线预测,并能提高预测精度。
Description
技术领域
本发明涉及锂电池技术领域,特别涉及一种电动汽车锂电池温度预测方法及装置。
背景技术
近年来,随着电动汽车的不断普及和发展,锂电池作为其主要能源储存方式逐渐成为大众关注的焦点之一,作为电动汽车的能源储存装置,锂电池拥有单体额定电压高、能量密度大、自放电率低、循环使用寿命长,无污染等优点,使其成为当前电动汽车电池的最优选择。然而锂电池对工作温度、电流和电压都有比较严格的要求,并且锂电池的工作温度会影响其性能、循环寿命、自放电率、容量、热失控以及电均衡等重要指标。锂电池的温度问题一直是制约其应用的一个重要因素,一方面,过高的温度会导致电池材料内部扩散速度加快,电极反应失控等问题,从而产生热量和气体,甚至引发电池燃烧和爆炸等安全事故;另一方面,过低的温度则会影响电池的放电效率和储存容量,缩短电池的使用寿命。因此,如何准确预测和调控锂电池的温度变化成为了电动汽车行业亟需解决的重要问题之一,这对锂电池的可持续性和安全性也具有重要意义。
为了解决这一问题,电动汽车行业已经采取了多种措施,如优化电池材料和结构、改进电动汽车的散热系统、设计适当的充电策略等。同时,各大电动汽车制造商也正在积极研发电动汽车锂电池温度预测技术,通过数据分析和机器学习技术实现对电池温度的实时监测和控制,以保证电池的正常工作和寿命。
目前,锂电池温度预测系统常用的机器学习算法都比较简单,缺乏对电池内部复杂过程的建模,在应对锂电池复杂电化学反应过程和实际工况变化时,预测精度仍有很大提升空间。因此,本发明采用基于时间卷积网络和在线序贯极限学习机OSELM的多模型融合预测方法,以提高其预测精度。另外,目前锂电池温度预测模型仍需要离线计算,并不能在实时应用场景下进行预测,本发明建立的OSELM在线温度预测模型可实现实时温度预测从而填补了该领域的空白。
发明内容
发明目的:针对现有技术存在的问题,本发明提供一种电动汽车锂电池温度预测方法及装置,能有效提高电动汽车锂电池温度预测模型精度。
技术方案:本发明提出一种电动汽车锂电池温度预测方法,包括以下步骤:
(1)采集不同老化程度下电动汽车锂电池的原始数据;
(2)运用灰色关联度分析对原始数据进行特征选取,选择关联度较高的特征变量,得到关键温度特征集合;
(3)利用DBSCAN聚类算法对关键温度特征集合划分基于不同老化程度的温度数据样本子集,运用TCN温度预测模型对不同老化程度的温度数据样本子集进行分别预测,得到第一层预测结果;组合所有预测值重构为新的数据集作为温度在线预测模型OSELM的输入;
(4)对蜜獾算法HBA进行改进:采用Chebyshev混沌映射对蜜獾算法的种群进行初始化处理,提高种群均衡性;在挖掘阶段中加入Levy飞行和透镜成像反向学习策略,扩大搜索范围,提高局部搜索能力,得到XHBA算法;
(5)利用XHBA算法对步骤(3)所述温度在线预测模型OSELM的权重和偏置进行优化,获得最优权重和偏置,利用优化后的在线温度预测模型对锂电池温度的测试数据样本进行融合预测,得到最终预测结果。
进一步地,所述步骤(1)实现过程如下:
(11)选取多个不同使用程度的锂电池,其分别具有不同老化程度,对这些锂电池进行标号(1,2,3,...,n);
(12)在不同环境温度TW下,采集锂电池一个周期的物理信息,包括电压U、电流I、内阻R、充放电时间t,所采集到的锂电池的信息样本可表示为Z=[Z1,Z2,Z3...,ZL],1表示一个周期的长度,Zi表示时间步长为i时对应的物理信息。
进一步地,所述步骤(2)实现过程如下:
(21)构建数据矩阵,确定参数序列;假设n个样本,每一样本数量为m,构成的n个数据序列形成如下矩阵Y:
式中,Yi为第i个锂电池样本的温度参数序列;yi(k)表示第i个锂电池样本的温度参数中第k个指标数据;
(22)使用关联算式进行无量纲化处理:
式中,y'i(k)为无量纲化后的第i个锂电池样本的温度参数中第k个指标数据;i=0,1,...,n;k=1,2,...,m;
(23)计算各个样本与参考数列的绝对差值△i(k):
△i(k)=|y'0(k)-yi'(k)| (3)
△i=[△i(1),△i(2),...,△i(n)] (4)
(24)求解绝对差值的最大值vmax与最小值vmin:
(25)计算灰色关联系数ω0i(k):
其中,i=1,2,...,n;k=1,2,...,m;λ为分辨系数;
(26)使用下式计算灰色关联度ω0i,并对其进行排序,关联度越大则表示该指标对参考序列的影响程度越大:
进一步地,所述步骤(3)实现过程如下:
