本發(fā)明實施例涉及鋰電池，尤其涉及基于充電數(shù)據(jù)和增強鯨魚算法的鋰電池容量預測方法。

背景技術：

1、鋰電池作為一種清潔高效的儲能解決方案，被廣泛運用于電動汽車上，其應用市場較為廣泛。隨著使用時間、使用次數(shù)的增加，鋰電池會出現(xiàn)容量衰減，影響電池的可靠性。因此，準確估計電池容量對提高電動汽車的安全性及性能的充分發(fā)揮具有重要意義。

2、機器學習算法也被逐漸用于電池容量預測，但是目前機器學習方法是基于電池種類建立相應的預測模型，使用大量數(shù)據(jù)進行數(shù)據(jù)訓練后預測電池容量，此方法不僅對訓練數(shù)據(jù)的需要量大且對其特征參數(shù)要求高，而且當電池種類發(fā)生改變時預測模型便無法使用需要重新建模并訓練。因此，在電池容量預測解決方案中，在對電池容量進行準確預測的同時如何提升預測模型的普遍適用性和減少訓練數(shù)據(jù)量成為急需解決的關鍵問題。

技術實現(xiàn)思路

1、為了克服上述技術缺陷，本發(fā)明實施例中提供了一種基于短期充電數(shù)據(jù)和增強鯨魚優(yōu)化算法的鋰電池容量預測方法，能夠準確預測不同種類電池的電池容量，提升容量預測準確性的同時能減少訓練數(shù)據(jù)量。

2、本發(fā)明實施例中提供的一種基于短期充電數(shù)據(jù)和增強鯨魚優(yōu)化算法的鋰電池容量預測方法，包括：

3、在對不同類型電池循環(huán)充放電測試過程中，實時采集記錄電池的充放電數(shù)據(jù)并且提取短期充電數(shù)據(jù)，充放電數(shù)據(jù)包括充電時間、電壓、電流和容量數(shù)據(jù)，短期充電數(shù)據(jù)是在預設的短期充電時長內對充電電壓、電流數(shù)據(jù)進行樣條插值處理后得到；

4、基于增強鯨魚優(yōu)化算法從短期充電數(shù)據(jù)中通過迭代尋優(yōu)提取電池老化特征，其中增強鯨魚優(yōu)化算法是在經典鯨魚優(yōu)化算法中引入了池化機制、遷移搜索策略、優(yōu)先選擇搜索策略和包圍獵物搜索策略改進后的得到，電池老化特征為與電池容量相關性最強的充電時間區(qū)間對應的電壓區(qū)間的電壓增量；

5、對于不同類型電池或同種類型電池，將充放電數(shù)據(jù)和老化特征輸入高斯過程回歸模型中預測得到電池容量預測值，其中高斯過程回歸模型是基于高斯過程回歸算法構建。

6、可選的，在上述鋰電池容量預測方法的一種可能的實現(xiàn)方式中，增強鯨魚優(yōu)化算法的參數(shù)設置的具體步驟包括：將電壓增量和電池容量的斯皮爾曼相關性系數(shù)作為目標函數(shù)，將優(yōu)化目標定義為電壓增量與電池容量的斯皮爾曼相關性系數(shù)最小；將優(yōu)化對象設置為充電時間區(qū)間的上限和下限；設置增強鯨魚優(yōu)化算法參數(shù)：搜索代理數(shù)量、決策變量數(shù)量、最大迭代次數(shù)、執(zhí)行次數(shù)以及優(yōu)化對象的上下限。

7、可選的，在上述鋰電池容量預測方法的一種可能的實現(xiàn)方式中，迭代尋優(yōu)的具體步驟包括：基于增強鯨魚優(yōu)化算法，在超參數(shù)空間中隨機初始化一群鯨魚，即算法的候選解；將每個鯨魚代表的充電時間區(qū)間的上限和下限對應的電壓增量提取出，并計算電壓增量與電池容量之間的斯皮爾曼相關性系數(shù)，用適應度函數(shù)評估算法性能；根據(jù)增強鯨魚優(yōu)化算法的規(guī)則更新鯨魚的位置，即充電時間區(qū)間的上限和下限；不斷更新鯨魚的位置，直到達到最大迭代次數(shù)，得到與電池容量相關性最強的充電時間區(qū)間的全局最優(yōu)解，找到對應電壓區(qū)間的電壓增量并將其作為老化特征。

