Document
拖动滑块完成拼图
首页 专利交易 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 IP管家助手 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索

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 

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

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。