CN112782588B - 一种基于lssvm的soc在线监测方法及其储存介质 - Google Patents

Abstract

本发明涉及机器学习领域和负荷预测领域，更具体地，本发明涉及一种基于LSSVM的SOC在线监测方法及其储存介质。包括：获取实时报文数据，提取实时特征数据；LSSVM模型输入实时特征数据，得到预测SOC。本发明提供一种基于LSSVM的SOC在线监测方法，可用于对SOC进行在线估计和监测，并对SOC的异常进行处理，具有SOC值预测准确，可实时监测SOC异常的特点；且通过确定合适的SOC判断方法，可准确判断SOC出现下降或者异常增长的情况，并对异常情况进行处理，提高充电的安全性，且本发明构建的在线监测方法步骤简单、处理迅速。

Description

一种基于LSSVM的SOC在线监测方法及其储存介质

技术领域

本发明涉及机器学习领域和负荷预测领域，更具体地，本发明涉及一种基于LSSVM的SOC在线监测方法及其储存介质。

背景技术

近年来，随着汽车工业的发展，燃油车加速了能源污染的情况。充电电动车的出现，其清洁低碳绿色的优点，快速成为汽车行业的热门发展趋势。但是由于电动汽车是靠电池来作为动力源，如果电池出现状态问题，将直接导致电动车的安全问题。

传统的充电安全保护机制是根据电动汽车的电池管理系统(BMS)，BMS是一套保护动力电池组使用安全的控制系统，能够实时监测动力电池组的充放电过程，电压电流值、SOC估计和电量等。但是随着电池的老化，BMS的各个功能会下降，尤其是SOC值的估计不准确，将会影响电池的充电状态和健康状态。

SOC(电池荷电状态)是电池管理系统中的核心部分之一，它能够实时的反应电池的剩余电量，SOC的状态同时也体现了电池的健康状态。当电动车充电时，出现SOC异常时，应该及时监测，避免电动车出现安全故障问题。因此，对SOC进行在线估计和监测，有重要的研究意义。

发明内容

为了解决上述问题，本发明结合了机器学习方法的优势，利用最小而成支持向量机(LSSVM)来预测SOC，并进行在线监测和修正，可以有效的根据当前的电量、电压、电流等信息进行预测估计。本发明第一个方面提供了一种基于LSSVM的SOC在线监测方法，包括：

获取实时报文数据，提取实时特征数据；

LSSVM模型输入实时特征数据，得到预测SOC。

作为本发明一种优选的技术方案，所述实时特征数据包括当前电压、当前电流、当前电量和当前SOC。

作为本发明一种优选的技术方案，所述LSSVM模型输入实时特征数据，得到预测SOC，并进行SOC判断，所述SOC判断包括SOC下降判断和/或SOC增长异常判断。

作为本发明一种优选的技术方案，所述SOC下降判断中，当当前SOC小于上一时刻SOC时，对SOC进行矫正。

作为本发明一种优选的技术方案，所述SOC矫正为使用预测SOC代替当前SOC。

作为本发明一种优选的技术方案，所述SOC增长异常判断中，SOC增长的计算公式为

当SOC增长大于等于30％时，SOC增长出现异常，停止充电。

作为本发明一种优选的技术方案，所述LSSVM模型的构建方法包括：

获取历史报文数据，并提取历史特征数据，对LSSVM模型进行训练，得到LSSVM模型。

作为本发明一种优选的技术方案，所述历史特征数据包括历史电压、历史电流、历史电量和历史SOC。

作为本发明一种优选的技术方案，所述历史特征数据进行归一化，得到归一化数据，对LSSVM模型进行训练。

本发明第二个方面提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机程序，所述计算机程序用于执行如上所述的基于LSSVM的SOC在线监测方法。

本发明与现有技术相比具有以下有益效果：本发明提供一种基于LSSVM的SOC在线监测方法，可用于对SOC进行在线估计和监测，并对SOC的异常进行处理，具有SOC值预测准确，可实时监测SOC异常的特点；且通过确定合适的SOC判断方法，可准确判断SOC出现下降或者异常增长的情况，并对异常情况进行处理，提高充电的安全性，且本发明构建的在线监测方法步骤简单、处理迅速。

附图说明

图1为基于LSSVM的SOC在线监测方法的流程图。

具体实施方式

参选以下本发明的优选实施方法的详述以及包括的实施例可更容易地理解本发明的内容。除非另有限定，本文使用的所有技术以及科学术语具有与本发明所属领域普通技术人员通常理解的相同的含义。当存在矛盾时，以本说明书中的定义为准。

参数以范围、优选范围、或一系列上限优选值和下限优选值限定的范围表示时，这应当被理解为具体公开了由任何范围上限或优选值与任何范围下限或优选值的任一配对所形成的所有范围，而不论该范围是否单独公开了。例如，当公开了范围“1至5”时，所描述的范围应被解释为包括范围“1至4”、“1至3”、“1至2”、“1至2和4至5”、“1至3和5”等。当数值范围在本文中被描述时，除非另外说明，否则该范围意图包括其端值和在该范围内的所有整数和分数。

