基于IPSO-LSTM的新能源汽车锂电池健康状态监测.pdfVIP

基于ＩＰＳＯ⁃ＬＳＴＭ的新能源汽车锂电池健康状态监测∗

【摘要】为监测新能源汽车锂电池的健康状态（ＳＯＨ），防范电池故障引发安全事故风险，提出改

进粒子群算法（ＩＰＳＯ）和长短期记忆（ＬＳＴＭ）神经网络相结合的模型，监测锂电池的ＳＯＨ。首先，采

用Ｓｐｅａｒｍａｎ相关性分析法，提取锂电池ＳＯＨ监测的健康因子；其次，采用线性惯性权重和非对称学

习因子改进传统粒子群算法（ＰＳＯ），利用ＩＰＳＯ算法对ＬＳＴＭ模型的隐含层神经元个数、神经元失活

率、批处理值进行关键参数寻优，进一步优化ＬＳＴＭ模型，建立ＩＰＳＯ⁃ＬＳＴＭ锂电池ＳＯＨ监测模型；最

后，以新能源汽车主流采用的１８６５０锂电池数据集验证ＩＰＳＯ⁃ＬＳＴＭ模型，并对比分析ＢＰ、ＬＳＴＭ和

ＰＳＯ⁃ＬＳＴＭ这３种模型。结果表明：ＩＰＳＯ⁃ＬＳＴＭ模型的平均绝对误差（ＭＡＥ）在００２以内、均方根误

差（ＲＭＳＥ）在００３以内，监测误差在１５％以内，相较于ＢＰ、ＬＳＴＭ、ＰＳＯ⁃ＬＳＴＭ模型，ＩＰＳＯ⁃ＬＳＴＭ模型

的误差指标值均最小，模型具有更高的精度和稳定性。

【关键词】改进粒子群算法（ＩＰＳＯ）；长短期记忆（ＬＳＴＭ）；新能源汽车；锂电池；健康状态（ＳＯＨ）

ＳＯＨｍｏｎｉｔｏｒｉｎｇｏｆｎｅｗｅｎｅｒｇｙｖｅｈｉｃｌｅｌｉｔｈｉｕｍｂａｔｔｅｒｉｅｓ

ｂａｓｅｄｏｎＩＰＳＯ⁃ＬＳＴＭ

Ａｂｓｔｒａｃｔ：ＩｎｏｒｄｅｒｔｏｍｏｎｉｔｏｒｔｈｅＳＯＨｏｆｌｉｔｈｉｕｍｂａｔｔｅｒｉｅｓｏｆｎｅｗｅｎｅｒｇｙｖｅｈｉｃｌｅｓａｎｄｐｒｅｖｅｎｔｔｈｅｒｉｓｋｏｆ

ｓａｆｅｔｙａｃｃｉｄｅｎｔｓｃａｕｓｅｄｂｙｂａｔｔｅｒｙｆａｉｌｕｒｅｓ，ａｍｏｄｅｌｃｏｍｂｉｎｉｎｇＩＰＳＯａｎｄＬＳＴＭｗａｓｐｒｏｐｏｓｅｄ．Ｆｉｒｓｔ，

ＳｐｅａｒｍａｎｃｏｒｒｅｌａｔｉｏｎａｎａｌｙｓｉｓｍｅｔｈｏｄｗａｓｕｓｅｄｔｏｅｘｔｒａｃｔｔｈｅＳＯＨｏｆｌｉｔｈｉｕｍｂａｔｔｅｒｉｅｓ．Ｓｅｃｏｎｄｌｙ，ｔｈｅｌｉｎｅａｒ

－－－－

收稿日期：２０２３０３１０；修稿日期：２０２３０６２１

第９期刘丹等：基于ＩＰＳＯ⁃ＬＳＴＭ的新能源汽车锂电池健康状态监测·９５·

ｉｎｅｒｔｉａｗｅｉｇｈｔａｎｄａｓｙｍｍｅｔｒｉｃｌｅａｒｎｉｎｇｆａｃｔｏｒｗｅｒｅｕｓｅｄｔｏｉｍｐｒｏｖｅｔｈｅｔｒａｄｉｔｉｏｎａｌｐａｒｔｉｃｌｅｓｗａｒｍ

ｏｐｔｉｍｉｚａｔｉｏｎ（ＰＳＯ）ａｌｇｏｒｉｔｈｍ，ａｎｄｔｈｅＩＰＳＯａｌｇｏｒｉｔｈｍｗａｓｕｓｅｄｔｏｏｐｔｉｍｉｚｅｔｈｅｋｅｙｐａｒａｍｅｔｅｒｓｏｆｔｈｅ

ｈｉｄｄｅｎｌａｙｅｒｎｅｕｒｏｎｎｕｍｂｅｒ，ｎｅｕｒｏｎｉｎａｃｔｉｖａｔｉｏｎｒａｔｅａｎｄｂａｔｃｈｐｒｏｃｅｓｓｉｎｇｖａｌｕｅｏｆｔｈｅＬＳＴＭｍｏｄｅｌ，ａｎｄ

ｔｈｅｎｔｈｅＬＳＴＭｍｏｄｅｌｗａｓｆｕｒｔｈｅｒｏｐｔｉｍｉｚｅｄ，ａｎｄｔｈｅＩＰＳＯ⁃ＬＳＴＭｌｉｔｈｉｕｍｂａｔｔｅｒｙＳＯＨｍｏｎｉｔｏｒｉｎｇｍｏｄｅｌ

ｗａｓｅｓｔａｂｌｉｓｈｅｄ．Ｆｉｎａｌｌｙ，ｔｈｅｍｏｄｅｌｗａｓｖｅｒｉｆｉｅｄｗｉｔｈｔｈｅ１８６５０ｌｉｔｈｉｕｍｂａｔｔｅｒｙｄａｔａｓｅｔｗｈｉｃｈｗａｓｔｈｅ

ｍａｉｎｓｔｒｅａｍｏｆｎｅｗｅｎｅｒｇｙｖｅｈｉｃｌｅｓ，ａｎｄｃｏｍｐａｒｅｄｗｉｔｈＢＰ，ＬＳＴＭａｎｄＰＳＯ⁃ＬＳＴＭｍｏｄｅｌｓ．Ｔｈｅｒｅｓｕｌｔｓ

ｓｈｏｗｔｈａｔｔｈｅｍｅａｎａｂｓｏｌｕｔｅｅｒｒｏｒ（ＭＡＥ）ｏｆＩＰＳＯ⁃ＬＳＴＭｍｏｄｅｌｉｓｌｅｓｓｔｈａｎ００２，ｔｈｅｒｏｏｔｍｅａｎｓｑｕａｒｅ

ｅｒｒｏｒ（ＲＭＳＥ）ｉｓｌｅｓｓｔｈａｎ００３，ａｎｄｔｈｅｍｏｎｉｔｏｒｉｎｇｅｒｒｏｒｉｓｌｅｓｓｔｈａｎ１５％．ＣｏｍｐａｒｅｄｗｉｔｈＢＰ