8、可選的，在上述鋰電池容量預測方法的一種可能的實現(xiàn)方式中，池化機制被定義為：給定大小為k的矩陣pool＝(p1,p2,...,pk)，每次迭代結束時，生成矩陣pool中的元素pi＝(pi,1,pi,2,...,pi,d)，元素pi生成的公式如下：

9、

10、式中，pit代表第t次迭代的元素，為第t次迭代中的二進制隨機向量，則是它的逆向量，為第t次迭代中的最差解，則代表的是在第t次迭代中生成最優(yōu)解所對應鯨魚的一個鄰近的隨機位置。

11、可選的，在上述鋰電池容量預測方法的一種可能的實現(xiàn)方式中，遷移搜索策略的工作原理可以歸納為下式：

12、

13、式中：代表第t+1次迭代中，第i只鯨魚的位置；代表第t次迭代中，搜索空間內鯨魚的隨機位置；rand是一個介于[0,1)隨機數(shù)，且它服從均勻分布；δmax和δmin分別對應求解問題的上界和下界；δbest-max和δbest-min則分別對應最優(yōu)解的上界和下界。

14、可選的，在上述鋰電池容量預測方法的一種可能的實現(xiàn)方式中，優(yōu)先選擇搜索策略的工作原理可以歸納為下式：

15、

16、式中：代表第t次迭代中，第i只鯨魚的位置；和均為第t次迭代中，從矩陣pool中隨機選擇的位置1和位置2；maxit代表增強鯨魚優(yōu)化算法中設置的最大迭代次數(shù)。

17、可選的，在上述鋰電池容量預測方法的一種可能的實現(xiàn)方式中，包圍獵物搜索策略的工作原理可以歸納為以下等式：

18、

19、式中：為第t次迭代中，從矩陣pool中隨機選擇的位置3。

20、可選的，在上述鋰電池容量預測方法的一種可能的實現(xiàn)方式中，高斯過程回歸模型的訓練的具體步驟包括：將提取到的某電池的前15％老化特征與電池容量數(shù)據(jù)作為模型訓練集，將訓練集用于運行高斯過程回歸模型尋找關聯(lián)關系，并保存所得模型。

21、可選的，在上述鋰電池容量預測方法的一種可能的實現(xiàn)方式中，其特征在于，對于不同種類型的不同電池，其電池容量預測的具體步驟包括：將從某一個電池中采集到的前15％電池容量數(shù)據(jù)和老化特征輸入到高斯過程回歸模型中進行模型訓練，并將從該電池中采集到的后85％的電池容量數(shù)據(jù)和老化特征輸入到訓練后的高斯過程回歸模型中用于模型驗證，同類其他電池的所有特征輸入到所訓練的高斯過程回歸模型中，得到該電池的電池容量預測值。

22、可選的，在上述鋰電池容量預測方法的一種可能的實現(xiàn)方式中，對于同種類型電池，其電池容量預測的具體步驟包括：對于同種類型的不同電池，將電池循環(huán)充放電測試過程中所得的后85％的電池容量數(shù)據(jù)和該電池的老化特征直接輸入到訓練好的高斯過程回歸模型，得到對應電池的電池容量預測值。

