买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：合肥工业大学

摘要：本发明公开了一种基于优化后的BiLSTM神经网络的锂电池多状况预测方法和装置，该方法将改进的鸽群算法与遗传算法结合，有效的提升了鸽群算法的寻优能力；利用对BiLSTM的超参数进行参数寻优，避免了人为设置神经网络超参数，节约时间且能实验出最优的超参数，从而建立精确的神经网络模型，使网络精确地实现了锂电池SOC和SOE预测；利用平方根无迹卡尔曼滤波器对输出进行滤波，进一步提高了精度。所提方法具有应用范围广、预测精度高等优点，同时有效降低了人工调节神经网络参数的困难，有效提高了模型的准确性。

主权项：1.一种基于优化后的BiLSTM神经网络的锂电池多状况预测方法，其特征在于，将利用改进鸽群-遗传算法对锂电池BiLSTM神经网络模型超参数进行辨识，然后将得到的最优参数反馈到锂电池BiLSTM神经网络模型中，并同时估计锂电池荷电状态和锂电池剩余能量两种状态，再将优化后的神经网络输出到平方根无迹卡尔曼滤波中；包括如下步骤：步骤1：将锂电池在不同温度和驱动周期下充放电循环，并对放电循环中的锂电池进行采样，将采样数据组成锂电池放电数据集，并进行归一化处理；步骤2：获取锂电池BiLSTM神经网络的辨识参数：所述锂电池BiLSTM神经网络的辨识参数为：超参数中隐层神经元的数量ls、初始学习速率lr、最大迭代次数ep、学习速率下降因子lrdf和全连接层神经元数量fls，即在优化算法中，目标搜索空间的维数为5，将隐层神经元的数量ls、初始学习速率lr、最大迭代次数ep、学习速率下降因子lrdf和全连接层神经元数量fls分别记为辨识参数1、辨识参数2、辨识参数3、辨识参数4和辨识参数5；将所述辨识参数中的每一个辨识参数视为粒子个体的一个维度，所述粒子个体有粒子个体位置与粒子个体速度两个属性，粒子个体位置代表移动的方向，粒子个体速度代表移动的快慢，其中，粒子个体位置为辨识参数的值；步骤3，改进的鸽群-遗传混合算法参数的设置：设定目标搜索空间的维数为D，D＝5；设一个种群由N个粒子组成；设定最大迭代次数M；设定每条染色体的编码长度L；设定交叉概率p1；设定粒子个体的位置范围为{x_min，x_max}、粒子个体的速度范围{v_min，v_max}；其中，x_min为粒子个体位置的最小值，x_max为粒子个体位置的最大值，v_min为粒子个体速度的最小值，v_max为粒子个体速度的最大值；将N个粒子个体中的任意一个记为粒子个体i，i为种群中任意一个粒子个体的序号，i＝1，2，..N，将粒子个体i的位置向量记为个体位置Xi，粒子个体i的速度向量记为个体速度Vi，其表达式分别如下：Xi＝{xi1，xi2，...，xij...，xiD}Vi＝{vi1，vi2，...vij...，viD}其中，个体位置Xi为锂电池BiLSTM神经网络模型的一组辨识参数的解，xij为粒子个体i第j维的位置，j＝1，2，..D；个体速度Vi为锂电池等效电路模型的一组参数的解在粒子搜索解空间中的速度，vij为粒子个体i第j维的速度；将粒子个体i的适应度值记为个体适应度值fi，将整个粒子群搜索到的适应度值最小的位置记为全局最优位置Xg；步骤4，优化BiLSTM神经网络的迭代流程：步骤4.1，个体位置和个体速度的初始化；步骤4.2，个体位置和个体速度的更新；步骤4.3，交叉和变异并计算适应度值，更新全局最优；步骤4.4，比较迭代次数：如果当前迭代次数t＞NC1，转到步骤4.5；否则，转到步骤4.1；Nc1为指南针算子中的迭代次数；步骤4.5，找到鸽群的中心，并对鸽群更新位置；步骤4.6，判断若当前迭代次数t＝NC2，结束迭代，输出当前全局最优位置Xg，全局最优位置Xg对应的一组辨识参数即为锂电池BiLSTM神经网络的一组最优参数；若t＜NC2，返回步骤4.5进行下一次迭代；步骤5，平方根无迹卡尔曼滤波器对输出进行滤波：将寻优后的BiLSTM神经网络的预测结果输出到平方根无迹卡尔曼滤波中，由平方根无迹卡尔曼滤波器对输出进行滤波。

全文数据：

权利要求：

百度查询： 合肥工业大学 一种基于优化后的BiLSTM神经网络的锂电池多状况预测方法和装置