(31)采用DBSCAN聚类算法基于锂电池老化程度来描述样本集的紧密程度,将样本集划分为老化程度≤20%、老化程度20%-40%、老化程度40%-60%、老化程度60%-80%、老化程度≥80%五个样本子集;
参数(δ,MinPts)用来描述邻域的样本分布紧密程度,其中,δ描述了某一样本的邻域距离阈值,MinPts描述了某一样本的距离为δ的邻域中样本个数的阈值,进行数据分析;
给定对象半径为E内的区域称为该对象的E邻域;设置半径参数、邻域以及不同簇的个数C代表的情况;
关键温度特征参数经过DBCSAN聚类算法处理后,簇的个数发生变化:当簇的个数C=1时,老化程度≤20%;当簇的个数C=2时,老化程度20%-40%;当簇的个数C=3时,老化程度40%-60%;当簇的个数C=4时,老化程度60%-80%;当簇的个数C=5时,老化程度≥80%;
(32)根据五个老化程度不同的样本子集分别建立相对应的TCN温度预测模型,得到五组不同老化程度的锂电池温度预测结果;
(33)将五组预测结果与原始数据作为新的训练集,送入OSELM模型中进行融合预测,得到在线温度预测结果。
进一步地,所述步骤(4)实现过程如下:
(41)设置XHBA算法的种群数量和最大迭代次数,以及搜索空间的上限、下限;
(42)采用Chebyshev混沌映射初始化蜜獾种群,定义式如下:
pi+1=cos(i cos-1(pi)) (9)
式中,p为区间[-1,1]的随机数,i为阶次;
初始化蜜獾种群N,在D维空间中初始化第一个个体的空间位置:
Z1={z1,z2,…,zi,…,zD},zi∈[-1,1],i∈[1,D] (10)
采用式(9)对个体X的每一维xi进行逐代更新,直至生成剩余的N-1个蜜獾个体;结合混沌序列,进一步映射成搜索空间内的蜜獾个体初始位置:
式中,ub和lb为搜索空间的上界和下界,j∈[1,j];
(43)在挖掘阶段,蜜獾执行类似于心脏形状的动作,模拟等式如下所示:
式中,xnew表示蜜獾更新的位置,xprey表示猎物更新的位置,猎物指的是迄今为止更新的最佳位置;F是搜索方向,用于提供扫描空间,其表达公式如(13)所示,β≥1是蜜獾的捕食能力,r3,r4,r5,r6是0到1之间的随机数;
(44)在采蜜阶段,引入levy飞行对蜜獾位置进行更新,改进后的位置更新公式如下:
上式中,Xprey为食物源位置,Xnew为经过莱维飞行变异后的蜜獾新个体,a为步长控制量,为点对点乘法,Levy(λ)表示随机搜索路径,并满足Levy~u=t-λ(1<λ≤3)Levy~u;用Mantegna算法进行模拟,步长s公式如下:
其中,参数β的取值为1.5,μ和v分别为服从分布的随机数;当σv=1时,σμ的计算公式为:
(45)在蜜獾算法的挖掘阶段和采蜜阶段之后加入透镜成像反向学习策略,在二维坐标中,以当前坐标为基准生成一个反向位置来扩大搜索范围,其反向学习公式如下:
式中,xj为个体在第j维的位置,为xj的反向解;aj和bj分别为搜索空间中第j维的最大边界和最小边界。
进一步地,所述步骤(5)实现过程如下:
(51)将步骤(3)中所得预测结果以2:1的比例划分为学习样本集和验证集,以历史数据作为测试集;
(52)在学习样本集中选取部分数据对OSELM进行初始化,利用学习样本集中剩下的数据让OSELM进行更新学习,学习完成后利用验证集对OSELM模型进行训练,建立OSELM在线温度预测模型,得到初步预测结果;
(53)对XHBA算法的相关参数进行初始化,包括蜜獾种群数量、个体位置、维度、最大迭代次数、搜索空间的上界和下界;
(54)利用XHBA算法将预测偏差作为目标函数,根据目标函数计算蜜獾个体适应度值;对OSELM的权重和偏置进行寻优;
(55)判断是否达到最大迭代次数,若达到,则输出最优权重和偏置;否则返回步骤(54);
(56)将测试集数据输入到经过XHBA优化的OSELM模型中进行预测,得到最终在线温度预测结果。
本发明还提供一种装置设备,包括存储器和处理器,其中:
存储器,用于存储能够在处理器上运行的计算机程序;
处理器,用于在运行所述计算机程序时,执行上述电动汽车锂电池温度预测方法的步骤。
本发明还提供一种存储介质,所述存储介质上存储有计算机程序,所述计算机程序被至少一个处理器执行时实现上述电动汽车锂电池温度预测方法的步骤。
有益效果:与现有技术相比,本发明的有益效果:
1、本发明选取大量不同老化程度的电动汽车锂电池,在不同环境温度下,通过传感器读取其物理信息,运用灰色关联度分析对原始数据进行特征提取,选取关联度较高的指标,减少了在建模过程中不必要的冗余特征,提高了模型的鲁棒性及预测性能的精度和可靠性;
