CN111413619B - 基于高斯过程回归的多工况电池剩余容量预测方法及系统 - Google Patents
基于高斯过程回归的多工况电池剩余容量预测方法及系统 Download PDFInfo
- Publication number
- CN111413619B CN111413619B CN202010234074.7A CN202010234074A CN111413619B CN 111413619 B CN111413619 B CN 111413619B CN 202010234074 A CN202010234074 A CN 202010234074A CN 111413619 B CN111413619 B CN 111413619B
- Authority
- CN
- China
- Prior art keywords
- data
- battery
- gaussian process
- process regression
- working condition
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 103
- 230000008569 process Effects 0.000 title claims abstract description 63
- 238000012549 training Methods 0.000 claims abstract description 65
- 238000005070 sampling Methods 0.000 claims abstract description 38
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 28
- 230000003190 augmentative effect Effects 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 77
- 238000009826 distribution Methods 0.000 claims description 28
- 238000005457 optimization Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 21
- 230000003993 interaction Effects 0.000 claims description 11
- 238000007599 discharging Methods 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 6
- 239000002245 particle Substances 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000002068 genetic effect Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims 1
- 238000002474 experimental method Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 5
- 230000003068 static effect Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明涉及一种基于高斯过程回归的多工况电池剩余容量预测方法及系统，该方法包括以下步骤：1)采集常规工况数据进行预处理得到训练数据集，并选取高斯过程回归核函数，所述的常规工况数据包括电动汽车电池的输入和输出数据；2)训练高斯过程回归模型，即确定高斯过程回归模型的超参数；3)采用序贯采样算法获得下一个采样点，并将其加入常规工况数据中，得到增广工况数据集；4)基于预测结果及增广工况数据集，判断是否满足停止条件，若不满足，则将增广工况数据集作为新的训练数据集后返回步骤2)，若满足，则输出预测结果即电池剩余容量。与现有技术相比，本发明具有成本低、多工况和极端工况预测等等优点。
Description
技术领域
本发明涉及纯电动汽车性能检测领域，尤其是涉及一种基于高斯过程回归的多工况电池剩余容量预测方法及系统。
背景技术
