[发明专利]一种电池健康状态SOH预测方法及装置

权利要求书

1.一种电池健康状态SOH预测方法，其特征在于，包括：

在原始数据集中提取与电池容量衰退相关的特征因子构建特征向量；

根据所述原始数据集，获得与所述特征向量相对应的训练样本集和测试样本集；

通过改进的蚁狮优化算法对支持向量回归模型进行参数寻优，获得最优参数组合；

将所述最优参数组合作为所述支持向量回归模型的参数，通过所述训练样本集对所述支持向量回归模型进行训练；

采用完成训练的支持向量回归模型对所述测试样本集进行预测，输出SOH预测结果；

其中，所述改进的蚁狮优化算法包括加权精英策略，所述加权精英策略用于调整蚂蚁分别围绕精英蚁狮和轮盘赌选择的蚁狮的随机游走所占的比重。

2.根据权利要求1所述的方法，其特征在于，所述特征因子为电池的恒流充电时间。

3.根据权利要求1所述的方法，其特征在于，所述训练样本集定义为:测试样本集定义为:

其中，x_n表示所述训练样本集中第n个训练样本的特征向量，y_n表示所述第n个训练样本的回归值，N表示训练样本的数量；表示所述测试样本中第h个评估样本的特征向量，表示所述第h个评估样本的回归值，L表示评估样本的数目。

4.根据权利要求1所述的方法，其特征在于，还包括：对所述改进的蚁狮优化算法和所述支持向量回归模型进行参数初始化设置；其中，

在所述改进的蚁狮优化算法中，设置蚁群的数量Ant_n＝30，蚁狮的数量Antlion_n＝30，适应度函数维度dim＝2，最大迭代次数Max_iter＝200；

在所述支持向量回归模型中，设置惩罚因子C和核函数参数σ的参数范围，所述惩罚因子C和核函数参数σ的上界为100、下界为0.01。

5.根据权利要求4所述的方法，其特征在于，所述通过改进的蚁狮优化算法对支持向量回归模型进行参数寻优，获得最优参数组合，包括：

种群随机初始化：所述改进的蚁狮优化算法中每只蚂蚁和每只蚁狮的位置对应所述支持向量回归模型中一组待优化参数组合(C,σ)，根据所述惩罚因子C和核函数参数σ的参数范围对所述每只蚂蚁和每只蚁狮的位置进行随机初始化，获得每只蚂蚁和每只蚁狮的位置，其中，第i只蚂蚁或第i只蚁狮的位置为(C_i,σ_i)；

计算适应度函数值：分别将所述每只蚂蚁和每只蚁狮的位置作为参数代入所述支持向量回归模型进行训练，根据均方误差建立的适应度函数：对所有蚂蚁和蚁狮的适应度从高到低排序，并将蚁狮种群中适应度值最优的个体作为当前的精英蚁狮Elite；其中，MSE代表实际值与预测值之间的均方误差，为第n个训练样本的预测值，y_n为第n个训练样本的实际值，N为训练样本集的样本个数；

更新蚂蚁位置：根据公式更新所有蚂蚁的位置，其中，为第t次迭代时第i只蚂蚁的位置，为蚂蚁在第t次迭代时围绕轮盘赌轮选择的蚁狮RAntlion随机游走后的位置，为蚂蚁第t次迭代时围绕精英蚁狮EAntlion随机游走后的位置，为权重系数表达式，其中，_max和_min分别表示最大惯性权重和最小惯性权重，ξ为控制随机性的常数，rand为(0,1)间均匀分布的随机数；

更新蚁狮的位置：若第i只蚂蚁的适应度值大于对应的第j只蚁狮的适应度值，则将所述第j只蚁狮的位置更新为所述第i只蚂蚁的位置，其中，所述第i只蚂蚁为被所述第j只蚁狮捕获的蚂蚁；将蚁狮种群中适应度最大的蚁狮位置更新为精英蚁狮的位置；

判断终止条件：若达到最大迭代次数，将精英蚁狮位置作为最优参数组合；否则，将返回计算适应度函数值步骤。

6.一种电池健康状态SOH预测装置，其特征在于，包括：

处理器；

用于存储处理器的执行指令的存储器；

其中，所述处理器被配置为执行权利要求1-5任一项所述的方法。