针对锂离子电池荷电状态（SOC）预测精度不高以及在线适应性差的问题，提出一种改进的增量学习相关向量机模型对锂离子电池SOC进行在线预测。
选择锂离子电池电压、充放电电流和表面温度作为模型的输入，SOC作为模型的输出，构造模型的训练集。选用快速序列稀疏贝叶斯学习算法进行训练，并结合增量学习法建立增量学习相关向量机模型进行锂离子电池SOC在线预测方法研究。
研究发现，通过自动调整核参数的方法，可以保证有较高的预测精度。算法验证实验表明，核参数可以控制算法的预测精度和计算效率，该算法预测精度高、计算速度快、通用性强，可为锂离子电池SOC的预测与应用提供参考。
近年来新能源汽车得以高速发展。动力电池是发展新能源汽车的关键，也是新能源汽车成本和技术上的最大瓶颈。荷电状态（State of Charge, SOC）的数值直接反映了电池的剩余电量状况，是电池管理系统中重要的参数之一，SOC的准确预测为保证电池工作稳定、制定电池均衡策略及智能充电等提供依据，能有效防止电池因为过充电或过放电造成损坏，延长电池使用寿命，提高能量利用效率，降低使用成本。
目前，数据驱动的方法已广泛应用于锂离子电池SOC预测领域。其中，卡尔曼滤波算法初始值由开路电压给定，而算法本身的精度依赖于所选择的等效电路模型。神经网络算法存在过拟合、易陷入局部极值、结构设计依赖于经验等缺陷。
支持向量机（SupportVectorMachine,SVM）算法有效克服了神经网络算法的缺点，有学者将SVM算法与多种神经网络算法进行对比分析，结果表明使用径向基核函数的SVM算法预测锂电池SOC的效果最好。但支持向量的数量会着随着训练样本的增大线性增长，使得预测模型相对复杂。
为此，有学者研究了一种简单的增量学习算法，每次将支持向量保留下来的和新增的样本一起训练，彻底丢弃训练结果中的非支持向量，从而减少了训练样本，加快了训练速度，其缺点是可能丢失有用的支持向量，从而导致预测不准确。
相关向量机（Relevance Vector Machine, RVM）算法具有SVM算法需要训练样本数据少、泛化能力强等优点，且以概率的形式输出结果，可自动调节超参数，相关向量更稀疏。有学者选择电压、电流和表面温度作为输入数据，经滤波归一化等预处理，直接用RVM算法对SOC进行预测，较SVM算法具有更高的预测精度。但由于RVM算法过于稀疏及容量数据存在动态波动特性，直接采用RVM算法预测锂离子电池SOC的结果稳定性差。
针对以上问题，本文结合增量学习法构建了一种改进的增量学习相关向量机（Incremental improved RVM, IRVM）算法，并将其应用于锂离子电池SOC预测领域。相比于文献[11]所提出的增量SVM算法，RVM算法的相关向量十分稀疏，重新训练时不会过多地丢失相关向量，所以采用增量学习法对RVM算法的输出影响不大。
为了验证所研究方法的适用性和有效性，研究采用UDDS、NYCC、US06三种典型工况数据为参照，对比分析了IRVM、RVM及重新训练的相关向量机（Retraining RVM,RRVM）的预测效果和性能，结果表明所提出的IRVM算法针对锂离子电池SOC预测具有较好的预测效果。因此，该方法可为锂离子电池SOC预测提供思路和借鉴。
图1 IRVM算法流程
总结
本文提出的基于数据驱动方法的锂离子电池SOC在线预测方法，将增量学习法与RVM离线算法相结合，建立改进的IRVM算法，从而改善了RVM算法长期趋势预测能力差的问题，提高了预测精度。
以锂离子电池SOC在线预测为应用背景，IRVM算法使用快速序列稀疏贝叶斯学习算法进行训练，减小了矩阵运算的复杂度，提高了算法的计算效率。通过实验分析了核参数、训练样本的大小及温度因素对算法预测精度和计算效率的影响，算法中通过调整核参数的方式保证算法的预测精度。
基于UDDS、NYCC、US06典型工况对所提出的IRVM锂离子电池SOC预测方法与离线RVM和RRVM算法进行分析对比，结果表明，RVM算法的预测精度较低，IRVM算法与RRVM算法的预测精度相当，但IRVM算法的计算效率更高，相关向量更稀疏，适用于多种工况的预测。
IRVM算法的误差限Error可以根据实际需求进行调节，对于精度要求较高、计算效率要求较低的系统，可将Error调的较小些；对于计算效率要求较高、精度要求较低的系统，可将Error调的较大些。分析证明，IRVM算法应用于锂离子电池SOC在线预测时，预测的精度、计算效率均可灵活控制，效果良好，具有较好的应用前景。
手机扫描二维码
