針對鋰離子電池荷電狀態(tài)（SOC）預(yù)測精度不高以及在線適應(yīng)性差的問題，提出一種改進(jìn)的增量學(xué)習(xí)相關(guān)向量機(jī)模型對鋰離子電池SOC進(jìn)行在線預(yù)測。
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在線預(yù)測方法研究。
研究發(fā)現(xiàn)，通過自動調(diào)整核參數(shù)的方法，可以保證有較高的預(yù)測精度。算法驗證實驗表明，核參數(shù)可以控制算法的預(yù)測精度和計算效率，該算法預(yù)測精度高、計算速度快、通用性強(qiáng)，可為鋰離子電池SOC的預(yù)測與應(yīng)用提供參考。
近年來新能源汽車得以高速發(fā)展。動力電池是發(fā)展新能源汽車的關(guān)鍵，也是新能源汽車成本和技術(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)，能有效防止電池因為過充電或過放電造成損壞，延長電池使用壽命，提高能量利用效率，降低使用成本。
目前，數(shù)據(jù)驅(qū)動的方法已廣泛應(yīng)用于鋰離子電池SOC預(yù)測領(lǐng)域。其中，卡爾曼濾波算法初始值由開路電壓給定，而算法本身的精度依賴于所選擇的等效電路模型。神經(jīng)網(wǎng)絡(luò)算法存在過擬合、易陷入局部極值、結(jié)構(gòu)設(shè)計依賴于經(jīng)驗等缺陷。
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，有學(xué)者將SVM算法與多種神經(jīng)網(wǎng)絡(luò)算法進(jìn)行對比分析，結(jié)果表明使用徑向基核函數(shù)的SVM算法預(yù)測鋰電池SOC的效果最好。但支持向量的數(shù)量會著隨著訓(xùn)練樣本的增大線性增長，使得預(yù)測模型相對復(fù)雜。
為此，有學(xué)者研究了一種簡單的增量學(xué)習(xí)算法，每次將支持向量保留下來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，其缺點是可能丟失有用的支持向量，從而導(dǎo)致預(yù)測不準(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，且以概率的形式輸出結(jié)果，可自動調(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SOC進(jìn)行預(yù)測，較SVM算法具有更高的預(yù)測精度。但由于RVM算法過于稀疏及容量數(shù)據(jù)存在動態(tài)波動特性，直接采用RVM算法預(yù)測鋰離子電池SOC的結(jié)果穩(wěn)定性差。
針對以上問題，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)練時不會過多地丟失相關(guān)向量，所以采用增量學(xué)習(xí)法對RVM算法的輸出影響不大。
為了驗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)測效果和性能，結(jié)果表明所提出的IRVM算法針對鋰離子電池SOC預(yù)測具有較好的預(yù)測效果。因此，該方法可為鋰離子電池SOC預(yù)測提供思路和借鑒。
圖1 IRVM算法流程
總結(jié)
本文提出的基于數(shù)據(jù)驅(qū)動方法的鋰離子電池SOC在線預(yù)測方法，將增量學(xué)習(xí)法與RVM離線算法相結(jié)合，建立改進(jìn)的IRVM算法，從而改善了RVM算法長期趨勢預(yù)測能力差的問題，提高了預(yù)測精度。
以鋰離子電池SOC在線預(yù)測為應(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，提高了算法的計算效率。通過實驗分析了核參數(shù)、訓(xùn)練樣本的大小及溫度因素對算法預(yù)測精度和計算效率的影響，算法中通過調(diào)整核參數(shù)的方式保證算法的預(yù)測精度。
基于UDDS、NYCC、US06典型工況對所提出的IRVM鋰離子電池SOC預(yù)測方法與離線RVM和RRVM算法進(jìn)行分析對比，結(jié)果表明，RVM算法的預(yù)測精度較低，IRVM算法與RRVM算法的預(yù)測精度相當(dāng)，但I(xiàn)RVM算法的計算效率更高，相關(guān)向量更稀疏，適用于多種工況的預(yù)測。
IRVM算法的誤差限Error可以根據(jù)實際需求進(jìn)行調(diào)節(jié)，對于精度要求較高、計算效率要求較低的系統(tǒng)，可將Error調(diào)的較小些；對于計算效率要求較高、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在線預(yù)測時，預(yù)測的精度、計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
