0 引言

    電動汽車動力電池在使用過程中表現(xiàn)出高度的非線性,其動力電池的荷電狀態(tài)（State of Charge，SOC）SOC受多因素影響,無法通過傳感器直接測量,而是必須通過測量電池電壓、工作電流、電池內(nèi)阻和溫度等其他物理量并采用一定的數(shù)學模型和算法估計得到^[1]。

    近年來，支持向量機方法（Support Vector Machine，SVM）已廣泛應用于鋰離子電池SOC預測領(lǐng)域^[2]，但SVM算法稀疏性性有限，且只能進行單點預測，缺乏不確定性表達和管理能力。基于SVM 算法并結(jié)合概率學習的稀疏貝葉斯理論和最大似然法提出的相關(guān)向量機^[3](Relevance Vector Machine，RVM)算法，其稀疏性較高，可以提供概率性預測結(jié)果，實現(xiàn)區(qū)間預測，具有自動參數(shù)設置和任意使用核函數(shù)等優(yōu)點。RVM算法進行數(shù)據(jù)回歸分析時，可以通過參數(shù)調(diào)整來對過擬合和欠擬合過程進行靈活控制。

    RVM是一種適合鋰離子電池預測的機器學習方法，文獻[4]利用電池放電電壓的樣本熵作為輸入數(shù)據(jù)并采用RVM算法直接實現(xiàn)了鋰離子電池RUL 預測，較SVM獲得了更高的預測精度；文獻[5]選擇測量電壓、測量電流和表面溫度作為輸入數(shù)據(jù)，輸入數(shù)據(jù)經(jīng)過濾波歸一化等預處理，直接用RVM算法對SOC進行預測，較SVM獲得了更高的預測精度。

    但由于RVM過于稀疏及采集的數(shù)據(jù)存在動態(tài)波動特性，導致直接采用RVM進行鋰離子電池SOC預測，預測結(jié)果的穩(wěn)定性差。本文首先分析了RVM算法預測精度的影響因素，并結(jié)合增量學習算法構(gòu)建了一種改進的增量相關(guān)向量機算法（Incremental improved RVM，IRVM），改善了RVM算法多步預測能力差的問題，并將其應用于鋰離子電池SOC評估預測領(lǐng)域。為了驗證研究方法的適用性和有效性，研究采用歐洲的NEDC和日本的1015兩典型工況數(shù)據(jù)為參照，對比分析了IRVM算法和完全重新訓練的相關(guān)向量機(Retraining RVM，RRVM)算法的預測效果和性能，結(jié)果表明提出的改進的IRVM針對鋰離子電池SOC預測具有較好預測效果，為該方法在鋰離子電池SOC預測領(lǐng)域提供思路和借鑒。

1 相關(guān)向量機方法基本原理

    對于給定的訓練樣本輸入集X={x₁，x₂，…，x_N}和對應的樣本輸出集T={t₁，t₂，…，t_N}，N為訓練樣本數(shù)，RVM的回歸模型可定義為：

其中，L_b和U_b分別為預測值的下限和上限；z_α/2為正態(tài)分布的雙側(cè)α分位點。

2 鋰離子電池IRVM荷電狀態(tài)分析

    增量學習算法隨在線樣本的到來動態(tài)更新預測模型，具有較高的預測精度。SYED N A等提出的增量SVM算法^[7]，節(jié)省了大量的時空消耗，但由于在重新訓練的過程中丟失了過多的支持向量，該算法的精度較差。

    相比于SVM算法，RVM算法的相關(guān)向量十分稀疏，且具有概率式輸出的特點，因此采用增量學習算法對RVM算法的輸出影響不大^[8]。圖1所示為IRVM算法流程示意圖，其中，TS為訓練樣本集；NS為預測樣本集，NS=[NX，NY]；RS為相關(guān)向量集，RS=[RX，RY]；Error為預測的最大絕對誤差，y_new為預測值。

    針對鋰離子電池SOC的IRVM預測評估，可以概括為以下主要步驟：

    (1)初始化數(shù)據(jù)集和RVM參數(shù)；

    (2)RVM訓練，獲得訓練值y_xun、相關(guān)向量集RS；

    (3)判斷訓練值y_xun是否達到精度要求，若未達到，調(diào)整核參數(shù)，重新訓練；否則，獲得RVM的模型，并輸入新增樣本NX進行預測，輸出預測值y_new；

