基于自适应数据驱动融合方法的锂电池荷电状态在线预测方法技术

本发明专利技术公开了基于自适应数据驱动融合方法的锂电池荷电状态在线预测方法，包括如下步骤：步骤1、数据采集；步骤2、数据预处理；步骤3、模型训练；步骤4、模型验证；步骤5、自适应核参数；步骤6、数据预测；步骤7、误差调节；步骤8、在线实时预测。本发明专利技术结合增量学习思想，建立了在线SOC实时估计模型，在线训练时将前一步长的SOC估计值重新进行训练，不断学习新样本的特征，提高算法的长期预测能力，与此同时，使用鲸鱼优化算法对算法内部参数进行全局寻优，解决了算法内部参数确定困难且耗时的问题，提高了算法的预测精度和计算效率，最后，使用自适应卡尔曼滤波算法调节相关向量机算法的预测误差，进一步提高了模型的泛化性能。进一步提高了模型的泛化性能。进一步提高了模型的泛化性能。

【技术实现步骤摘要】
基于自适应数据驱动融合方法的锂电池荷电状态在线预测方法


[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、进化算法和滤波算法的自适应数据驱动融合方法的锂离子电池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，模型参数确定困难，且预测结果受噪声影响较大，导致算法泛化能力和鲁棒性较弱。因此，如何在样本数据不足的情况下，提高数据驱动算法的泛化性能和鲁棒性，建立参数自适应模型，是数据驱动算法在锂电池荷电状态评估与预测应用中亟待解决的问题。

