CN107132490A - 一种实现锂电池组荷电状态估计的方法 - Google Patents

Abstract

本发明涉及一种实现锂电池组荷电状态估计的方法。采用支持向量机理论强大的自学习能力实现对大容量锂电池的离线建模和在线状态估计，并从选取支持向量机最佳模型参数的角度出发，采用了简单、快速的粒子群优化算法实现参数的自适应全局搜索，缩短模型训练时间。而且采用粒子群优化算法实现参数的自适应搜索过程及建模过程是离线进行的，SOC预测过程则是实时的，参数的搜索过程不会影响到SOC估计的实时性。本发明在训练集样本数据不多的情况下,能够实现大容量锂电池荷电状态的准确估计，用廉价的数字处理器就可以操作，适合用于基于低成本微控制器的电池管理系统实现电池SOC的预测，具有实时、高效、低成本等特点。

Description

一种实现锂电池组荷电状态估计的方法

技术领域

本发明涉及锂电池领域，特别是一种针对通信基站大容量锂电池荷电状态估计的方法，具体为一种实现锂电池组荷电状态估计的方法。

背景技术

锂电池作为常见的储能电源以其高性能、高性价比等优势，在储能领域市场具有很大的空间，应用需求急速攀升，在通信基站应用领域已经具有完全的商业市场。为了安全高效地使用锂电池，需要一套完善可靠的系统对分布在不同地区的电池进行监控管理，其中电池的荷电状态(Sate of Charge,SOC)是实现电池有效管理的基础与核心。本发明设计了一种应用于锂电池管理系统的荷电状态估计方法，实现对大容量锂电池SOC的在线估计。

发明内容

本发明的目的在于提供一种实现锂电池组荷电状态估计的方法，旨在根据电池采集的工作参数实现对锂电池SOC的在线估计，避免电池过充、过放，保护电池、延长电池使用寿命；提醒用户合理使用电池、提高电池利用率；使得锂电池管理系统中基于SOC的操作更有说服力，增加了锂电池管理系统的可靠性。

为实现上述目的，本发明的技术方案是：一种实现锂电池组荷电状态估计的方法，包括如下步骤，

步骤S1：从电池完整放电过程中选取300个样本数据作为训练数据集，每个样本数据包括工作电压、电流以及实际放电量；

步骤S2：对所述样本数据做[0,1]归一化处理；

步骤S3：在3折交叉验证下，采用粒子群优化算法实现支持向量机预测模型最佳参数组合的自适应搜索；

步骤S4：在所述训练数据集上利用最佳参数组合完成支持向量机训练，建立支持向量机预测模型；

步骤S5：采集当前电池工作电压、电流，输入支持向量机预测模型，预测当前电池放电量，并通过荷电状态公式：计算得到当前时刻电池的SOC；其中，C_n即电池额定容量；C_r表示的是电池当前的剩余电量，等于额定容量与放电量的差值。

在本发明一实施例中，所述步骤S3中的支持向量机预测模型最佳参数组合的自适应搜索以及所述步骤S4中的支持向量机预测模型建模均是离线进行的，所述步骤S5中当前电池放电量的预测和SOC计算是在线实时进行的，参数的搜索过程不会影响到SOC估计的实时性。

在本发明一实施例中，所述支持向量机回归训练中，样本数据中的工作电压、电流作为输入，实际放电量作为输出。

在本发明一实施例中，所述步骤S3中，3折交叉验证过程为：将训练数据集均分互斥为3个子集，将其中的每一个子集分别做一次测试集，其余2个子集做训练集，统计3个测试集上预测的均方误差，并将3个误差的均值记为3折交叉验证下模型的预测准确度。

在本发明一实施例中，所述步骤S3中，采用粒子群优化算法实现支持向量机预测模型最佳参数组合的自适应搜索过程中，所述支持向量机预测模型的核函数为RBF核函数，即高斯核函数为：

所述支持向量机预测模型的参数包括：不敏感损失参数ε＝0.01，把惩罚参数c和核参数g看作一个组合优化问题，采用粒子群优化算法实现参数组合(c,g)的自适应选择；

粒子群优化算法实现参数组合(c,g)的自适应选择过程如下：

步骤S31：初始化，进行粒子群参数：种群个数size＝20、最大迭代次数为100，根据参数产生初始粒子群{(c₁,g₁),…,(c_size,g_size)}，初始粒子速度{(v₁,v₂),…,(v_size,v_size)}；

步骤S32：计算适应度：对每一个粒子个体(c,g)，在训练集上进行3折交叉验证方式下的回归训练，将输出的回归均方误差作为对应粒子个体的适应度值，记录粒子个体的个体极值和群体极值，也称为全局极值；

