最小二乘支持向量機(jī)的動力電池電荷狀態(tài)估計方法及系統(tǒng)的制作方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及電動汽車動力電池電荷狀態(tài)估計領(lǐng)域，具體為最小二乘支持向量機(jī) (Least squares support vector machine，LS_SVM)的動力電池電荷狀態(tài)估計方法及系統(tǒng)， 采用在線最小二乘支持向量機(jī)（LS-SVM)估計電池的開路電壓0CV，根據(jù)安時積分法估計電 荷狀態(tài)S0C，并利用開路電壓OCV的偏差修正電荷狀態(tài)S0C，提高電荷狀態(tài)SOC的估計精度。
【背景技術(shù)】
[0002] 隨著環(huán)境污染、能源危機(jī)以及能源安全等問題日益突出，對新能源電動汽車的研 究已成為全世界關(guān)注的焦點。在電動汽車的動力電池管理系統(tǒng)中，電池電荷狀態(tài)（SOC)的 預(yù)測對充放電管理、均衡管理等起到?jīng)Q定性作用，也直接影響電池組的使用壽命與安全。在 現(xiàn)有電池中，鋰離子電池以其高能量密度、高工作電壓、高比能、低污染、低自放電速率和無 記憶效應(yīng)等優(yōu)點，廣泛應(yīng)用于汽車、航天、船舶等領(lǐng)域。
[0003] 鋰離子電池的電荷狀態(tài)（State of Charge，S0C)是一個反映電池剩余電量的重要 參數(shù)，然而SOC不能直接通過傳感器測量所得，只能根據(jù)所建立的模型運用相應(yīng)的算法間 接估計得到?，F(xiàn)已出現(xiàn)了多種電池 SOC估計方法：開路電壓法精確、簡單，但是電池需要長 時間的靜置，不適合在線估計；安時積分法是目前比較常用的一種方法，短時間雖能較精確 地估計，但是存在初值問題，并隨著運行時間的增加累計誤差也會增大，降低了 SOC的估計 精度；智能建模方法如神經(jīng)網(wǎng)絡(luò)法需要采集大量的數(shù)據(jù)，對數(shù)據(jù)的依賴性很大，易陷入局部 極?。坏湫偷墓烙嫹椒ㄈ缈柭鼮V波法，由采集到的電壓電流，通過遞推得到SOC最小方差 估計，對模型的依賴性很高；粒子濾波算法在處理非線性、非高斯系統(tǒng)有著明顯的優(yōu)越性以 及粒子濾波器的多模態(tài)處理能力，但由于粒子權(quán)值的方差隨著時間遞增，退化現(xiàn)象不可避 免，且需要用大量的樣本數(shù)量。
[0004] 支持向量機(jī)（SVM)是統(tǒng)計學(xué)理論的一種機(jī)器學(xué)習(xí)方法，最小二乘支持向量機(jī) (LS-SVM)是標(biāo)準(zhǔn)支持向量機(jī)（SVM)的一種新擴(kuò)展，結(jié)構(gòu)參數(shù)在訓(xùn)練過程中根據(jù)樣本數(shù)據(jù)自 動確定，不存在過擬合現(xiàn)象；它將標(biāo)準(zhǔn)支持向量機(jī)（SVM)的學(xué)習(xí)問題轉(zhuǎn)化為解線性方程組 問題，變量少，運算量小，降低了計算復(fù)雜度，具有更快的求解速度和更好的魯棒性，為非線 性系統(tǒng)的估計提供了有效的解決方法。
[0005] 設(shè)某一待回歸系統(tǒng)的輸入、輸出樣本數(shù)據(jù)集為{xk，yk}，（k = 1，2, "·，Ν)。其中，Xk為η維系統(tǒng)輸入向量；yk為系統(tǒng)輸出，LS-SVM回歸模型可以表示為以下形式：
[0006]
[0007] 式中：Φ (·)是將輸入空間映射為高維特征空間的映射函數(shù)；ω為超平面的權(quán)值 向量；b為偏置量。
[0008] 最小二乘支持向量機(jī)（LS-SVM)回歸算法選擇誤差2_范數(shù)為損失函數(shù)，其優(yōu) 化問題為：
[0009] CN 105116343 A 說明書 2/9 頁
[0010] 其中：J為以ω、e為自變量的優(yōu)化函數(shù)；ek為回歸誤差；γ >〇為懲罰函數(shù)，用于調(diào) 節(jié)誤差，能夠使訓(xùn)練誤差和模型復(fù)雜度之間取一個折衷，以便使所求的函數(shù)具有較好的泛 化能力，并且懲罰函數(shù)γ值越大，模型的回歸誤差越小。
[0011] 引入Lagrange函數(shù)進(jìn)行求解：
[0013] 式中 a k(k = 1，2,…，N)為 Lagrange 乘子。
[0014] 最優(yōu)的α和b可以通過KKT (Karush-Kuhn-Tucker最優(yōu)化條件）條件獲得，即：
[0016] 通過消除上式中的變量ω和ek，優(yōu)化問題轉(zhuǎn)化為求解如下線性方程組：
[0018] 式中：y = [y1; y2,…，yN]T; ?; α = [ α α 2, Ω為方陣，由ω U，j = 1，2, . . .，N構(gòu)成方陣
[0019] 根據(jù)Mercer條件可知，存在映射φ(·)和核函數(shù)K (·，·）使得：
[0021] 由線性方程組求出α和b后，可得到最小二乘支持向量機(jī)LS-SVM的非線性函數(shù) 估計為：
[0023] 選擇不同形式的核函數(shù)K(·，·），可以生成不同的支持向量機(jī)。常用的核函數(shù)有： 線性核函數(shù)[(Λ，.τ/)=彳七多項式核函數(shù)文(?，士）= (xfx,. /e + 1)%徑向基函數(shù)核函數(shù) CN 105116343 A 說明書 3/9 頁