2、本发明利用DBSCAN聚类算法对关键温度特征集合划分基于不同老化程度的数据样本子集,帮助我们更好地理解不同老化程度下数据之间的相似性和差异性,从而确定不同子集中的典型特征和规律,同时避免了传统聚类方法产生的重叠簇和离散簇等问题;在基于划分好的子集进行时间卷积网络分类建模时,能够有效提高分类建模的效果和表现,为后续的数据分析和应用提供更为有力的支持和基础;
3、本发明采用TCN-OSELM多模型融合预测,充分利用不同模型的优势,提高预测的准确性和鲁棒性,降低模型预测误差的方差,有效避免过拟合现象,提高模型的泛化能力;相较于传统的直接回归建模方式,采用TCN进行分别温度预测的方法可以更好地利用温度时间序列中的局部依赖关系和非线性特征,从而提高模型的预测能力;在锂电池温度预测方面,在线预测比较空缺,OSELM模型采用在线学习方式,可以更加高效地更新模型参数,同时可以避免传统神经网络中存在的梯度消失和梯度爆炸等问题,减少了因模型误差和局限性引起的错误预测和波动,提高了预测的准确性和稳定性;
4、本发明对蜜獾算法HBA进行改进得到XHBA算法,改进算法中采用Chebyshev混沌映射对原始算法的种群进行初始化处理,提高种群均衡性;在挖掘阶段中加入Levy飞行和透镜成像反向学习策略,扩大搜索范围,提高局部搜索能力,改善算法寻优能力不足的问题;本发明提出利用XHBA算法优化OSELM权重和偏置,有助于提高OSELM模型的性能及鲁棒性,能够有效提升电动汽车锂电池在线温度预测模型的精度。
附图说明
图1为基于TCN算法优化OSELM模型流程图;
图2为本发明提出的改进后的HBA算法流程图;
图3为XHBA算法优化OSELM模型流程图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
本发明公开了一种电动汽车锂电池温度预测方法,采集不同老化程度下锂电池的原始数据,采用灰色关联度分析选取强关联性的温度特征指标,利用DBSCAN聚类算法对关键温度特征集合划分基于不同老化程度的数据样本子集,将TCN温度预测模型对不同老化程度的数据样本子集进行分别预测后所得的预测结果以2:1的比例划分出学习样本集和验证集对OSELM模型进行训练;针对OSELM模型中权重和偏置对模型性能的影响,使用HBA算法对其进行优化,同时为改善HBA算法易陷入局部最优的问题,使用Chebyshev混沌映射对蜜獾算法的种群进行初始化,在挖掘阶段中加入Levy飞行和透镜成像反向学习策略,得到XHBA算法;利用XHBA算法优化OSELM模型的权重和偏置,并使用测试集对优化后的OSELM模型进行测试,得到最终的预测结果。具体步骤如下:
步骤1:采集不同老化程度下锂电池的原始数据。
步骤1.1:选取多个不同使用程度的锂电池,其分别具有不同老化程度,对这些锂电池进行标号(1,2,3,...,n)。
步骤1.2:在不同环境温度TW下,通过传感器模块以一个周期读取锂电池的物理信息,采集电压U、电流I、内阻R、充放电时间t等,所采集到的一个锂电池的信息样本可表示为Z=[Z1,Z2,Z3...,ZL],1表示一个周期的长度,Zi表示时间步长为i时对应的物理信息。
步骤2:运用灰色关联度分析对原始数据进行特征选取,选择关联度较高的特征变量。
步骤2.1:构建数据矩阵,确定参数序列;假设n个样本,每一样本数量为m,构成的n个数据序列形成如下矩阵Y:
式中,Yi为第i个锂电池样本的温度参数序列;yi(k)表示第i个锂电池样本的温度参数中第k个指标数据。
步骤2.2:无量纲化处理;使用关联算式进行无量纲化处理,处理方式如下式所示:
式中,y'i(k)为无量纲化后的第i个锂电池样本的温度参数中第k个指标数据;i=0,1,...,n;k=1,2,...,m。
步骤2.3:计算各个样本与参考数列的绝对差值△i(k),计算公式如下所示:
△i(k)=|y'0(k)-yi'(k)| (3)
△i=[△i(1),△i(2),...,△i(n)] (4)
步骤2.4:求解绝对差值的最大值vmax与最小值vmin,公式如下所示:
步骤2.5:计算灰色关联系数ω0i(k):
其中,i=1,2,...,n;k=1,2,...,m;λ为分辨系数。
步骤2.6:使用下式计算灰色关联度ω0i,并对其进行排序,关联度越大则表示该指标对参考序列的影响程度越大:
步骤3:利用DBSCAN聚类算法对关键温度特征集合划分基于不同老化程度的数据样本子集,运用TCN温度预测模型对不同老化程度的数据样本子集进行分别预测,得到第一层预测结果;组合所有预测值重构为新的数据集作为OSELM温度在线预测模型的模型输入,如图1所示。