步骤S33：对每一个粒子按照速度更新方程和粒子更新方程，完成对粒子个体值以及速度的更新，从而使粒子群体得到更新；

步骤S34：计算更新后的每一个粒子个体的适应度值，根据适应度值的大小，确定当前个体极值以及群体极值，即当前最优解；

步骤S35：判断是否满足最大迭代次数或者预定误差，如果满足条件，则输出当前的群体极值点，即全局极值点(bestc,bestg)，否则返回步骤S33。

相较于现有技术，本发明具有以下有益效果：

1、采用支持向量机理论强大的自学习能力实现对大容量锂电池的离线建模和在线状态估计，建模过程中支持向量机最佳模型参数的选取是自适应的；

2、采用了粒子群优化算法实现参数的自适应搜索，参数的搜索过程不会影响到SOC估计的实时性，保证了SOC状态预测的实时性和准确性；

3、在训练集样本数据不多的情况下,能够实现大容量锂电池荷电状态的准确估计，用廉价的数字处理器就可以操作，适合用于基于低成本微控制器的电池管理系统实现电池SOC的预测，具有实时、高效、低成本等特点。

附图说明

图1是本发明的方法流程图。

图2是3折交叉验证流程图。

图3是粒子群优化算法流程图。

具体实施方式

下面结合附图，对本发明的技术方案进行具体说明。

本实施例提供一种实现锂电池组荷电状态估计的方法，如图1所示，包括以下步骤：

步骤S1：从电池完成整放电过程中选取300个样本数据作为训练数据集，每个样本数据包括工作电压、电流以及实际放电量；

步骤S2：对所述样本数据做[0,1]归一化处理；

步骤S3：在3折交叉验证下，采用粒子群优化算法实现支持向量机预测模型最佳参数组合的自适应搜索；

步骤S4：在所述训练集上利用所述的最佳参数组合完成支持向量机训练，建立支持向量机预测模型；

步骤S5：采集当前电池工作电压、电流，输入支持向量机预测模型，预测当前电池放电量，并通过荷电状态公式：计算得到当前时刻电池的SOC。其中，C_n即电池额定容量；C_r表示的是电池当前的剩余电量，等于额定容量与放电量的差值。

在本实施例中，所述步骤S3中的支持向量机预测模型最佳参数组合的自适应搜索以及所述步骤S4中的支持向量机预测模型建模是离线进行的，而所述步骤S5中当前电池放电量的预测和SOC计算是在线实时进行的，参数的搜索过程不会影响到SOC估计的实时性。

在本实施例中，所述支持向量机回归训练中，样本数据中的工作电压、电流作为输入，实际放电量作为输出。

在本实施例中，如图2所示，所述步骤S3中的3折交叉验证过程为：将训练集均分为互斥的3个子集，将其中的每一个子集分别做一次测试集，其余2个子集做训练集，统计3个测试集上预测的均方误差，并将3个误差的均值记为3折交叉验证下模型的预测准确度。

在本实施例中，所述步骤S3中支持向量机预测模型的核函数为RBF核函数，即高斯核函数：所述的支持向量机预测模型参数包括：不敏感损失参数ε＝0.01，把惩罚参数C和核参数g看作一个组合优化问题，采用粒子群优化算法实现参数组合(c,g)的自适应选择。

在本实施例中，如图3所示，所述步骤S3中，采用粒子群优化算法实现参数组合(c,g)的自适应选择包括：

步骤S31：初始化，设置粒子群参数：种群个数size＝20、最大迭代次数为100，根据参数产生初始粒子群{(c₁,g₁),…,(c_size,g_size)}，初始粒子速度{(v₁,v₂),…,(v_size,v_size)}；

步骤S32：计算适应度：对每一个粒子个体(c,g)，在训练集上进行3折交叉验证方式下的回归训练，将输出的预测准确度(即，回归均方误差)：作为对应粒子个体的适应度值。其中为3折交叉验证过程中每一个测试子集上的预测均方误差，n为测试子集的样本数目，f(x_i)为在测试子集上的样本状态预测值，y_i为在测试子集上的样本状态实际值。对比每一个粒子个体(c,g)输出的均方误差，记录粒子个体的个体极值(对应的均方误差最小)和群体极值，也称为全局极值；

步骤S33：对每一个粒子按照速度更新方程：v_i＝v_i+c₁×rand()×(pbest_i-x_i)+c₂×rand()×(gbest_i-x_i)和粒子更新方程：x_i＝x_i+v_i，完成对粒子个体值以及速度的更新，从而使粒子群体得到更新；其中，v_i表示粒子的速度；rand()为介于(0,1)之间的随机数；x_i是粒子当前值；c₁＝1.5,c₂＝1.7分别代表了局部和全局的学习因子；pbest_i表示在迭代过程中该粒子搜索到的最佳值(即，个体极值)；gbest_i表示当前整个粒子群中所有粒子搜索到的最佳值(即，群体极值)；且以上i＝1,2,…,size。

