[發(fā)明專利]基于數(shù)據(jù)驅動法的鋰離子電池SOC在線預測方法

在審

• 申請?zhí)枺?/td>: 201810523703.0
• 申請日: 2018-05-28
• 公開（公告）號: CN108717165A
• 公開（公告）日: 2018-10-30
• 發(fā)明（設計）人: 范興明;王超;張鑫;蔡茂;高琳琳
• 申請（專利權）人: 桂林電子科技大學
• 主分類號: G01R31/36
• 分類號: G01R31/36;G06N7/00
• 代理公司: 桂林市持衡專利商標事務所有限公司 45107
• 代理人: 陳躍琳

本發(fā)明公開一種基于數(shù)據(jù)驅動法的鋰離子電池SOC在線預測方法，將低計算量的增量式支持向量機方法引入到相關向量機。IRVM算法的樣本數(shù)據(jù)由相關向量和新的在線樣本組成，由于相關向量機十分稀疏，即相關向量個數(shù)遠小于初始樣本集，所以在線訓練的m值十分小，因此在線預測的速度快、效率高、存儲空間及計算復雜度低，實現(xiàn)了對鋰離子電池SOC的精確預測。本發(fā)明能夠解決在線鋰離子電池SOC的預測問題，有效克服了傳統(tǒng)的增量式在線訓練算法，需要在線保持原始訓練樣本集，這樣隨著在線樣本數(shù)據(jù)的更新，在線數(shù)據(jù)集將逐漸增大，其結果是m值逐漸增大，從而導致存儲空間和計算復雜度增大的問題。

技術領域

本發(fā)明涉及電池性能預測技術領域，具體涉及一種基于數(shù)據(jù)驅動法的鋰離子電池SOC在線預測方法。

背景技術

電動汽車作為未來主要交通工具，對其啟動、加速、爬坡等性能及續(xù)航里程等提出一定要求，而這些性能很大程度上取決于動力電池性能。電池荷電狀態(tài)(State of Charge，SOC)是電動汽車中非常重要的參數(shù)，只有準確估計電池的SOC，才能有效提高電動汽車的利用效率，優(yōu)化駕駛，延長電池的使用壽命。但是，由于電池結構復雜，電池的荷電狀態(tài)受放電電流、電池內部溫度、自放電、電池老化等諸多因素影響，使SOC估算非常困難。且SOC作為電池的內部特性不可以直接對其進行測量，只能通過對電壓、電流、溫度等一些直接測量的外部特性參數(shù)預測而得。同時電池在使用過程中表現(xiàn)出高度非線性，使在線準確估計電池SOC值難度加大。

目前，SOC的預測方法可分為基于模型和數(shù)據(jù)驅動兩類。基于模型的方法從電池內部的電化學反應出發(fā)建立電池等效電路模型，預測精度依賴模型的準確性，而實際應用很難準確建立電池模型。數(shù)據(jù)驅動方法主要包括神經(jīng)網(wǎng)絡、支持向量機、粒子濾波方法和相關向量機法。神經(jīng)網(wǎng)絡預測方法不需要建立系統(tǒng)的數(shù)學模型且具有極強的非線性映射能力，但訓練時需要大量數(shù)據(jù)樣本。支持向量機方法針對小樣本、非線性問題具有明顯優(yōu)勢，已經(jīng)被廣泛應用于預測領域，但其主要缺點是只能給出單點預測，參數(shù)優(yōu)化困難。粒子濾波方法是概率式的預測，目前的研究較多，其主要缺點是依賴經(jīng)驗模型來建立狀態(tài)轉移方程。與支持向量機類似的相關向量機(Relevance Vector Machine，RVM)是由美國Tipping博士2000年提出的基于概率學習的稀疏Bayesian學習理論的算法模型。然而目前的相關向量機算法只用于對電池SOC的離線預測，離線模型一經(jīng)建立就不再更新，但在線應用時由于其負載工況劇烈變化，離線的預測模型適應性較差，預測精度較低。基于相關向量回歸的鋰離子電池SOC預測方法仍然沒有有效的在線預測策略來實現(xiàn)在線的、快速的預測。

發(fā)明內容

本發(fā)明所要解決的是現(xiàn)有鋰離子電池采用相關向量機算法離線預測荷電狀態(tài)預測精度低的問題，提供一種基于數(shù)據(jù)驅動法的鋰離子電池SOC在線預測方法。

為解決上述問題，本發(fā)明是通過以下技術方案實現(xiàn)的：

基于數(shù)據(jù)驅動法的鋰離子電池SOC在線預測方法，包括步如下：

步驟1、實時采集電池在待測工況下實際的N組電壓、電流和溫度數(shù)據(jù)，并結合電池廠家提供的OCV-SOC曲線，利用帶有溫度補償系數(shù)的安時積分法得到電池對應的N組荷電狀態(tài)數(shù)據(jù)；

步驟2、將步驟1采集到的N組數(shù)據(jù)中的n組數(shù)據(jù)作為當前訓練樣本集，另外N-n組數(shù)據(jù)作為新增樣本集；

步驟3、利用當前訓練樣本集，并采用快速序列稀疏貝葉斯學習法對相關向量機RVM模型進行訓練；

步驟4、訓練完成后，刪除與μ_i＝0所對應的當前訓練樣本集中的數(shù)據(jù)，得到當前相關向量集；

步驟5、利用以下公式計算訓練值Y_xun：

Y_xun＝φμ；

步驟6、將訓練值Y_xun與當前訓練樣本集中的荷電狀態(tài)Y進行逐一比較：