忘川彼岸|基于机器学习的新能源汽车电池状态预测方法


介绍为了降低污染 , 减缓全球变暖 , 越来越多的新能源被用于汽车动力系统 。 其中 , 电池阵列被广泛使用 。 为了保证电池的安全 , 高效和耐用 , 需要对电池进行监控 , 预测SOC 。 电池的不稳定状态会阻碍汽车的能源路线 , 甚至加剧电池的安全 , 耐用问题 。 现在已经由很多预测SOC的算法 , 但是各有优点和限制 , 比如卡尔曼滤波器算法 , 缺点就有三个(1)预测的准确性非常依赖电池模型的有效性 , 为了获得好的鲁棒性模型 , 需要进行大量的数据测试 。 (2)一个小的参数扰动 , 就会造成SOC预测的偏差 。 (3)算法比较复杂 。
本论文充分吸收模糊聚类 , 减法聚类 , 直接搜索算法 , 遗传算法和人工智能算法的优点 , 高效解决了前向传播的两大问题:(1)模型拓扑(2)参数优化 。 为了实现一个在新能源汽车上使用的SOC预测模型 , 建模分成2步完成 。 (1)使用FCM聚类算法减小进入局部最优的情况 , 用于进行模型拓扑和先验参数的确定 。 模型的参数通过减法聚类得出模糊聚类的数量 , 模型的后续参数通过递归最小二乘法进行优化 。 (2)使用反向传播学习算法进一步优化先验和后验参数 。 产生的SOC预测模型效果 , 通过实验分析和对比学习进行确认 。
锂电池测试和数据准备电池测试数据获取通过FUDS测试标准 , 获取汽车工况数据 。 模型输入数据需要是可以被传感器直接感知测量的特征 。 随机选取工况中10000笔数据 , 随机排序 , 分为训练数据和模型验证数据两部分 。
模型的验证数据进行滑动平均处理 , 滑动周期为5秒 。
基于监督学习的SOC预测模型为了抑制主观判断的影响 , 采用聚类替代算法 。 聚类算法有很多比如:K-means算法、FCM算法 , 最大交叉熵算法等 。 其中FCM算法最出名 , 但是却具有三个缺点:(1)必须分配集群数量的先验知识 。 (2)聚类分配对初始状态高敏感 。 (3)非常容易陷入局部最优 。 通过引入遗传算法而不是随机梯度下降算法来将(2)(3)的影响最小化 。 为了补偿GA算法较弱的局部优化能力 , 引入了直接搜索算法 。 为了解决缺陷(1)的影响 , 引入减法聚类算法 , 该算法是一个非常快捷的单遍算法 , 用于估计聚类的数目和中心 。
基因模糊聚类算法对数据进行标准化处理 , 让数据分布在[0,1]区间 。 通过减法聚类算法初始化数据分布 , 包括聚类个数和聚类中心点 。 随机选择多个个体组成簇 , 每个个体都是一个向量 , 向量中的元素即为簇中心的值 。 通过适应函数判断每个个体的适应性 , 采用C-means函数 , 公式如下: