針對(duì)鋰離子電池荷電狀態(tài)（SOC）預(yù)測(cè)精度不高以及在線(xiàn)適應(yīng)性差的問(wèn)題，提出一種改進(jìn)的增量學(xué)習(xí)相關(guān)向量機(jī)模型對(duì)鋰離子電池SOC進(jìn)行在線(xiàn)預(yù)測(cè)。
選擇鋰離子電池電壓、充放電電流和表面溫度作為模型的輸入，SOC作為模型的輸出，構(gòu)造模型的訓(xùn)練集。選用快速序列稀疏貝葉斯學(xué)習(xí)算法進(jìn)行訓(xùn)練，并結(jié)合增量學(xué)習(xí)法建立增量學(xué)習(xí)相關(guān)向量機(jī)模型進(jìn)行鋰離子電池SOC在線(xiàn)預(yù)測(cè)方法研究。
研究發(fā)現(xiàn)，通過(guò)自動(dòng)調(diào)整核參數(shù)的方法，可以保證有較高的預(yù)測(cè)精度。算法驗(yàn)證實(shí)驗(yàn)表明，核參數(shù)可以控制算法的預(yù)測(cè)精度和計(jì)算效率，該算法預(yù)測(cè)精度高、計(jì)算速度快、通用性強(qiáng)，可為鋰離子電池SOC的預(yù)測(cè)與應(yīng)用提供參考。
近年來(lái)新能源汽車(chē)得以高速發(fā)展。動(dòng)力電池是發(fā)展新能源汽車(chē)的關(guān)鍵，也是新能源汽車(chē)成本和技術(shù)上的最大瓶頸。荷電狀態(tài)（State of Charge, SOC）的數(shù)值直接反映了電池的剩余電量狀況，是電池管理系統(tǒng)中重要的參數(shù)之一，SOC的準(zhǔn)確預(yù)測(cè)為保證電池工作穩(wěn)定、制定電池均衡策略及智能充電等提供依據(jù)，能有效防止電池因?yàn)檫^(guò)充電或過(guò)放電造成損壞，延長(zhǎng)電池使用壽命，提高能量利用效率，降低使用成本。
目前，數(shù)據(jù)驅(qū)動(dòng)的方法已廣泛應(yīng)用于鋰離子電池SOC預(yù)測(cè)領(lǐng)域。其中，卡爾曼濾波算法初始值由開(kāi)路電壓給定，而算法本身的精度依賴(lài)于所選擇的等效電路模型。神經(jīng)網(wǎng)絡(luò)算法存在過(guò)擬合、易陷入局部極值、結(jié)構(gòu)設(shè)計(jì)依賴(lài)于經(jīng)驗(yàn)等缺陷。
支持向量機(jī)（SupportVectorMachine,SVM）算法有效克服了神經(jīng)網(wǎng)絡(luò)算法的缺點(diǎn)，有學(xué)者將SVM算法與多種神經(jīng)網(wǎng)絡(luò)算法進(jìn)行對(duì)比分析，結(jié)果表明使用徑向基核函數(shù)的SVM算法預(yù)測(cè)鋰電池SOC的效果最好。但支持向量的數(shù)量會(huì)著隨著訓(xùn)練樣本的增大線(xiàn)性增長(zhǎng)，使得預(yù)測(cè)模型相對(duì)復(fù)雜。
為此，有學(xué)者研究了一種簡(jiǎn)單的增量學(xué)習(xí)算法，每次將支持向量保留下來(lái)的和新增的樣本一起訓(xùn)練，徹底丟棄訓(xùn)練結(jié)果中的非支持向量，從而減少了訓(xùn)練樣本，加快了訓(xùn)練速度，其缺點(diǎn)是可能丟失有用的支持向量，從而導(dǎo)致預(yù)測(cè)不準(zhǔn)確。