步骤S34：计算更新后的每一个粒子个体的适应度值。根据适应度值的大小，确定当前个体极值以及群体极值，即当前最优解；

步骤S35：判断是否满足最大迭代次数或者预定误差，如果满足条件，则输出当前的群体极值点，即全局极值点(bestc,bestg)，否则返回步骤S33。

值得一提的是，本发明并不限于上述实施方案，凡按本发明方案所做的任何均等变化和修饰，所产生的功能作用未超出本方案的范围时，均属于本发明的保护范围。

Claims (4)

1.一种实现锂电池组荷电状态估计的方法，其特征在于：包括如下步骤，

步骤S1：从电池完整放电过程中选取300个样本数据作为训练数据集，每个样本数据包括工作电压、电流以及实际放电量；

步骤S2：对所述样本数据做[0,1]归一化处理；

步骤S3：在3折交叉验证下，采用粒子群优化算法实现支持向量机预测模型最佳参数组合的自适应搜索；

步骤S4：在所述训练数据集上利用最佳参数组合完成支持向量机训练，建立支持向量机预测模型；

步骤S5：采集当前电池工作电压、电流，输入支持向量机预测模型，预测当前电池放电量，并通过荷电状态公式：计算得到当前时刻电池的SOC；其中，C_n即电池额定容量；C_r表示的是电池当前的剩余电量，等于额定容量与放电量的差值。

2.根据权利要求1所述的一种实现锂电池组荷电状态估计的方法，其特征在于：所述步骤S3中的支持向量机预测模型最佳参数组合的自适应搜索以及所述步骤S4中的支持向量机预测模型建模均是离线进行的，所述步骤S5中当前电池放电量的预测和SOC计算是在线实时进行的，参数的搜索过程不会影响到SOC估计的实时性。

3.根据权利要求1所述的一种实现锂电池组荷电状态估计的方法，其特征在于：所述步骤S3中，3折交叉验证过程为：将训练数据集均分互斥为3个子集，将其中的每一个子集分别做一次测试集，其余2个子集做训练集，统计3个测试集上预测的均方误差，并将3个误差的均值记为3折交叉验证下模型的预测准确度。

4.根据权利要求1所述的一种实现锂电池组荷电状态估计的方法，其特征在于：所述步骤S3中，采用粒子群优化算法实现支持向量机预测模型最佳参数组合的自适应搜索过程中，所述支持向量机预测模型的核函数为RBF核函数，即高斯核函数为：

<mrow> <mi>K</mi> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>,</mo> <msub> <mi>x</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mi>exp</mi> <mrow> <mo>(</mo> <mo>-</mo> <mfrac> <mrow> <mo>|</mo> <mo>|</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mi>x</mi> <mi>j</mi> </msub> <mo>|</mo> <msup> <mo>|</mo> <mn>2</mn> </msup> </mrow> <mrow> <mn>2</mn> <msup> <mi>&amp;sigma;</mi> <mn>2</mn> </msup> </mrow> </mfrac> <mo>)</mo> </mrow> </mrow>

所述支持向量机预测模型的参数包括：不敏感损失参数ε＝0.01，把惩罚参数c和核参数g看作一个组合优化问题，采用粒子群优化算法实现参数组合(c,g)的自适应选择；

粒子群优化算法实现参数组合(c,g)的自适应选择过程如下：

步骤S31：初始化，进行粒子群参数：种群个数size＝20、最大迭代次数为100，根据参数产生初始粒子群{(c₁,g₁),…,(c_size,g_size)}，初始粒子速度{(v₁,v₂),…,(v_size,v_size)}；

步骤S32：计算适应度：对每一个粒子个体(c,g)，在训练集上进行3折交叉验证方式下的回归训练，将输出的回归均方误差作为对应粒子个体的适应度值，记录粒子个体的个体极值和群体极值，也称为全局极值；

步骤S33：对每一个粒子按照速度更新方程和粒子更新方程，完成对粒子个体值以及速度的更新，从而使粒子群体得到更新；

步骤S34：计算更新后的每一个粒子个体的适应度值，根据适应度值的大小，确定当前个体极值以及群体极值，即当前最优解；

步骤S35：判断是否满足最大迭代次数或者预定误差，如果满足条件，则输出当前的群体极值点，即全局极值点(bestc,bestg)，否则返回步骤S33。