CN105678077A - 一种混合动力车用锂离子电池功率性能的在线预测方法 - Google Patents

Abstract

本发明涉及一种混合动力车用锂离子电池功率性能的在线预测方法。选取表征锂离子电池功率性能的参数和影响锂离子电池功率性能的主要因素；调整主要因素模拟锂离子电池在混合动力车实际行驶过程中的运行工况；分析主要因素之间、主要因素与参数之间的相关关系；基于支持向量机原理建立锂离子电池功率性能在线预测模型；利用网格搜索方法对该模型的模型参数进行优化；将部分实验数据作为样本对该模型进行训练，确立最终的锂离子电池功率性能在线预测模型；对最终的该模型进行验证；采用该模型实现混合动力车用锂离子电池功率性能的在线预测。该模型准确度高，训练时间短，响应速度快，可以实现对电池功率性能的快速估计，保障车辆的安全可靠运行。

Description

一种混合动力车用锂离子电池功率性能的在线预测方法

技术领域

本发明涉及混合动力车用锂离子电池功率性能的在线预测方法。

背景技术

随着社会经济的不断发展，人民生活水平得到大幅提高，但同时带来了能源需求的激增，环境问题也日益凸显。电动汽车因其能源需求量低、污染小而得到广泛推广，缓解了能源压力，改善了传统燃油汽车的废气污染问题。

作为主要的电动汽车类型之一，混合动力汽车采用汽油和锂离子电池共同作为汽车的动力源，来提供车辆行驶过程中的功率需求。混合动力车的实车运行工况变化十分剧烈，因此电池短时峰值功率性能直接关系到车辆的安全性和可靠性。电池峰值功率性能的实时预测对于整车控制策略而言十分重要，从而成为电池管理系统(batterymanagementsystem,BMS)的主要功能和研究重点之一。

发明内容

本发明要解决的技术问题是提供一种混合动力车用锂离子电池功率性能的在线预测方法，以完善电池管理系统的功能，保证车辆行驶过程中的可靠性和安全性。

为解决上述技术问题，本发明采用下述技术方案；

一种混合动力车用锂离子电池功率性能的在线预测方法，包括以下步骤：

S1、选取用以表征锂离子电池功率性能的参数，所述参数为10秒峰值功率，是电池恰好保持10秒恒功率放电状态的功率值。

S2、选取影响锂离子电池功率性能的主要因素，包括：电池温度、电池SOC(荷电状态)和电池内阻。

S3：为模拟锂离子电池在实车运行过程中的真实工况，人为调整锂离子电池测试过程中的电池温度。例如设置8个不同的温度点，分别为-20℃、-10℃、0℃、10℃、20℃、30℃、40℃和50℃。通过设置温箱温度，然后将电池放入温箱充分静置(静置四个小时以上)，使电池温度跟温箱温度保持一致。

通过对电池充放电来调节电池SOC，使锂离子电池工作在不同的电池SOC下，例如电池SOC包括10％SOC、20％SOC、30％SOC、40％SOC、50％SOC、60％SOC、70％SOC、80％SOC和90％SOC。

通过调整电池温度和电池SOC来模拟实车运行过程中的真实工况。而电池内阻被认为是不可控的，通过在实验过程中测得并记录下来。在每个温度值下，测试得到锂离子电池处于9个不同电池SOC下的电池内阻和10秒峰值功率。

用恒功率测试方法得到若干组实验数据，例如120组实验数据。每组实验数据包括主要因素(电池温度、电池SOC和电池内阻)以及对应的10秒峰值功率。

S4、分析得到的主要因素之间、主要因素与10秒峰值功率之间的相关关系，具体方法是用到皮尔逊相关系数。皮尔逊相关系数用来衡量主要因素之间、主要因素与10秒峰值功率之间的线性相关程度，皮尔逊相关系数的绝对值越接近1，说明相关性越强；反之，相关系数越接近于0，则说明相关度越弱。

S5、基于支持向量机原理建立锂离子电池功率性能在线预测模型。具体方法是，将电池温度、电池SOC和电池内阻作为模型的输入，10秒峰值功率作为模型的输出。然后选取支持向量机的径向基核函数：

$K(x_i,x_j)=\exp (-\frac{\left|\right|x_i-x_j|{|}^2}{{\mathrm{\σ}}^2})---\left(1\right)$

σ为核函数参数，也叫核宽度；x_i为模型输入向量，x_j为模型已有的支持向量。并赋予核函数参数和惩罚系数初始值。

S6、利用网格搜索方法对锂离子电池功率性能在线预测模型的模型参数进行优化，所述模型参数包括核函数参数σ和惩罚系数c。

S7、将实验数据作为样本对锂离子电池功率性能在线预测模型进行训练，评估锂离子电池功率性能在线预测模型的拟合优度以及训练结果的准确性，确立最终的锂离子电池功率性能在线预测模型。

优选的，随机选取80组实验数据(训练样本)对模型进行训练。

S8、对最终的锂离子电池功率性能在线预测模型进行验证，证实该模型具有高精度、高效率和可操作性强等优点。

优选的，对于实验获得的120组实验数据，除去80组实验数据作为训练样本外，剩余的40组实验数据(样本数据)作为预测样本，对本发明所建立的电池功率性能在线预测模型进行验证。

S9、采用最终的锂离子电池功率性能在线预测模型实现混合动力车用锂离子电池功率性能的在线预测。

本发明所述的基于支持向量机和网格搜索的混合动力车用锂离子电池功率性能预测方法，具有以下有益效果：

本发明建立的电池短时功率性能预测模型训练时间短，响应速度快，可操作性强，可以在混合动力车运行工况变化剧烈的行驶过程中准确预测锂离子电池的10秒峰值功率，实现电池管理系统对电池功率性能的在线预测，从而给出整车功率分配的控制策略，保证混合动力车的安全可靠运行。

附图说明

本发明有如下附图：

图1为锂离子电池功率性能的在线预测框图；

图2为锂离子电池恒功率测试曲线图；

图3为锂离子电池恒功率测试曲线拟合结果图；

图4为支持向量机非线性回归原理图；

图5为网格搜索法流程图。

具体实施方式

下面结合一组实施例及附图对本发明做进一步描述。

本发明解决其技术问题所采用的技术方案是一种混合动力车用锂离子电池功率性能的在线预测方法。本发明所提出的混合动力车用锂离子电池功率性能的在线预测框图如图1所示，包括采用支持向量机模型、模型输入、模型输出、模型优化方法、模型的训练及验证。以混合动力车用的锰酸锂电池作为研究对象，建立该类型电池功率性能的在线预测模型。

1、选取10秒峰值功率表征电池的功率性能

以锰酸锂电池作为混合动力车(hybridelectricvehicle,HEV)用锂离子电池，根据USABC(UnitedStatesAdvancedBatteryConsortium)电池测试标准，其峰值功率持续时间通常不超过10s。根据电池的电压使用限制条件，电池充电/放电峰值功率定义为电池在恒定功率下持续充电/放电t秒后端电压正好到达电池允许的最高/最低工作电压，则该恒定功率值即为电池t秒充电/放电峰值功率，因此选取10s峰值功率来表征电池的功率性能。

2、选取影响锂离子电池功率性能的主要因素

在混合动力车的实际行驶过程中，电池温度、电池荷电状态和电池内阻直接影响电池的功率性能，并且与电池的10秒峰值功率之间呈现出明显的非线性关系。

3、设计实验模拟锂离子电池在混合动力车实际行驶过程中的运行工况

为模拟锂离子电池在混合动力车实际行驶过程中的剧烈变化的工况，人为调整电池测试过程中的环境温度，使电池工作在低温，常温及高温的工作状态下。具体选取了8个测试温度点，分别为：-20℃、-10℃、0℃、10℃、20℃、30℃、40℃和50℃。同时，通过充放电调节使电池工作在不同的荷电状态(stateofcharge，SOC)条件下，包括10％SOC、20％SOC、30％SOC、40％SOC、50％SOC、60％SOC、70％SOC、80％SOC和90％SOC。这样的测试条件设置覆盖了混合动力车在实际运行中所面对的所有真实工况，使得实验结果具有说服力。实验得到120组实验数据，每组数据包含四个值，分别为电池温度、电池SOC、电池内阻以及电池的10秒峰值功率。

