[发明专利]一种基于WSA-LSTM算法的新能源汽车动力电池剩余使用寿命自适应预测方法

权利要求书

1.一种基于WSA-LSTM算法的新能源汽车动力电池剩余使用寿命自适应预测方法，其特征在于：包含如下阶段：

1)基于历史监测数据建立健康特征全集；

2)健康特征指标优选；

3)基于WSA算法进行LSTM超参数优化，具体步骤如下：

首先，确定LSTM算法需要优化的超参数，分别为隐含层节点、训练次数、初始学习率，确定WSA算法的初始参数，分别为搜索空间，即所有超参数的取值范围、最大迭代次数M，以及鲸鱼群规模Q，初始化种群中每只鲸鱼的位置量x_i；

其次，将种群中每只鲸鱼的位置向量赋值给待优化的超参数，并根据(式7)计算出位置向量的适应度值，筛选出种群中最小的三个适应度值对应的鲸鱼位置向量，赋给鲸鱼群位置向量X，

式中：y′_i表示LSTM模型预测值；y_i表示期望输出值；

接着，进行全局搜索觅食，找到更好的解决方案，根据彼此位置进行随机搜索，更新位置如(式8)～(式9)所示：

D＝|C·X_r(t)-X(t)| (式8)

X(t+1)＝X_r(t)-A·D (式9)

式中：X(t)指的是该鲸鱼个体当前的位置；X_r(t)指的是从当前鲸鱼体中任取的一个鲸鱼个体，A和C皆为系数向量，A＝2·a·r₁-a，C＝2·r₂；a为WSA的控制参数，a＝2-2·t/M，

若A的随机值在区间[-1,1]内时，WSA算法采用收缩包围方式与螺旋更新位置机制进行最优超参数方案的局部搜索，收缩包围方式如(式10)～(式11)所示：

D＝|C·X_b(t)-X(t)| (式10)

X(t+1)＝X_b(t)-A·D (式11)

式中：X_b(t)指的是当前鲸鱼群体中位置最优的鲸鱼个体，

随后鲸鱼个体以螺旋游走的方式不断靠近最优鲸鱼个体，螺旋更新位置机制如(式12)～(式13)所示：

D′＝|X_b(t)-X(t)| (式12)

X(t+1)＝D′·e^bl·cos(2πl)+X_b(t) (式13)

判断是否达到最大迭代次数M，如果达到最大迭代次数，结束更新，如果没有达到最大迭代次数，继续重复全局搜索与局部搜索；

最后，WSA算法寻优结束后，将最优的位罝向量赋给隐层节点、训练次数、初始学习率，完成LSTM超参数寻优。

4)基于LSTM的动力电池RUF预测。