基于最小二乘支持向量機（LSSVM）的鋰電池荷電狀態(tài)（SOC）預(yù)測模型收斂速度快且得到的是全局最優(yōu)解,具有較強的預(yù)測能力,然而最小二乘支持向量機的參數(shù)選擇會對預(yù)測結(jié)果產(chǎn)生較大的影響,因此提出了基于分布估計算法（EDA）最小二乘支持向量機的鋰電池SOC預(yù)測方法。以鋰電池工作電壓、電流以及溫度為輸入量,電池SOC為輸出量使用LSSVM建立非線性系統(tǒng)模型,并利用分布估計算法對模型正則化參數(shù)λ和徑向基核寬度μ進行優(yōu)化,從而得到最優(yōu)模型。仿真結(jié)果表明,與常規(guī)的鋰電池SOC預(yù)測模型相比,本文提出的EDA-LSSVM方法具有較高的SOC預(yù)測精度。 

【文章來源】：儲能科學與技術(shù). 2020,9(06)CSCD

【文章頁數(shù)】：6 頁

【部分圖文】：

圖1分布估計算法優(yōu)化LSSVM參數(shù)流程圖Fig.1FlowchartofLSSVMparametersoptimizationbydistributionestimationalgorithm3仿真實驗

第6期成文晶等：基于分布估計算法LSSVM的鋰電池SOC預(yù)測成新一代群體，并改變參數(shù)的進化代數(shù)：g→g+1。（6）檢查是否滿足結(jié)束條件，若滿足則結(jié)束尋優(yōu)過程并輸出所得的最優(yōu)參數(shù)解；否則賦值g=g+1，轉(zhuǎn)至步驟(2)繼續(xù)執(zhí)行。本文結(jié)束條件為尋優(yōu)達到最大迭代代數(shù)Nmax或達到精度要求。分布估計算法優(yōu)化LSSVM參數(shù)流程圖如圖1所示。3仿真實驗3.1樣本數(shù)據(jù)采集及預(yù)處理實驗使用高級汽車仿真軟件ADVISOR對UDDS行駛路程進行模擬，展現(xiàn)的是電動汽車在城市道路行駛過程中的工況。使用大小為1Hz的頻率對行駛中的汽車車載電池各項參數(shù)采樣，采集數(shù)據(jù)包括蓄電池的電壓、電流值和溫度值、SOC值等，截取其中的1334組連續(xù)數(shù)據(jù)作為訓練和測試數(shù)據(jù)。EDA-LSSVM模型的輸入是由電池組的工作電壓、電流及溫度這三個向量組成的3D矩陣，輸出向量是電池SOC。由于在采集過程中三個輸入向量的單位各不相同且表示的意義也不同，因此數(shù)量級也相差很多，不利于算法的快速收斂。這里采用數(shù)據(jù)歸一化處理來消除影響，所用的變換公式為X0=Xi-XminXmax-Xmin(10)式中，X0為歸一化處理后的樣本數(shù)據(jù)；Xi為原始樣本數(shù)據(jù)；Xmax為樣本數(shù)據(jù)的最大值；Xmin為樣本數(shù)據(jù)的最小值。把電壓、電流、溫度3組數(shù)據(jù)依次代入式(10)進行歸一化處理。3.2仿真分析為了更好地驗證SOC預(yù)測模型的效果，將得到的樣本數(shù)據(jù)排列，并把奇數(shù)項用于訓練，把偶數(shù)項用于測試，即參數(shù)樣本l=667。在MATLAB仿真軟件平臺上，采用EDA-LSSVM模型對鋰電池進行荷電狀態(tài)的預(yù)測研究。實際值與預(yù)測結(jié)果比較如圖2所示。從圖2所示的預(yù)測曲線可以發(fā)?

