CN108717165A - 基于数据驱动法的锂离子电池soc在线预测方法 - Google Patents

Abstract

本发明公开一种基于数据驱动法的锂离子电池SOC在线预测方法，将低计算量的增量式支持向量机方法引入到相关向量机。IRVM算法的样本数据由相关向量和新的在线样本组成，由于相关向量机十分稀疏，即相关向量个数远小于初始样本集，所以在线训练的m值十分小，因此在线预测的速度快、效率高、存储空间及计算复杂度低，实现了对锂离子电池SOC的精确预测。本发明能够解决在线锂离子电池SOC的预测问题，有效克服了传统的增量式在线训练算法，需要在线保持原始训练样本集，这样随着在线样本数据的更新，在线数据集将逐渐增大，其结果是m值逐渐增大，从而导致存储空间和计算复杂度增大的问题。

Description

基于数据驱动法的锂离子电池SOC在线预测方法

技术领域

本发明涉及电池性能预测技术领域，具体涉及一种基于数据驱动法的锂离子电池SOC在线预测方法。

背景技术

电动汽车作为未来主要交通工具，对其启动、加速、爬坡等性能及续航里程等提出一定要求，而这些性能很大程度上取决于动力电池性能。电池荷电状态(State of Charge，SOC)是电动汽车中非常重要的参数，只有准确估计电池的SOC，才能有效提高电动汽车的利用效率，优化驾驶，延长电池的使用寿命。但是，由于电池结构复杂，电池的荷电状态受放电电流、电池内部温度、自放电、电池老化等诸多因素影响，使SOC估算非常困难。且SOC作为电池的内部特性不可以直接对其进行测量，只能通过对电压、电流、温度等一些直接测量的外部特性参数预测而得。同时电池在使用过程中表现出高度非线性，使在线准确估计电池SOC值难度加大。

目前，SOC的预测方法可分为基于模型和数据驱动两类。基于模型的方法从电池内部的电化学反应出发建立电池等效电路模型，预测精度依赖模型的准确性，而实际应用很难准确建立电池模型。数据驱动方法主要包括神经网络、支持向量机、粒子滤波方法和相关向量机法。神经网络预测方法不需要建立系统的数学模型且具有极强的非线性映射能力，但训练时需要大量数据样本。支持向量机方法针对小样本、非线性问题具有明显优势，已经被广泛应用于预测领域，但其主要缺点是只能给出单点预测，参数优化困难。粒子滤波方法是概率式的预测，目前的研究较多，其主要缺点是依赖经验模型来建立状态转移方程。与支持向量机类似的相关向量机(Relevance Vector Machine，RVM)是由美国Tipping博士2000年提出的基于概率学习的稀疏Bayesian学习理论的算法模型。然而目前的相关向量机算法只用于对电池SOC的离线预测，离线模型一经建立就不再更新，但在线应用时由于其负载工况剧烈变化，离线的预测模型适应性较差，预测精度较低。基于相关向量回归的锂离子电池SOC预测方法仍然没有有效的在线预测策略来实现在线的、快速的预测。

发明内容

本发明所要解决的是现有锂离子电池采用相关向量机算法离线预测荷电状态预测精度低的问题，提供一种基于数据驱动法的锂离子电池SOC在线预测方法。

为解决上述问题，本发明是通过以下技术方案实现的：

基于数据驱动法的锂离子电池SOC在线预测方法，包括步如下：

步骤1、实时采集电池在待测工况下实际的N组电压、电流和温度数据，并结合电池厂家提供的OCV-SOC曲线，利用带有温度补偿系数的安时积分法得到电池对应的N组荷电状态数据；