步骤3.1:利用步骤1和步骤2处理好的样本集,采用DBSCAN聚类算法基于锂电池老化程度来描述样本集的紧密程度,将样本集划分为老化程度≤20%、老化程度20%-40%、老化程度40%-60%、老化程度60%-80%、老化程度≥80%五个样本子集。
1)参数(δ,MinPts)用来描述邻域的样本分布紧密程度,其中,δ描述了某一样本的邻域距离阈值,MinPts描述了某一样本的距离为δ的邻域中样本个数的阈值,进行数据分析。
2)给定对象半径为E内的区域称为该对象的E邻域;设置半径参数、邻域以及不同簇的个数C代表的情况。
3)关键温度特征参数经过DBCSAN聚类算法处理后,簇的个数发生变化:当簇的个数C=1时,老化程度≤20%;当簇的个数C=2时,老化程度20%-40%;当簇的个数C=3时,老化程度40%-60%;当簇的个数C=4时,老化程度60%-80%;当簇的个数C=5时,老化程度≥80%。
步骤3.2:根据五个老化程度不同的样本子集分别建立相对应的TCN温度预测模型,得到五组不同老化程度的锂电池温度预测结果。
步骤3.3:将五组预测结果与原始数据作为新的训练集,送入OSELM模型中进行融合预测,得到最终在线温度预测结果。
步骤4:如图2所示,对蜜獾算法HBA进行改进,采用Chebyshev混沌映射对蜜獾算法的种群进行初始化处理,提高种群均衡性;在挖掘阶段中加入Levy飞行和透镜成像反向学习策略,扩大搜索范围,提高局部搜索能力,改善算法寻优能力不足的问题,得到XHBA算法。
步骤4.1:设置XHBA算法的种群数量和最大迭代次数,以及搜索空间的上限、下限。
步骤4.2:采用Chebyshev混沌映射初始化蜜獾种群,定义式如下:
pi+1=cos(i cos-1(pi)) (9)
上式中,p为区间[-1,1]的随机数,i为阶次。Chebyshev映射初始化蜜獾种群的步骤如下:
初始化蜜獾种群N,在D维空间中初始化第一个个体的空间位置,
Z1={z1,z2,…,zi,…,zD},zi∈[-1,1],i∈[1,D] (10)
采用式(9)对个体X的每一维xi进行逐代更新,直至生成剩余的N-1个蜜獾个体;结合上述混沌序列,进一步映射成搜索空间内的蜜獾个体初始位置:
式中,ub和lb为搜索空间的上界和下界,j∈[1,j]。
步骤4.3:在挖掘阶段,蜜獾执行类似于心脏形状的动作,模拟等式如下所示:
式中,xnew表示蜜獾更新的位置,xprey表示猎物更新的位置,猎物指的是迄今为止更新的最佳位置。F是搜索方向,用于提供扫描空间,其表达公式如(13)所示,β≥1(默认是6)是蜜獾的捕食能力,r3,r4,r5,r6是0到1之间的随机数。
步骤4.4:在采蜜阶段,引入levy飞行对蜜獾位置进行更新,改进后的位置更新公式如下:
式中,Xprey为食物源位置,Xnew为经过莱维飞行变异后的蜜獾新个体,a为步长控制量,为点对点乘法,Levy(λ)表示随机搜索路径,并满足Levy~u=t-λ(1<λ≤3)Levy~u。由于莱维分布情况十分复杂,常用Mantegna算法进行模拟。步长s公式如下:
其中,参数β的取值为1.5,μ和v分别为服从分布的随机数。当σv=1时,σμ的计算公式为:
步骤4.5:在蜜獾算法的挖掘阶段和采蜜阶段之后加入透镜成像反向学习策略,在二维坐标中,以当前坐标为基准生成一个反向位置来扩大搜索范围,其反向学习公式如下:
式中,xj为个体在第j维的位置,为xj的反向解。aj和bj分别为搜索空间中第j维的最大边界和最小边界。
步骤5:如图3所示,利用XHBA算法对步骤3中OSELM模型的权重和偏置进行优化,获得最优权重和偏置,利用优化后的在线温度预测模型对锂电池温度的测试数据样本进行融合预测,得到最终预测结果。
步骤5.1:将步骤3.2中所得预测结果以2:1的比例划分为学习样本集和验证集,以历史数据作为测试集。
步骤5.2:在学习样本集中选取部分数据对OSELM进行初始化,利用学习样本集中剩下的数据让OSELM进行更新学习,学习完成后利用验证集对OSELM模型进行训练,建立OSELM在线温度预测模型,得到初步预测结果。
步骤5.3:对XHBA算法的相关参数进行初始化,包括蜜獾种群数量、个体位置、维度、最大迭代次数、搜索空间的上界和下界。
步骤5.4:利用XHBA算法将预测偏差作为目标函数,根据目标函数计算蜜獾个体适应度值;对OSELM的权重和偏置进行寻优。
步骤5.5:判断是否达到最大迭代次数,若达到,则输出最优权重和偏置;否则返回步骤5.4。
步骤5.6:将测试集数据输入到经过XHBA优化的OSELM模型中进行预测,得到最终在线温度预测结果。