技术实现思路

[0004]本专利技术所要解决的技术问题是提供一种锂离子电池SOC实时动态评估与预测的数据驱动融合方法，其通过建立基于相关向量机(Relevance Vector Machine，RVM)算法的电池数据驱动预测模型，同时结合鲸鱼优化算法(Whale Optimization Algorithm，WOA)建立参数自适应模型。最终以自适应卡尔曼滤波(Adaptive Kalman Filter，AKF)算法在线动态实时调节数据驱动模型的预测精度。
[0005]为解决上述问题，本专利技术是通过以下技术方案实现的：
[0006]基于自适应数据驱动融合方法的锂电池荷电状态在线预测方法，包括如下步骤：
[0007]步骤1、数据采集：实时采集锂离子电池在待测工况下端电压、电流和温度数据，根据锂离子电池的充放电曲线，拟合锂电池开路电压与SOC的关系，以此作为开路电压法检测SOC的依据，工作时根据采集到的开路电压值查表得到对应的荷电状态SOC；
[0008]步骤2、数据预处理：将步骤1的采集电池数据集分为三组，即训练集、验证集和测试集，将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；
[0009]步骤3、模型训练：初始化核参数种群，利用当前训练样本集，以归一化的电压、电流和温度数据作为RVM的输入，SOC为输出，并采用快速序列稀疏贝叶斯学习法训练RVM模型，得到相关向量集；
[0010]步骤4、模型验证：基于验证集，对训练后的RVM模型的预测性能进行验证，计算预
测SOC的均方根误差；
[0011]步骤5、自适应核参数：利用鲸鱼优化算法，以均方根误差为适应度函数，对核参数进行全局寻优；
[0012]步骤6、数据预测：基于测试集，使用步骤3
‑
5得到的训练模型和核参数，对SOC值进行预测；
[0013]步骤7、误差调节：以自适应卡尔曼滤波算法为最终预测框架，将SOC预测模型作为AKF算法的观测方程，将安时积分法作为AKF算法的状态方程，输出经过滤波后的SOC估计值；
[0014]步骤8、在线实时预测：将测试集根据预测步长的大小分为多个新增数据集，结合增量式学习思想，新增数据集的电流、电压和温度数据与该数据集上一步长经步骤6估计的SOC值以及步骤3训练的相关向量集共同构成新的训练集，重复步骤3
‑
8，最终输出整个测试集的SOC估计值。
[0015]进一步地，步骤2中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，通过式(1)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；
[0016][0017]进一步地，步骤2中将数据集的前20％数据作为训练集，10％作为验证集，70％数据为测试集，通过训练集训练模型，通过验证集优化模型参数，通过测试集验证模型预测的泛化能力。
[0018]进一步地，步骤3中RVM训练算法采用的是Tipping教授2003年提出的快速序列稀疏贝叶斯学习算法。
[0019]进一步地，步骤5中选用操作简单，调整的参数少以及跳出局部最优的能力强的新型启发式优化算法
‑
鲸鱼优化算法对核参数进行全局寻优，具体步骤如下：
[0020]步骤5.1、种群初始化：鲸鱼种群中每个个体由D维度随机向量表示，种群规模用N
P
表示，公式如式(2)所示，其中，x
min
和x
max
分别为X
i
的下界和上界；rand(1,D)表示[0,1]之间的随机数；
[0021][0022]步骤5.2、将步骤5.1的核参数种群，代入步骤3和步骤4中，以SOC预测值和真实值的均方根误差为适应度函数，计算所有核参数种群的适应度函数，得到最优解X
*
；
[0023]步骤5.3、若判定值p<0.5，则跳转步骤5.4，否则跳转步骤5.5；
[0024]步骤5.4、若|A|<1，则跳转步骤5.4.1，否则，跳转步骤5.4.2；
[0025]步骤5.4.1、包围猎物：座头鲸可以根据猎物的位置来跟踪、包围和捕食猎物；在WOA中，猎物的位置即解空间，当前最佳候选解为目标猎物或接近最优解，在包围猎物阶段，鲸鱼种群向最优解靠近，并更新位置，这个过程表示如下：
[0026]D＝|C
·
X
*
(t)
‑
X(t)|
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0027]X(t+1)＝X
*
(t)
‑
A
·
D
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0028]其中：t为当前迭代次数；X
*
(t)为当前最优解的位置；X和D为位置向量；A和C为系数向量，随迭代次数改变。每次迭中，当出现更优解时，更新当前最优解X
*
；
[0029]A＝2a
·
r
‑
a
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0030]C＝2
·
r
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于自适应数据驱动融合方法的锂电池荷电状态在线预测方法，其特征是，包括如下步骤：步骤1、数据采集：实时采集锂离子电池在待测工况下端电压、电流和温度数据，根据锂离子电池的充放电曲线，拟合锂电池开路电压与SOC的关系，以此作为开路电压法检测SOC的依据，工作时根据采集到的开路电压值查表得到对应的荷电状态SOC；步骤2、数据预处理：将步骤1的采集电池数据集分为三组，即训练集、验证集和测试集，将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；步骤3、模型训练：初始化核参数种群，利用当前训练样本集，以归一化的电压、电流和温度数据作为RVM的输入，SOC为输出，并采用快速序列稀疏贝叶斯学习法训练RVM模型，得到相关向量集；步骤4、模型验证：基于验证集，对训练后的RVM模型的预测性能进行验证，计算预测SOC的均方根误差；步骤5、自适应核参数：利用鲸鱼优化算法，以均方根误差为适应度函数，对核参数进行全局寻优；步骤6、数据预测：基于测试集，使用步骤3
‑
5得到的训练模型和核参数，对SOC值进行预测；步骤7、误差调节：以自适应卡尔曼滤波算法为最终预测框架，将SOC预测模型作为AKF算法的观测方程，将安时积分法作为AKF算法的状态方程，输出经过滤波后的SOC估计值；步骤8、在线实时预测：将测试集根据预测步长的大小分为多个新增数据集，结合增量式学习思想，新增数据集的电流、电压和温度数据与该数据集上一步长经步骤6估计的SOC值以及步骤3训练的相关向量集共同构成新的训练集，重复步骤3
‑
8，最终输出整个测试集的SOC估计值。2.根据权利要求1所述的基于自适应数据驱动融合方法的锂电池荷电状态在线预测方法，其特征在于：步骤2中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，通过式(1)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所述的基于自适应数据驱动融合方法的锂电池荷电状态在线预测方法，其特征在于：步骤2中将数据集的前20％数据作为训练集，10％作为验证集，70％数据为测试集，通过训练集训练模型，通过验证集优化模型参数，通过测试集验证模型预测的泛化能力。4.根据权利要求1所述的基于自适应数据驱动融合方法的锂电池荷电状态在线预测方法，其特征在于：步骤3中RVM训练算法采用的是Tipping教授2003年提出的快速序列稀疏贝叶斯学习算法。5.根据权利要求1所述的基于自适应数据驱动融合方法的锂电池荷电状态在线预测方法，其特征在于：步骤5中选用操作简单，调整的参数少以及跳出局部最优的能力强的新型启发式优化算法
‑
鲸鱼优化算法对核参数进行全局寻优，具体步骤如下：
步骤5.1、种群初始化：鲸鱼种群中每个个体由D维度随机向量表示，种群规模用N
P
表示，公式如式(2)所示，其中，x
min
和x
max
分别为X
i
的下界和上界；rand(1,D)表示[0,1]之间的随机数；步骤5.2、将步骤5.1的核参数种群，代入步骤3和步骤4中，以SOC预测值和真实值的均方根误差为适应度函数，计算所有核参数种群的适应度函数，得到最优解X
*
；步骤5.3、若判定值p<0.5，则跳转步骤5.4，否则跳转步骤5.5；步骤5.4、若|A|<1，则跳转步骤5.4.1，否则，跳转步骤5.4.2；步骤5.4.1、包围猎物：座头鲸可以根据猎物的位置来跟踪、包围和捕食猎物；在WOA中，猎物的位置即解空间，当前最佳候选解为目标猎物或接近最优解，在包围猎物阶段，鲸鱼种群向最优解...

【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：