【技术实现步骤摘要】
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
本专利技术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。
技术介绍
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...
【技术保护点】
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：/n1)采集常规工况数据进行预处理得到训练数据集，并选取高斯回归过程核函数，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；/n2)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；/n3)采用贯序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；/n4)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。/n
【技术特征摘要】
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，并选取高斯回归过程核函数，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)采用贯序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。
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。
5.根据权利要求4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SquaredExponential、Mat′ern、RationalQuadratic和SpectralMixture。
6.根据权利要求4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...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。