在电动汽车的厂家技术参数中，一般只提供电池出厂时的总容量，部分厂家会提供电池在完成一定的充放电次数后，电池容量降低的百分比。但在实际使用中，充放电的强度(如快充和慢充)、环境温度等工况的不同都会导致汽车电池容量衰减率的改变——消费者也更希望获得汽车在自己个性化驾驶习惯及其所在地实际环境下驾驶一段时间后，汽车电池的剩余容量。
传统的电动汽车电池剩余容量预测方法有两种，一种是进行物理实验，去检测电池在实验环境下或真实路况中使用一段时间后的剩余容量；另一种是建立电池的物理模型以及计算机仿真模型，进而进行电池充放电的仿真实验，获得电池在使用一段时间后的剩余容量。前者需要搭建较为完善的实验台，耗费大量的人力物力及时间资源，且物理实验可以模拟的工况有限，无法检测电池在某些极端工况下使用一段时间后的剩余容量；后者由于电池的充放电机制较为复杂，很难将影响其剩余容量的各种因素整合到一个确定的数学方程中，所以其仿真实验效果与真实的物理实验存在较大出入。
随着机器学习、深度学习等人工智能算法的发展与应用，当获取到某一工况下电动汽车电池的输入、输出数据时，即可将其作为训练数据训练模型，用以预测电池在该工况下使用一段时间后的剩余容量。当合理选择模型及调整参数后，可以实现电动汽车电池在该工况下的剩余容量预测。但是单独的机器学习、深度学习算法模型往往泛化能力较差，即当仅获取一种或多种工况下的训练数据时，无法训练模型去预测电池在另一种新的工况下使用一段时间后的剩余容量。若要获取全工况下的训练数据，尤其是某些极端工况下的训练数据，则需要昂贵的实验成本，甚至是在实验室的条件下无法实现的——而电动车电池在极端工况下使用一段时间后的剩余容量，往往是汽车厂商及消费者评价该车性能的重要指标。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于高斯过程回归的多工况电池剩余容量预测方法及系统。
本发明的目的可以通过以下技术方案来实现：
一种基于高斯过程回归的多工况电池剩余容量预测方法，包括以下步骤：
1)采集常规工况数据进行预处理得到训练数据集，并选取高斯过程回归核函数，所述的常规工况数据包括电动汽车电池的输入和输出数据；
2)训练高斯过程回归模型，即确定高斯过程回归模型的超参数；
3)采用序贯采样算法获得下一个采样点，并将其加入常规工况数据中，得到增广工况数据集；
4)基于预测结果及增广工况数据集，判断是否满足停止条件，若不满足，则将增广工况数据集作为新的训练数据集后返回步骤2)，若满足，则输出预测结果即电池剩余容量。
所述的电动汽车包括纯电动汽车和油电混合动力汽车。
所述的步骤1)中，常规工况数据为在设定时间间隔内按照设定的采样频率采集到随时间变化的时间序列数据，每个采样时刻点采集一组训练数据；
电动汽车电池的输入数据包括电池的端电压、充放电电流、初始电池容量和电动汽车电池所处的温度；
电动汽车电池的输出数据包括电池剩余容量。
所述的步骤1)具体包括以下步骤：
11)采用去奇异值、平滑、归一化方法对常规工况数据进行预处理，并整理数据形式得到多组高斯过程回归模型的训练数据，即训练数据集；
12)计算高斯过程回归模型输入数据的概率密度分布；
13)从训练数据集中随机选取一部分训练数据，并保持原来的顺序，分别使用多种核函数对其进行快速拟合，通过使得均方根误差RMSE最小筛选出拟合效果最好的核函数，作为高斯过程回归模型训练中使用的核函数。
所述的步骤13)中，多种核函数包括Squared Exponential、Mat′ern、RationalQuadratic和Spectral Mixture。
所述的步骤2)具体为：
根据训练数据及核函数确定负对数边际似然函数，采用无导数的优化算法求解以负对数边际似然函数作为目标函数，以核函数的超参数作为决策变量的最优化问题，得到合适的超参数，完成高斯过程回归模型的训练，得到均值函数和协方差函数。
所述的步骤3)具体包括以下步骤：
31)假设一组模型输入，代入由步骤2)得到的均值函数得到一组模型输出，其与模型输入构成一组包含以模型输入为未知量的训练数据；
32)将该组数据加入预处理后的训练数据集得到增广工况数据集，采用与步骤2)相同的方法在增广工况数据集上训练高斯过程回归模型，并获取含有未知量的均值函数和协方差函数；
33)根据均值函数、协方差函数以及输入数据的概率密度分布，通过积分计算得到上下置信区间边界的概率密度分布，并且以上下置信区间边界的概率密度分布的差距作为目标函数，以假设的模型输入作为决策变量，构成最优化问题；
34)采用无导数的优化方法求解最优化问题。
所述的步骤33)中，上下置信区间边界的概率密度分布的差距具体为：