步骤2、将步骤1采集到的N组数据中的n组数据作为当前训练样本集，另外N-n组数据作为新增样本集；

步骤3、利用当前训练样本集，并采用快速序列稀疏贝叶斯学习法对相关向量机RVM模型进行训练；

步骤4、训练完成后，删除与μ_i＝0所对应的当前训练样本集中的数据，得到当前相关向量集；

步骤5、利用以下公式计算训练值Y_xun：

Y_xun＝φμ；

步骤6、将训练值Y_xun与当前训练样本集中的荷电状态Y进行逐一比较：

若训练值Y_xun与荷电状态Y的差值绝对值均小于等于设定的训练误差限，则保留当前RVM模型，并转至步骤7；

否则，减小核参数，并返回步骤3；

步骤7、将新增样本集中的输入数据输入到当前RVM模型中，得到预测值Y_new；

步骤8、将预测值Y_new与新增样本集中的荷电状态NY进行逐一比较：

若预测值Y_new与荷电状态NY的差值绝对值均小于等于设定的预测误差限，则输出当前RVM模型，并转至步骤9；

否则，将当前相关向量集和新增样本集的并集作为当前训练样本集，并返回步骤3；

步骤9、将后续实时采集到的电压、电流和温度数据输入到步骤8所输出的RVM模型中，以实现对电池的荷电状态的在线预测；

其中，N和n均为设定值，其N＞n； 为基函数；μ＝[μ₁，μ₂，…，μ_m]^T，μ_i为权值ω的均值；i＝1，2，..，m，m为基函数的个数。

上述步骤1中，将步骤1采集到的N组数据中的前n组数据作为当前训练样本集，后N-n组数据作为新增样本集。

上述步骤6中设定的训练误差限与步骤7中设定的预测误差限相同。

与现有技术相比，本发明基于改进增量的RVM(Incremental improved RVM，IRVM)的锂离子电池SOC在线预测的方法，将低计算量的增量式支持向量机方法引入到相关向量机。IRVM算法的样本数据由相关向量和新的在线样本组成，由于相关向量机十分稀疏，即相关向量个数远小于初始样本集，所以在线训练的m值十分小，因此在线预测的速度快、效率高、存储空间及计算复杂度低，实现了对锂离子电池SOC的精确预测。本发明能够解决在线锂离子电池SOC的预测问题，有效克服了传统的增量式在线训练算法，需要在线保持原始训练样本集，这样随着在线样本数据的更新，在线数据集将逐渐增大，其结果是m值逐渐增大，从而导致存储空间和计算复杂度增大的问题。

附图说明

图1为基于数据驱动法的锂离子电池SOC在线预测方法的流图。

图2为各工况循环一次的速度-时间图，其中(a)图为UDDS工况，(b)图为NEDC工况。

图3为UDDS工况的各数据随工况时间的变化曲线，其中(a)图为SOC-时间图，(b)图为电流-时间图，(c)图为电压-时间图，(d)图为温度-时间图。

图4为三种算法对UDDS工况SOC预测结果的对比曲线图，两次实验的训练样本的数目不同，其他设置均相同，其中(a)图的训练样本数为298，(b)图的训练样本数为598。

图5为三种算法对UDDS工况SOC预测结果的对比曲线图，其中(a)图为预测曲线，(b)图为SOC的预测误差曲线。

图6为三种算法对NEDC工况SOC预测结果的对比曲线图，其中(a)图为预测曲线，(b)图为SOC的预测误差曲线。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实例，并参照附图，对本发明进一步详细说明。

在现有同类方法中，随着样本数量的逐渐增多其计算效率将大幅度的降低，它需要大量的存储空间，这些对于在线预测的运行环境提出了更高的要求，特别是空间应用的运行环境制约着在线算法的应用。相关向量机算法的计算复杂度为O(m3)，存储空间为O(m2)，其中m为基函数的个数。RVM的训练算法分为基本训练算法和自下而上的基函数选择法。基本训练算法是Tipping于2001年提出的迭代训练算法，初始训练时m＝n，n为训练样本个数，随着训练的进行，m逐渐减小。本次RVM的训练算法采用自下而上的基函数选择法，该方法是Tipping于2003年提出的快速序列稀疏贝叶斯学习算法，m从1开始不断增加，最大值为L，L为最终的相关相量的个数，而且核函数和权值后验方差中只包含当前模型中存在的基函数，在进行矩阵求逆时，该方法是从1×1的矩阵开始的，最大的矩阵求逆运算为L×L，由于RVM的高稀疏性，L<<n，所以逆矩阵的维数较小，计算复杂度较低，因此该方法计算速度较RVM的基本训练算法较快。

