一种混合动力汽车电池soc预测方法
【专利摘要】本发明公开了一种混合动力汽车电池SOC预测方法，用电池的外部特性参数来实现SOC值准确预测，包括步骤：（1）根据电池的外部特性参数确定电池SOC预测建模所需的输入、输出变量；（2）利用混合动力汽车仿真软件，对混合动力汽车整车系统进行开发、建模和仿真，采集电池SOC预测的输入、输出样本数据；（3）采用贝叶斯证据框架下最小二乘支持向量机方法设计电池SOC的预测模型；（4）用建立好的模型进行预测和误差分析。该方法避免了参数人为选择的盲目性，而且增强了模型预测效果。所设计预测模型具有较高的精度，尤其是在考虑到电池馈能以及工况不断变化的情况下，能够实时准确地预测出SOC值，实用性强，有效性高。
【专利说明】—种混合动力汽车电池SOC预测方法
【技术领域】
[0001]本发明涉及一种应用于混合动力汽车动力电池SOC预测方法，采用贝叶斯证据框架下最小二乘支持向量机。
【背景技术】
[0002]电池是混合动力汽车的能源之一，为确保电池组性能良好、延长电池使用寿命，以及提高混合动力汽车的燃油经济性，须对电池进行合理有效的管理和控制，但前提是必须准确而又可靠地获得电池现存的容量参数。SOC作为电池的内部特性不可以直接对其进行测量，只能通过对电压、电流、温度等一些直接测量的外部特性参数预测而得。
[0003]常用的电池SOC预测方法可以分为以下六类:(I)基于经验方程和数学模型，或者等效电路的估计方法。这些数学模型的参数主要通过恒流充放电特性获得，这种稳态模型不能完全正确地反映电池的动态特性。(2)基于安时计量的预测方法。安时计量法结构简单，操作方便，但是在应用中存在精度不高的缺陷。(3)基于开路电压的预测方法。开路电压法是目前最常用的SOC预测方法之一，将稳定的开路电压直接表示蓄电池当前的容量，操作简单，但是在测量开路电压时，需考虑电池的电化学和热力学平衡，同时开路电压的稳定需要很长的时间。(4)基于蓄电池内阻特性的预测方法。内阻法是将交流电注入到蓄电池，然后通过内阻和容量的关系来判断蓄电池当前容量，预测SOC极值时精度较高，但是内阻受蓄电池温度、静置时间和充放电初始状态等因素的影响，与SOC的关系不稳定，而且蓄电池内阻测量仪价格高，体积大。(5)基于卡尔曼滤波器递推算法的预测方法。卡尔曼滤波法将蓄电池看作动态系统，SOC作为系统内部的一个状态量，该方法需要选择动态系统的描述方程，递推过程也涉及到复杂的矩阵求逆运算。同时，卡尔曼滤波器作为递推算法，对初值的选择十分敏感，错误的初值导致估计的不断恶化，初始SOCO可以使用开路电压进行给定，但用于递推的其他初值并没有较好的方式确定。(6)基于神经网络的预测方法。利用神经网络较强的非线性映射能力来实现蓄电池SOC的预测。该方法避免了传统方法对模型和参数的依赖，不需要外加电流和信号处理，提高了系统鲁棒性和抗干扰能力。但神经网络目前还存在过拟合、易陷入局部极值、结构设计依赖于经验等缺陷。
【发明内容】
[0004]针对当前SOC预测方法的缺点，最小二乘支持向量机(least square supportvector machines, LS-SVM)方法提供了有效的解决方案,这主要依靠LS-SVM两个特点:(O结构风险最小化准则，结构参数在训练过程中根据样本数据自动确定，不存在过拟合现象；(2)它将标准SVM的学习问题转化为解线性方程组问题，加快了求解速度，克服了神经网络的缺陷。为提高预测模型的拟合和预测精度，进一步采用贝叶斯证据框架优化算法对LS-SVM模型进行参数寻优。
[0005]本发明解决其技术问题所采用的技术方案是:
(I)根据电池的外部特性参数如电压、电流、温度和内阻等等，确定电池SOC预测建模所需的输入、输出变量；
(2)混合动力汽车仿真软件ADVISOR2002下，对混合动力汽车整车系统进行开发，建模和仿真，采集电池SOC预测的输入、输出样本数据；
(3)对输入、输出样本数据进行归一化处理后，建立用于训练和测试LS-SVM模型的输入输出样本集；
(4)关于LS-SVM预测模型的参数初始值，也即c和Oj的初始值，这里我们选择LS-SVM工具箱自带的模拟退火算法来确定；
(5)初始值确定后，利用训练样本集训练LS-SVM，建立SOC预测模型；
(6)采用贝叶斯证据框架优化算法对模型参数c和￥进行寻优；
(7)用所求的.^和f重新训练LS-SVM，返回第(5)步多次，直至选出最优预测模型；
(8)用建立好的模型进行预测和误差分析。
[0006]本发明的有益效果是:设计预测模型具有较高的精度，尤其是在考虑到电池馈能以及工况不断变化的情况下，依然能够实时准确地预测出电池SOC值，实用性强，有效性闻。
