技术特征：
1.一种锂离子电池健康状态预测方法，基于改进鲸鱼算法iwoa和长短期记忆神经网络算法lstm，其特征在于，算法模型建立流程为：(1)健康因子选择和相关性分析；(2)鲸鱼算法woa改进方法的提出和改进鲸鱼算法iwoa对长短期记忆神经网络算法lstm的优化效果分析；(3)基于改进鲸鱼算法iwoa和长短期记忆神经网络算法lstm的预测模型建立和电池健康状态的预测。2.根据权利要求1所述的锂离子电池健康状态预测方法，其特征在于，健康因子选择和相关性分析包括下述步骤：
①
提出可能表达可用容量变化的特征参数，从原数据集中计算并获取这些参数；
②
对步骤
①
中的特征参数分别与其对应的锂离子电池可用容量进行相关性分析，使用pearson相关系数、kendall相关系数和spearman相关系数综合评判相关性最高的特征参数，将其作为健康因子；
③
选取锂离子电池可用容量在额定容量70％以上的健康因子和可用容量数据。3.根据权利要求1所述的锂离子电池健康状态预测方法，其特征在于：鲸鱼算法woa模拟了鲸鱼捕食的三个阶段：包围阶段、发泡阶段和搜索阶段。4.根据权利要求1所述的锂离子电池健康状态预测方法，其特征在于：改进鲸鱼算法iwoa包括如下改进过程：
①
引入非线性权重因子：为了提高鲸鱼算法的全局性，提出一种非线性的自适应权重因子：式中，ω为权重因子，k为调节系数，k＞1，t为当前迭代次数，i
max
为最大迭代次数，引入非线性权重因子后，woa算法公式更新为：非线性权重因子后，woa算法公式更新为：式中，为当前鲸鱼个体的位置向量，为当前适应度最高的鲸鱼位置向量，是系数向量，和是中间过程值，表示当前鲸鱼位置与猎物的距离向量，b为与螺旋形状相关的常量，1为[-1，1]区间内的随机数，表示当前某个随机鲸鱼的位置向量；
②
差分变异扰动项：设计一个差分变异扰动项，其系数以线性递减的方式随迭代次数变化，该项定义为：变化，该项定义为：式中，δ为差分变异扰动项，h为动态调节系数；引入差分变异扰动项后，woa算法公式更新为：
③
自适应调整搜索策略：设计一个概率阈值，使得算法尽可能随机在初期全局范围内产生一组解：产生一组解：式中，q为概率阈值，为种群的平均适应度，f
min
为种群中最差的适应度，f
max
为种群中最优的适应度，g为[0，1]区间内的随机数，和分别为的最大值与最小值；对于每条鲸鱼，用一个[0，1]之间的随机数q与概率阈值q进行比较，如果q＜q，则按照该鲸鱼按照公式(8)更新位置，其他鲸鱼的位置不变；反之则按照公式(3)更新其他鲸鱼的位置。5.根据权利要求1所述的锂离子电池健康状态预测方法，其特征在于，所述改进鲸鱼算法iwoa对长短期记忆神经网络算法lstm的优化效果分析，包括如下步骤：
①
将改进鲸鱼算法iwoa中的调节系数k设为2，设定种群规模和进化次数；
②
将均方误差mse作为长短期记忆神经网络算法lstm的损失函数和改进鲸鱼算法iwoa的目标函数；
③
将长短期记忆神经网络算法lstm中隐含层节点数和初始学习率作为鲸鱼算法woa的优化对象；
④
设定长短期记忆神经网络算法lstm的输入时间步长。6.根据权利要求1所述的锂离子电池健康状态预测方法，其特征在于：所述基于改进鲸鱼算法iwoa和长短期记忆神经网络算法lstm的预测模型的建立，将数据的60％划分为训练集，对网络进行训练，另40％划分为测试集，测试网络的精确度并建立评价指标。7.根据权利要求1所述的锂离子电池健康状态预测方法，其特征在于：所述基于改进鲸鱼算法iwoa和长短期记忆神经网络算法lstm算法模型的电池健康状态预测，主要流程为：(1)提取锂离子电池循环过程中的健康因子数据和容量变化数据；(2)将数据集分为训练集与测试集，基于改进鲸鱼算法iwoa和长短期记忆神经网络算法lstm，使用训练集数据训练算法模型；(3)将测试集模型代入算法模型，通过建立评价体系定量评估模型的预测能力。8.根据权利要求6所述的锂离子电池健康状态预测方法，其特征在于：所述评价指标，包含平均绝对误差mae、平均绝对误差百分比mape和均方根误差rmse，从多维度综合评价算法的预测效果。
技术总结
本发明提出一种基于历史数据预测锂离子电池健康状态的算法。本发明以电池可用容量表征其健康状态，基于改进鲸鱼算法(IWOA)优化的长短期记忆神经网络(LSTM)，通过已有的健康因子历史数据来预测当前容量。所述的健康因子具有较高表达容量特征的能力。所述的改进鲸鱼算法优化的长短期记忆神经网络，通过非线性权重因子、差分变异扰动项和自适应调整搜索策略，提高鲸鱼算法的全局搜索能力，进而更好地优化长短期记忆神经网络的超参数。本发明的预测方法能够有效精确预测锂离子电池的可用容量随循环次数的变化，从而对锂离子电池后续的使用进行指导，实现对锂离子电池更加安全、充分的利用。利用。利用。
技术研发人员：徐自强 朱洪涛 吴孟强 张庶 周海平 冯婷婷
受保护的技术使用者：电子科技大学长三角研究院（湖州）
技术研发日：2022.04.27
技术公布日：2022/7/22