[发明专利]一种混合动力汽车电池SOC预测方法

说明书

技术领域

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

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。

常用的电池SOC预测方法可以分为以下六类：（1）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SOC0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

针对当前SOC预测方法的缺点，最小二乘支持向量机（least square support vector 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：（1）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。

本发明解决其技术问题所采用的技术方案是：

（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ADVISOR 2002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                                               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和进行寻优；

（7）用所求的和重新训练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。

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，有效性高。 

附图说明

下面结合附图和实施例对本发明进一步说明。

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；