参见图1，一种基于数据驱动法(改进增量相关向量回归)的锂离子电池SOC在线预测方法，具体包括以下步骤：

步骤1：获取原始数据集。

在实际的运行的电池在线检测中，首先获得电池厂家提供的OCV-SOC曲线得到电压、电流(相应曲线是在一定放电倍率下得到的)温度与SOC的关系。然后结合该OCV-SOC曲线，采集锂离子电池在待预测工况下，实际电压(V/V)、电流(I/A)、温度(Tem/℃)数据，并利用带有温度补偿系数的安时积分法得到SOC值。接着，将电压、电流和温度作为输入数据集X0，即X0＝[I，V，Tem]；SOC作为输出数据集Y0，即Y0＝SOC，由此获得原始数据集OS，即OS＝[X0，Y0]，共N组数据。

步骤2：获取训练样本集和新增样本集。

以原始数据集OS的前n组数据作为训练样本集TS进行训练，即TS＝OS(1:n，:)＝[X，Y]，将原始数据集OS的后(N-n)组数据作为新增样本集NS进行预测，即NS＝OS(n+1:N，:)＝[NX，NY]。其中N和n为人为设定值，其取值介于300～600之间，N的取值为n的2～4倍。

步骤3：初始化RVM模型参数。

相关向量机RVM模型的数学表达式为：

y＝φω+ε

其中φ为n×m的核函数矩阵，且是从初始核函数矩阵训练简化得到的，Ψ中的基函数为 φ中的基函数为m为利用快速序列稀疏贝叶斯学习法训练得到的基函数的个数，且m≤n； K(x，x_n)为核函数：