采用L1或L2范数表示差距后，再对概率密度分布的分布区间进行积分得到的积分值。
所述的无导数的优化算法包括遗传算法、蚁群算法和粒子群算法，其停止条件为迭代次数达到设定次数上限，或上下置信区间边界的概率密度分布的差距小于设定阈值。
一种基于高斯过程回归的多工况电池剩余容量预测系统，该系统包括：
常规工况数据采集单元：用以通过传感设备采集动态获取电动汽车电池的输入和输出数据作为常规工况数据，并发送给终端处理单元；
终端处理单元：用以将接收到的常规工况数据通过数据传输单元发送给服务器单元进行计算处理；
服务器单元：用以执行该基于高斯过程回归的多工况电池剩余容量预测方法的步骤，实现对常规工况数据的预处理、训练高斯过程回归模型、序贯采样和预测结果输出；
人机交互单元：用以显示预测结果以及输入预测参数和条件。
与现有技术相比，本发明具有以下优点：
本发明能够在仅获取某一或某些常规工况下电动汽车电池的输入、输出数据后，将其作为原始数据，通过基于高斯过程回归模型的采样策略进行采样，扩充原始数据，得到多工况甚至全工况下的训练数据，进而预测电动汽车电池在多工况甚至全工况中的一种或多种工况下使用一段时间后的剩余容量，具体为：
1、只需在常规工况下进行实验，大大降低实验成本，包括人力、物力和时间资源，同时大大降低了实验难度；
2、可实现电动汽车电池在多工况甚至全工况中的一种或多种工况下使用一段时间后的剩余容量预测，帮助不同地区、不同驾驶习惯的消费者个性化了解汽车电池的容量性能；
3、可实现电动汽车电池剩余容量在极端工况下使用一段时间后的剩余容量预测，帮助生产厂家进行系统可靠性方面的评估。
附图说明
图1为基于高斯过程回归的多工况电动汽车电池剩余容量预测系统实现步骤流程图。
图2为针对时间序列的高斯过程回归模型(GPR)结构示意图。
图3为实施例1中的序贯采样算法流程图，其中的U为输入数据根据实际情况确定的定义域，ε为根据实际情况确定的迭代停止阈值。
图4为实施例2中的序贯采样算法流程图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
本发明提供一种基于高斯过程回归的多工况电动汽车电池剩余容量预测方法及系统，该系统包括常规工况数据采集单元、数据传输单元、服务器单元、人机交互单元和终端处理单元，其中服务器单元又包括输入输出接口、数据及模型预处理单元、高斯过程回归模型训练单元、序贯采样单元和停止判断环节，如图1所示，该预测方法具体实现步骤为：
步骤1.在常规工况数据采集单元，使用传感设备动态获取电动汽车电池的输入和输出数据，将其统称为常规工况数据，传输给终端处理单元；
步骤2.在终端处理单元，将接收到的常规工况数据通过数据传输单元发送给服务器单元进行计算处理；
步骤2.1.在数据及模型预处理单元，对采集到的常规工况数据进行预处理，得到训练数据集，并选取高斯过程回归核函数；
步骤2.2.在高斯过程回归模型训练单元，使用最小化负对数边际似然函数的方法，为高斯过程回归模型寻找合适的超参数；
步骤2.3.在序贯采样单元，使用序贯采样算法，寻找下一个采样点，并添加进常规工况数据中，得到增广工况数据集；
步骤2.4.在停止判断环节，基于增广工况数据集，判断是否满足停止条件，若不满足，则将增广工况数据作为新的常规工况数据返回步骤2.2，若满足，则输出预测结果进入数据传输单元；
步骤3.服务器单元计算出的电池剩余容量预测结果通过数据传输单元反馈给终端处理单元，并通过人机交互单元进行显示。
上述各步骤的具体说明如下：
本发明中，电动汽车包括纯电动汽车和油电混合动力汽车；电池剩余容量预测指将电池电量耗尽后，使用充电设备对进行充电，能够输入电池的总电量(kWh)；工况指在常规工况数据采集单元中，所采集的电池的输入数据(多种)的某种组合；常规工况指电动汽车的电池在低成本实验中或在用户正常使用的过程中的运行工况，以及国家相关标准规定的工况，如国标等速(60km/h)工况、工信部NEDC工况等；电池的输入数据指电池的端电压、充放电电流、初始电池容量、环境温度等；电池的输出数据指电池剩余容量(kWh)。进一步，应根据动力系统的实际结构及使用环境设置输入数据的默认值。
常规工况数据为时间序列数据，即电池的输入、输出数据是时间的函数，用于训练的常规工况数据是按一定的采样频率采集到的一段时间间隔内随时间变化的序列。换句话说，把一个时间间隔离散化成了若干时刻点，在每个时刻点采集一组电池的输入、输出数据。
