(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 202111185910.8 (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　何慧娟　黄威　王可晴　 谢娟　 (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) G06N 3/00(2006.01) (54)发明名称 基于鲸鱼优化算法的模型生成方法及数据 预测方法 (57)摘要 本发明提供了基于鲸鱼优化算法的模型生 成方法及数据预测方法， 模型生成方法包括： 对 多个锂离子电池进行soak实验和充放电循环实 验， 得到自放电压降数据和充放电曲线； 从每个 充放电曲线中提取动态特征， 将将其与自放电压 降数据进行灰色关联度分析， 得到每个充放电曲 线对应的数 组， 提取每个数 组中特性相同的数据 组合为目标数据； 根据预设条件， 将各目标数据 划分为两类数据， 并进行随机组合， 得到多种组 合数据； 分别训练多个梯度提升模型， 使用鲸鱼 算法优化预测值和回归树数量， 得到最终的预测 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3页 说明书11页 附图2页 CN 113901721 A 2022.01.07 CN 113901721 A 1.一种基于鲸鱼优化 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， 得到每个充放电曲线对应的数组， 提取每个数组中特性相同的数 据并组合 为目标数据； 根据预设条件， 将各目标数据划分为两类数据， 从每个所述目标数据中任选一类数据 进行随机组合， 得到多种组合数据； 根据多种所述组合数据， 分别训练多个梯度提升模型， 并使用鲸鱼算法优化所述梯度 提升模型的预测值和回归树数量， 得到训练好的多个预测模型。 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， 得到每 个充放电曲线对应的数组， 提取每个数组中特性相同的数据并组合为目标数据的步骤包 括： 针对每个所述充放电曲线， 从中提取多个动态特 征； 将每个所述充放电曲线的所述动态特征与对应的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种目标 特征； 对每个所述充放电曲线的目标 特征进行标准化， 得到所述数组； 提取每个所述数组中特性相同的数据并组合 为目标数据。 3.根据权利要求2所述的模型生成方法， 其特征在于， 多个所述目标特征包括预充浓差 极化、 预放浓差极化和预放电压降中的至少一项。 4.根据权利要求1所述的模型生成方法， 其特征在于， 所述根据预设条件， 将各目标数 据划分为两类数据， 从每个所述 目标数据中任选一类数据进行随机组合， 得到多种组合数 据的步骤 包括： 根据每种所述目标数据对应的预设条件， 将符合所述预设条件的目标数据作为第 一类 数据， 不符合的作为第二类数据； 从每种所述目标 数据中任选一类数据进行随机组合， 得到多种组合数据。 5.根据权利要求1所述的模型生成方法， 其特征在于， 所述根据多种所述组合数据， 分 别训练多个梯度提升模型， 并使用鲸鱼算法优化所述梯度提升模型的预测值和回归树数 量， 得到训练好的多个预测模型的步骤 包括： 判断每种所述组合数据中包含的数据数量是否达到预设的数量阈值， 若否， 则进行赋 值处理； 针对每种组合数据： 将其按照预设的比例划分为训练集、 验证集和 测试集； 根据所述训练集训练梯度提升模型， 得到训练好的梯度提升模型： L(t)＝∑il(yi， yi)+γT+0.5 ×λ||ω||2 其中， l(yi， yi)表示损失函数， 且 其中， yi(t‑1)表示所述训练集中第i个样本在所述梯度提升模型的第t ‑1颗回归树中得到的权　利　要　求　书 1/3 页 2 CN 113901721 A 2预测值， t ‑1∈K， K表示所述梯度提升模型中回归树 的总数， gi表示所述损失函数的一阶梯 度， 且 hi表示所述损失函数的二阶梯度， 且 γT表示L1正则项， T表示回归树的叶子节点的数量， λ||ω||2 表示L2正则项， ω表示叶子 权重， λ和γ表示 惩罚系数； 根据所述验证集， 采用鲸鱼算法优化所述梯度提升模型中的预测值和回归树的总数， 得到优化后的梯度提升模型； 将所述测试集输入优化后的梯度提升模型， 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， 将所述梯度提升模型 确定为所述预测模型。 6.根据权利要求5所述的模型生成方法， 其特 征在于， 所述赋值处 理的步骤 包括： 随机从预设赋值范围中选取一个数值作为所述组合数据中的数据对应的模拟自放电 压降数据； 针对当前组合数据中的数据， 计算所述模拟自放电压降数据与对应的自放电压降数据 的均方根 误差； 将均方根误差最小时对应的模拟自放电压降数据作为当前一类组合数据的预测自放 电压降数据。 7.一种基于鲸鱼优化算法的模型生成系统， 其特征在于， 采用如权利要求1 ‑6任意一项 所述的模型生成方法， 所述模型生成系统包括： 处理模块， 用于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； 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， 得到每个充放电曲线对应的数组， 提取 每个数组中特性相同的数据并组合 为目标数据； 组合数据获取模块， 用于根据 预设条件， 将各目标数据划分为两类数据， 从每个所述目 标数据中任选一类数据进行随机组合， 得到多种组合数据； 预测模型生成模块， 用于根据多种所述组合数据， 分别训练多个梯度提升模型， 得到训 练好的多个预测模型。 8.一种计算机设备， 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 ‑6 任意一项所述的模型生成方法。 9.一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 ‑6任意一项所述的模型生成方法。 10.一种数据预测方法， 其特征在于， 采用 如权利要求1 ‑6任意一项所述的模型生成方 法得到的预测模型及多个预测自放电压降数据， 所述预测方法包括： 对待测锂离 子电池进行充放电实验， 并建立充放电曲线； 根据所述充放电曲线， 处 理得到一个数组； 判断所述数组中的每 个数据是否符合对应的预设条件， 并根据判断结果进行 标记； 根据标记的结果， 判断所述数组是否存在有对应的预测模型： 若是， 则将所述数组中的权　利　要　求　书 2/3 页 3 CN 113901721 A 3