BW为核参数；

ω＝(ω₁，…，ω_m)^T为模型的权值；

ε＝(ε₁，ε₂，…，ε_n)为高斯噪声，且ε_j～N(0，σ²)，σ²为RVM模型输出数据y的噪声方差；

在本实施例中，设定核参数BW＝40，最大迭代次数maxIts为3000，σ²＝var(y)*0.1。

步骤4：RVM训练。

步骤4.1：从初始核函数矩阵Ψ初始化一个基函数并计算与其对应的权值ω_i的超参数α_i：

其他所有超参数α_i为无穷大，所对应的ω_i均为零，即模型中只有一个基函数；

步骤4.2：计算ω的协方差Σ和均值μ：

∑＝(σ^-2φ^Tφ+A)^-1，μ＝σ^-2∑φ^Tt

其中，Σ为m×m的矩阵，μ为m×1的列向量，μ＝[μ₁，μ₂，…，μ_m]^T，A＝diag(α₁，α₂，…，α_m)；

步骤4.3：使用快速序列稀疏贝叶斯学习算法得到α_i和σ²：

计算稀疏因子s_i和质量因子q_i。稀疏因子用于度量基函数与模型中剩余所有基函数的重叠程度，质量因子用于度量去除基函数后对模型误差的校正；

φ包含一个基函数即其中，B＝σ^-2I。然后分别令且j≠i，计算所有的S_j和Q_j：

步骤4.4：选择下一个候选基函数，按照4.5到4.7的方法进行选择；

步骤4.5：如果q_i ²>s_i，并且α_i<∞，则模型中的基函数已经存在，并更新超参数α_i＝s_i ²/(q_i ²-s_i)，按照下式计算过程进行更新：

其中，β＝σ^-2，Σ_jj为协方差Σ的第j个对角线元素；

步骤4.6：如果q_i ²>s_i，并且α_i＝∞，，则模型中的增加一个基函数并更新超参数α_i＝s_i ²/(q_i ²-s_i)，按照下式计算过程进行更新：

∑_ii＝(α_i+S_i)^-1,μ_i＝∑_ii Q_i,

步骤4.7：如果q_i ²≤s_i，并且α_i﹤∞，则模型中的删除基函数并更新超参数α_i＝∞，按照下式计算过程进行更新：

步骤4.8：更新噪声方差σ²，其中φ只包含已经存在的基函数，m为已经存在基函数的列数；

步骤4.9：如果收敛则结束，否则重复执行步骤4.2到4.9。

步骤5：步骤4中迭代结束后，删除与μ_i＝0所对应训练样本集TS中的X_i和Y_i，得到相关相量RX和RY，并定义为相关向量集RS，即RS＝[RX，RY]。

步骤6，计算训练值Y_xun：

Y_xun＝φμ。

步骤7：将训练值Y_xun与训练样本集中的荷电状态Y比较：

若max|Y_xun-Y|>Error₁，则调整核参数，即令BW＝BW-1，并返回步骤4去重新训练RVM模型；其中Error₁为训练误差限；

否则，保留获得的RVM模型y_n+h＝μ^Tφ_n+h，h为预测步长，方差为

步骤8：将新增样本集NS＝[NX，NY]中NX输入到当前RVM模型中，得到预测值Y_new。

步骤9：将预测值Y_new与新增样本集中的荷电状态NY进行比较：

若max|Y_new-NY|>Error₂，则构造新的训练样本集TS＝RS∪NS，并返回步骤4去重新训练RVM，更新RVM模型；

否则，持RVM模型不变，并将其输出；其中Error₂为预测误差限。在本实施例中，训练误差限Error₁与预测误差限Error₂设定为相同值。

步骤10：利用步骤9所输出的RVM模型进行对锂离子电池SOC进行在线预测；y_new＝μ^Tφ_new， 为预测值的方差。

为了验证本发明是否能够有效地实现锂离子电池SOC的在线预测，本次实验采用高级车辆仿真器(Advanced Vehicle Simulator，ADVISOR)提供的工况数据进行实验验证。

数据分析：

以下数据集来源于ADVISOR软件平台，选用gm_ev1_in车型、ESS_L17_temp型号的锂离子电池(25℃条件下，7.035A/h)、rint电池模型，其他参数均为默认设置，获取UDDS和NEDC两个循环工况的速度、电压、电流、温度和SOC数据。

图2为各工况循环一次的速度时间图，横轴为时间，单位‘s’，纵轴为速度，单位‘mph’。通过对比，UDDS工况运行时间最长，加速减速次数最多，工况比较复杂，最能反应电池的放电特性，其最大速度为56.7mph，平均速度为19.58mph，最贴近我国城市道路工况，也是电动汽车分析中应用最多的工况，故选用UDDS工况对本发明的进行验证具有更好的代表性。

图3为UDDS工况循环两次的各数据随时间的变化图，数据总量为1598组，四幅图的横轴均为工况时间，单位‘s’，其中(a)图为SOC-时间图，纵轴为SOC的值，随着时间的不断增加，SOC从1减到0，且SOC有局部再生现象；(b)图为电流-时间图，纵轴为电流，单位‘A’，电流的变化很不稳定，且在急加速或急减速时电流瞬间增大或减小，变化幅度较大。(c)图为电压-时间图，纵轴为电压，单位‘V’，随着时间的增加，电压的总体趋势是降低的，局部变化较大；(d)图为温度-时间图，纵轴为温度，单位‘℃’，随着时间的增加，电池表面温度逐渐升高，且急加速或急减速时，温度升高较快。

本发明选用UDDS工况作为标准来阐述实验过程和分析实验结果，采用NEDC工况来验证预测算法的适用性。

实验及分析：

实验中，输入数据为电压、电流和温度，输出数据为SOC。RVM的核函数选择常用的高斯核函数，核参数BW对RVM的性能有一定的影响，经过实验验证，核参数初始值选为40较合适。噪声方差σ²＝var(y)*0.1，最大迭代次数Iterations为3000，最大运行时间Time为1s，，误差限Error＝0.04，预测步长为50。其他均采用SparseBayes Version 2.0工具箱的默认设置。

