本發(fā)明屬于鋰電池健康狀態(tài)預(yù)測，尤其涉及一種基于貝葉斯優(yōu)化的鋰離子電池健康狀態(tài)預(yù)測方法及系統(tǒng)。

背景技術(shù)：

1、鋰電池健康狀態(tài)預(yù)測方法主要有基于模型的預(yù)測方法和基于數(shù)據(jù)驅(qū)動的預(yù)測方法兩種?；谀Ｐ偷姆椒ㄖ饕噪娀瘜W(xué)模型和等效物理模型為主。電化學(xué)模型通過模擬電池內(nèi)部的化學(xué)反應(yīng)過程和物理過程，提供詳細的電池行為信息。等效電路模型通常為電路模型，以反映電池對外的電流電壓以及內(nèi)部的等效電阻信息為主，簡化了電池復(fù)雜的反應(yīng)過程?；跀?shù)據(jù)驅(qū)動的評估方法利用電池是歷史數(shù)據(jù)和機器學(xué)習(xí)方法。例如通過將傳統(tǒng)ga固定的交叉概率和變異概率拋棄，以自適應(yīng)概率計算策略來優(yōu)化bp神經(jīng)網(wǎng)絡(luò)的初始權(quán)閾值的方法；基于自注意力機制和門控循環(huán)單元(gru)的鋰電池soh(state of health,soh,健康狀態(tài))預(yù)測方法；基于雙向長短期記憶網(wǎng)絡(luò)(bilstm)的鋰電池soh和rul預(yù)測模型等。

2、在現(xiàn)有鋰離子電池soh預(yù)測方法中，基于電化學(xué)模型的預(yù)測方法普遍存在模型復(fù)雜、參數(shù)需求較大、計算成本較高、模型參數(shù)難以準確獲取的問題；基于等效物理模型的預(yù)測方法則普遍存在模型難以精確反映電池內(nèi)部真實變化過程、精度較低的問題。而對于基于數(shù)據(jù)驅(qū)動的預(yù)測方法而言，在現(xiàn)有的技術(shù)方法中，通過將傳統(tǒng)ga固定的交叉概率和變異概率拋棄，以自適應(yīng)概率計算策略來優(yōu)化bp神經(jīng)網(wǎng)絡(luò)的初始權(quán)閾值的方法雖然有效提高了預(yù)測的準確性，但是由于自適應(yīng)概率計算優(yōu)化算法的加入不可避免的對算法的復(fù)雜度有較大的提升；基于自注意力機制和門控循環(huán)單元(gru)的鋰電池soh預(yù)測方法因為gru本身對于長時間序列特征的捕捉存在局限性，在面對長序列時難以解決梯度消失的問題，所以該方法對于數(shù)據(jù)的形式有很大要求；基于雙向長短期記憶網(wǎng)絡(luò)(bilstm)的鋰電池soh和rul預(yù)測模型則在超參數(shù)調(diào)優(yōu)上存在難題，需要非常精細的調(diào)參才能達到良好的性能。

3、bilstm通過引入lstm的門機制(輸入門、遺忘門和輸出門)，能夠有效地處理長序列數(shù)據(jù)，學(xué)習(xí)其中的長期依賴關(guān)系。并且，與單向lstm不同，bilstm能夠同時處理序列的正向和反向信息，從而更全面地捕捉序列中的特征。但是，由于bilstm模型包含多個超參數(shù)，如學(xué)習(xí)率、隱藏層神經(jīng)元數(shù)量、迭代次數(shù)(epoch)、批處理大小(batch size)、dropout率等。這些超參數(shù)之間相互影響，共同決定了模型的性能和訓(xùn)練效果。因此，在調(diào)優(yōu)過程中需要綜合考慮多個因素，這使得bilstm在超參數(shù)調(diào)優(yōu)上十分困難。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的是提供一種基于貝葉斯優(yōu)化的鋰離子電池健康狀態(tài)預(yù)測方法及系統(tǒng)，提供基于貝葉斯優(yōu)化bilstm(bo-bilstm)的soh預(yù)測模型，利用貝葉斯優(yōu)化對bilstm模型的超參數(shù)進行優(yōu)化，解決了bilstm超參數(shù)調(diào)優(yōu)的問題，且貝葉斯優(yōu)化算法作為一種全局超參數(shù)優(yōu)化算法，相較于其他傳統(tǒng)優(yōu)化算法，能在評估次數(shù)有限的情況下，高效找到全局最優(yōu)解，大大降低了搜索時長，提高了模型的泛化效率。