【专利附图】
【附图说明】
[0007]下面结合附图和实施例对本发明进一步说明。
[0008]图1是混合动力汽车整车系统开发图；
图2是本发明中车速数据样本采集图；
图3是本发明中电池的电压数据样本采集图；
图4是本发明中电池的电流数据样本采集图；
图5是本发明中电池的温度数据样本采集图；
图6是本发明中电池SOC数据样本采集图；
图7是采用贝叶斯证据框架下最小二乘支持向量机的混合动力汽车电池SOC预测原理图。
【具体实施方式】
[0009]下面结合附图对本发明作进一步详细说明。
[0010]本发明的步骤如下:
(1)根据电池的外部特性参数如电压、电流、温度和内阻等等，确定电池SOC预测建模所需的输入、输出变量；
(2)混合动力汽车仿真软件ADVISOR2002下，对混合动力汽车整车系统进行开发，建模和仿真，采集电池SOC预测的输入、输出样本数据；
(3)对输入、输出样本数据进行归一化处理后，建立用于训练和测试LS-SVM模型的输入输出样本集；
(4)关于LS-SVM预测模型的参数初始值，也即e和#的初始值，这里我们选择LS-SVM工具箱自带的模拟退火算法来确定；
(5)初始值确定后，利用训练样本集训练LS-SVM，建立SOC预测模型；(6)采用贝叶斯证据框架优化算法对模型参数C和σ2进行寻优；
(7)用所求的^和d重新训练LS-SVM，返回第(5)步多次，直至选出最优预测模型；
(8)用建立好的模型进行预测和误差分析。
[0011]图1为混合动力汽车整车系统开发图，图中包括发动机、车轮、油箱、电池等等零部件，这里我们主要对电池进行开发，选择合理的性能参数。
[0012]图2至图6为在美国城市动态驱动工况下，混合动力汽车车速、电池电压、电流、温度以及对应的SOC值，在MATLAB 7环境下通过编程提出电池的输入输出样本数据，作为贝叶斯证据框架下LS-SVM的训练集和测试集。
[0013]图7为采用贝叶斯证据框架下最小二乘支持向量机的混合动力汽车电池SOC预测原理图，采集电池的外部特性参数(电压、电流、温度和SOC值)作为LS-SVM的输入，采用贝叶斯证据框架优化算法优化LS-SVM的参数，即c和CJ3 ,这里需要注意的是e和y的初始值有模拟退火算法求得。为了充分验证预测模型的有效性，将工况循环执行两次，对获得的样本值进行排列，将第一次循环执行样本中的奇数项数据用于训练，第二次循环执行样本中的偶数项数据进行测试。
[0014]以上所述仅为本发明的较佳实施例而已，并不用以限制本发明。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
【权利要求】
1.一种混合动力汽车电池SOC预测方法，其特征在于:用电池的外部特性参数来实现SOC值准确预测，所述电池的外部特性参数包括电池的电压、电流、温度和内阻，该方法具体包括如下步骤: (1)根据电池的外部特性参数确定电池SOC预测建模所需的输入、输出变量； (2)利用混合动力汽车仿真软件，对混合动力汽车整车系统进行开发、建模和仿真，采集电池SOC预测的输入、输出样本数据； (3)采用贝叶斯证据框架下最小二乘支持向量机方法设计电池SOC的预测模型； (4)用建立好的模型进行预测和误差分析。
2.根据权利要求1所述的一种混合动力汽车电池SOC预测方法，其特征在于:利用混合动力汽车仿真软件ADVISOR 2002，对混合动力汽车整车系统进行开发，建模和仿真，从而获得电池的样本数据。
3.根据权利要求1或2所述的一种混合动力汽车电池SOC预测方法，其特征在于:所述步骤(3)的具体过程为: (1)对输入、输出样本数据进行归一化处理后，建立用于训练和测试最小二乘支持向量机模型的输入输出样本集； (2)关于LS-SVM预测模型的参数初始值，也即c和CJj的初始值，选择LS-SVM工具箱自带的模拟退火算法来确定； (3)初始值确定后，利用训练样本集训练LS-SVM，建立SOC预测模型； (4)采用贝叶斯证据框架优化算法对模型参数c和#进行寻优； (5)用所求的^和#重新训练LS-SVM，返回第(3)步多次，直至选出最优预测模型。
4.根据权利要求1或2所述的一种混合动力汽车电池SOC预测方法，其特征在于:将工况循环执行两次，对获得的样本值进行排列，将第一次循环执行样本中的奇数项数据用于训练，第二次循环执行样本中的偶数项数据进行测试，以充分验证预测模型的有效性。
【文档编号】G01R31/36GK103487759SQ201310428151
【公开日】2014年1月1日 申请日期:2013年9月18日 优先权日:2013年9月18日
【发明者】王琪, 孙玉坤, 黄永红 申请人:江苏大学