4、分析影响因素与电池功率性能之间的相关关系

利用统计学方法可以研究一个随机变量与多个随机变量之间的相关关系，设定自变量组的变量为电池温度、电池SOC和电池内阻，因变量组的变量是电池的10秒峰值功率。利用散点图直观地展现了自变量组与因变量组之间的统计关系。为更精确地体现变量间的相关性，计算了任意两变量之间的皮尔逊相关系数，结果如表1所示。皮尔逊相关系数是用来衡量两组数据集之间的线性相关程度，皮尔逊相关系数的绝对值越接近1，说明相关性越强；反之，相关系数越接近于0，则说明相关度越弱。

表1皮尔逊相关分析

根据表1，可以分析出电池温度、电池SOC、电池内阻以及10秒峰值功率两两之间的相关程度以及它们之间的显著性。显著性指的是两参数之间不存在线性关系的概率，体现了数据之间相互区别的能力。显然，显著性越小，说明两参数之间越相关。如电池温度和电池内阻之间的相关系数是-0.784，可知在置信度(双侧)为0.01时，两者相关程度很大，又由于统计检验的显著性为0，小于0.01，说明相关性非常强，且为负相关。又比如电池内阻和10秒峰值功率之间的相关系数是-0.606，统计检验的显著性小于0.01，说明二者相关性较大，也为负相关。同理可以分析出实验测得的120组数据中其他变量之间的相关关系。

5、基于支持向量机原理建立电池的10s峰值功率预测模型

基于上述的相关分析结果可知，自变量组的变量与因变量组的变量之间都具有较大的相关性，因此选取电池温度、电池SOC以及电池内阻作为模型的输入，电池的10秒峰值功率作为模型的输出，根据支持向量机的基本原理建立模型。

支持向量机是一种基于统计学理论的机器学习算法，它通过内积函数即核函数定义的非线性变换将输入空间变换到一个高维空间，即通过核函数把样本空间映射到一个高维特征空间，在这个高维空间中求得一个最优分类面，进而得到输入变量和输出变量之间的一种非线性关系。支持向量机算法可以看成是一个凸二次优化问题，通过核函数转化，实现在特征空间中利用线性学习机解决样本空间中的高度非线性回归问题。核函数的选取对支持向量机的算法有着重要的影响。通常来说，每个回归估计系统都存在一个最合适的核函数，使其回归效果最好。目前常用的核函数有以下几种：

1)q次多项式核函数：

K(x_i,x_j)＝[<x_i,x_j>+1]^q(2)

式中，q为自由度，x_i为模型输入向量，x_j为模型已有的支持向量。

2)径向基(radialbasisfunction,RBF)核函数

$K(x_i,x_j)=\exp (-\frac{\left|\right|x_i-x_j|{|}^2}{{\mathrm{\&sigma;}}^2})---\left(1\right)$

式中，σ为核函数参数，也叫核宽度；x_i为模型输入向量，x_j为模型已有的支持向量。

3)Sigmoid核函数

$K(x_i,x_j)=\tanh (\frac{<x_i,x_j>}{{\mathrm{\&sigma;}}^2}+1)---\left(3\right)$

式中，σ为核函数参数，也叫核宽度；x_i为模型输入向量，x_j为模型已有的支持向量。

本发明通过对比三种常用核函数，发现在回归估计应用中，径向基核函数的性能要优于其他核函数。同时，与其他核函数相比，径向基核函数的形式简单，参数少，及预测结果波动小，光滑性良好。因此，选取该函数作为电池功率性能预测支持向量机模型的核函数。

