基于分布估计算法LSSVM的锂电池SOC预测
发布时间：2021-08-05 13:50
基于最小二乘支持向量机（LSSVM）的锂电池荷电状态（SOC）预测模型收敛速度快且得到的是全局最优解,具有较强的预测能力,然而最小二乘支持向量机的参数选择会对预测结果产生较大的影响,因此提出了基于分布估计算法（EDA）最小二乘支持向量机的锂电池SOC预测方法。以锂电池工作电压、电流以及温度为输入量,电池SOC为输出量使用LSSVM建立非线性系统模型,并利用分布估计算法对模型正则化参数λ和径向基核宽度μ进行优化,从而得到最优模型。仿真结果表明,与常规的锂电池SOC预测模型相比,本文提出的EDA-LSSVM方法具有较高的SOC预测精度。
【文章来源】：储能科学与技术. 2020,9(06)CSCD
【文章页数】：6 页
【部分图文】：
图1分布估计算法优化LSSVM参数流程图Fig.1FlowchartofLSSVMparametersoptimizationbydistributionestimationalgorithm3仿真实验
第6期成文晶等：基于分布估计算法LSSVM的锂电池SOC预测成新一代群体，并改变参数的进化代数：g→g+1。（6）检查是否满足结束条件，若满足则结束寻优过程并输出所得的最优参数解；否则赋值g=g+1，转至步骤(2)继续执行。本文结束条件为寻优达到最大迭代代数Nmax或达到精度要求。分布估计算法优化LSSVM参数流程图如图1所示。3仿真实验3.1样本数据采集及预处理实验使用高级汽车仿真软件ADVISOR对UDDS行驶路程进行模拟，展现的是电动汽车在城市道路行驶过程中的工况。使用大小为1Hz的频率对行驶中的汽车车载电池各项参数采样，采集数据包括蓄电池的电压、电流值和温度值、SOC值等，截取其中的1334组连续数据作为训练和测试数据。EDA-LSSVM模型的输入是由电池组的工作电压、电流及温度这三个向量组成的3D矩阵，输出向量是电池SOC。由于在采集过程中三个输入向量的单位各不相同且表示的意义也不同，因此数量级也相差很多，不利于算法的快速收敛。这里采用数据归一化处理来消除影响，所用的变换公式为X0=Xi-XminXmax-Xmin(10)式中，X0为归一化处理后的样本数据；Xi为原始样本数据；Xmax为样本数据的最大值；Xmin为样本数据的最小值。把电压、电流、温度3组数据依次代入式(10)进行归一化处理。3.2仿真分析为了更好地验证SOC预测模型的效果，将得到的样本数据排列，并把奇数项用于训练，把偶数项用于测试，即参数样本l=667。在MATLAB仿真软件平台上，采用EDA-LSSVM模型对锂电池进行荷电状态的预测研究。实际值与预测结果比较如图2所示。从图2所示的预测曲线可以发?
