本发明属于新能源电池，具体是一种基于gjo优化的多特征量的锂离子电池健康状态估计方法，该方法通过优化特征量的统计特性和内在机理，选择出合适的最优特征量进行健康状态的预测。该方法适用新能源电池的寿命预测、退化分析、可靠性分析等相关。
背景技术：
1、随着化石能源的巨大消耗，如何高效利用清洁能源现已成为学术界和工业界关注的主题。锂离子电池因自身具有使用寿命长、自放电率低、比能量大等优点，被认为是最有潜能的储能设备之一。然而在使用过程中，锂离子电池存在寿命衰减的问题。这类容量衰减问题会导致锂离子电池产生不可逆的退化，如果不及时关注这种退化，可能会造成电力系统故障，有的甚至酿成严重事故。因此，高效、准确地预测锂离子电池的健康状态对电力系统的安全运行具有重要意义。
2、锂离子电池老化的外在表现有容量的退化、内阻的增大和功率的下降。而锂离子电池内部的锂库存损耗、活性物质损耗和电导率损失可以揭示电池老化衰减更深层次的原因。锂库存损耗主要是因固体电解质界面层生长、镀锂、颗粒开裂等现象引起。活性物质损耗和电导率损失是因电极颗粒开裂、电接触层丧失、粘结剂的分解等原因引起的。这些老化的行为会逐渐耗尽电池充放电过程中可迁移的锂离子，最终导致锂离子电池可用容量的下降。
3、锂离子电池健康状态的估计水平主要取决于提取的特征以及模型的算法。现有的特征虽然保证了与电池健康状态的高相关性，但忽视了从数理角度对备选特征量进行评价，降低了健康状态估计的准确性。此外，各种深度学习模型擅长的领域不同，目前使用的数据驱动法大多仅仅考虑了神经网络的预测层面，忽视了参数的优化和调节层面，因此在工况复杂的环境下不具有较高预测准确度。
技术实现思路
1、针对现有技术的不足，提出了一种基于gjo优化多特征量的锂离子电池健康状态估计方法，该方法综合考虑了各备选特征量，选择出最优特征量和参数量进行锂离子电池健康状态估计。
2、本发明为解决所述技术问题所采用的技术方案是，提供一种基于gjo优化多特征量的锂离子电池健康状态估计方法，该方法包括下述步骤：
3、步骤一：特征量数据的提取和预处理
4、获取锂离子电池充电过程中与电压和容量相关的数据作为原始特征量，若干个原始特征量相互独立，且为串联关系；根据相关特征系数高于0.9的准则剔除每个原始特征量数据的偏离值；之后，再通过累积处理、取极值或求均方根值法来新增特征量数据，以新增特征量作为备选特征量。
5、步骤二：计算各备选特征量的评价指标，所述评价指标包括相关性指标、可靠性指标、时序指标、走势指标和稳定性指标，其中相关性指标以获得的满足一致性要求的可靠判断矩阵的最大特征值λmax对应特征向量的绝对值作为各个备选特征量内在的相关性度量；以hurst指数作为可靠性指标，以corr作为时序性指标，以mon作为走势性指标，以rob作为稳定性指标；
6、步骤三：对各评价指标值进行归一化处理，定义各归一化处理后的评价指标值的加权和为综合评价指标；使用最大隶属度原则确定最佳权重组合，利用最佳权重组合获得各备选特征量的综合评价指标值；
7、步骤四：将各个备选特征量按其综合评价指标值从大到小的顺序排列，记排列后的n个备选特征量的综合评价指标值为si，采用基于特征工程算法对所有的备选特征量进行取舍，获得最终的最优特征量；
8、步骤五：建立gjo优化的cnn-bigru-am神经网络模型进行健康状态估计
9、构建cnn-bigru-am神经网络模型，所述cnn-bigru-am神经网络模型包括由卷积层、池化层和全连接层构成的cnn卷积神经网络，在所述池化层之后连接bigru结构和注意力机制am，所述全连接层的输入为注意力机制am的输出，经过全连接层处理后输出健康状态soh。