23、本發(fā)明實施例中采用上述技術方案可以實現(xiàn)以下技術效果：

24、在本發(fā)明實施例中基于短期充電數(shù)據(jù)和增強鯨魚優(yōu)化算法的鋰電池容量預測方法中，首先通過對短期充電時長內對充電電壓、電流數(shù)據(jù)進行插值處理得到短期充電數(shù)據(jù)，其次通過引入了池化機制、遷移搜索策略、優(yōu)先選擇搜索策略和包圍獵物搜索策略對經典鯨魚優(yōu)化算法進行改進使得算法的搜索能力、跳出局部最優(yōu)的能力得以提升，并且平衡了算法的局部搜索能力和全局搜索能力，因此使用增強鯨魚優(yōu)化算法從短期充電數(shù)據(jù)中提取電池老化特征時，可以使得提取的電池老化特征與電池容量的相關性更強，使用此方法提取的電池老化特征可以提升電池容量預測的預測準確性，同時由于特征是從不同類似電池的短期充電時長內充電電流、電壓數(shù)據(jù)中提取的，因此該預測方法還能預測不同種類電池的電池容量，同時還能減少預測所需的訓練數(shù)據(jù)量。

技術特征：

1.一種基于短期充電數(shù)據(jù)和增強鯨魚優(yōu)化算法的鋰電池容量預測方法，其特征在于，包括：

2.根據(jù)權利要求1所述的方法，其特征在于，所述增強鯨魚優(yōu)化算法的參數(shù)設置的具體步驟包括：

3.根據(jù)權利要求2所述的方法，其特征在于，所述迭代尋優(yōu)的具體步驟包括：

4.根據(jù)權利要求3所述的方法，其特征在于，所述池化機制被定義為：給定大小為k的矩陣pool＝(p1,p2,...,pk)，每次迭代結束時，生成矩陣pool中的元素pi＝(pi,1,pi,2,...,pi,d)，元素pi生成的公式如下：

5.根據(jù)權利要求4所述的方法，其特征在于，所述遷移搜索策略的工作原理可以歸納為下式：

6.根據(jù)權利要求5所述的方法，其特征在于，所述優(yōu)先選擇搜索策略的工作原理可以歸納為下式：

7.根據(jù)權利要求6所述的方法，其特征在于，所述包圍獵物搜索策略的工作原理可以歸納為以下等式：

8.根據(jù)權利要求7所述的方法，其特征在于，所述高斯過程回歸模型的訓練的具體步驟包括：

9.根據(jù)權利要求8所述的方法，其特征在于，對于不同種類型的不同電池，其電池容量預測的具體步驟包括：

10.根據(jù)權利要求8所述的方法，其特征在于，對于同種類型電池，其電池容量預測的具體步驟包括：

技術總結
本發(fā)明實施例公開了基于短期充電數(shù)據(jù)和增強鯨魚優(yōu)化算法的鋰電池容量預測方法，能夠準確預測不同種類電池的電池容量，提升容量預測準確性的同時能減少訓練數(shù)據(jù)量。該方法包括：在對不同類型電池循環(huán)充放電測試過程中，實時采集記錄電池的充放電數(shù)據(jù)并且提取短期充電數(shù)據(jù)，充放電數(shù)據(jù)包括充電時間、電壓、電流和容量數(shù)據(jù)，短期充電數(shù)據(jù)是在預設的短期充電時長內對充電電壓、電流數(shù)據(jù)進行樣條插值處理后得到；基于增強鯨魚優(yōu)化算法從短期充電數(shù)據(jù)中通過迭代尋優(yōu)提取電池老化特征，其中增強鯨魚優(yōu)化算法是在經典鯨魚優(yōu)化算法中引入了池化機制、遷移搜索策略、優(yōu)先選擇搜索策略和包圍獵物搜索策略改進后的得到，電池老化特征為與電池容量相關性最強的充電時間區(qū)間對應的電壓區(qū)間的電壓增量；對于不同類型電池或同種類型電池，將充放電數(shù)據(jù)和老化特征輸入高斯過程回歸模型中預測得到電池容量預測值，其中高斯過程回歸模型是基于高斯過程回歸算法構建。

技術研發(fā)人員：夏雪磊,陳崢,彭月,陳洋,胡競元,申江衛(wèi),沈世全
受保護的技術使用者：昆明理工大學
技術研發(fā)日：
技術公布日：2024/12/19