基于最小二乘支持向量機(jī)（LSSVM）的鋰電池荷電狀態(tài)（SOC）預(yù)測(cè)模型收斂速度快且得到的是全局最優(yōu)解,具有較強(qiáng)的預(yù)測(cè)能力,然而最小二乘支持向量機(jī)的參數(shù)選擇會(huì)對(duì)預(yù)測(cè)結(jié)果產(chǎn)生較大的影響,因此提出了基于分布估計(jì)算法（EDA）最小二乘支持向量機(jī)的鋰電池SOC預(yù)測(cè)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(jì)算法對(duì)模型正則化參數(shù)λ和徑向基核寬度μ進(jìn)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(cè)模型相比,本文提出的EDA-LSSVM方法具有較高的SOC預(yù)測(cè)精度。 

【文章來源】：儲(chǔ)能科學(xué)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(jì)算法優(yōu)化LSSVM參數(shù)流程圖Fig.1FlowchartofLSSVMparametersoptimizationbydistributionestimationalgorithm3仿真實(shí)驗(yàn)

第6期成文晶等：基于分布估計(jì)算法LSSVM的鋰電池SOC預(yù)測(cè)成新一代群體，并改變參數(shù)的進(jìn)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(dá)到最大迭代代數(shù)Nmax或達(dá)到精度要求。分布估計(jì)算法優(yōu)化LSSVM參數(shù)流程圖如圖1所示。3仿真實(shí)驗(yàn)3.1樣本數(shù)據(jù)采集及預(yù)處理實(shí)驗(yàn)使用高級(jí)汽車仿真軟件ADVISOR對(duì)UDDS行駛路程進(jìn)行模擬，展現(xiàn)的是電動(dòng)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(duì)行駛中的汽車車載電池各項(xiàng)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(xùn)練和測(cè)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(gè)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(gè)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(jí)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(jìn)行歸一化處理。3.2仿真分析為了更好地驗(yàn)證SOC預(yù)測(cè)模型的效果，將得到的樣本數(shù)據(jù)排列，并把奇數(shù)項(xiàng)用于訓(xùn)練，把偶數(shù)項(xiàng)用于測(cè)試，即參數(shù)樣本l=667。在MATLAB仿真軟件平臺(tái)上，采用EDA-LSSVM模型對(duì)鋰電池進(jìn)行荷電狀態(tài)的預(yù)測(cè)研究。實(shí)際值與預(yù)測(cè)結(jié)果比較如圖2所示。從圖2所示的預(yù)測(cè)曲線可以發(fā)?

儲(chǔ)能科學(xué)與技術(shù)2020年第9卷EDA-LSSVM預(yù)測(cè)模型，絕對(duì)誤差和相對(duì)誤差的定義分別為eA=|yi-yi|(11)eR=|yi-yiyi|(12)式中，yi為SOC實(shí)際值；yi為SOC預(yù)測(cè)值。圖3所示為本文所用的EDA-LSSVM模型的相對(duì)誤差和絕對(duì)誤差圖。表1為參考文獻(xiàn)以及本文SOC預(yù)測(cè)方法的誤差對(duì)比結(jié)果，對(duì)比四種方法的均方誤差和最大估計(jì)誤差，可以看出本文的EDA-LSSVM預(yù)測(cè)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(cè)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(cè)方法的準(zhǔn)確性都較高，但是，EDA-LSSVM預(yù)測(cè)模型的均方誤差和最大估計(jì)誤差均比其他3種預(yù)測(cè)模型的誤差小，均方誤差只有0.037%，最大估計(jì)誤差只有0.44%，已經(jīng)完全可以滿足實(shí)際應(yīng)用的要求。因此，基于EDA-LSSVM的SOC預(yù)測(cè)模型的預(yù)測(cè)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(cè)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(jī)性狀況，分布估計(jì)算法的分析范圍是整個(gè)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(jìn)行盲目搜索，因而得到最優(yōu)的模型參數(shù)；利用MATLAB進(jìn)行了仿真實(shí)驗(yàn)，仿真結(jié)果表明，EDA-LSSVM模型能夠用于動(dòng)力電池SOC的精確估計(jì)，最大誤差在0.4%左右，預(yù)測(cè)結(jié)果相比于現(xiàn)有的鋰電池SOC預(yù)測(cè)算法精度更高，完全可以滿足對(duì)鋰電池SOC的預(yù)測(cè)精度要求，具有廣泛的應(yīng)用價(jià)值。參考文獻(xiàn)[1]劉東,黃碧雄,王一全,等.鋰電池SOC拐點(diǎn)修正安時(shí)積分實(shí)時(shí)估算方法[J].儲(chǔ)能科學(xué)與技術(shù),2019,8(5):850-855.LIUDong,HUANGBixiong,WANGYiquan

【參考文獻(xiàn)】：
期刊論文
[1]基于在線參數(shù)辨識(shí)和AEKF的鋰電池SOC估計(jì)[J]. 田茂飛,安治國(guó),陳星,趙琳,李亞坤,司鑫.  儲(chǔ)能科學(xué)與技術(shù). 2019(04)
[2]鋰電池SOC拐點(diǎn)修正安時(shí)積分實(shí)時(shí)估算方法[J]. 劉東,黃碧雄,王一全,嚴(yán)曉,王影.  儲(chǔ)能科學(xué)與技術(shù). 2019(05)
[3]基于螢火蟲神經(jīng)網(wǎng)絡(luò)的動(dòng)力電池SOC估算[J]. 吳華偉,張遠(yuǎn)進(jìn),葉從進(jìn).  儲(chǔ)能科學(xué)與技術(shù). 2019(03)
[4]基于恒流實(shí)驗(yàn)的鋰離子電池開路電壓與內(nèi)阻估計(jì)方法[J]. 陳英杰,楊耕,祖海鵬,孫孝峰.  電工技術(shù)學(xué)報(bào). 2018(17)
[5]考慮遲滯效應(yīng)影響的動(dòng)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?jǐn)U展卡爾曼濾波的鋰離子電池SOC估計(jì)[J]. 劉艷莉,戴勝,程澤,朱樂為.  電工技術(shù)學(xué)報(bào). 2014(01)
[7]基于遺傳算法最小二乘支持向量機(jī)蓄電池SOC估測(cè)[J]. 李剛,謝永成,李光升,魏寧.  電源技術(shù). 2012(09)
[8]分布估計(jì)算法研究進(jìn)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(dòng)力電池SOC估計(jì)方法的研究[J]. 于洋,紀(jì)世忠,魏克新.  電源技術(shù). 2012(03)
[10]基于采樣點(diǎn)卡爾曼濾波的動(dòng)力電池SOC估計(jì)[J]. 高明煜,何志偉,徐杰.  電工技術(shù)學(xué)報(bào). 2011(11)



本文編號(hào)：3323863