步骤6:采用均方根误差(RMSE),平均绝对百分误差(MAPE)和决定系数(R2)三个评价指标评判当前模型的精确度,采用RMSE,MAPE,R2三个评价指标公式分别如下:
式中,RMSE为均方根误差,MAPE为平均绝对百分误差,R2为决定系数,为预测值,/>为训练样本实际值,/>为平均值,n为样本个数。
基于相同的发明构思,本发明还提供一种装置设备,包括存储器和处理器,其中,存储器,用于存储能够在处理器上运行的计算机程序;处理器,用于在运行所述计算机程序时,执行上述电动汽车锂电池温度预测方法的步骤。
基于相同的发明构思,本发明还提供一种存储介质,所述存储介质上存储有计算机程序,所述计算机程序被至少一个处理器执行时实现上述电动汽车锂电池温度预测方法的步骤。
上述实施方式只为说明本发明的技术构思及特点,其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种电动汽车锂电池温度预测方法,其特征在于,包括以下步骤:
(1)采集不同老化程度下电动汽车锂电池的原始数据;
(2)运用灰色关联度分析对原始数据进行特征选取,选择关联度较高的特征变量,得到关键温度特征集合;
(3)利用DBSCAN聚类算法对关键温度特征集合划分基于不同老化程度的温度数据样本子集,运用TCN温度预测模型对不同老化程度的温度数据样本子集进行分别预测,得到第一层预测结果;组合所有预测值重构为新的数据集作为温度在线预测模型OSELM的输入;
(4)对蜜獾算法HBA进行改进:采用Chebyshev混沌映射对蜜獾算法的种群进行初始化处理,提高种群均衡性;在挖掘阶段中加入Levy飞行和透镜成像反向学习策略,扩大搜索范围,提高局部搜索能力,得到XHBA算法;
(5)利用XHBA算法对步骤(3)所述温度在线预测模型OSELM的权重和偏置进行优化,获得最优权重和偏置,利用优化后的在线温度预测模型对锂电池温度的测试数据样本进行融合预测,得到最终预测结果。
2.根据权利要求1所述的一种电动汽车锂电池温度预测方法,其特征在于,所述步骤(1)实现过程如下:
(11)选取多个不同使用程度的锂电池,其分别具有不同老化程度,对这些锂电池进行标号(1,2,3,...,n);
(12)在不同环境温度TW下,采集锂电池一个周期的物理信息,所采集到的锂电池的信息样本可表示为Z=[Z1,Z2,Z3...,ZL],1表示一个周期的长度,Zi表示时间步长为i时对应的物理信息。
3.根据权利要求1所述的一种电动汽车锂电池温度预测方法,其特征在于,所述步骤(2)实现过程如下:
(21)构建数据矩阵,确定参数序列;假设n个样本,每一样本数量为m,构成的n个数据序列形成如下矩阵Y:
式中,Yi为第i个锂电池样本的温度参数序列;yi(k)表示第i个锂电池样本的温度参数中第k个指标数据;
(22)使用关联算式进行无量纲化处理:
式中,y'i(k)为无量纲化后的第i个锂电池样本的温度参数中第k个指标数据;i=0,1,...,n;k=1,2,...,m;
(23)计算各个样本与参考数列的绝对差值△i(k):
△i(k)=|y'0(k)-y′i(k) (3)
△i=[△i(1),△i(2),...,△i(n)] (4)
(24)求解绝对差值的最大值vmax与最小值vmin:
(25)计算灰色关联系数ω0i(k):
其中,i=1,2,...,n;k=1,2,...,m;λ为分辨系数;
(26)使用下式计算灰色关联度ω0i,并对其进行排序,关联度越大则表示该指标对参考序列的影响程度越大:
4.根据权利要求1所述的一种电动汽车锂电池温度预测方法,其特征在于,所述步骤(3)实现过程如下:
(31)采用DBSCAN聚类算法基于锂电池老化程度来描述样本集的紧密程度,将样本集划分为不同老化程度的样本子集;
参数(δ,MinPts)用来描述邻域的样本分布紧密程度,其中,δ描述了某一样本的邻域距离阈值,MinPts描述了某一样本的距离为δ的邻域中样本个数的阈值,进行数据分析;
给定对象半径为E内的区域称为该对象的E邻域;设置半径参数、邻域以及不同簇的个数C代表的情况;
(32)根据每个老化程度不同的样本子集分别建立相对应的TCN温度预测模型,得到五组不同老化程度的锂电池温度预测结果;
(33)将每组预测结果与原始数据作为新的训练集,送入OSELM模型中进行融合预测,得到在线温度预测结果。
5.根据权利要求1所述的一种电动汽车锂电池温度预测方法,其特征在于,所述步骤(4)实现过程如下:
(41)设置XHBA算法的种群数量和最大迭代次数,以及搜索空间的上限、下限;