单数形式包括复数讨论对象，除非上下文中另外清楚地指明。“任选的”或者“任意一种”是指其后描述的事项或事件可以发生或不发生，而且该描述包括事件发生的情形和事件不发生的情形。

说明书和权利要求书中的近似用语用来修饰数量，表示本发明并不限定于该具体数量，还包括与该数量接近的可接受的而不会导致相关基本功能的改变的修正的部分。相应的，用“大约”、“约”等修饰一个数值，意为本发明不限于该精确数值。在某些例子中，近似用语可能对应于测量数值的仪器的精度。在本申请说明书和权利要求书中，范围限定可以组合和/或互换，如果没有另外说明这些范围包括其间所含有的所有子范围。

此外，本发明要素或组分前的不定冠词“一种”和“一个”对要素或组分的数量要求(即出现次数)无限制性。因此“一个”或“一种”应被解读为包括一个或至少一个，并且单数形式的要素或组分也包括复数形式，除非所述数量明显旨指单数形式。

以下通过具体实施方式说明本发明，但不局限于以下给出的具体实施例。

如图1所示，本发明第一个方面提供了一种基于LSSVM的SOC在线监测方法，包括：

获取实时报文数据，提取实时特征数据；

LSSVM模型输入实时特征数据，得到预测SOC。

实时特征数据

本发明所述实时报文数据为目标在充电过程中产生的充电报文，所述目标可以是以电作为能量来源的介质，可列举的有，电动汽车、电动自行车、电动三轮车、手机等，以电动汽车为例，电动汽车，如新能源汽车的用户在公司的充电桩充电时会产生新能源车与充电桩之间的通讯报文，即为目标为新能源汽车的实时报文数据。在一种实施方式中，本发明所述实时特征数据包括当前电压、当前电流、当前电量和当前SOC。电量是充电的度数，SOC值也即电池荷电状态(State Of Charge，简称SOC)，是指电池的剩余电量的表示方法，是电池管理系统的一个重要监控数据，电池管理系统根据SOC值控制电池工作状态。

LSSVM模型

如图1所示，在一种实施方式中，本发明所述LSSVM模型的构建方法包括：

获取历史报文数据，并提取历史特征数据，对LSSVM模型进行训练，得到LSSVM模型。充电桩会根据公司与充电桩企业签订的协议来筛选部分通讯报文发送到公司的云平台中，并存入数据库，数据库中的报文均为历史报文数据；

优选地，本发明所述历史特征数据包括历史电压、历史电流、历史电量和历史SOC。更优选地，本发明所述历史特征数据进行归一化，得到归一化数据，对LSSVM模型进行训练。

本发明所述归一化为将历史特征数据进行归一化，使其值域为[0,1]，为本领域熟知的归一化公式，所述归一化公式为

其中a_min为数据集中的最小值，a_max为数据集中的最大值。本发明将历史特征数据进行归一化的过程中，是将每个历史SOC的平均电压、平均电流、电量进行归一化，得到归一化数据作为LSSVM的输入数据，并将SOC作为输出数据进行LSSVM模型的训练。

所述历史SOC的平均电压为将同一历史SOC对应的历史电压进行平均得到的平均电压，所述历史SOC的平均电流是将对应历史SOC所有历史报文的历史电流进行平均得到的平均电流。

LSSVM是一种基于核的学习方法，能够将非线性的样本，通过核函数映射到特征空间。LSSVM的优化问题如下所示：

s.t.y_i(W·x_i+b)＝1-e_i,i＝1,2,…m

其中C为正则化参数，W是权重。对于非线性可分的训练样本可以将原始样本映射到更高位的线性可分空间中。

将x_i映射到更高位空间中。在这个更高维空间中：

其中，W为权重，b为偏差量，

是非线性变换，x_i和y_i为输入量和输出量。

本发明所述LSSVM训练过程为离线程序，只有在定期维护或出现大量错误时才会重新训练LSSVM的权值，但随着当前充电的时间和建立LSSVM模型的间隔增加，最初建立的LSSVM模型可能和当前充电的模型有误差，为了减少误差，在建立LSSVM模型，目标电动汽车充电时产生的充电报文数据和预测的充电时长数据也会放入历史报文数据中，此时相比于最初的LSSVM模型训练时的训练集中的数据增多，从而更新相应的模型，提高下一次预测时长时的准确性和可靠性。

当LSSVM模型训练好之后，可用于SOC预测，具体预测过程如下：在用户完成一次较长充电后，将此次充电报文放入训练好的LSSVM中，预测其正常状态下的SOC，并更新用户个人健康档案中充电安全系数，用于下次充电SOC在线监测。