[0024] 隨機(jī)器學(xué)習(xí)技術(shù)迅速發(fā)展，基于統(tǒng)計理論的最小二乘支持向量機(jī)方法在建模與狀 態(tài)估計中，對干擾的抑制表現(xiàn)出獨特的優(yōu)勢。
[0025] 但尚未見到動力電池電荷狀態(tài)估計方法中采用最小二乘支持向量機(jī)的報道。

【發(fā)明內(nèi)容】

[0026] 本發(fā)明的目的是設(shè)計一種最小二乘支持向量機(jī)的動力電池電荷狀態(tài)估計方法，采 用在線最小二乘支持向量機(jī)（LS-SVM)估計電池的開路電壓0CV，根據(jù)安時積分法估計電荷 狀態(tài)S0C，并利用開路電壓OCV的偏差修正電荷狀態(tài)S0C，有效地補償擬合誤差和安時積分 法產(chǎn)生的累計誤差，提高電荷狀態(tài)SOC的估計精度。
[0027] 本發(fā)明的另一目的是設(shè)計一種實現(xiàn)上述最小二乘支持向量機(jī)的動力電池電荷狀 態(tài)估計方法的最小二乘支持向量機(jī)的動力電池電荷狀態(tài)估計系統(tǒng)。
[0028] 本發(fā)明設(shè)計的一種最小二乘支持向量機(jī)的動力電池電荷狀態(tài)估計方法主要步驟 如下：
[0029] I、動力電池模型及參數(shù)開路電壓U。。的辨識
[0030] 本發(fā)明采用目前最廣泛使用的Thevenin模型為電池等效模型，描述電池的靜態(tài) 和動態(tài)性能。電池的極化電阻Rp與電池的極化電容C p并聯(lián)構(gòu)成一階RC結(jié)構(gòu)，表示電池的 極化反應(yīng)，RC兩端電壓為Up(t);串接歐姆電阻R。和Uoc，Uoc為電池的開路電壓0CV，采樣 得到電池端電壓U (t)和流過歐姆內(nèi)阻R。的電流i (t)。
[0031] 電池 Thevenin模型數(shù)學(xué)表達(dá)式如下：
[0033] 采用后向差分變換方法對模型離散化，用含遺忘因子的最小二乘（Forgetting factor least squares algorithm FFRLS)進(jìn)行參數(shù)辨識，整理得：
[0034] U (k) = ajU (k-I) +a2I (k) +a3I (k-I) + (^a1) Uoc (k) (2)
[0035] 其中，U(k-l)是當(dāng)前k時刻的前一時刻的端電壓值，I (k-1)是當(dāng)前k時刻的前一 時刻的電流值。
[0036] 由含遺忘因子的最小二乘FFRLS算法求得式（2)中的&1、a 2、a3的值，對應(yīng)得到參 數(shù)uoc(k)的值。
[0037] II、建立 Ucic-SOC 的關(guān)系
[0038] 本發(fā)明采用多項式曲線擬合U。。和SOC之間關(guān)系Uik= f (SOC)，考慮到階次、精度 和計算的復(fù)雜性等，選用8次多項式擬合曲線。Uck-SOC擬合如下式：
[0040] 其中IUsock)表示電池開路電壓U。。與SOC之間的非線性關(guān)系，k。~kA系數(shù)， 用含遺忘因子的最小二乘法FFRLS擬合得到。
[0041] III、基于在線LS-SVM的動力電池開路電壓U。。估計
[0042] 在汽車運行過程中，為了快速、準(zhǔn)確地估計S0C，采用調(diào)整參數(shù)少的在線最小二乘 支持向量機(jī)LS-SVM，建立SOC估計模型。
[0043] 以動力電池的電壓、電流、溫度作支持向量機(jī)SVM的輸入，以動力電池電荷狀態(tài)作 為輸出直接來估計S0C。但是存在多解的情況，不利于電池 SOC的實時準(zhǔn)確估計。本發(fā)明根 據(jù)動力電池電壓、電流和開路電壓之間的關(guān)系，充分考慮開路電壓的滿變化，由步驟I的式 (2)可得
[0044] Uoc (k) = biU (k) +b2U (k-1) +b3I (k) +b4I (k-1) (4)
[0045] 以當(dāng)前k時刻端電壓U (k)、上一時刻端電壓U (k-1)、當(dāng)前k時刻電流I (k)和上一 時刻電流I (k-ι)為輸入，以開路電壓U。。(k)為輸出，建立在線LS-SVM訓(xùn)練模型，選擇最小 二乘支持向量機(jī)LS-SVM的線性核函數(shù)不僅訓(xùn)練速度快，而且能夠更清晰準(zhǔn)確地描述電壓 電流之間的關(guān)系。
[0046] 為了跟蹤動力電池的動態(tài)特性，當(dāng)動力電池產(chǎn)生新的電壓電流數(shù)據(jù)時，新數(shù)據(jù)要 加入動力電池模型中。隨著新數(shù)據(jù)的不斷增加，線性核函數(shù)矩陣的維數(shù)也將隨之增加，最終 會導(dǎo)致動力電池 SOC估計系統(tǒng)資源的耗盡。因此本發(fā)明在線最小二乘支持向量機(jī)LS-SVM包 括增加樣本和消減樣本兩個過程。設(shè)置訓(xùn)練樣本的窗口長度為N。在此定義Pn= Ω + γ 1I, 其中：NXN的矩陣，Ω為方陣。則得到式（5)
[0048] 式中：y = Iiy1, y2,…，yJT; ? = [1·Λ….1] ; α = [ α 1，α 2,…，α JT;I 為單位矩陣；