(42)采用Chebyshev混沌映射初始化蜜獾种群,定义式如下:
pi+1=cos(i cos-1(pi)) (9)
式中,p为区间[-1,1]的随机数,i为阶次;
初始化蜜獾种群N,在D维空间中初始化第一个个体的空间位置:
Z1={z1,z2,…,zi,…,zD},zi∈[-1,1],i∈[1,D] (10)
采用式(9)对个体X的每一维xi进行逐代更新,直至生成剩余的N-1个蜜獾个体;结合混沌序列,进一步映射成搜索空间内的蜜獾个体初始位置:
式中,ub和lb为搜索空间的上界和下界,j∈[1,j];
(43)在挖掘阶段,蜜獾执行类似于心脏形状的动作,模拟等式如下所示:
式中,xnew表示蜜獾更新的位置,xprey表示猎物更新的位置,猎物指的是迄今为止更新的最佳位置;F是搜索方向,用于提供扫描空间,其表达公式如(13)所示,β≥1是蜜獾的捕食能力,r3,r4,r5,r6是0到1之间的随机数;
(44)在采蜜阶段,引入levy飞行对蜜獾位置进行更新,改进后的位置更新公式如下:
上式中,Xprey为食物源位置,Xnew为经过莱维飞行变异后的蜜獾新个体,a为步长控制量,为点对点乘法,Levy(λ)表示随机搜索路径,并满足Levy~u=t-λ(1<λ≤3)Levy~u;用Mantegna算法进行模拟,步长s公式如下:
其中,参数β的取值为1.5,μ和v分别为服从分布的随机数;当σv=1时,σμ的计算公式为:
(45)在蜜獾算法的挖掘阶段和采蜜阶段之后加入透镜成像反向学习策略,在二维坐标中,以当前坐标为基准生成一个反向位置来扩大搜索范围,其反向学习公式如下:
式中,xj为个体在第j维的位置,为xj的反向解;aj和bj分别为搜索空间中第j维的最大边界和最小边界。
6.根据权利要求1所述的一种电动汽车锂电池温度预测系统,其特征在于,所述步骤(5)实现过程如下:
(51)将步骤(3)中所得预测结果以2:1的比例划分为学习样本集和验证集,以历史数据作为测试集;
(52)在学习样本集中选取部分数据对OSELM进行初始化,利用学习样本集中剩下的数据让OSELM进行更新学习,学习完成后利用验证集对OSELM模型进行训练,建立OSELM在线温度预测模型,得到初步预测结果;
(53)对XHBA算法的相关参数进行初始化,包括蜜獾种群数量、个体位置、维度、最大迭代次数、搜索空间的上界和下界;
(54)利用XHBA算法将预测偏差作为目标函数,根据目标函数计算蜜獾个体适应度值;对OSELM的权重和偏置进行寻优;
(55)判断是否达到最大迭代次数,若达到,则输出最优权重和偏置;否则返回步骤(54);
(56)将测试集数据输入到经过XHBA优化的OSELM模型中进行预测,得到最终在线温度预测结果。
7.根据权利要求2所述的一种电动汽车锂电池温度预测方法,其特征在于,步骤(12)所述的锂电池一个周期的物理信息包括电压U、电流I、内阻R、充放电时间t。
8.根据权利要求4所述的一种电动汽车锂电池温度预测方法,其特征在于,所述步骤(31)实现过程如下:
将样本集划分为老化程度≤20%、老化程度20%-40%、老化程度40%-60%、老化程度60%-80%、老化程度≥80%五个样本子集;
关键温度特征参数经过DBCSAN聚类算法处理后,簇的个数发生变化:当簇的个数C=1时,老化程度≤20%;当簇的个数C=2时,老化程度20%-40%;当簇的个数C=3时,老化程度40%-60%;当簇的个数C=4时,老化程度60%-80%;当簇的个数C=5时,老化程度≥80%。
9.一种装置设备,其特征在于,包括存储器和处理器,其中:
存储器,用于存储能够在处理器上运行的计算机程序;
处理器,用于在运行所述计算机程序时,执行如权利要求1-8任一项所述电动汽车锂电池温度预测方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被至少一个处理器执行时实现如权利要求1-8任一项所述电动汽车锂电池温度预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310661234.XA CN116804706A (zh) | 2023-06-06 | 2023-06-06 | 一种电动汽车锂电池温度预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310661234.XA CN116804706A (zh) | 2023-06-06 | 2023-06-06 | 一种电动汽车锂电池温度预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116804706A true CN116804706A (zh) | 2023-09-26 |