儲能科學與技術(shù)2020年第9卷EDA-LSSVM預(yù)測模型，絕對誤差和相對誤差的定義分別為eA=|yi-yi|(11)eR=|yi-yiyi|(12)式中，yi為SOC實際值；yi為SOC預(yù)測值。圖3所示為本文所用的EDA-LSSVM模型的相對誤差和絕對誤差圖。表1為參考文獻以及本文SOC預(yù)測方法的誤差對比結(jié)果，對比四種方法的均方誤差和最大估計誤差，可以看出本文的EDA-LSSVM預(yù)測模型具有更高的精度。均方誤差體現(xiàn)的是數(shù)據(jù)的變化程度，且均方誤差越小模型預(yù)測出來的數(shù)據(jù)的精確度就越高。從表1中可以看出，幾種預(yù)測方法的準確性都較高，但是，EDA-LSSVM預(yù)測模型的均方誤差和最大估計誤差均比其他3種預(yù)測模型的誤差小，均方誤差只有0.037%，最大估計誤差只有0.44%，已經(jīng)完全可以滿足實際應(yīng)用的要求。因此，基于EDA-LSSVM的SOC預(yù)測模型的預(yù)測性能更加優(yōu)越。4結(jié)論本文提出了基于EAD-LSSVM模型的鋰電池SOC預(yù)測方法，解決了遺傳算法的交叉、變異算子在優(yōu)化參數(shù)過程中出現(xiàn)的隨機性狀況，分布估計算法的分析范圍是整個宏觀上的生物空間，使得種群信息的完整性做到最大化，算法能夠跳出局部最優(yōu)且不再進行盲目搜索，因而得到最優(yōu)的模型參數(shù)；利用MATLAB進行了仿真實驗，仿真結(jié)果表明，EDA-LSSVM模型能夠用于動力電池SOC的精確估計，最大誤差在0.4%左右，預(yù)測結(jié)果相比于現(xiàn)有的鋰電池SOC預(yù)測算法精度更高，完全可以滿足對鋰電池SOC的預(yù)測精度要求，具有廣泛的應(yīng)用價值。參考文獻[1]劉東,黃碧雄,王一全,等.鋰電池SOC拐點修正安時積分實時估算方法[J].儲能科學與技術(shù),2019,8(5):850-855.LIUDong,HUANGBixiong,WANGYiquan

【參考文獻】：
期刊論文
[1]基于在線參數(shù)辨識和AEKF的鋰電池SOC估計[J]. 田茂飛,安治國,陳星,趙琳,李亞坤,司鑫.  儲能科學與技術(shù). 2019(04)
[2]鋰電池SOC拐點修正安時積分實時估算方法[J]. 劉東,黃碧雄,王一全,嚴曉,王影.  儲能科學與技術(shù). 2019(05)
[3]基于螢火蟲神經(jīng)網(wǎng)絡(luò)的動力電池SOC估算[J]. 吳華偉,張遠進,葉從進.  儲能科學與技術(shù). 2019(03)
[4]基于恒流實驗的鋰離子電池開路電壓與內(nèi)阻估計方法[J]. 陳英杰,楊耕,祖海鵬,孫孝峰.  電工技術(shù)學報. 2018(17)
[5]考慮遲滯效應(yīng)影響的動力鋰離子電池特性建模[J]. 黃凱,郭永芳,李志剛.  電網(wǎng)技術(shù). 2017(08)
[6]基于有限差分擴展卡爾曼濾波的鋰離子電池SOC估計[J]. 劉艷莉,戴勝,程澤,朱樂為.  電工技術(shù)學報. 2014(01)
[7]基于遺傳算法最小二乘支持向量機蓄電池SOC估測[J]. 李剛,謝永成,李光升,魏寧.  電源技術(shù). 2012(09)
[8]分布估計算法研究進展[J]. 王圣堯,王凌,方晨,許燁.  控制與決策. 2012(07)
[9]基于LS-SVM算法動力電池SOC估計方法的研究[J]. 于洋,紀世忠,魏克新.  電源技術(shù). 2012(03)
[10]基于采樣點卡爾曼濾波的動力電池SOC估計[J]. 高明煜,何志偉,徐杰.  電工技術(shù)學報. 2011(11)



本文編號：3323863