电池的输入数据中，在t时刻：充放电电流为正表示充电、为负表示放电、为0表示电池处于静态(不充电也不放电，即不工作)，充放电电流为0的时刻的端电压为静态电压；在t时刻之前，离t时刻最近的一个充放电电流为0的时刻的端电压，为t时刻的静态电压；端电压大于t时刻的静态电压表示电池充电，小于t时刻的静态电压表示电池放电。通过一段时间内电池输入数据的变化，可以获取电池的充放电次数、频率、强度以及所处温度的变化等信息。
各系统单元的功能如下：
1、常规工况数据采集单元
常规工况数据采集单元通过电压传感器、电流传感器、温度传感器、电池剩余容量在线检测装置等作为传感设备，用以采集常规工况数据。
2、服务器单元
行模型训练及数据的序贯采样，具体包括：
2.1、数据及模型预处理单元：
首先使用去奇异值、平滑、归一化等方法对常规工况数据进行预处理，并整理数据形式：如图2所示，在t时刻点，模型的输入xt为t时刻电池的输入数据及t-1时刻电池的输出数据，模型的输出yt为t时刻电池的输出数据。特别的，在初始时刻时，认为“t-1时刻电池的输出数据”为初始电池容量。由此，在每个时刻点都有一组模型的训练数据：(xt,yt)；取多少个时刻点，就得到了多少组训练数据。
然后计算出模型输入数据xt的概率密度分布。
最后从预处理过的训练数据中随机选取一小部分训练数据，保持原来的顺序，分别使用多种核函数(包括但不限于表1中所示核函数)对其进行快速拟合，选出拟合效果最好的核函数，作为高斯过程回归模型训练单元中使用的核函数。“拟合效果最好”指使用该核函数进行拟合得到的
最小，其中：yi为真实值，
为预测值，n为参与快速拟合的训练数据的总数。
确定了核函数后，即可确定高斯过程回归模型中超参数的个数。
表1各种核函数
2.2、高斯过程回归模型训练单元：
训练高斯过程回归模型的训练，即确定高斯过程回归模型中超参数的值。在训练高斯过程回归模型时，首先根据训练数据及核函数确定负对数边际似然函数；负对数边际似然函数是超参数的函数，超参数根据在步骤2.1中选取的核函数来确定个数，由此得到一个以负对数边际似然函数为目标函数，以超参数为决策变量的最优化问题；解该最优化问题，即可得到合适的超参数，完成GPR模型的训练。
训练好高斯过程回归模型，即可得到均值函数和协方差函数，如表2所示。其中，均值函数拟合了模型输入与输出之间的函数关系，即将已知的模型输入代入均值函数，即可求得高斯过程回归模型关于该输入的预测输出。
表2均值函数和协方差函数
2.3、序贯采样单元：
首先假设一组模型输入，代入步骤2.2中得到的均值函数得到一组模型输出，与模型输入组成了一组完整数据(含有未知量：模型输入)；然后将这组数据加入在步骤2.1中预处理后的数据得到增广工况数据集，使用与步骤2.2相同的方法在增广工况数据集上训练高斯过程回归模型，计算出含有未知量的均值函数和协方差函数；再利用均值函数和协方差函数以及在步骤2.1中得到的概率密度分布，积分计算得到上下置信区间边界的概率密度分布，进而以上下置信区间边界的概率密度分布的“差距”为目标函数，以假设的模型输入为决策变量，得到最优化问题；最后使用无导数的优化方法解决最优化问题。
序贯采样单元中使用的算法，即为序贯采样算法。
序贯采样单元中，上下置信区间边界的概率密度分布的“差距”指先使用L1或L2范数表示“差距”再对概率密度分布的分布区间进行积分得到的积分值。
高斯过程回归模型训练单元和序贯采样单元中，最优化问题使用遗传算法、蚁群算法、粒子群算法等无导数的优化算法。
停止条件可以为迭代次数达到某一限度，也可以为上下置信区间边界的概率密度分布的“差距”小于某一阈值。
将步骤2.2-2.4合称为基于高斯过程回归的序贯采样算法。
3、人机交互单元
由触摸屏组成，或者由显示屏和物理按键组成。用户可以通过人机交互单元设置工况并查看预测结果，以及更改系统设置等。
用户也可以通过人机交互单元更改系统默认的序贯采样算法的停止条件。
实施例1：
本实施例所公开的基于高斯过程回归的多工况电动汽车电池剩余容量预测系统，用于纯电动汽车厂商在汽车出厂前对汽车电池在多工况下使用一段时间后的剩余容量进行预测，下面进行详细描述。
常规工况数据采集单元：作为举例而非限定，数据采集单元可以为直接安装在纯电动汽车电池设备上的温度传感器、电压传感器、电流传感器、电池剩余电量在线检测装置等作为传感设备，用以采集电池的输入数据(电池的端电压、充放电电流、初始电池容量、环境温度，共4项)、输出数据(电池剩余容量(kWh)，共1项)，将其统称为常规工况数据。其中，初始电池容量应为电池出厂时的总容量，且不随时间改变，通过WIFI网络、AP热点或者其它传输方式将常规工况数据发送至终端处理单元。
