首页 > 资讯 > 基于贝叶斯优化的锂离子电池健康状态预测方法及系统

基于贝叶斯优化的锂离子电池健康状态预测方法及系统

泰然健康网
2025-06-10 23:06

本发明属于锂电池健康状态预测，尤其涉及一种基于贝叶斯优化的锂离子电池健康状态预测方法及系统。

背景技术：

1、锂电池健康状态预测方法主要有基于模型的预测方法和基于数据驱动的预测方法两种。基于模型的方法主要以电化学模型和等效物理模型为主。电化学模型通过模拟电池内部的化学反应过程和物理过程，提供详细的电池行为信息。等效电路模型通常为电路模型，以反映电池对外的电流电压以及内部的等效电阻信息为主，简化了电池复杂的反应过程。基于数据驱动的评估方法利用电池是历史数据和机器学习方法。例如通过将传统ga固定的交叉概率和变异概率抛弃，以自适应概率计算策略来优化bp神经网络的初始权阈值的方法；基于自注意力机制和门控循环单元(gru)的锂电池soh(state of health,soh,健康状态)预测方法；基于双向长短期记忆网络(bilstm)的锂电池soh和rul预测模型等。

2、在现有锂离子电池soh预测方法中，基于电化学模型的预测方法普遍存在模型复杂、参数需求较大、计算成本较高、模型参数难以准确获取的问题；基于等效物理模型的预测方法则普遍存在模型难以精确反映电池内部真实变化过程、精度较低的问题。而对于基于数据驱动的预测方法而言，在现有的技术方法中，通过将传统ga固定的交叉概率和变异概率抛弃，以自适应概率计算策略来优化bp神经网络的初始权阈值的方法虽然有效提高了预测的准确性，但是由于自适应概率计算优化算法的加入不可避免的对算法的复杂度有较大的提升；基于自注意力机制和门控循环单元(gru)的锂电池soh预测方法因为gru本身对于长时间序列特征的捕捉存在局限性，在面对长序列时难以解决梯度消失的问题，所以该方法对于数据的形式有很大要求；基于双向长短期记忆网络(bilstm)的锂电池soh和rul预测模型则在超参数调优上存在难题，需要非常精细的调参才能达到良好的性能。

3、bilstm通过引入lstm的门机制(输入门、遗忘门和输出门)，能够有效地处理长序列数据，学习其中的长期依赖关系。并且，与单向lstm不同，bilstm能够同时处理序列的正向和反向信息，从而更全面地捕捉序列中的特征。但是，由于bilstm模型包含多个超参数，如学习率、隐藏层神经元数量、迭代次数(epoch)、批处理大小(batch size)、dropout率等。这些超参数之间相互影响，共同决定了模型的性能和训练效果。因此，在调优过程中需要综合考虑多个因素，这使得bilstm在超参数调优上十分困难。

技术实现思路

1、本发明的目的是提供一种基于贝叶斯优化的锂离子电池健康状态预测方法及系统，提供基于贝叶斯优化bilstm(bo-bilstm)的soh预测模型，利用贝叶斯优化对bilstm模型的超参数进行优化，解决了bilstm超参数调优的问题，且贝叶斯优化算法作为一种全局超参数优化算法，相较于其他传统优化算法，能在评估次数有限的情况下，高效找到全局最优解，大大降低了搜索时长，提高了模型的泛化效率。

2、本发明提供了一种基于贝叶斯优化的锂离子电池健康状态预测方法，包括如下步骤：

3、步骤1：获取电池充放电数据，对电池充放电数据进行预处理，并从预处理后的数据中提取关键健康因子；其中，所述电池充放电数据包括电压、电流、温度；所述关键健康因子包括恒流充电时间、电压波动、放电容量随时间的变化率；

4、步骤2：基于关键健康因子构建初始的bisltm模型，设置初始超参数组合，使用贝叶斯优化调整所述超参数得到最优超参数组合，并利用得到的最优超参数组合构建bilstm最优模型；

5、步骤3：利用所述bilstm最优模型对电池的健康状态进行预测。

6、进一步地，所述步骤2包括：

7、通过高斯过程对超参数进行建模，并使用概率改进采集函数选择下一个评估点，不断迭代这一过程，直到满足设定的目标值或达到最大迭代次数，找到bilstm模型的最优超参数组合，利用最优超参数组合构建bilstm最优模型。

8、进一步地，所述步骤3包括：

9、使用贝叶斯优化得到的最优超参数组合，训练bilstm模型，并进行评估测试，通过将测试数据输入bilstm最优模型，进行soh预测，并将预测结果与真实soh值进行对比，评估bilstm最优模型的准确性和鲁棒性，验证模型在实际应用中的有效性。

10、进一步地，所述步骤1包括下列步骤：

11、步骤11：从实验室条件下的电池循环充放电实验中获取电池充放电数据；

12、步骤12：对电池数据进行序列化处理，将电池数据按照时间前后进行排序，并计算各循环时的soh值；

13、步骤13：对电池数据中充放电容量超出阈值的循环充放电数据删除，并对数据进行归一化处理；

14、步骤14：从电池充放电数据中提取电池在0.5c恒流速率充电下电压达到4.2v所需时间的数据作为电池健康因子hi1；

15、hi1＝t4.2v-t0.5c

16、式中，t4.2v表示电池电压达到4.2v的时间；t0.5c表示电池以0.5c速率恒流充电开始的时间点；

17、步骤15：从电池充放电数据中提取电池在达到4.2v恒压阶段后，电流逐渐下降至0.05a截止电流所需时间的数据作为电池健康因子hi2；

18、hi2＝t0.05a-t4.2v

19、式中，t0.05a表示电流下降至截止电流0.05a的时间点；

20、步骤16：从电池充放电数据中提取电池在恒流放电过程中的电压波动数据作为电池健康因子hi3；

21、

22、式中，n为一个循环内恒压放电过程中的采样点个数，vi为各采样点的电压值，为放电过程中电压的平均值；

23、步骤17：从电池充放电数据中提取电池一个周期内的放电速率数据作为电池健康因子hi4；

24、

25、式中，δqdis表示在δt时间内的放电容量变化；

26、步骤18：从电池充放电数据中提取电池在恒流放电过程中的峰值电压和电流数据分别作为电池健康因子hi5和hi6；

27、步骤19：使用皮尔森相关系数作为衡量指标衡量各健康因子与soh的关联程度；

28、

29、式中，r表示皮尔森相关系数；n为循环周期数；hi和sohi各循环周期的健康因子和soh值；和为整个循环周期内健康因子和soh的平均值；

30、步骤110：在模型的输入和输出端，将相关系数大于0.9的健康因子作为模型的输入，输入数据的时序步长为16，输出为预测未来一个时间步的soh。

31、本发明还提供了一种基于贝叶斯优化的锂离子电池健康状态预测系统，包括预测模块，所述预测模块执行所述一种基于贝叶斯优化的锂离子电池健康状态预测方法。

32、本发明还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令被处理器执行时实现所述一种基于贝叶斯优化的锂离子电池健康状态预测方法。

33、本发明还提供了一种电子设备，包括：

34、存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行所述一种基于贝叶斯优化的锂离子电池健康状态预测方法。

35、借由上述方案，通过基于贝叶斯优化的锂离子电池健康状态预测方法及系统，利用贝叶斯优化对bilstm模型的超参数进行优化，解决了bilstm超参数调优的问题，且贝叶斯优化算法作为一种全局超参数优化算法，相较于其他传统优化算法，能在评估次数有限的情况下，高效找到全局最优解，大大降低了搜索时长，提高了模型的泛化效率。

36、上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。