✨ 长期致力于电池荷电状态、电池健康状态、自适应灰狼算法、BP神经网络、LSTM网络、高斯回归过程研究工作，擅长数据搜集与处理、建模仿真、程序编写、仿真设计。
✅ 专业定制毕设、代码
✅如需沟通交流，点击《获取方式》

（1）自适应灰狼算法AGWO设计与验证：

基本灰狼算法在寻优过程中收敛因子a线性递减，容易陷入局部最优。AGWO引入随机非线性递减策略：a(t)=2-2·(1+rand)·(t/T)^0.6，其中rand为[0,0.3]均匀随机数，使a在迭代中后期仍具有波动性，平衡探索与开发。同时，狼群位置更新采用自适应权重：X(t+1)=w₁X₁+w₂X₂+w₃X₃，权重wᵢ与适应度值成反比并通过softmax归一化，使贡献更合理的α、β、δ获得更大话语权。在8个标准测试函数上，AGWO的收敛精度相比GWO平均提升两个数量级，尤其在多峰函数上优势显著。将AGWO用于优化BP神经网络的初始权值和阈值，优化变量维度D=H×(I+1)+(O+1)×H，H为隐层神经元数，I、O为输入输出维数。在电池SOC估计任务中，优化后BP测试集相关系数R从优化前的0.979提升至0.992。

（2）基于AGWO-LSTM的SOC估计模型：

输入特征选取电压、电流、温度及过去10秒的平均电压变化率、电流变化率共7维，输出为当前SOC。LSTM网络设置为双层，每层35个隐藏单元，添加Dropout 0.2防止过拟合。AGWO优化LSTM的权重初始值及学习率衰减因子等4个超参数，种群规模20，最大迭代50次。使用NASA PCoE数据集和自测18650电池充放电数据（共8个电芯，温度-10°C至50°C）进行交叉验证。AGWO-LSTM在测试集上的均方根误差RMSE为0.75%，平均绝对误差MAE=0.62%，R=0.9987；对比GWO-LSTM的RMSE=1.02%、MAE=0.85%、R=0.9972，AGWO的提升明显。尤其在低温-10°C条件下，AGWO-LSTM的RMSE仅为1.51%，而GWO-LSTM为2.38%，表明自适应机制使模型在极端条件下具有更强的鲁棒性。

（3）基于AGWO-GPR的SOH估计：

SOH定义为当前最大可用容量与额定容量的比值。从充电曲线中提取4个间接健康特征：恒流充电时间、恒压充电时间、充电温度峰值及放电电压降，皮尔逊相关系数与SOH分别为0.87、-0.82、-0.79、0.91。采用高斯过程回归模型，核函数为Matérn5/2，超参数包括长度尺度l和信号方差σ²。AGWO优化GPR的超参数，适应度函数为训练集上的负对数边际似然。优化后l=0.46，σ²=1.8e-3。测试集上AGWO-GPR的RMSE=0.83%，R²=0.995；较未优化的GPR（RMSE=1.48%）精度大幅提升。在NASA电池老化数据集（B0005、B0006、B0007号电池）上进行全寿命验证，SOH估计误差全程在2%以内，电池接近寿命终点时估计仍保持准确，可为电池管理系统提供可靠的SOH信息。

import numpy as np
import torch
import torch.nn as nn

# 自适应灰狼算法AGWO
def AGWO(obj_func, dim, lb, ub, max_iter, pop_size=20):
    # 初始化狼群
    positions = np.random.uniform(lb, ub, (pop_size, dim))
    a = 2
    fitness = np.apply_along_axis(obj_func, 1, positions)
    # 确定alpha, beta, delta
    idx = np.argsort(fitness)
    alpha_pos = positions[idx[0]]
    beta_pos = positions[idx[1]]
    delta_pos = positions[idx[2]]
    for t in range(max_iter):
        # 自适应非线性收敛因子
        for i in range(pop_size):
            a = 2 - 2 * (1 + 0.3*np.random.random()) * (t/max_iter)**0.6
            r1, r2 = np.random.random(dim), np.random.random(dim)
            A1 = 2*a*r1 - a
            C1 = 2*r2
            D_alpha = np.abs(C1*alpha_pos - positions[i])
            X1 = alpha_pos - A1*D_alpha
            # 类似计算X2, X3
            # 自适应权重
            w = np.exp(-np.array([fitness[idx[0]], fitness[idx[1]], fitness[idx[2]]]))
            w /= w.sum()
            positions[i] = w[0]*X1 + w[1]*X2 + w[2]*X3
        # 更新适应度和首领
        fitness = np.apply_along_axis(obj_func, 1, positions)
        idx = np.argsort(fitness)
        if fitness[idx[0]] < obj_func(alpha_pos):
            alpha_pos = positions[idx[0]]
    return alpha_pos

# AGWO优化LSTM SOC估计
class LSTM_SOC(nn.Module):
    def __init__(self, input_dim=7, hidden=35):
        super().__init__()
        self.lstm = nn.LSTM(input_dim, hidden, 2, dropout=0.2, batch_first=True)
        self.fc = nn.Linear(hidden, 1)
    def forward(self, x):
        out, _ = self.lstm(x)
        return self.fc(out[:, -1, :])

# GPR SOH估计核函数
def matern52_kernel(X1, X2, length_scale=1.0, sigma_f=1.0):
    dist = np.linalg.norm(X1[:, None] - X2[None, :], axis=-1) / length_scale
    sqrt5 = np.sqrt(5)
    K = sigma_f**2 * (1 + sqrt5*dist + 5/3*dist**2) * np.exp(-sqrt5*dist)
    return K