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！

摘要：本发明公开了一种基于改进CPO优化Bi‑LSTM的锂电池SOH估计模型训练方法，包括：获取锂电池的多个初始特征序列，将获取的每个初始特征序列、以及锂电池的多个SOH值所构成的SOH值序列分别进行归一化处理，以得到归一化后的特征序列和归一化后的SOH值序列，使用关联分析方法计算特征序列集合中每个特征序列和归一化后的SOH值序列之间的关联度，并将关联度低于预设阈值的特征序列从特征序列集合中筛除，将多个更新后的特征序列和归一化后的SOH值序列组合成数据集，并按照预定比例将数据集划分为训练集、验证集和测试集。本发明能够解决现有基于数据驱动模型的锂电池SOH估计方法难以准确、全面地反映锂电池复杂的降解趋势，从而导致降低SOH估计的精确性的技术问题。

主权项：1.一种基于改进CPO优化Bi-LSTM的锂电池SOH估计模型训练方法，其特征在于，包括以下步骤：1获取锂电池的多个初始特征序列，将获取的每个初始特征序列、以及锂电池的多个SOH值所构成的SOH值序列分别进行归一化处理，以得到归一化后的特征序列和归一化后的SOH值序列，所有归一化后的特征序列构成特征序列集合，其中每个初始特征序列的长度均为锂电池的充放电循环次数N；2使用关联分析方法计算步骤1得到的特征序列集合中每个特征序列和归一化后的SOH值序列之间的关联度，并将关联度低于预设阈值的特征序列从特征序列集合中筛除，从而获取多个更新后的特征序列；3将步骤2得到的多个更新后的特征序列和步骤1得到的归一化后的SOH值序列组合成数据集，并按照预定比例将数据集划分为训练集、验证集和测试集；4使用训练集中所有特征序列和归一化后的SOH值序列对-Bi-LSTM模型进行训练，以得到初步训练好的Bi-LSTM模型；5将验证集中的所有特征序列输入步骤4初步训练好的Bi-LSTM模型，以得到多个预测SOH值构成的预测SOH值序列，其长度等于验证集中每个特征序列的长度；6根据步骤5得到的预测SOH序列和步骤3得到的验证集中归一化后的SOH值序列、并使用损失函数计算损失值；7设置Bi-LSTM模型的隐藏神经元个数范围、迭代次数范围、以及学习率范围，设置冠豪猪优化算法CPO的内部参数，根据设置的隐藏神经元个数范围、迭代次数范围、学习率范围、以及CPO算法的内部参数、并使用切比雪夫混沌映射技术生成初始种群；8将步骤7得到的初始种群中的隐藏神经元个数、迭代次数以及学习率作为冠豪猪优化算法CPO的搜索起点，将步骤6得到的损失函数作为CPO算法的目标函数进行CPO算法的迭代处理，在CPO算法的每一次迭代后，采用随机差分变异策略对CPO算法中的种群进行变异操作，最终得到使得损失值最小的隐藏神经元、最大迭代次数以及学习率作为最优解，并将该最优解对应的Bi-LSTM模型作为初步训练好的Bi-LSTM模型。

全文数据：

权利要求：

百度查询： 武汉理工大学 一种基于改进CPO优化Bi-LSTM的锂电池SOH估计模型训练方法和系统