    (4)判斷預測值y_new是否達到精度要求，未達到，則構(gòu)造新的訓練集TS＝RS∪NS，重新訓練RVM，更新RVM模型；否則保持RVM模型不變，繼續(xù)預測，直到所有數(shù)據(jù)預測完成。

3 IRVM荷電狀態(tài)評估驗證與結(jié)果討論

3.1 核參數(shù)BW和訓練樣本數(shù)對預測效果的影響

    為了驗證所建立的IRVM算法的預測效果，研究數(shù)據(jù)集來源于ADVISOR軟件平臺，選用gm_ev1_in車型、ESS_L17_temp型號的鋰離子電池(25 ℃條件下，7.035 Ah)、rint電池模型，其他參數(shù)均為默認設置，獲取NEDC工況和1015工況的電壓、電流、溫度和SOC數(shù)據(jù)。

    驗證分析選用NEDC工況的數(shù)據(jù)，共1 826組，輸入數(shù)據(jù)為鋰離子電池的電壓、電流和溫度，輸出數(shù)據(jù)為SOC。RVM的核函數(shù)選擇常用的高斯核函數(shù)，噪聲方差σ²＝var(y)*0.1，分別規(guī)定訓練樣本為200、400和600，預測步長為200、400和600，核參數(shù)BW過小預測精度較低，因此設置BW從10開始，增長率為1，最大值為40。預測精度的評價選用平均絕對誤差AME，如式（5）所示，其中，Y為SOC的真實值，Y′為SOC的預測值，n為預測步長。

    分別用以上三個訓練樣本依次進行實驗，分析核參數(shù)BW和訓練樣本數(shù)對預測效果的影響，仿真結(jié)果如圖2所示。

    圖2為不同訓練樣本數(shù)預測結(jié)果對比圖，其中橫坐標為核參數(shù)，縱坐標為預測的平均絕對誤差，三幅圖的預測步長分別為200、400和600。

    由圖2可知：

    （1）核參數(shù)的大小影響RVM的預測精度，核參數(shù)過小，其預測誤差過大，三幅圖中核參數(shù)BW在35~40時的預測效果優(yōu)于20之前，在20~35之間時預測效果最好，且當BW=35時，三種訓練樣本的預測誤差同時達到低峰，此時的預測精度受訓練樣本數(shù)和預測樣本數(shù)的影響較小，可以改善由訓練樣本數(shù)不足和預測步長過長對預測結(jié)果影響，是預測模型中核參數(shù)的最優(yōu)值。

    （2）不同訓練樣本數(shù)N對預測結(jié)果影響較大，三幅圖均表明，當N為400時，預測效果最好。圖2（a）中，預測步長為200，其預測精度受訓練樣本數(shù)的影響，N越小，預測精度越低；圖2（b）中，預測步長為400，此時N為200和600時的預測精度相差較小，N=600時的預測精度較好；圖2（c）中，預測步長為600，此時N=600時的預測精度低于N=200時。由此可見，訓練樣本數(shù)過大或過小均影響預測精度，N=400時的預測精度最好。

    （3）不同的預測步長對預測結(jié)果影響較大，預測步長越大，預測精度越低，故RVM算法的多步預測能力差。

    綜上所述，核參數(shù)BW、訓練樣本數(shù)和預測步長均影響RVM算法的預測效果，合理設置這三個參數(shù)可以改善算法的預測精度，減少IRVM算法重新訓練的次數(shù)，提高算法的計算效率。

3.2 IRVM算法的適應性和有效性驗證

    為了進一步驗證本文所提出方法的適用性和有效性，和RRVM算法進行對比，采用NEDC和1015兩個工況數(shù)據(jù)進行仿真分析以對其進行驗證。核函數(shù)選擇常用的高斯核函數(shù)，核參數(shù)BW為40，噪聲方差σ²＝var(y)·0.1，誤差限Error=0.04，根據(jù)3.1小節(jié)的分析，訓練樣本數(shù)選擇400左右，預測步長為50。

    對SOC的預測精度進行評價，評價的標準采用最大絕對誤差maxe和均方根誤差RMSE兩個指標，均方根誤差主要評價預測模型的整體性能，而最大絕對誤差主要衡量預測模型的局部性能，即：

