[发明专利]基于目标分解的改进多目标粒子群优化的锂离子电池容量预测方法

权利要求书

1.基于目标分解的改进多目标粒子群优化的锂离子电池容量预测方法，其特征在于：其包括以下步骤：

步骤1，确认并获取锂离子电池容量预测的关键因素；

步骤2，将锂离子电池的容量预测中所涉及的关键因素抽象为多目标优化问题并初始化种群粒子，

步骤3，使用PSO算法更新粒子的位置和速度；

步骤4，评估所有粒子的适应度值，保存适应度最好的粒子

步骤5，判断是否达到最大迭代次数；是则，输出最优粒子；否则，更新粒子的速度和位置并更新PSO算法参数后执行步骤6；

步骤6，生成一范围在(0，1)内随机概率数，并判断该随机概率数是否大于预设概率；是则，采用灰狼算法计算更新粒子的位置并执行步骤4；否则，执行步骤4。

2.根据权利要求1所述的基于目标分解的改进多目标粒子群优化的锂离子电池容量预测方法，其特征在于：步骤1中关键因素包括静态的存储容量衰减、动态的循环容量衰减和运行中的电流效应。

3.根据权利要求1所述的基于目标分解的改进多目标粒子群优化的锂离子电池容量预测方法，其特征在于：步骤2中第i个粒子的预测值为受到的约束条件为从而得出式子(2)；是由粒子对于各个约束条件的违反程度之和来度量，则：

其中，约束有两种情况，一种为不等式约束，另一种为等式约束，对应的数学表达式分别为式子(4)和式子(5)

式子(4)为目标函数中不等式约束的违反程度，其中为目标函数中已知的不等式约束条件，设置与0进行对比，取最大值，能够判断所得结果是否满足不等式约束，q为粒子的个数；式子(5)为目标函数的等式约束的违反程度，取得0和之间的最大值，其中的ε为等式约束中的可容忍误差。

4.根据权利要求1所述的基于目标分解的改进多目标粒子群优化的锂离子电池容量预测方法，其特征在于：步骤3中粒子群根据式子(22)和式子(23)来计算更新粒子的位置：

v_ij(t+1)＝wv_ij(t)+c₁r₁(p_ij(t)-x_ij(t)+c₂r₂(p_gj(t)-x_ij(t)) (22)

x_ij(t+1)＝x_ij(t)+v_ij(t+1) (23)

式子(22)为粒子群优化算法中的粒子速度更新，t为迭代的代数，v_ij(t)为上一代粒子的速度的值，x_ij(t)为上一代粒子的位置，p_ij(t)为该粒子当前的最优适应度值的位置，p_gj(t)为所有粒子的最优适应度值的位置。式子(23)为下一代粒子的位置。

5.根据权利要求1所述的基于目标分解的改进多目标粒子群优化的锂离子电池容量预测方法，其特征在于：步骤4中采用如下公式计算种群更新后的个体适应度值：

其中，为和最优个体的适应度差值，为约束条件的函数，w_1i,w_2i,w_3i为权重，调整各类函数在的问题中的比重。