6、采用网格搜索方法优化核函数参数和惩罚系数

在模型确立之后，需要对模型的参数进行优化，优化的参数对象包括核函数参数σ和惩罚系数c。核函数参数σ通常采用试算的方式得到。预先选取σ为某一固定值，然后进行模型计算，根据计算结果以及经验来调整σ的取值，直到得到预测精度最高的最为满意的计算结果，认为此时的核函数参数σ是符合要求的。而惩罚系数c控制对超出误差样本的惩罚程度，c值越大则对样本的约束性越强，计算过程越复杂，计算时间越长；反之，如果c值太小，则会导致模型的准确性和模型精度得不到保证，结果脱离实际，不具说服力。针对以上算法计算效率低，寻找全局最优值困难的缺点，考虑引入网格搜索(Grid-Search)的方法来获得σ和c的全局最优值。相比其他两种常用的参数优化方法：遗传算法(Genetic-Algorithm)和混沌优化算法(Chaos-Optimization-Algorithm)而言，网格搜索算法更适合小样本预测模型，虽然搜索范围大，搜索速度较慢，但可以同时搜索2个参数值，保证得到分类准确率最高的最优参数。同时计算过程中各组参数相互解耦，便于并行计算，运行效率高。

7、根据实验数据对模型进行训练和验证

模型的训练

随机选取80组实验数据(训练样本)对模型进行训练，基于网格搜索法得到优化后的模型参数(核函数参数σ和惩罚系数c)分别为4和16。训练结果表明模型具有很高的精度，模型的预测值与测得的实际功率值相差很小。通过实验数据分析可知，训练样本的预测值与测得的实际功率值的平均误差为41.69W，是最大峰值功率的2.61％，平均相对误差为0.287；最大误差88.35W，是最大峰值功率的5.53％。由于电池的峰值功率值一般都比较大，数量级在kW(千瓦)左右，因此个别的极端小值(数量级在十瓦左右)会拉大平均误差，造成相对误差较高甚至大于100％的情况。但实际上，整个模型的精度很高，模型的预测值与实际功率值有很强的吻合度，并且变化趋势极为相同。再剔除低峰值功率(<100W)的数据后，相对误差大幅下降，平均值为2.61％。同时，该模型具有很高的判定系数(coefficientofdetermination,COD)，COD值越接近1，说明该回归模型拟合数据程度越好，而计算结果COD＝0.9878，也验证了这一点。

模型的验证

对于实验获得的120组实验数据，除去80组实验数据作为训练样本外，剩余的40组实验数据(样本数据)作为预测样本。用本发明提出的支持向量机模型对样本数据进行预测，得到的峰值功率预测值与实际功率值也十分接近。峰值功率预测值与实际功率值的跟随程度相当好，变化趋势也保持一致，两条曲线吻合度比较高。

通过计算，峰值功率预测值与实际功率值的平均误差与最大误差分别为59.16W和189.53W，占最大峰值功率的3.65％和11.70％。根据统计分析结果，模型的估计峰值功率与实际峰值功率的相对误差在20％以内的电池数量为20个，占样本数据总数的50％；相对误差在10％以内的电池16个，占样本数据总数的40％；相对误差在5％以内的电池8个，占样本数据总数的20％。出现这种情况的原因在于，低温低SOC造成峰值功率的值很小，这时稍有偏差相对误差的百分比就会很大。相对误差较大的值多分布于峰值功率低的部分。在剔除低峰值功率(<100W)的数据后，此时绝对误差平均值为29.78W，相对误差低于10％。

模型训练过程和验证过程模型的COD、平均误差和最大误差，如表2所示。

上述分析说明本发明提出的混合电动车用锂离子电池10秒峰值功率预测的模型具有较高的精度和准确率，对于高峰值功率场合的适用能力要远远高于低峰值功率场合，这为后续的峰值功率预测方法的适用性和对比研究提供指导和参考。