2、本發(fā)明提供了一種基于貝葉斯優(yōu)化的鋰離子電池健康狀態(tài)預(yù)測方法，包括如下步驟：

3、步驟1：獲取電池充放電數(shù)據(jù)，對電池充放電數(shù)據(jù)進行預(yù)處理，并從預(yù)處理后的數(shù)據(jù)中提取關(guān)鍵健康因子；其中，所述電池充放電數(shù)據(jù)包括電壓、電流、溫度；所述關(guān)鍵健康因子包括恒流充電時間、電壓波動、放電容量隨時間的變化率；

4、步驟2：基于關(guān)鍵健康因子構(gòu)建初始的bisltm模型，設(shè)置初始超參數(shù)組合，使用貝葉斯優(yōu)化調(diào)整所述超參數(shù)得到最優(yōu)超參數(shù)組合，并利用得到的最優(yōu)超參數(shù)組合構(gòu)建bilstm最優(yōu)模型；

5、步驟3：利用所述bilstm最優(yōu)模型對電池的健康狀態(tài)進行預(yù)測。

6、進一步地，所述步驟2包括：

7、通過高斯過程對超參數(shù)進行建模，并使用概率改進采集函數(shù)選擇下一個評估點，不斷迭代這一過程，直到滿足設(shè)定的目標值或達到最大迭代次數(shù)，找到bilstm模型的最優(yōu)超參數(shù)組合，利用最優(yōu)超參數(shù)組合構(gòu)建bilstm最優(yōu)模型。

8、進一步地，所述步驟3包括：

9、使用貝葉斯優(yōu)化得到的最優(yōu)超參數(shù)組合，訓(xùn)練bilstm模型，并進行評估測試，通過將測試數(shù)據(jù)輸入bilstm最優(yōu)模型，進行soh預(yù)測，并將預(yù)測結(jié)果與真實soh值進行對比，評估bilstm最優(yōu)模型的準確性和魯棒性，驗證模型在實際應(yīng)用中的有效性。

10、進一步地，所述步驟1包括下列步驟：

11、步驟11：從實驗室條件下的電池循環(huán)充放電實驗中獲取電池充放電數(shù)據(jù)；

12、步驟12：對電池數(shù)據(jù)進行序列化處理，將電池數(shù)據(jù)按照時間前后進行排序，并計算各循環(huán)時的soh值；

13、步驟13：對電池數(shù)據(jù)中充放電容量超出閾值的循環(huán)充放電數(shù)據(jù)刪除，并對數(shù)據(jù)進行歸一化處理；

14、步驟14：從電池充放電數(shù)據(jù)中提取電池在0.5c恒流速率充電下電壓達到4.2v所需時間的數(shù)據(jù)作為電池健康因子hi1；

15、hi1＝t4.2v-t0.5c

16、式中，t4.2v表示電池電壓達到4.2v的時間；t0.5c表示電池以0.5c速率恒流充電開始的時間點；

17、步驟15：從電池充放電數(shù)據(jù)中提取電池在達到4.2v恒壓階段后，電流逐漸下降至0.05a截止電流所需時間的數(shù)據(jù)作為電池健康因子hi2；