10、以金豺算法gjo优化cnn-bigru-am神经网络模型的学习率、隐藏层节点、正则化系数；以优化后的cnn-bigru-am神经网络模型预测健康状态soh。
11、其中，用容量表示的电池健康状态公式如下：
12、
13、其中c1为预测当前电池容量，c0为初始容量，以soh的值来估计锂离子电池的健康状态。数据集中每组最优特征量下都对应一个健康状态soh数据，以便训练模型使用。
14、进一步地，所述cnn-bigru-am神经网络模型包括由卷积层、池化层和全连接层构成的cnn卷积神经网络，在所述池化层之后连接bigru结构和注意力机制am，所述全连接层的输入为注意力机制am的输出，经过全连接层处理后输出健康状态soh。
15、进一步地，采用来自高级生命周期工程中心(calce)或牛津大学的电池数据集训练优化后的cnn-bigru-am神经网络模型，以用于锂离子电池健康状态估计。
16、进一步地，所述金豺算法gjo采用正反向同步学习进行初始化，具体过程是：
17、设x＝(x1,x2,...,xn)为n维空间一组随机解，经反向学习得到对应的反向解x'为：
18、
19、设y＝(y1,y2,...,yn)为n维空间反向解中的一组随机解，将反向解的结果再正向迭代计算得到对应的正向解y'为：
20、
21、其中：rand(0,1)表示0到1间的随机数，i∈[1，n]，xi为x中的一个元素，y'i为对方向解进行正向学习得到的正向解y'中的元素；xmax为随机解的最大值，xmin为随机解的最小值。
22、进一步地，金豺算法gjo中猎物能量消耗函数e1的表达式为
23、
24、其中，t为最大迭代次数；c1是一个常数值，设为1.5；t为当前迭代次数。
25、进一步地，所述卷积层数为2～4；cnn卷积神经网络的过滤器数为16～256；bigru结构的层数为1～3；注意力机制am中注意力数量为8。
26、与现有技术相比，本发明的有益效果是：
27、1)本发明综合表征锂离子电池各个备选特征量优劣性的评价指标，并挑选出能表征电池退化的最优特征，最优特征更符合退化趋势，解决了多特征量的电池健康状态的估计问题。
28、2)本发明考虑了锂离子电池健康状态估计的现实需求、多特征量指标的实际特点和优化特征参数时的统计特性与内在机理。通过gjo优化融合神经网络模型加快了其前期的收敛速度并增加了其寻优精度，提高了模型预测的准确性。
29、3)本发明提出的健康状态估计方法计算简单，参数优化调节方便，具有更好的适用性和可调性。
1.一种基于gjo优化多特征量的锂离子电池健康状态估计方法，该方法包括下述步骤：
2.根据权利要求1所述的估计方法，其特征在于，所述cnn-bigru-am神经网络模型包括由卷积层、池化层和全连接层构成的cnn卷积神经网络，在所述池化层之后连接bigru结构和注意力机制am，所述全连接层的输入为注意力机制am的输出，经过全连接层处理后输出健康状态soh。
3.根据权利要求1所述的估计方法，其特征在于，采用来自高级生命周期工程中心(calce)或牛津大学的电池数据集训练优化后的cnn-bigru-am神经网络模型，以用于锂离子电池健康状态估计。
4.根据权利要求1所述的估计方法，其特征在于，所述金豺算法gjo采用正反向同步学习进行初始化，具体过程是：
5.根据权利要求1所述的估计方法，其特征在于，金豺算法gjo中猎物能量消耗函数e1的表达式为
6.根据权利要求1所述的估计方法，其特征在于，所述卷积层数为2～4；cnn卷积神经网络的过滤器数为16～256；bigru结构的层数为1～3；注意力机制am中注意力数量为8。
