[发明专利]一种基于ISSA耦合DELM的锂离子电池健康状态预测方法

说明书

本发明公开了一种基于ISSA耦合DELM的锂离子电池健康状态预测方法，该方法采用DELM网络预测电池SOH模块和ISSA优化DELM网络参数模块实现对电池SOH的预测，其中，DELM网络包括两个ELM‑AE结构。本申请将30％的优秀麻雀作为精英麻雀，通过求解这些麻雀的反向解，进一步扩大了SSA算法的搜索空间；并采用柯西‑高斯变异算子重新定位了最优麻雀的位置，使得整个种群尽可能移动到最优解附近，避免算法陷入局部最优；基于改进后的SSA算法求解DELM网络的最优隐含层权重和偏置，进一步提高DELM网络的预测精度；ISSA‑DELM锂离子电池SOH估计模型预测精度高，可用于随机放电条件下锂离子电池的健康状态精确预测。

技术领域

本发明属于锂离子电池健康管理技术领域，具体涉及一种基于ISSA耦合DELM的锂离子电池健康状态预测方法。

背景技术

锂离子电池以其重量轻、充电效率高、寿命长、维护成本低、环保等优点成为最受欢迎和应用最广泛的储能方式之一。健康状态(State of Health，SOH)是衡量电池寿命的标准，SOH的准确监控对于提高电池储能系统的性能和实现设备的及时维护至关重要。在大多数现有的研究中，标准的充放电模式和许多假设被认为会加速电池老化过程。但是，这种模式和假设未能反映电池真实的运行条件。此外，电池的实际容量和放电电流关系密切，在大电流放电时，电池的极化增强，内阻增大，电池的容量下降很快。相应地，在低倍率放电条件下，放电电压下降缓慢，电池容量下降较慢。因此，如果不考虑放电电流的随机性，就不能准确估计实际生活中电池的健康状态。

根据健康因子的不同，研究人员通常将健康状态的估计方法分为直接估计法和间接估计法。直接估计方可以使用容量或阻抗这两种直接健康因子来预测SOH，但是这两个参数很难通过现有的传感器来测量，且仅能够在恒定负载条件下使用。相比之下，间接健康因子(Indirect health indicators,IHIs)因为可以从容易测量的电压和电流数据中提取而受到了更多技术人员的关注。由于电池的操作条件复杂，传统的从恒定放电条件下提取的间接健康因子不具参考价值和实际意义。

此外，随机放电条件下锂离子电池的劣化复杂，且该过程在时间维度上没有规律，因此很难找到一个合适的模型来学习已经提取的IHIs和电池SOH之间的非线性映射关系。深度极限学习机(Deep Extreme Learning Machine,DELM)是极限学习机的创始人黄广斌提出的一种简便、高效的训练算法。与传统深度学习算法相同，DELM也是用逐层贪婪的训练方法来训练网络，DELM每个隐藏层的输入权重都使用极限学习机自动编码器(ELM-AE,Extreme Learning Machine-Auto Encoder)初始化，执行分层无监督训练，但是与传统深度学习算法不同的是DELM不需要反向微调过程，因此它的学习速度很快。

本发明使用两个ELM-AE构成DELM的网络结构，实现对随机放电条件下的锂离子电池的SOH的回归预测。由于DELM的隐藏层权重和偏置是随机生成的，且设定之后不再反向调整，因此DELM的预测精度受这些参数的影响很大。麻雀优化算法(Sparrow SearchAlgorithm,SSA)是从麻雀觅食和反捕食的行为中衍生出的一种性能良好的元启发式算法，具有搜索精度高，收敛速度快，稳定性高的优点。利用SSA算法优化DELM神经网络的隐含层权重和偏置，可以避免随机初始化的输入权重和隐含层偏差对DELM神经网络预测精度的影响。但和其他优化算法一样，SSA算法仍存在迭代后期计算效率低，容易陷入局部最优的问题，这样在应用SSA算法解决DELM预测锂离子电池SOH的问题时，会导致电池SOH预测效果不理想。

发明内容

本发明针对锂离子电池随机放电下健康状态难以预测的问题，提出了一种基于ISSA耦合DELM的锂离子电池健康状态预测方法，该方法采用DELM网络预测电池SOH模块和ISSA优化DELM网络参数模块实现对电池SOH的预测。

一种基于ISSA耦合DELM的锂离子电池健康状态预测方法，采用DELM网络预测电池SOH模块和ISSA优化DELM网络参数模块实现对电池SOH的预测，