在一种实施方式中，本发明所述LSSVM模型输入实时特征数据，得到预测SOC，并进行SOC判断。

SOC判断

本发明通过获取实时特征数据后，可通过LSSVM模型进行SOC预测，并判断SOC是否出现异常，其中实时特征数据也需要通过归一化处理，得到归一化数据后输入LSSVM模型进行SOC预测，得到预测SOC。在一种实施方式中，本发明所述SOC判断包括SOC下降判断和/或SOC增长异常判断。

优选地，本发明所述SOC下降判断中，当当前SOC小于上一时刻SOC时，对SOC进行矫正。实时报文数据从充电桩与目标握手成功之后开始产生第一条充电报文，并持续到充电结束，一般来说充电报文每间隔一段时间产生一条，这个间隔时间记为一时刻，根据充电桩、运营商等的不同而不同。更优选地，本发明所述SOC矫正为使用预测SOC代替当前SOC。

进一步优选地，本发明所述SOC增长异常判断中，SOC增长的计算公式为

当SOC增长大于等于30％时，SOC增长出现异常，停止充电。

本发明所述获取实时报文和预测SOC并进行SOC判断的过程为在线过程，且处理的时间为分钟级；当一个充电桩与目标握手成功之后并且产生第一条充电报文数据开始，就要启动在线程序，进行在线监测，从而对充电整个过程中SOC的变化进行实时监测，避免安全隐患。

本发明第二个方面提供一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机程序，所述计算机程序用于执行如上所述的基于LSSVM的SOC在线监测方法。

实施例

下面通过实施例对本发明进行具体描述。有必要在此指出的是，以下实施例只用于对本发明作进一步说明，不能理解为对本发明保护范围的限制，该领域的专业技术人员根据上述本发明的内容做出的一些非本质的改进和调整，仍属于本发明的保护范围。

实施例1

如图1所示，本发明提供一种基于LSSVM的SOC在线监测方法，包括：

获取实时报文数据，提取实时特征数据，所述实时特征数据包括当前电压、当前电流、当前电量和当前SOC；

LSSVM模型输入实时特征数据，得到预测SOC，并进行SOC判断，所述SOC判断包括SOC下降判断和SOC增长异常判断；

所述SOC下降判断中，当当前SOC小于上一时刻SOC时，使用预测SOC代替当前SOC对SOC进行矫正；所述SOC增长异常判断中，SOC增长的计算公式为

当SOC增长大于等于30％时，SOC增长出现异常，停止充电；

LSSVM模型的构建方法包括：

获取历史报文数据，并提取历史特征数据，所述历史特征数据包括历史电压、历史电流、历史电量和历史SOC，将历史SOC的平均电压、平均电流、电量进行归一化，得到归一化数据作为LSTM的输入数据，并将SOC作为输出数据进行LSSVM模型的训练，得到LSSVM模型。

前述的实例仅是说明性的，用于解释本发明所述方法的一些特征。所附的权利要求旨在要求可以设想的尽可能广的范围，且本文所呈现的实施例仅是根据所有可能的实施例的组合的选择的实施方式的说明。因此，申请人的用意是所附的权利要求不被说明本发明的特征的示例的选择限制。在权利要求中所用的一些数值范围也包括了在其之内的子范围，这些范围中的变化也应在可能的情况下解释为被所附的权利要求覆盖。

Claims (5)

1.一种基于LSSVM的SOC在线监测方法，其特征在于，包括：

获取实时报文数据，提取实时特征数据；

LSSVM模型输入实时特征数据，得到预测SOC；

所述实时特征数据包括当前电压、当前电流、当前电量和当前SOC；

所述LSSVM模型输入实时特征数据，得到预测SOC，并进行SOC判断，所述SOC判断包括SOC下降判断和SOC增长异常判断；

所述SOC下降判断中，当当前SOC小于上一时刻SOC时，对SOC进行矫正；所述SOC矫正为使用预测SOC代替当前SOC；

所述SOC增长异常判断中，SOC增长的计算公式为

，当SOC增长大于等于30%时，SOC增长出现异常，停止充电。

2.根据权利要求1所述的基于LSSVM的SOC在线监测方法，其特征在于，所述LSSVM模型的构建方法包括：

获取历史报文数据，并提取历史特征数据，对LSSVM模型进行训练，得到LSSVM模型。

3.根据权利要求2所述的基于LSSVM的SOC在线监测方法，其特征在于，所述历史特征数据包括历史电压、历史电流、历史电量和历史SOC。

4.根据权利要求 3所述的基于LSSVM的SOC在线监测方法，其特征在于，所述历史特征数据进行归一化，得到归一化数据，对LSSVM模型进行训练。

5.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储计算机程序，所述计算机程序用于执行权利要求1～4中任一项所述的基于LSSVM的SOC在线监测方法。

Images