(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111186532.5 (22)申请日 2021.10.12 (71)申请人 合肥工业大 学 地址 230009 安徽省合肥市包河区屯溪路 193号 (72)发明人 刘征宇　谢娟　何慧娟　王可晴　 黄威　 (74)专利代理 机构 上海光华专利事务所(普通 合伙) 31219 代理人 王积毅 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 3/00(2006.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 基于粒子群算法的模 型生成方法、 系统及预 测方法 (57)摘要 本发明提供了一种基于粒子群算法的模型 生成方法、 系统及预测方法， 模型生成方法包括： 得到多个锂离子电池的自放电压降数据和充放 电曲线； 从充放电曲线中提取得到目标数据； 根 据自放电压降数据和预设压降阈值， 对目标数据 进行分类， 并对 得到的两类目标数据分别进行采 样得到样本数据； 根据目标数据和样本数据， 分 别训练两个神经网络模型， 并使用粒子群算法优 化神经网络模 型的连接权值和阈值， 得到训练好 的低值预测模 型和高值预测模型。 本发明用于模 拟常规技术中的soak方法， 只需对待测锂离子电 池进行一次充放电实验， 即可获取到该待测锂离 子电池的自放电压降数据， 省时省力， 且精度较 高。 权利要求书2页 说明书10页 附图2页 CN 113901722 A 2022.01.07 CN 113901722 A 1.一种基于粒子群算法的模型生成方法， 其特 征在于， 所述模型生成方法包括： 对多个锂离子电池分别进行soak实验和充放电循环实验， 得到相应的自放电压降数据 和充放电曲线； 从每个所述充放电曲线中提取多个动态特征， 将各所述动态特征与 所述自放电压降数 据进行灰色关联度分析， 得到目标 数据； 根据所述自放电压降数据和预设压降阈值， 对所述目标数据进行分类， 并对得到的两 类目标数据分别进行采样得到样本数据； 根据所述目标数据和所述样本数据， 分别训练两个神经网络模型， 并使用粒子群算法 优化所述神经网络模型的连接 权值和阈值， 得到训练好的低值预测模型和高值预测模型。 2.根据权利要求1所述的模型生成方法， 其特征在于， 所述从每个所述充放电曲线中提 取多个动态特征， 将各所述动态特征与所述自放电压降数据进行灰色关联度分析， 得到目 标数据的步骤 包括： 从每条所述充放电曲线中提取 得到多个动态特 征； 将每条所述充放电曲线的动态特征与所述自放电压降数据进行灰色关联度分析， 得到 关联程度最高的多个目标 特征； 对每条所述充放电曲线的目标 特征进行归一 化， 得到目标 数据。 3.根据权利要求1所述的模型生成方法， 其特征在于， 所述根据 所述自放电压降数据和 预设压降阈值， 对所述 目标数据进行分类， 并对得到的两类目标数据分别进行采样得到样 本数据的步骤 包括： 将所述自放电压降数据大于所述预设压降阈值的目标数据分为一类， 记作高值数据， 将所述自放电压降数据小于等于所述预设压降阈值的目标 数据分为 一类， 记作低值数据； 对所述高值数据进行 过采样， 对所述低值数据进行欠采样， 得到所述样本数据。 4.根据权利要求1所述的模型生成方法， 其特征在于， 所述根据 所述目标数据和所述样 本数据， 分别训练两个神经网络模型， 并使用粒子群算法优化所述神经网络模型 的连接权 值和阈值， 得到训练好的低值预测模型和高值预测模型的步骤 包括： 在所述神经网络模型的输入层、 隐藏层和输出层建立连接， 设置相应的连接权值和阈 值； 建立粒子与所述连接权值、 所述阈值之间的连接关系， 并通过调整所述粒子的速度和 位置优化所述连接 权值和阈值； 针对所述目标 数据/所述样本数据： 将其按照预设的比例划分为训练集和 测试集； 根据所述训练集， 训练所述神经网络模型， 得到训练好的神经网络模型； 将所述测试集输入所述神经网络模型， 得到对应的预测自放电压降数据， 当所述预测 自放电压降数据符合自放电压降数据的概率达到预设的阈值时， 将所述神经网络模型确定 为所述低值预测模型/高值预测模型。 5.一种基于粒子群算法的模型生成系统， 其特征在于， 采用如权利要求1 ‑4任意一项所 述的模型生成方法， 所述模型生成系统包括： 自放电压降数据获取模块， 用于对多个锂离子电池进行soak实验， 得到对应的自放电 压降数据；权　利　要　求　书 1/2 页 2 CN 113901722 A 2充放电曲线获取模块， 用于对多个锂离子电池进行充放电循环实验， 得到相应的充放 电曲线； 目标数据获取模块， 用于从每个所述充放电曲线中提取多个动态特征， 将各所述动态 特征与所述自放电压降数据进行 灰色关联度分析， 得到目标 数据； 样本数据获取模块， 用于根据所述自放电压降数据和预设压降阈值， 对所述目标数据 进行分类， 并对得到的两类目标 数据分别进行采样得到样本数据； 预测模型生成模块， 用于根据所述目标数据和所述样本数据， 分别训练两个神经网络 模型， 并使用粒子群算法优化所述神经网络模型 的连接权值和阈值， 得到训练好的低值预 测模型和高值预测模型。 6.一种基于粒子群算法的模型生成设备， 其特征在于， 包括处理器， 所述处理器和存储 器耦合， 所述存储器存储有程序指令， 当所述存储器存储的程序指令被所述处理器执行时 实现如权利要求1 ‑4任意一项所述的模型生成方法。 7.一种计算机可读的存储介质， 其特征在于， 包括程序， 当其在计算机上运行时， 使得 计算机执 行如权利要求1 ‑4任意一项所述的模型生成方法。 8.一种自放电压降数据 预测方法， 其特征在于， 采用如权利要求1 ‑4任意一项所述的模 型生成方法得到的低值预测模型和高值预测模型， 所述预测方法包括： 对待测锂离 子电池进行充放电实验， 建立充放电曲线； 根据所述充放电曲线， 处 理得到目标 数据； 将所述目标 数据进行 预分类； 根据预分类的结果， 将所述目标数据输入对应的模型， 得到所述待测锂离子电池的预 测自放电压降数据。 9.根据权利要求8所述的自放电压降数据预测方法， 其特征在于， 所述将所述目标数据 进行预分类的步骤 包括： 采用预先训练好的支持向量机将所述目标 数据分为高值数据或低值数据。 10.根据权利要求9所述的自放电压降数据预测方法， 其特征在于， 所述根据预分类的 结果， 将所述 目标数据输入对应的模型， 得到所述待测锂离子电池的预测自放电压降数据 的步骤包括： 若所述目标 数据被分为高值数据： 将所述目标数据输入高值预测模型， 所述高值预测模型输出所述待测锂离子电池的预 测自放电压降数据； 若所述目标 数据被分为低值数据： 将所述目标数据输入低 值预测模型， 所述低 值预测模型输出所述待测锂离子电池的预 测自放电压降数据。权　利　要　求　书 2/2 页 3 CN 113901722 A 3