一种基于多核集成策略的增量相关向量机电池SOC在线预测方法技术

本发明专利技术公开了一种基于多核集成策略的增量相关向量机电池SOC在线预测方法，包括以下步骤：步骤1、数据预处理；步骤2、训练集采样；步骤3、核函数选择；步骤4、模型训练；步骤5、模型验证；步骤6、自适应核参数；步骤7、RVM模型集成；步骤8、模型预测；步骤9、增量学习策略；步骤10、在线增量预测。本发明专利技术从实践角度出发，面对复杂的应用和需求的多样性，借鉴增量学习和集成学习思想，通过训练样本和核函数双重扰动，产生了差异度较大的包含多种核函数RVM个体学习模型，并结合新型增量集成策略，避免了模型过学习的问题，提高了模型的泛化能力和鲁棒性，增大了其应用范围。增大了其应用范围。增大了其应用范围。

【技术实现步骤摘要】
一种基于多核集成策略的增量相关向量机电池SOC在线预测方法


[0001]本专利技术涉及电池动态状态评估与性能预测
，具体涉及一种基于相关向量机算法、鲸鱼优化算法、增量学习思想和多核函数集成学习策略的一种锂离子电池SOC在线预测方法。

技术介绍

[0002]近年来电动汽车得以高速发展。动力电池是发展新能源汽车的关键，是新能源汽车成本和技术上的最大瓶颈。荷电状态(State of Charge，简称SOC)的数值直接反映了电池的剩余容量状况，是电池管理系统中最重要的参数之一，准确的估计SOC为保证电池工作稳定、制定电池均衡策略及智能充电等提供依据，能有效防止电池因为过充或者过放造成的损坏，延长电池使用寿命，提高能量利用效率，降低使用成本。
[0003]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或电化学模型，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。数据驱动方法不需要建立电池复杂的内部机理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，模型参本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多核集成策略的增量相关向量机电池SOC在线预测方法，其特征在于，包括如下步骤：步骤1、数据预处理给定数据集Data，将数据集进行归一化处理，使数据均在[
‑
1,1]的区间内，并划分训练集DN和测试集DT；步骤2、训练集采样针对训练集DN，采用Bagging自助采样算法进行n次采样，得到n个含有a个样本的训练子集[A1,A2,
…
,A
n
]以及与训练子集相对应的n个含有b个样本的验证集[B1,B2,
…
,B
n
]；步骤3、核函数选择选择m种核函数作为算法的核心映射函数，包括线性核函数、多项式核函数、高斯核函数、指数径向基核函数、Sigmoid核函数、柯西核函数、Fourier核函数和小波核函数；步骤4、模型训练基于步骤2得出的n组训练样本子集[A1,A2,
…
,A
n
]和步骤3中m种核函数，采用快速序列稀疏贝叶斯学习法，训练出m
×
n个RVM模型，并得到对应的m
×
n个相关向量集[RV1,RV2,
…
,RV
m
×
n
]；步骤5、模型验证基于步骤2得到的n组验证集[B1,B2,
…
,B
n
]，分别用验证子集B
j
验证训练子集A
j
训练出的m种RVM模型的预测性能，计算m
×
n个模型预测值的均方根误差[RMSE1,RMSE2,
…
,RMSE
m
×
n
]，其中j∈[1,n]；步骤6、自适应核参数利用鲸鱼优化算法，初始化核参数种群，转到步骤4和步骤5，计算所有核参数所对应模型预测值的均方根误差，并将其作为鲸鱼优化算法的适应度函数，分别对m
×
n个RVM模型的核参数进行全局寻优，最终得到m
×
n个RVM预测模型；步骤7、RVM模型集成将测试集根据预测步长的大小分为具有时间序列相关的c个测试子集[DT1,
…
,DT
i
‑1,DT
i
,
…
,DT
c
]，针对测试集DT中的测试子集DT
i
，结合k近邻法，计算DT
i
与验证子集B
j
(j∈[1,n])的欧式距离，找寻k个邻近验证子集以及每个验证子集所对应的均方根误差最小的RVM预测模型，并根据模型对验证集数据预测的均方根误差获得相应的权重，得到结合k个RVM模型的RVM加权集成预测模型及对应的相关向量[RV1,RV2,
…
,RV
k
]；步骤8、模型预测使用步骤7得到的RVM加权集成预测模型，对测试子集DT
i
的数据进行预测，并输出预测值SOC及置信区间；步骤9、增量学习策略结合增量式学习思想，对新增测试子集DT
i
的数据进行预测之前，为了获取临近样本的变化趋势，将上一步新增测试子集DT
i
‑1及其预测值SOC
i
‑1重新组成第i
‑
1步包含输入和输出数据的训练样本，并结合第i
‑
2步模型训练时得到的相关向量集[RV
1,i
‑2,RV
2,i
‑2,
…
,RV
k,i
‑2]，共同构成新的训练集[ND1,ND2,
…
,ND
k
]，并使用步骤7得出的RVM集成预测模型进行训练，得到k组相关向量[RV
1,i
‑1,RV
2,i
‑1,
…
,RV
k,i
‑1]，并将每组属于新增样本的相关向量[RV
new1,i
‑1,RV
new2,i
‑1,
…
,RV
newk,i
‑1]共同组成测试子集DT
i
‑1的特征向量RV
new
，并将其添加到
步骤6中的m
×
n组RVM预测模型的历史相关向量[RV1,RV2,
…
,RV
m
×
n
]中；步骤10、在线增量预测重复步骤7
‑
步骤9，最终输出整个测试集的SOC估计值和置信区间。2.根据权利要求1所述的一种基于多核集成策略的增量相关向量机电池SOC在线预测方法，其特征在于：步骤1中将数据集的前30％数据作为训练集，70％数据为测试集，数据在采集过程中易受到噪声干扰或错误操作的影响，会使数据集出现某些异常数据，通过下式对数据集进行归一化处理，使电压、电流和温度数据均在[
‑
1,1]的区间内，其中，x
min
为待处理数据的最小值，x
max
为待处理数据的最大值；3.根据权利要求1所述的一种基于多核集成策略的增量相关向量机电池SOC在线预测方法，其特征在于：步骤2中使用Bagging采样法对训练数据进行扰动，从训练集中随机有放回地抽取一定数目的训练样本，产生多组包含不同的数据分布信息训练数据，生成具有较大差异度的个体学习器，该方法每次抽取都会产生63.2％的训练集，总训练集DN中剩下的36.8％的数据可作为验证集，其中采样次数n为10。4.根据权利要求1所述的一种基于多核集成策略的增量相关向量机电池SOC在线预测方法，其特征在于：除了步骤3中所描述的这8种常用的核函数外，其余m
‑
8种核函数，如新型核函数及常用核函数的变体，可在以后的研究中添加到该集成算法中，增加该集成算法的可扩展性。5.根据权利要求1所述的一种基于多核集成策略的增量相关向量机电池SOC在线预测方法，其特征在于：步骤4中训练算法采用快速序列稀疏贝叶斯学习算法，包括以下步骤：步骤4.1：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
：步骤4.2：计算ω的协方差Σ...

【专利技术属性】
技术研发人员：范兴明，王超，贠祥，张鑫，封浩，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：