針對鋰離子電池荷電狀態（SOC）預測精度不高以及在線適應性差的問題，提出一種改進的增量學習相關向量機模型對鋰離子電池SOC進行在線預測。
選擇鋰離子電池電壓、充放電電流和表面溫度作為模型的輸入，SOC作為模型的輸出，構造模型的訓練集。選用快速序列稀疏貝葉斯學習算法進行訓練，并結合增量學習法建立增量學習相關向量機模型進行鋰離子電池SOC在線預測方法研究。
研究發現，通過自動調整核參數的方法，可以保證有較高的預測精度。算法驗證實驗表明，核參數可以控制算法的預測精度和計算效率，該算法預測精度高、計算速度快、通用性強，可為鋰離子電池SOC的預測與應用提供參考。
近年來新能源汽車得以高速發展。動力電池是發展新能源汽車的關鍵，也是新能源汽車成本和技術上的最大瓶頸。荷電狀態（State of Charge, SOC）的數值直接反映了電池的剩余電量狀況，是電池管理系統中重要的參數之一，SOC的準確預測為保證電池工作穩定、制定電池均衡策略及智能充電等提供依據，能有效防止電池因為過充電或過放電造成損壞，延長電池使用壽命，提高能量利用效率，降低使用成本。
目前，數據驅動的方法已廣泛應用于鋰離子電池SOC預測領域。其中，卡爾曼濾波算法初始值由開路電壓給定，而算法本身的精度依賴于所選擇的等效電路模型。神經網絡算法存在過擬合、易陷入局部極值、結構設計依賴于經驗等缺陷。
支持向量機（SupportVectorMachine,SVM）算法有效克服了神經網絡算法的缺點，有學者將SVM算法與多種神經網絡算法進行對比分析，結果表明使用徑向基核函數的SVM算法預測鋰電池SOC的效果最好。但支持向量的數量會著隨著訓練樣本的增大線性增長，使得預測模型相對復雜。
為此，有學者研究了一種簡單的增量學習算法，每次將支持向量保留下來的和新增的樣本一起訓練，徹底丟棄訓練結果中的非支持向量，從而減少了訓練樣本，加快了訓練速度，其缺點是可能丟失有用的支持向量，從而導致預測不準確。
相關向量機（Relevance Vector Machine, RVM）算法具有SVM算法需要訓練樣本數據少、泛化能力強等優點，且以概率的形式輸出結果，可自動調節超參數，相關向量更稀疏。有學者選擇電壓、電流和表面溫度作為輸入數據，經濾波歸一化等預處理，直接用RVM算法對SOC進行預測，較SVM算法具有更高的預測精度。但由于RVM算法過于稀疏及容量數據存在動態波動特性，直接采用RVM算法預測鋰離子電池SOC的結果穩定性差。
針對以上問題，本文結合增量學習法構建了一種改進的增量學習相關向量機（Incremental improved RVM, IRVM）算法，并將其應用于鋰離子電池SOC預測領域。相比于文獻[11]所提出的增量SVM算法，RVM算法的相關向量十分稀疏，重新訓練時不會過多地丟失相關向量，所以采用增量學習法對RVM算法的輸出影響不大。
為了驗證所研究方法的適用性和有效性，研究采用UDDS、NYCC、US06三種典型工況數據為參照，對比分析了IRVM、RVM及重新訓練的相關向量機（Retraining RVM,RRVM）的預測效果和性能，結果表明所提出的IRVM算法針對鋰離子電池SOC預測具有較好的預測效果。因此，該方法可為鋰離子電池SOC預測提供思路和借鑒。
圖1 IRVM算法流程
總結
本文提出的基于數據驅動方法的鋰離子電池SOC在線預測方法，將增量學習法與RVM離線算法相結合，建立改進的IRVM算法，從而改善了RVM算法長期趨勢預測能力差的問題，提高了預測精度。
以鋰離子電池SOC在線預測為應用背景，IRVM算法使用快速序列稀疏貝葉斯學習算法進行訓練，減小了矩陣運算的復雜度，提高了算法的計算效率。通過實驗分析了核參數、訓練樣本的大小及溫度因素對算法預測精度和計算效率的影響，算法中通過調整核參數的方式保證算法的預測精度。
基于UDDS、NYCC、US06典型工況對所提出的IRVM鋰離子電池SOC預測方法與離線RVM和RRVM算法進行分析對比，結果表明，RVM算法的預測精度較低，IRVM算法與RRVM算法的預測精度相當，但IRVM算法的計算效率更高，相關向量更稀疏，適用于多種工況的預測。
IRVM算法的誤差限Error可以根據實際需求進行調節，對于精度要求較高、計算效率要求較低的系統，可將Error調的較小些；對于計算效率要求較高、精度要求較低的系統，可將Error調的較大些。分析證明，IRVM算法應用于鋰離子電池SOC在線預測時，預測的精度、計算效率均可靈活控制，效果良好，具有較好的應用前景。
手機掃描二維碼