终端处理单元：作为举例而非限定，主要由存储介质和处理器组成，处理器用于执行存储介质上的程序，存储介质上的程序将采集到的常规工况数据进行必要的转码，如将电信号转为数字信号等。
数据传输单元：作为举例而非限定，可以采用TCP/IP协议，完成基于高斯过程回归的多工况纯电动汽车电池剩余容量预测系统中不同单元之间的数据传输。
服务器单元：针对时间序列的高斯过程回归模型的结构如图2所示。
首先对常规工况数据进行归一化、去奇异值、平滑化等预处理，得到容量为n的训练数据集
其中，
向量为第i个时刻电池的输入数据及第i-1个时刻电池的输出数据，也即为模型的输入；yi为第i个时刻电池的输出数据，也即为模型的输出；特别的，在i＝0时刻，认为“t-1时刻电池的输出数据”为初始电池容量。再从训练数据集D中随机选取
(若整除不了则向下取整)组训练数据，使用高斯过程回归模型(表2)，分别不同的核函数(表1)对其进行拟合，找到拟合效果最好即RMSE最小的核函数，将其作为选择的核函数，最后根据已有的训练数据集D中的模型输入X，使用非参数分布拟合的方法计算其概率密度分布f。
选择好核函数后，即可确定超参数的个数，并结合贝叶斯定理及高斯随机过程的性质写出负对数边际似然函数，作为举例而非限定，选择SE(Squared Exponential)核函数，负对数边际似然函数为
其中，
为由yi∈R,i＝1,...,n组成的列向量，K为n×n的矩阵：
I为n×n的单位矩阵，σn为超参数。同时，K矩阵中也包含了另外两个超参数(表1)。令
表示由三个超参数组成的向量，则使用粒子群优化法解决优化问题
即可获得最合适的超参数
可根据实际情况限制超参数的可行域即：
接下来使用图3中展示的序贯采样算法程序框图，计算得到
即为在模型输入为
时，模型输出
的表达式。
实际预测时，给定一组由纯电动汽车电池的输入、输出数据组成的时间序列模型输入：
(其中完整的
需要先将
代入
计算出t＝0时刻的模型输出后才能得到，
类似)，最后将
代入
计算得到模型输出，即在t时刻，电池的剩余容量，上述时间序列的采样间隔应尽可能小。
人机交互单元：作为举例而非限定，可以由触摸屏组成，或者由显示屏和按钮组成。使用者通过使用人机交互单元，完成所需查看工况及各种系统参数的输入，并且获得相关操作的预测结果信息。
基于高斯过程回归的多工况纯电动汽车电池剩余容量预测系统的使用流程如下：
(1)在纯电动汽车电池的相应位置安装传感设备；
(2)启动电池系统，使其在某一或若干标准工况(如使用220V、10A的家用电源从电量为0开始给电池充电，至电池充满；分别驾车于早上和中午在NEDC标准驾驶循环下行驶；至电池电量用完就近使用380V、63A的快充电源将电池充满；等等)或其它实验室与真实路况环境中容易达到的工况下运行若干充放电循环；
(3)关闭汽车及电池系统，通过人机交互单元输入所要查看的工况(如多次使用380V、63A的快充电源充电，于晚上(5摄氏度)在EPA标准驾驶循环下放电)；
(4)通过人机交互系统查看结果。
实施例2：
本实施例是在实施例1的基础上进行改进，主要改进效果为提高服务器单元的计算速度。
在实施例1的序贯采样单元中，如图3所示，每进行一次循环，都要重新使用最小化负对数边际似然函数的方法来确定高斯过程回归模型的超参数，而解决最优化问题所用的粒子群优化算法的收敛速度较慢，这导致整个服务器单元的计算速度较慢。另一方面，实施例1中序贯采样算法中的函数Q，采用了L1范数来表示上下置信区间概率密度分布的“差距”。由于L1范数更适合在局部进行采样，一开始就使用L1范数也会导致整个服务器单元的计算速度较慢。
在实施例2中，序贯采样单元设置为：每隔5次循环更新一次超参数。同时在前10次循环中，使用L2范数来表示上下置信区间概率密度分布的“差距”。如图4所示。
Claims (7)
1.一种基于高斯过程回归的多工况电池剩余容量预测方法，其特征在于，包括以下步骤：
1)采集常规工况数据进行预处理得到训练数据集，并选取高斯过程回归核函数，所述的常规工况数据包括电动汽车电池的输入和输出数据，具体包括以下步骤：
11)采用去奇异值、平滑、归一化方法对常规工况数据进行预处理，并整理数据形式得到多组高斯过程回归模型的训练数据，即训练数据集；
12)计算高斯过程回归模型输入数据的概率密度分布；
13)从训练数据集中随机选取一部分训练数据，并保持原来的顺序，分别使用多种核函数对其进行快速拟合，通过使得均方根误差RMSE最小筛选出拟合效果最好的核函数，作为高斯过程回归模型训练中使用的核函数；