Family
ID=88080236
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310661234.XA Pending CN116804706A (zh) | 2023-06-06 | 2023-06-06 | 一种电动汽车锂电池温度预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116804706A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117951629A (zh) * | 2024-03-26 | 2024-04-30 | 深圳市泰科动力系统有限公司 | 一种电池组充放电温度异常行为的检测方法及系统 |
CN117983134A (zh) * | 2024-04-03 | 2024-05-07 | 山西华凯伟业科技有限公司 | 一种面向工业生产的定量投料控制方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108038507A (zh) * | 2017-12-13 | 2018-05-15 | 太原理工大学 | 基于粒子群优化的局部感受野极限学习机图像分类方法 |
CN109816177A (zh) * | 2019-02-22 | 2019-05-28 | 广东电网有限责任公司 | 一种负荷聚合商短期负荷预测方法、装置及设备 |
AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
CN112766251A (zh) * | 2020-12-30 | 2021-05-07 | 广东电网有限责任公司佛山供电局 | 变电设备红外检测方法、系统、储存介质及计算机设备 |
CN114692956A (zh) * | 2022-03-11 | 2022-07-01 | 广东电网有限责任公司广州供电局 | 基于多层优化核极限学习机的充电设施负荷预测方法及系统 |
CN115454990A (zh) * | 2022-09-30 | 2022-12-09 | 国网福建省电力有限公司莆田供电公司 | 一种基于改进knn的油纸绝缘数据清洗方法 |
EP4123319A1 (de) * | 2021-07-23 | 2023-01-25 | Siemens Aktiengesellschaft | Verfahren, vorrichtung und computerprogrammprodukt zur lebensdauerabschätzung von batteriespeichern |
-
2023
- 2023-06-06 CN CN202310661234.XA patent/CN116804706A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108038507A (zh) * | 2017-12-13 | 2018-05-15 | 太原理工大学 | 基于粒子群优化的局部感受野极限学习机图像分类方法 |
CN109816177A (zh) * | 2019-02-22 | 2019-05-28 | 广东电网有限责任公司 | 一种负荷聚合商短期负荷预测方法、装置及设备 |
AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
CN112766251A (zh) * | 2020-12-30 | 2021-05-07 | 广东电网有限责任公司佛山供电局 | 变电设备红外检测方法、系统、储存介质及计算机设备 |
EP4123319A1 (de) * | 2021-07-23 | 2023-01-25 | Siemens Aktiengesellschaft | Verfahren, vorrichtung und computerprogrammprodukt zur lebensdauerabschätzung von batteriespeichern |
CN114692956A (zh) * | 2022-03-11 | 2022-07-01 | 广东电网有限责任公司广州供电局 | 基于多层优化核极限学习机的充电设施负荷预测方法及系统 |