相關(guān)向量機(jī)（Relevance Vector Machine, RVM）算法具有SVM算法需要訓(xùn)練樣本數(shù)據(jù)少、泛化能力強(qiáng)等優(yōu)點(diǎn)，且以概率的形式輸出結(jié)果，可自動(dòng)調(diào)節(jié)超參數(shù)，相關(guān)向量更稀疏。有學(xué)者選擇電壓、電流和表面溫度作為輸入數(shù)據(jù)，經(jīng)濾波歸一化等預(yù)處理，直接用RVM算法對(duì)SOC進(jìn)行預(yù)測(cè)，較SVM算法具有更高的預(yù)測(cè)精度。但由于RVM算法過(guò)于稀疏及容量數(shù)據(jù)存在動(dòng)態(tài)波動(dòng)特性，直接采用RVM算法預(yù)測(cè)鋰離子電池SOC的結(jié)果穩(wěn)定性差。
針對(duì)以上問(wèn)題，本文結(jié)合增量學(xué)習(xí)法構(gòu)建了一種改進(jìn)的增量學(xué)習(xí)相關(guān)向量機(jī)（Incremental improved RVM, IRVM）算法，并將其應(yīng)用于鋰離子電池SOC預(yù)測(cè)領(lǐng)域。相比于文獻(xiàn)[11]所提出的增量SVM算法，RVM算法的相關(guān)向量十分稀疏，重新訓(xùn)練時(shí)不會(huì)過(guò)多地丟失相關(guān)向量，所以采用增量學(xué)習(xí)法對(duì)RVM算法的輸出影響不大。
為了驗(yàn)證所研究方法的適用性和有效性，研究采用UDDS、NYCC、US06三種典型工況數(shù)據(jù)為參照，對(duì)比分析了IRVM、RVM及重新訓(xùn)練的相關(guān)向量機(jī)（Retraining RVM,RRVM）的預(yù)測(cè)效果和性能，結(jié)果表明所提出的IRVM算法針對(duì)鋰離子電池SOC預(yù)測(cè)具有較好的預(yù)測(cè)效果。因此，該方法可為鋰離子電池SOC預(yù)測(cè)提供思路和借鑒。
圖1 IRVM算法流程
總結(jié)
本文提出的基于數(shù)據(jù)驅(qū)動(dòng)方法的鋰離子電池SOC在線(xiàn)預(yù)測(cè)方法，將增量學(xué)習(xí)法與RVM離線(xiàn)算法相結(jié)合，建立改進(jìn)的IRVM算法，從而改善了RVM算法長(zhǎng)期趨勢(shì)預(yù)測(cè)能力差的問(wèn)題，提高了預(yù)測(cè)精度。
以鋰離子電池SOC在線(xiàn)預(yù)測(cè)為應(yīng)用背景，IRVM算法使用快速序列稀疏貝葉斯學(xué)習(xí)算法進(jìn)行訓(xùn)練，減小了矩陣運(yùn)算的復(fù)雜度，提高了算法的計(jì)算效率。通過(guò)實(shí)驗(yàn)分析了核參數(shù)、訓(xùn)練樣本的大小及溫度因素對(duì)算法預(yù)測(cè)精度和計(jì)算效率的影響，算法中通過(guò)調(diào)整核參數(shù)的方式保證算法的預(yù)測(cè)精度。
基于UDDS、NYCC、US06典型工況對(duì)所提出的IRVM鋰離子電池SOC預(yù)測(cè)方法與離線(xiàn)RVM和RRVM算法進(jìn)行分析對(duì)比，結(jié)果表明，RVM算法的預(yù)測(cè)精度較低，IRVM算法與RRVM算法的預(yù)測(cè)精度相當(dāng)，但I(xiàn)RVM算法的計(jì)算效率更高，相關(guān)向量更稀疏，適用于多種工況的預(yù)測(cè)。
IRVM算法的誤差限Error可以根據(jù)實(shí)際需求進(jìn)行調(diào)節(jié)，對(duì)于精度要求較高、計(jì)算效率要求較低的系統(tǒng)，可將Error調(diào)的較小些；對(duì)于計(jì)算效率要求較高、精度要求較低的系統(tǒng)，可將Error調(diào)的較大些。分析證明，IRVM算法應(yīng)用于鋰離子電池SOC在線(xiàn)預(yù)測(cè)時(shí)，預(yù)測(cè)的精度、計(jì)算效率均可靈活控制，效果良好，具有較好的應(yīng)用前景。
手機(jī)掃描二維碼