2)训练高斯过程回归模型，即确定高斯过程回归模型的超参数，具体为：
根据训练数据及核函数确定负对数边际似然函数，采用无导数的优化算法求解以负对数边际似然函数作为目标函数，以核函数的超参数作为决策变量的最优化问题，得到合适的超参数，完成高斯过程回归模型的训练，得到均值函数和协方差函数；
3)采用序贯采样算法获得下一个采样点，并将其加入常规工况数据中，得到增广工况数据集，具体包括以下步骤：
31)假设一组模型输入，代入由步骤2)得到的均值函数得到一组模型输出，其与模型输入构成一组包含以模型输入为未知量的训练数据；
32)将该组数据加入预处理后的训练数据集得到增广工况数据集，采用与步骤2)相同的方法在增广工况数据集上训练高斯过程回归模型，并获取含有未知量的均值函数和协方差函数；
33)根据均值函数、协方差函数以及输入数据的概率密度分布，通过积分计算得到上下置信区间边界的概率密度分布，并且以上下置信区间边界的概率密度分布的差距作为目标函数，以假设的模型输入作为决策变量，构成最优化问题；
34)采用无导数的优化方法求解最优化问题；
4)基于预测结果及增广工况数据集，判断是否满足停止条件，若不满足，则将增广工况数据集作为新的训练数据集后返回步骤2)，若满足，则输出预测结果即电池剩余容量。
2.根据权利要求1所述的一种基于高斯过程回归的多工况电池剩余容量预测方法，其特征在于，所述的电动汽车包括纯电动汽车和油电混合动力汽车。
3.根据权利要求1所述的一种基于高斯过程回归的多工况电池剩余容量预测方法，其特征在于，所述的步骤1)中，常规工况数据为在设定时间间隔内按照设定的采样频率采集到随时间变化的时间序列数据，每个采样时刻点采集一组训练数据；
电动汽车电池的输入数据包括电池的端电压、充放电电流、初始电池容量和电动汽车电池所处的温度；
电动汽车电池的输出数据包括电池剩余容量。
4.根据权利要求1所述的一种基于高斯过程回归的多工况电池剩余容量预测方法，其特征在于，所述的步骤13)中，多种核函数包括Squared Exponential、Mat′ern、RationalQuadratic和Spectral Mixture。
5.根据权利要求1所述的一种基于高斯过程回归的多工况电池剩余容量预测方法，其特征在于，所述的步骤33)中，上下置信区间边界的概率密度分布的差距具体为：
采用L1或L2范数表示差距后，再对概率密度分布的分布区间进行积分得到的积分值。
6.根据权利要求1或5所述的一种基于高斯过程回归的多工况电池剩余容量预测方法，其特征在于，所述的无导数的优化算法包括遗传算法、蚁群算法和粒子群算法，其停止条件为迭代次数达到设定次数上限，或上下置信区间边界的概率密度分布的差距小于设定阈值。
7.一种基于高斯过程回归的多工况电池剩余容量预测系统，其特征在于，该系统包括：
常规工况数据采集单元：用以通过传感设备采集动态获取电动汽车电池的输入和输出数据作为常规工况数据，并发送给终端处理单元；
终端处理单元：用以将接收到的常规工况数据通过数据传输单元发送给服务器单元进行计算处理；
服务器单元：用以执行如权利要求1所述预测方法的步骤，实现对常规工况数据的预处理、训练高斯过程回归模型、序贯采样和预测结果输出；
人机交互单元：用以显示预测结果以及输入预测参数和条件。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010234074.7A CN111413619B (zh) | 2020-03-30 | 2020-03-30 | 基于高斯过程回归的多工况电池剩余容量预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010234074.7A CN111413619B (zh) | 2020-03-30 | 2020-03-30 | 基于高斯过程回归的多工况电池剩余容量预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111413619A CN111413619A (zh) | 2020-07-14 |
| CN111413619B true CN111413619B (zh) | 2021-01-22 |
Family
ID=71493349