实验中对SOC的预测精度进行评价，评价的标准采用最大绝对误差maxe和均方根误差RMSE两种指标，均方根误差主要评价预测模型的整体性能，而最大绝对误差主要衡量预测模型的局部性能，定义如下：

其中，Y为SOC的真实值，Y'为SOC的预测值。

预测模型训练时分别采用298、598个样本作为训练数据进行建模，然后采用本发明的预测流程进行预测，同时将IRVM方法与离线的RVM方法(RVM)、重新训练的RVM(Retraining RVM，RRVM)方法进行了预测效果对比分析，如表1和图4所示。

表1不同算法的预测结果(UDDS工况)

图4为三种算法对UDDS工况SOC预测结果的对比曲线图，两次实验的训练样本的数目不同，其他设置均相同。其中(a)、(b)两图的训练样本数分别为298组和598组，横轴为工况时间/50s，每隔50s取一个点，纵轴为SOC的预测值，三种算法的曲线标识如图例中所示。

从以上图表可以看出，同种算法，训练样本数不同，其预测精度也不同。同种算法，训练样本数不同，计算效率差异较大。本发明的预测方法对SOC长期预测效果较好，预测过程中SOC预测值与实际值较好吻合，算法精度受训练样本数影响较小，算法计算效率受训练样本数影响较大，故在保证精度的前提下，要想保证计算效率，样本数尽量选小。

为了验证本文所提出方法的适用性和有效性，进一步采用UDDS和NEDC两个工况对其进行验证对比。其结果如图5、图6和表2所示。

表2不同工况的三种算法预测结果

图5和图6的(a)、(b)两图的横坐标为‘工况时间/ns’，n为两个工况采样间隔，由于两个工况的数据总量不同，n的值也不同，每个工况均采样25个点。图5和图6的(a)图的纵坐标为‘SOC’，两幅图分别为两种工况下三种算法对SOC的进行预测的预测曲线；(b)图的纵坐标为‘SOC的估计误差’，用百分比表示，两幅图分别为两种工况下三种算法对SOC的进行预测的误差曲线。三种不同算法的标识如图例中所示。表2为仿真结果对比表，工况数据列为两种工况以及工况数据的总量；训练样本数为各工况训练时的样本数量；运行时间为算法从开始到结束所经过的时间，单位“s”。由以上图表可以看出：

(1)RVM算法在数据拟合阶段效果都较好，在预测阶段的前期预测效果还较好，越往后误差越大，最大误差达都大于25％。这是由于在前期进行数据拟合时，通过训练获得了样本数据的相关相量，所以拟合效果较好。但在预测阶段，由于没有新的相关相量的加入，而继续采用拟合阶段的相关向量进行迭代预测，短期的预测效果较接近实际值，但长期预测值与实际值偏差较大，即RVM算法长期趋势的预测能力差。本算法一次预测完成，故运行时间最短，在预测阶段，由于没有相关相量的加入，故相关相量的个数最少，最大误差和均方根误差也最大。

(2)在两种工况下，IRVM算法和RRVM算法的预测误差均在5％以内，拟合效果和预测效果都很好。这是由于这两种算法通过在线增量学习，在预测阶段有新的相关向量加入，因此改善了RVM算法长期趋势预测能力差的问题。

1)IRVM算法和RRVM算法的精度对比：由表2可知，在UDDS和NEDC工况中，两种算法的最大误差相同，但是IRVM算法的均方根误差更小，说明IRVM算法的误差曲线更稳定。由此可知，在不同的工况下，两种算法的预测精度和稳定性相似，即IRVM算法预测锂电池SOC时没有过多的丢失相关相量，可以保证预测的精度。

2)IRVM算法和RRVM算法的计算效率对比：由表2可知，在两种工况下，IRVM算法的运行速度都比RRVM算法的运行速度快，相关相量的个数更少。这是因为IRVM算法进行预测时，每次将相关向量留下来和新增的样本一起进行训练，彻底丢弃了非相关相量，使训练样本大大减小，故算法运行的时间短，计算效率高。