储能科学与技术2020年第9卷EDA-LSSVM预测模型，绝对误差和相对误差的定义分别为eA=|yi-yi|(11)eR=|yi-yiyi|(12)式中，yi为SOC实际值；yi为SOC预测值。图3所示为本文所用的EDA-LSSVM模型的相对误差和绝对误差图。表1为参考文献以及本文SOC预测方法的误差对比结果，对比四种方法的均方误差和最大估计误差，可以看出本文的EDA-LSSVM预测模型具有更高的精度。均方误差体现的是数据的变化程度，且均方误差越小模型预测出来的数据的精确度就越高。从表1中可以看出，几种预测方法的准确性都较高，但是，EDA-LSSVM预测模型的均方误差和最大估计误差均比其他3种预测模型的误差小，均方误差只有0.037%，最大估计误差只有0.44%，已经完全可以满足实际应用的要求。因此，基于EDA-LSSVM的SOC预测模型的预测性能更加优越。4结论本文提出了基于EAD-LSSVM模型的锂电池SOC预测方法，解决了遗传算法的交叉、变异算子在优化参数过程中出现的随机性状况，分布估计算法的分析范围是整个宏观上的生物空间，使得种群信息的完整性做到最大化，算法能够跳出局部最优且不再进行盲目搜索，因而得到最优的模型参数；利用MATLAB进行了仿真实验，仿真结果表明，EDA-LSSVM模型能够用于动力电池SOC的精确估计，最大误差在0.4%左右，预测结果相比于现有的锂电池SOC预测算法精度更高，完全可以满足对锂电池SOC的预测精度要求，具有广泛的应用价值。参考文献[1]刘东,黄碧雄,王一全,等.锂电池SOC拐点修正安时积分实时估算方法[J].储能科学与技术,2019,8(5):850-855.LIUDong,HUANGBixiong,WANGYiquan
【参考文献】：
期刊论文
[1]基于在线参数辨识和AEKF的锂电池SOC估计[J]. 田茂飞,安治国,陈星,赵琳,李亚坤,司鑫. 储能科学与技术. 2019(04)
[2]锂电池SOC拐点修正安时积分实时估算方法[J]. 刘东,黄碧雄,王一全,严晓,王影. 储能科学与技术. 2019(05)
[3]基于萤火虫神经网络的动力电池SOC估算[J]. 吴华伟,张远进,叶从进. 储能科学与技术. 2019(03)
[4]基于恒流实验的锂离子电池开路电压与内阻估计方法[J]. 陈英杰,杨耕,祖海鹏,孙孝峰. 电工技术学报. 2018(17)
[5]考虑迟滞效应影响的动力锂离子电池特性建模[J]. 黄凯,郭永芳,李志刚. 电网技术. 2017(08)
[6]基于有限差分扩展卡尔曼滤波的锂离子电池SOC估计[J]. 刘艳莉,戴胜,程泽,朱乐为. 电工技术学报. 2014(01)
[7]基于遗传算法最小二乘支持向量机蓄电池SOC估测[J]. 李刚,谢永成,李光升,魏宁. 电源技术. 2012(09)
[8]分布估计算法研究进展[J]. 王圣尧,王凌,方晨,许烨. 控制与决策. 2012(07)
[9]基于LS-SVM算法动力电池SOC估计方法的研究[J]. 于洋,纪世忠,魏克新. 电源技术. 2012(03)
[10]基于采样点卡尔曼滤波的动力电池SOC估计[J]. 高明煜,何志伟,徐杰. 电工技术学报. 2011(11)
本文编号：3323863
【文章来源】：储能科学与技术. 2020,9(06)CSCD
【文章页数】：6 页
【部分图文】：
图1分布估计算法优化LSSVM参数流程图Fig.1FlowchartofLSSVMparametersoptimizationbydistributionestimationalgorithm3仿真实验
第6期成文晶等：基于分布估计算法LSSVM的锂电池SOC预测成新一代群体，并改变参数的进化代数：g→g+1。（6）检查是否满足结束条件，若满足则结束寻优过程并输出所得的最优参数解；否则赋值g=g+1，转至步骤(2)继续执行。本文结束条件为寻优达到最大迭代代数Nmax或达到精度要求。分布估计算法优化LSSVM参数流程图如图1所示。3仿真实验3.1样本数据采集及预处理实验使用高级汽车仿真软件ADVISOR对UDDS行驶路程进行模拟，展现的是电动汽车在城市道路行驶过程中的工况。使用大小为1Hz的频率对行驶中的汽车车载电池各项参数采样，采集数据包括蓄电池的电压、电流值和温度值、SOC值等，截取其中的1334组连续数据作为训练和测试数据。EDA-LSSVM模型的输入是由电池组的工作电压、电流及温度这三个向量组成的3D矩阵，输出向量是电池SOC。由于在采集过程中三个输入向量的单位各不相同且表示的意义也不同，因此数量级也相差很多，不利于算法的快速收敛。这里采用数据归一化处理来消除影响，所用的变换公式为X0=Xi-XminXmax-Xmin(10)式中，X0为归一化处理后的样本数据；Xi为原始样本数据；Xmax为样本数据的最大值；Xmin为样本数据的最小值。把电压、电流、温度3组数据依次代入式(10)进行归一化处理。3.2仿真分析为了更好地验证SOC预测模型的效果，将得到的样本数据排列，并把奇数项用于训练，把偶数项用于测试，即参数样本l=667。在MATLAB仿真软件平台上，采用EDA-LSSVM模型对锂电池进行荷电状态的预测研究。实际值与预测结果比较如图2所示。从图2所示的预测曲线可以发?