表2SVM模型在训练和验证过程中的误差比较

8、采用该模型实现混合动力车用锂离子电池功率性能的在线预测。

综上所述，本发明所述技术方案根据统计学原理分析了混合动力车行驶过程中影响电池短时峰值功率的多个参数之间的非线性关系，得到参数间的两两相关系数，明确了单个影响因素对峰值功率的影响程度，实现了参数解耦；基于支持向量机原理建立起电池短时峰值功率预测模型，并用网格搜索方法对模型参数进行优化；针对混合动力车用锰酸锂电池进行不同温度和不同荷电状态组合下的实验，模拟了车辆实际行驶过程中的真实工况；实验数据验证了模型的准确性。

模型预测结果表明模型预测的功率值与真实值的跟随程度很高，平均误差3.65％，最高误差仅11.70％，而相对误差较大的值多分布于峰值功率低的部分，这是由于低温低SOC情况下电池的短时峰值功率值很小，稍有偏差就会造成相对误差激增；当峰值功率高于100W时，模型的相对误差大幅减小，保持在10％以下。

本发明提出的方法训练时间短、响应速度快，在保证低误差、高精度的基础上还具有很强的可操作性，可以实现对大规模电池峰值功率的快速估计，为混合动力车安全可靠运行提供有力保障。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之内。

本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (7)

1.一种混合动力车用锂离子电池功率性能的在线预测方法，包括以下步骤：

S1、选取用以表征锂离子电池功率性能的参数；所述参数为10秒峰值功率；

S2、选取影响锂离子电池功率性能的主要因素；所述主要因素包括：电池温度、电池SOC和电池内阻；

S3、通过调整电池温度和电池SOC的值来模拟锂离子电池在混合动力车实际行驶过程中的运行工况；并采用恒功率测试方法得到若干组实验数据，每组实验数据包括主要因素和10秒峰值功率；

S4、分析得到的主要因素之间、主要因素与10秒峰值功率之间的相关关系；

S5、基于支持向量机原理建立锂离子电池功率性能在线预测模型；

S6、利用网格搜索方法对锂离子电池功率性能在线预测模型的模型参数进行优化；所述模型参数包括核函数参数σ和惩罚系数c；

S7、将部分实验数据作为样本对锂离子电池功率性能在线预测模型进行训练，评估锂离子电池功率性能在线预测模型的拟合优度以及训练结果的准确性，确立最终的锂离子电池功率性能在线预测模型；

S8、采用最终的锂离子电池功率性能在线预测模型实现混合动力车用锂离子电池功率性能的在线预测。

2.如权利要求1所述混合动力车用锂离子电池功率性能的在线预测方法，其特征在于，所述电池温度包括：-20℃、-10℃、0℃、10℃、20℃、30℃、40℃和50℃。

3.如权利要求1所述混合动力车用锂离子电池功率性能的在线预测方法，其特征在于，所述电池SOC包括：10％SOC、20％SOC、30％SOC、40％SOC、50％SOC、60％SOC、70％SOC、80％SOC和90％SOC。

4.如权利要求1-3任一项所述混合动力车用锂离子电池功率性能的在线预测方法，其特征在于：在每个温度值下，测试得到锂离子电池处于不同电池SOC下的电池内阻和表征锂离子电池功率性能的参数。

5.如权利要求1所述混合动力车用锂离子电池功率性能的在线预测方法，其特征在于：用皮尔逊相关系数分析步骤S4中所述的相关关系。

6.如权利要求1所述混合动力车用锂离子电池功率性能的在线预测方法，其特征在于：步骤S5中，建立锂离子电池功率性能在线预测模型的具体方法是，将主要因素作为模型的输入，10秒峰值功率作为模型的输出；然后选取支持向量机的径向基核函数，并赋予核函数参数σ和惩罚系数c初始值。

7.如权利要求6所述混合动力车用锂离子电池功率性能的在线预测方法，其特征在于：所述支持向量机的径向基核函数为：

$K(x_i,x_j)=\exp (-\frac{\left|\right|x_i-x_j|{|}^2}{{\mathrm{\&sigma;}}^2})$

σ为核函数参数，x_i为模型输入向量，x_j为模型已有的支持向量。