综上实验结果所述：本发明的预测精度受训练样本数的大小影响较小；本发明改善了RVM算法长期趋势的预测能力差的问题，较离线的RVM算法预测精度提高明显；本发明提出的IRVM算法与RRVM算法的预测精度相当，但IRVM算法的计算效率更高，相关向量更稀疏；本实施方式采用不同的工况数据验证了IRVM算法的适应性；本发明的误差限Error可以根据实际需求的不同进行调节，对于精度要求较高，执行效率要求较低的系统，可将Error调的小一点；对于执行效率要求较高，精度要求较低的系统，可将Error调的较大一点；因此，用IRVM算法对锂电池SOC进行在线预测时，预测的精度和计算效率均可灵活控制，有较好的应用前景。

本发明将RVM算法训练的得到的相关相量与新增样本共同组成在线训练样本集，使训练样本中拥有预测样本的特征，大大提高了预测精度。在在线训练样本集的数量大大减少的同时，该算法使用快速序列稀疏贝叶斯学习算法进行训练，减小了矩阵运算得复杂度，提高了算法的计算效率。此外，为了保证算法的预测精度，在对样本进行训练和预测时，均设置了判决条件，通过调整核参数的方式保证算法的预测精度在误差限以内，这样就可将初始核参数选的较大一些，使相关相量更加稀疏。经实验分析，利用本发明方法进行在线预测时，随着样本的更新，预测模型需在线训练进行更新，进而提高预测准确率，改善了基本RVM算法长期趋势预测能力差的问题，适用于锂离子电池SOC的在线预测。

需要说明的是，尽管以上本发明所述的实施例是说明性的，但这并非是对本发明的限制，因此本发明并不局限于上述具体实施方式中。在不脱离本发明原理的情况下，凡是本领域技术人员在本发明的启示下获得的其它实施方式，均视为在本发明的保护之内。

Claims (3)

1.基于数据驱动法的锂离子电池SOC在线预测方法，其特征是，包括步如下：

步骤1、实时采集电池在待测工况下实际的N组电压、电流和温度数据，并结合电池厂家提供的OCV-SOC曲线，利用带有温度补偿系数的安时积分法得到电池对应的N组荷电状态数据；

步骤2、将步骤1采集到的N组数据中的n组数据作为当前训练样本集，另外N-n组数据作为新增样本集；

步骤3、利用当前训练样本集，并采用快速序列稀疏贝叶斯学习法对相关向量机RVM模型进行训练；

步骤4、训练完成后，删除与μ_i＝0所对应的当前训练样本集中的数据，得到当前相关向量集；

步骤5、利用以下公式计算训练值Y_xun：

Y_xun＝φμ；

步骤6、将训练值Y_xun与当前训练样本集中的荷电状态Y进行逐一比较：

若训练值Y_xun与荷电状态Y的差值绝对值均小于等于设定的训练误差限，则保留当前RVM模型，并转至步骤7；

否则，减小核参数，并返回步骤3；

步骤7、将新增样本集中的输入数据输入到当前RVM模型中，得到预测值Y_new；

步骤8、将预测值Y_new与新增样本集中的荷电状态NY进行逐一比较：

若预测值Y_new与荷电状态NY的差值绝对值均小于等于设定的预测误差限，则输出当前RVM模型，并转至步骤9；

否则，将当前相关向量集和新增样本集的并集作为当前训练样本集，并返回步骤3；

步骤9、将后续实时采集到的电压、电流和温度数据输入到步骤8所输出的RVM模型中，以实现对电池的荷电状态的在线预测；

其中，N和n均为设定值，其N＞n； 为基函数；μ＝[μ₁，μ₂，…，μ_m]^T，μ_i为权值ω的均值；i＝1，2，..，m，m为基函数的个数。

2.根据权利要求1所述基于数据驱动法的锂离子电池SOC在线预测方法，其特征是，步骤1中，将步骤1采集到的N组数据中的前n组数据作为当前训练样本集，后N-n组数据作为新增样本集。

3.根据权利要求1所述基于数据驱动法的锂离子电池SOC在线预测方法，其特征是，步骤6中设定的训练误差限与步骤7中设定的预测误差限相同。