計(jì)及數(shù)據(jù)不可靠性的動(dòng)力電池組SOC估計(jì)方法研究.pdf

1、鋰離子電池具有較高的能量密度與功率密度，被廣泛用于電動(dòng)汽車(Electric vehicle，EV)儲(chǔ)能。電池管理系統(tǒng)（Battery management system，BMS）是電動(dòng)車關(guān)鍵技術(shù)之一，BMS對(duì)電池組的能量?jī)?yōu)化管理以及對(duì)電池的有效保護(hù)均依賴于電池荷電狀態(tài)(State of charge，SOC)的準(zhǔn)確估計(jì)。SOC不能被直接測(cè)量，傳統(tǒng)SOC估計(jì)方法存在參數(shù)選取困難、準(zhǔn)確性低、通用性差等缺點(diǎn)。近年來以機(jī)器學(xué)習(xí)為代表的數(shù)據(jù)驅(qū)動(dòng)

2、建模方法蓬勃發(fā)展，此類方法通常有著良好的非線性逼近能力，且具有較好的可移植性。電動(dòng)車運(yùn)行過程中所產(chǎn)生的大量狀態(tài)數(shù)據(jù)也給數(shù)據(jù)驅(qū)動(dòng)建模方法提供了有利條件。然而，數(shù)據(jù)驅(qū)動(dòng)建模方法受制于數(shù)據(jù)自身的可靠程度，而車載數(shù)據(jù)采集設(shè)備有限的精度以及電動(dòng)車的復(fù)雜的工作環(huán)境使得數(shù)據(jù)中的噪聲、離群點(diǎn)無可避免。且由于數(shù)據(jù)驅(qū)動(dòng)模型基于“黑箱”假設(shè)，難以分析誤差來源，因而可靠性難以保證。為了減少SOC估計(jì)誤差對(duì)BMS系統(tǒng)所造成的負(fù)面影響，考慮到數(shù)據(jù)不可靠性的多個(gè)來源

3、并且結(jié)合機(jī)器學(xué)習(xí)方法自身的特點(diǎn)，本文從多個(gè)角度開展研究，以降低不可靠數(shù)據(jù)對(duì)模型產(chǎn)生的不利影響，并且通過估計(jì)所得到SOC的后驗(yàn)概率，降低BMS誤動(dòng)作風(fēng)險(xiǎn)。
　　首先，考慮到最小二乘支持向量機(jī)(Least square support vector machine，LSSVM)具有良好的泛化性能，第二章中將最小二乘支持向量機(jī)回歸方法應(yīng)用于SOC估計(jì)問題，并通過粒子群算法提高模型精度、優(yōu)化運(yùn)算效率。利用磷酸鐵鋰(LiFePO4，LFP)

4、單電池恒定電流放電實(shí)驗(yàn)比較了幾種常用的核函數(shù)在SOC估計(jì)中的實(shí)際效果，并通過動(dòng)力電池組交替充放電實(shí)驗(yàn)，模擬電動(dòng)車動(dòng)力電池工作狀態(tài)，驗(yàn)證了算法的有效性，并分析了該方法存在的不足。
　　其次，為降低數(shù)據(jù)噪聲對(duì)回歸模型所產(chǎn)生的影響，首次提出了一種加權(quán)模糊支持向量機(jī)回歸方法，根據(jù)樣本受噪聲污染的程度動(dòng)態(tài)調(diào)整權(quán)重，以提高估計(jì)的可靠性。由于不同數(shù)據(jù)特征中噪聲相對(duì)獨(dú)立，為了綜合評(píng)估多維數(shù)據(jù)樣本的置信程度，提出了一種基于T-S模糊模型的權(quán)值函數(shù)。

5、此外，為度量不同特征量與估計(jì)結(jié)果的相關(guān)性，首次提出了一種夾角非線性相關(guān)性度量方法?；谪S田COMS電動(dòng)汽車實(shí)驗(yàn)平臺(tái)，通過實(shí)測(cè)數(shù)據(jù)驗(yàn)證了所提出方法的有效性。
　　接著，針對(duì)荷電狀態(tài)回歸問題的中異方差、非平穩(wěn)性，建立了一種靈活的混合高斯過程(Gaussian mixture regression，GMR)荷電狀態(tài)估計(jì)方法。該方法通過多高斯分量線性組合的方式從實(shí)測(cè)數(shù)據(jù)中抽取數(shù)據(jù)信息，利用高斯過程回歸(Gaussian process r

6、egression，GPR)對(duì)每個(gè)子高斯分量進(jìn)行估計(jì)，最后將子系統(tǒng)的估計(jì)結(jié)果加權(quán)求和以獲得最終SOC估計(jì)結(jié)果。針對(duì)混合高斯模型(Gaussian mixture model，GMM)的優(yōu)化問題提出了一種進(jìn)化期望最大化算法（Evolutionary expectation maximum，EEM），數(shù)據(jù)分布較為集中的高斯分量通過對(duì)附近數(shù)據(jù)分布稀疏的高斯分量吞噬實(shí)現(xiàn)進(jìn)化，不斷迭代最終獲得最優(yōu)模型數(shù)量以及超參數(shù)。此外，首次提出了一種Pears

7、on非線性相關(guān)性特征選擇算法，以降低模型過擬合風(fēng)險(xiǎn)。
　　最后，深入研究了離群點(diǎn)對(duì)支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)以及高斯過程回歸模型所造成的影響，針對(duì)高維數(shù)據(jù)中的離群點(diǎn)問題，首次提出了一種加權(quán)高斯過程回歸方法(Weighted Gaussian process regression，WGPR)，分別從權(quán)重空間以及函數(shù)空間的角度進(jìn)行推導(dǎo)。此外，提出了一種改進(jìn)的密度離群檢測(cè)方法，避免了高維數(shù)據(jù)離群檢測(cè)中性能劣化的問題。實(shí)驗(yàn)中將所提出的算法分別用