CN115454990A (zh) * | 2022-09-30 | 2022-12-09 | 国网福建省电力有限公司莆田供电公司 | 一种基于改进knn的油纸绝缘数据清洗方法 |
Non-Patent Citations (1)
Title |
---|
史永胜;洪元涛;丁恩松;施梦琢;欧阳;: "基于改进型极限学习机的锂离子电池健康状态预测", 电子器件, no. 03, 20 June 2020 (2020-06-20) * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117951629A (zh) * | 2024-03-26 | 2024-04-30 | 深圳市泰科动力系统有限公司 | 一种电池组充放电温度异常行为的检测方法及系统 |
CN117951629B (zh) * | 2024-03-26 | 2024-06-11 | 深圳市泰科动力系统有限公司 | 一种电池组充放电温度异常行为的检测方法及系统 |
CN117983134A (zh) * | 2024-04-03 | 2024-05-07 | 山西华凯伟业科技有限公司 | 一种面向工业生产的定量投料控制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gao et al. | Machine learning toward advanced energy storage devices and systems | |
CN116804706A (zh) | 一种电动汽车锂电池温度预测方法及装置 | |
CN111999649A (zh) | 一种基于XGBoost算法的锂电池剩余寿命预测方法 | |
CN108009585B (zh) | 基于局部信息融合的铅酸电池健康状态预测方法 | |
CN116609668B (zh) | 一种锂离子电池健康状态和剩余寿命预测方法 | |
CN116449218B (zh) | 一种锂电池健康状态的估计方法 | |
CN114219181A (zh) | 基于迁移学习的风电功率概率预测方法 | |
CN117031310A (zh) | 一种电动汽车动力电池剩余使用寿命预测方法 | |
CN115963407A (zh) | 一种基于icgwo优化elm的锂电池soc估计方法 | |
CN110570042B (zh) | 一种短期电动汽车充电负荷预测方法及系统 | |
CN116774088A (zh) | 基于多目标优化的锂离子电池健康状态估计方法 | |
CN115907122A (zh) | 区域电动汽车充电负荷预测方法 | |
CN117465301A (zh) | 基于数据驱动的燃料电池汽车实时能量管理方法 | |
CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 | |
CN117169743A (zh) | 基于部分数据和模型融合的电池健康状态估计方法及设备 | |
CN116794547A (zh) | 一种基于afsa-gru的锂离子电池剩余使用寿命预测方法 | |
CN117150334A (zh) | 一种基于优化后的BiLSTM神经网络的锂电池多状况预测方法和装置 | |
Li et al. | Intelligent product-gene acquisition method based on K-means clustering and mutual information-based feature selection algorithm | |
CN116029183A (zh) | 一种基于iPSO-LSTM模型的动力电池温度预测方法 | |
CN115481788A (zh) | 相变储能系统负荷预测方法及系统 | |
CN114612914A (zh) | 一种多标签不平衡数据分类的机器学习方法及系统 | |
CN114895206A (zh) | 基于改进灰狼优化算法的rbf神经网络的锂离子电池soh估计方法 | |
CN114741963A (zh) | 基于多尺度注意力机制的锂电池荷电状态预测方法 | |
CN113449466A (zh) | 基于pca和混沌gwo优化relm的太阳辐射预测方法及系统 | |
Cao et al. | Research on Battery Life prediction Based on Deep Learning |
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 |