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010234074.7A Active CN111413619B (zh) | 2020-03-30 | 2020-03-30 | 基于高斯过程回归的多工况电池剩余容量预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111413619B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116338468A (zh) * | 2021-01-21 | 2023-06-27 | 湘潭大学 | 一种锂电池健康状态和剩余可用寿命的预测方法及系统 |
| CN112836394B (zh) * | 2021-03-10 | 2024-05-14 | 东南大学 | 基于相关性和高斯过程回归的设计空间参数迁移学习方法 |
| CN113267733B (zh) * | 2021-04-13 | 2023-11-17 | 西安理工大学 | 基于高斯过程回归的锂电池健康状态估计的自动配置方法 |
| EP4404113A1 (en) * | 2021-09-15 | 2024-07-24 | Resonac Corporation | Prediction data display device, prediction data display method, and prediction data display program |
| CN114019371B (zh) * | 2021-10-15 | 2023-06-16 | 上海交通大学 | 一种基于高斯过程回归的电机极端工况的温度预测系统 |
| CN114487850A (zh) * | 2022-01-25 | 2022-05-13 | 重庆标能瑞源储能技术研究院有限公司 | 一种基于实车数据的动力电池容量预测方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010002227A (ja) * | 2008-06-18 | 2010-01-07 | Autonetworks Technologies Ltd | 開放電圧推定方法及び電源装置 |
| US9086462B2 (en) * | 2012-08-15 | 2015-07-21 | GM Global Technology Operations LLC | Systems and methods for battery parameter estimation |
| CN103399276B (zh) * | 2013-07-25 | 2016-01-20 | 哈尔滨工业大学 | 一种锂离子电池容量估计及剩余循环寿命预测方法 |
| CN105445671A (zh) * | 2015-12-29 | 2016-03-30 | 北京航天测控技术有限公司 | 一种基于无迹粒子滤波的锂离子电池寿命预测方法 |
| US10324135B2 (en) * | 2016-06-06 | 2019-06-18 | Mitsubishi Electric Research Laboratories, Inc. | Methods and systems for data-driven battery state of charge (SoC) estimation |
| CN106405427A (zh) * | 2016-08-29 | 2017-02-15 | 哈尔滨理工大学 | 基于神经网络与Maternard核函数GPR的锂电池健康状态预测方法 |
| CN106125004A (zh) * | 2016-08-29 | 2016-11-16 | 哈尔滨理工大学 | 基于神经网络核函数gpr的锂电池健康状态预测方法 |
-
2020
- 2020-03-30 CN CN202010234074.7A patent/CN111413619B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN111413619A (zh) | 2020-07-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111413619B (zh) | 基于高斯过程回归的多工况电池剩余容量预测方法及系统 | |
| CN111460379B (zh) | 基于高斯过程回归的多工况动力系统性能预测方法及系统 | |
| CN111460381B (zh) | 基于高斯过程回归的多工况燃油车油耗预测方法及系统 | |
