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：武汉理工大学

摘要：本发明公开了一种基于GA‑PSO优化的多模型融合电池荷电状态预测方法及系统，包括：采集锂电池的外部参数获得按时间排序的数据集；数据清洗和归一化处理，并划分为训练集、验证集和测试集；构建三个基模型GA‑PSO‑LSTM、GA‑PSO‑SVM、A‑PSO‑GRU，集成为强学习模型；对强学习模型进行训练，得到新的训练集的特征和新的测试集的特征；采用真实SOC值作为输出进行第二轮训练，采用新测试集预测，最后将单个预测值加权平均得到最终的SOC预测值。本发明解决了单个遗传算法后期效率低，单个粒子群算法陷入局部最优解的问题，提高了优化的效率和效果，具有长期的数据记忆的优点，提高了预测的准确度。

主权项：1.一种基于GA-PSO优化的多模型融合电池荷电状态预测方法，其特征在于包括如下步骤：S1：采集锂电池的外部参数：包括电流、电压、温度、放电安时、电动汽车的额定容量，并由外部参数计算得到实际电池SOC值，获得按时间排序的包括电流、电压、温度、SOC值原始特征加标签的数据集；S2：数据清洗：对数据集数据中的缺失值，重复值，离群点分别进行数据分析，对少量缺失值采用插值处理，对重复值进行去重处理，对离群点进行删除处理；然后对清洗完的数据进行Max-min归一化处理，将归一化后的样本数据划分为训练集、验证集和测试集；S3:构建多个基模型，集成为强学习模型：构建GA-PSO-LSTM模型，采用遗传算法和粒子群混合算法优化确定LSTM神经网络的各个最优超参数；构建GA-PSO-SVM模型，优化确定SVM的最优惩罚系数和高斯径向基宽度系数；构建GA-PSO-GRU模型，优化确定GRU的隐藏层节点数和学习步长；S4:建立新特征：将步骤S3得到的包含最优超参数的GA-PSO-LSTM模型、GA-PSO-SVM模型、GA-PSO-GRU模型集成，将其中一个工况作为测试集不变，每次将剩余五个工况中的四个工况分别作为训练集，另外一个工况的数据作为验证集，依次输入得到每个模型验证集的预测值，将各模型验证集的预测值作为新的训练集的特征；同时也得到测试集的预测值，将测试集的预测值的结果加权平均作为新的测试集的特征；S5:SOC预测：将步骤S4得到的新的训练集的特征作为输入，将真实SOC值作为输出，选择GA-PSO-LSTM，GA-PSO-SVM，GA-PSO-GRU模型训练，将模型训练好后，将步骤S4的新的测试集的特征作为输入，得到三个模型的单个模型的SOC预测值，最后将单个模型的SOC预测值加权平均得到最终的SOC预测值，并评估模型的误差；所述步骤S3中，构建GA-PSO-LSTM模型包括以下步骤：步骤S31，随机初始化种群；步骤S32，设置适应度函数为LSTM神经网络的均方误差的倒数，并用适应度函数对初始种群进行适应度计算；步骤S33，对种群的全部个体进行粒子群进化操作，更新粒子的速度和位置，产生子代种群1；同时对种群的全部个体进行遗传，交叉，变异操作得到子代种群2；步骤S34，将子代种群1和子代种群2按照适应度值从大到小排序，选择适应度高的作为子代种群3；步骤S35，设置终止条件为种群的迭代次数，若满足终止条件，则输出适应度最优的个体，寻优过程结束，此时LSTM网络为全局最优的组合；否则进行步骤S32；构建GA-PSO-SVM模型、GA-PSO-GRU模型方法同GA-PSO-LSTM模型相同；所述步骤S4中GA-PSO-LSTM模型、GA-PSO-SVM模型、GA-PSO-GRU模型各自的训练过程如下：每次训练都将训练集中包括的电流、电压、温度作为输入，真实SOC值作为输出，每次训练都会得到三个训练后模型：GA-PSO-LSTM模型、GA-PSO-SVM模型、GA-PSO-GRU模型；针对每次训练后得到的训练后模型，分别将各次训练对应的验证集和测试集中的电流、电压、温度作为输入，输入对应的各训练后模型中，得到分别输出的验证集预测值和测试集预测值；最后将五次训练后GA-PSO-LSTM模型得到的验证集预测值按照时间序列拼接起来作为第一特征A1，将五次训练后GA-PSO-SVM模型得到的测试集预测值按照时间序列拼接起来作为第二特征A2，将五次训练后GA-PSO-GRU模型得到的测试集预测值按照时间序列拼接起来作为第三特征A3；将第一特征A1中每个数据相加除以5，得到第一测试集特征B1；将第二特征A2中每个数据相加除以5，得到第二测试集特征B2；将第三特征A3中每个数据相加除以5，得到第三测试集特征B3；将所得三个测试集特征B1，B2，B3加权平均，得到测试集的SOC预测值B0；步骤S4中，整个电池数据集包含了6个工况的数据：data1，data2，data3，data4，data5，data6，其中data6作为测试集始终不变，其余5份作为训练集和验证集，训练集和验证集按照训练次数发生变化：第一次训练将data1作为验证集，其余4份作为训练集，第二次训练将data2作为验证集，其余4份作为训练集，…依次类推训练5次，第五次训练将data5作为验证集，其余4份作为训练集。

全文数据：

权利要求：

百度查询： 武汉理工大学 基于GA-PSO优化的多模型融合电池荷电状态预测方法及系统