其中，Y為SOC的真實值，Y′為SOC的預測值。

    兩種工況對應的仿真結(jié)果如圖3、圖4所示。其中的（a）、（b）兩圖的橫坐標為“工況時間/ns”，n為兩個工況采樣間隔，單位為“s”，由于兩個工況的數(shù)據(jù)總量不同，n的值也不同，每個工況均采樣25個點；縱坐標分別為SOC和SOC的估計誤差，圖例中，REL-SOC為SOC的真實值，RRVM-SOC和IRVM-SOC分別為兩種算法的預測值。

    從圖3和圖4可以看出：在兩種工況下，IRVM算法和RRVM算法的預測誤差均在5%以內(nèi)，擬合效果和預測效果都很好。在預測階段，兩種算法的在線訓練集均有新的相關(guān)向量加入，相比于圖2的RVM算法僅用初始訓練集直接預測的結(jié)果來說，此兩種算法均改善了RVM算法多步預測能力差的問題，且受初始訓練樣本數(shù)的影響較小。

    為進一步對比不同算法在不同工況下的性能，表1給出了相應的性能數(shù)據(jù)。其中工況數(shù)據(jù)列為兩種工況以及工況數(shù)據(jù)的總量；M為相關(guān)向量的個數(shù)。由表1可以看出：

    (1)IRVM算法和RRVM算法的精度對比：在NEDC工況中，RRVM算法的最大誤差和均方根誤差均大于IRVM算法，在1015工況中則相反。由此可知，在不同的工況下，兩種算法的預測精度和穩(wěn)定性相似，即IRVM算法預測鋰電池SOC時沒有過多地丟失相關(guān)向量，可以保證預測的精度。

    (2)IRVM算法和RRVM算法的計算效率對比：在兩種工況下，IRVM算法的運行速度均比RRVM算法的運行速度快，相關(guān)向量的個數(shù)少。這是因為IRVM算法進行預測時，每次只將相關(guān)向量而不是所有數(shù)據(jù)留下來和新增的樣本一起進行訓練，徹底丟棄了非相關(guān)向量，使訓練樣本大大減小，提高了計算效率。

4 結(jié)論

    本文提出的IRVM算法將增量學習法與RVM離線算法結(jié)合在一起，改善了RVM算法多步預測能力差的問題，提高了預測精度。以鋰離子電池SOC在線預測為應用背景，IRVM算法使用快速序列稀疏貝葉斯學習算法進行訓練，減小了矩陣運算的復雜度，提高了算法的計算效率。實驗分析了核參數(shù)、訓練樣本的大小以及預測步長對算法預測精度的影響，算法中通過自動調(diào)整核參數(shù)的方式保證算法的預測精度。

    基于NEDC和1015典型工況對所提出的IRVM鋰離子電池SOC預測方法與RRVM進行分析對比，結(jié)果表明，IRVM算法與RRVM算法的預測精度相當，但IRVM算法的計算效率更高，相關(guān)向量更稀疏，適用于多種工況的預測。

參考文獻

[1] 鄭旭，黃鴻，郭汾.動力電池SOC估算復雜方法綜述[J].電子技術(shù)應用，2018，44(3)：3-6，10.

[2] 劉大同，周建寶，郭力萌，等.鋰離子電池健康評估和壽命預測綜述[J].儀器儀表學報，2015，36(1)：1-16.

[3] TIPPING M E.Sparse Bayesian learning and the relevance vector machine[J].Journal of Machine Learning Research，2001，1(3)：211-244.

[4] WIDODO A，SHIM M C，CAESARENDRA W，et al.Intelligent prognostics for battery health monitoring based on sample entropy[J].Expert Systems with Applications An International Journal，2011，38(9)：11763-11769.

[5] 高向陽，張駿，寧寧.基于相關(guān)向量機的蓄電池荷電狀態(tài)預測[J].電源技術(shù)，2010，34(12)：1273-1275.

[6] TIPPING M E，F(xiàn)AUL A C.Fast marginal likelihood maximisation for sparse Bayesian models[C].Proceedings of the Ninth International Workshop on Artificial Intelligence and Statistics，2003：3-6.

[7] SYED N A，LIU H，SUNG K K.Incremental learning with support vector machines[J].Technical Reports，2001，228(4)：641-642.

[8] LIU D，ZHOU J，PAN D，et al.Lithium-ion battery remaining useful life estimation with an optimized Relevance Vector Machine algorithm with incremental learning[J].Measurement，2015，63：143-151.

作者信息:

王  超，范興明，張  鑫，高琳琳，劉華東

(桂林電子科技大學 電氣工程及其自動化系，廣西 桂林541004)