| CN111460380B (zh) | 一种基于高斯过程回归的多工况续驶里程预测方法及系统 | |
| Lu et al. | An asymmetric encoder–decoder model for Zn-ion battery lifetime prediction | |
| Guo et al. | Online estimation of SOH for lithium-ion battery based on SSA-Elman neural network | |
| CN110068774A (zh) | 锂电池健康状态的估计方法、装置及存储介质 | |
| Fan et al. | A novel machine learning method based approach for Li-ion battery prognostic and health management | |
| CN106453293B (zh) | 一种基于改进bpnn的网络安全态势预测方法 | |
| CN111460382A (zh) | 基于高斯过程回归的燃油车有害气体排放预测方法及系统 | |
| Martínez-Frutos et al. | Kriging-based infill sampling criterion for constraint handling in multi-objective optimization | |
| CN110135635B (zh) | 一种区域电力饱和负荷预测方法及系统 | |
| CN112966714B (zh) | 一种边缘时序数据异常检测和网络可编程控制方法 | |
| CN111243682A (zh) | 药物的毒性预测方法及装置、介质和设备 | |
| CN114818831B (zh) | 基于多源感知的双向锂离子电池故障检测方法及系统 | |
| CN114966436A (zh) | 锂电池荷电状态预测方法、装置、设备及可读存储介质 | |
| CN111983474A (zh) | 一种基于容量衰退模型的锂离子电池寿命预测方法和系统 | |
| CN112305441A (zh) | 一种集成式聚类下的动力电池健康状态评估方法 | |
| CN112491891A (zh) | 物联网环境下基于混合深度学习的网络攻击检测方法 | |
| CN109507594A (zh) | 锂电池容量估计的间接健康因子选取方法 | |
| CN116930609A (zh) | 一种基于ResNet-LSTM模型的电能计量误差分析方法 | |
| CN115454466A (zh) | 机器学习模型自动更新的方法、装置、设备和介质 | |
| Zhang et al. | A novel state-of-health prediction method based on long short-term memory network with attention mechanism for lithium-ion battery | |
| Wu et al. | An improved convolutional neural network-bidirectional gated recurrent unit algorithm for robust state of charge and state of energy estimation of new energy vehicles of lithium-ion batteries | |
| CN114726751A (zh) | 资源质量监控的智能化预警方法、系统、设备和存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230810 Address after: Room 3051, Building B, 555 Dongchuan Road, Minhang District, Shanghai, 200241 Patentee after: SHANGHAI HEXIA NEW ENERGY TECHNOLOGY Co.,Ltd. Address before: 200240 No. 800, Dongchuan Road, Shanghai, Minhang District Patentee before: SHANGHAI JIAO TONG University |