18、hi2＝t0.05a-t4.2v

19、式中，t0.05a表示電流下降至截止電流0.05a的時間點；

20、步驟16：從電池充放電數(shù)據(jù)中提取電池在恒流放電過程中的電壓波動數(shù)據(jù)作為電池健康因子hi3；

21、

22、式中，n為一個循環(huán)內(nèi)恒壓放電過程中的采樣點個數(shù)，vi為各采樣點的電壓值，為放電過程中電壓的平均值；

23、步驟17：從電池充放電數(shù)據(jù)中提取電池一個周期內(nèi)的放電速率數(shù)據(jù)作為電池健康因子hi4；

24、

25、式中，δqdis表示在δt時間內(nèi)的放電容量變化；

26、步驟18：從電池充放電數(shù)據(jù)中提取電池在恒流放電過程中的峰值電壓和電流數(shù)據(jù)分別作為電池健康因子hi5和hi6；

27、步驟19：使用皮爾森相關(guān)系數(shù)作為衡量指標衡量各健康因子與soh的關(guān)聯(lián)程度；

28、

29、式中，r表示皮爾森相關(guān)系數(shù)；n為循環(huán)周期數(shù)；hi和sohi各循環(huán)周期的健康因子和soh值；和為整個循環(huán)周期內(nèi)健康因子和soh的平均值；

30、步驟110：在模型的輸入和輸出端，將相關(guān)系數(shù)大于0.9的健康因子作為模型的輸入，輸入數(shù)據(jù)的時序步長為16，輸出為預(yù)測未來一個時間步的soh。

31、本發(fā)明還提供了一種基于貝葉斯優(yōu)化的鋰離子電池健康狀態(tài)預(yù)測系統(tǒng)，包括預(yù)測模塊，所述預(yù)測模塊執(zhí)行所述一種基于貝葉斯優(yōu)化的鋰離子電池健康狀態(tài)預(yù)測方法。

32、本發(fā)明還提供了一種非暫態(tài)計算機可讀存儲介質(zhì)，所述非暫態(tài)計算機可讀存儲介質(zhì)存儲計算機指令，所述計算機指令被處理器執(zhí)行時實現(xiàn)所述一種基于貝葉斯優(yōu)化的鋰離子電池健康狀態(tài)預(yù)測方法。

33、本發(fā)明還提供了一種電子設(shè)備，包括：

34、存儲器和處理器，所述存儲器和所述處理器之間互相通信連接，所述存儲器中存儲有計算機指令，所述處理器通過執(zhí)行所述計算機指令，從而執(zhí)行所述一種基于貝葉斯優(yōu)化的鋰離子電池健康狀態(tài)預(yù)測方法。

35、借由上述方案，通過基于貝葉斯優(yōu)化的鋰離子電池健康狀態(tài)預(yù)測方法及系統(tǒng)，利用貝葉斯優(yōu)化對bilstm模型的超參數(shù)進行優(yōu)化，解決了bilstm超參數(shù)調(diào)優(yōu)的問題，且貝葉斯優(yōu)化算法作為一種全局超參數(shù)優(yōu)化算法，相較于其他傳統(tǒng)優(yōu)化算法，能在評估次數(shù)有限的情況下，高效找到全局最優(yōu)解，大大降低了搜索時長，提高了模型的泛化效率。

36、上述說明僅是本發(fā)明技術(shù)方案的概述，為了能夠更清楚了解本發(fā)明的技術(shù)手段，并可依照說明書的內(nèi)容予以實施，以下以本發(fā)明的較佳實施例并配合附圖詳細說明如后。

相關(guān)知識

基于模型的鋰離子電池健康狀態(tài)預(yù)測
基于機器學(xué)習(xí)的鋰離子電池健康狀態(tài)與剩余壽命預(yù)測
鋰離子電池健康狀態(tài)估計及剩余壽命預(yù)測研究
鋰離子電池健康狀態(tài)評估及剩余壽命預(yù)測方法
基于數(shù)據(jù)驅(qū)動的鋰離子電池健康狀態(tài)估計和剩余使用壽命預(yù)測
鋰離子電池健康狀態(tài)評估及剩余壽命預(yù)測方法研究
多類型鋰離子電池組管理系統(tǒng)的健康狀態(tài)和剩余壽命預(yù)測方法.pdf
基于數(shù)據(jù)驅(qū)動的鋰離子電池健康狀態(tài)估計及剩余壽命預(yù)測研究.docx
鋰離子電池組單體容量及健康狀態(tài)在線測量系統(tǒng)及方法與流程
動態(tài)工況下鋰離子動力電池荷電狀態(tài)估計和健康狀態(tài)預(yù)測

網(wǎng)址: 基于貝葉斯優(yōu)化的鋰離子電池健康狀態(tài)預(yù)測方法及系統(tǒng) http://m.u1s5d6.cn/newsview1393784.html