储能科学与技术2020年第9卷EDA-LSSVM预测模型，绝对误差和相对误差的定义分别为eA=|yi-yi|(11)eR=|yi-yiyi|(12)式中，yi为SOC实际值；yi为SOC预测值。图3所示为本文所用的EDA-LSSVM模型的相对误差和绝对误差图。表1为参考文献以及本文SOC预测方法的误差对比结果，对比四种方法的均方误差和最大估计误差，可以看出本文的EDA-LSSVM预测模型具有更高的精度。均方误差体现的是数据的变化程度，且均方误差越小模型预测出来的数据的精确度就越高。从表1中可以看出，几种预测方法的准确性都较高，但是，EDA-LSSVM预测模型的均方误差和最大估计误差均比其他3种预测模型的误差小，均方误差只有0.037%，最大估计误差只有0.44%，已经完全可以满足实际应用的要求。因此，基于EDA-LSSVM的SOC预测模型的预测性能更加优越。4结论本文提出了基于EAD-LSSVM模型的锂电池SOC预测方法，解决了遗传算法的交叉、变异算子在优化参数过程中出现的随机性状况，分布估计算法的分析范围是整个宏观上的生物空间，使得种群信息的完整性做到最大化，算法能够跳出局部最优且不再进行盲目搜索，因而得到最优的模型参数；利用MATLAB进行了仿真实验，仿真结果表明，EDA-LSSVM模型能够用于动力电池SOC的精确估计，最大误差在0.4%左右，预测结果相比于现有的锂电池SOC预测算法精度更高，完全可以满足对锂电池SOC的预测精度要求，具有广泛的应用价值。参考文献[1]刘东,黄碧雄,王一全,等.锂电池SOC拐点修正安时积分实时估算方法[J].储能科学与技术,2019,8(5):850-855.LIUDong,HUANGBixiong,WANGYiquan
【参考文献】：
期刊论文
[1]基于在线参数辨识和AEKF的锂电池SOC估计[J]. 田茂飞,安治国,陈星,赵琳,李亚坤,司鑫. 储能科学与技术. 2019(04)
[2]锂电池SOC拐点修正安时积分实时估算方法[J]. 刘东,黄碧雄,王一全,严晓,王影. 储能科学与技术. 2019(05)
[3]基于萤火虫神经网络的动力电池SOC估算[J]. 吴华伟,张远进,叶从进. 储能科学与技术. 2019(03)
[4]基于恒流实验的锂离子电池开路电压与内阻估计方法[J]. 陈英杰,杨耕,祖海鹏,孙孝峰. 电工技术学报. 2018(17)
[5]考虑迟滞效应影响的动力锂离子电池特性建模[J]. 黄凯,郭永芳,李志刚. 电网技术. 2017(08)
[6]基于有限差分扩展卡尔曼滤波的锂离子电池SOC估计[J]. 刘艳莉,戴胜,程泽,朱乐为. 电工技术学报. 2014(01)
[7]基于遗传算法最小二乘支持向量机蓄电池SOC估测[J]. 李刚,谢永成,李光升,魏宁. 电源技术. 2012(09)
[8]分布估计算法研究进展[J]. 王圣尧,王凌,方晨,许烨. 控制与决策. 2012(07)
[9]基于LS-SVM算法动力电池SOC估计方法的研究[J]. 于洋,纪世忠,魏克新. 电源技术. 2012(03)
[10]基于采样点卡尔曼滤波的动力电池SOC估计[J]. 高明煜,何志伟,徐杰. 电工技术学报. 2011(11)
本文编号：3323863
本文链接：https://www.wllwen.com/kejilunwen/dianlilw/3323863.html
