基于粒子群算法的最小二乘支持向量机电池状态估计

内容导读

互联网集市收集整理的这篇技术教程文章主要介绍了基于粒子群算法的最小二乘支持向量机电池状态估计，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含7912字，纯文字阅读大概需要12分钟。

内容图文

摘 要： 电池荷电状态(SOC)作为电池管理系统(BMS)重要参数之一，准确估计SOC尤为重要。由于SOC在估计过程中常会受到电压、电流、充放电效率等众多因素的影响，因此很难准确估计SOC。为了提高SOC的估计精度，本工作提出了基于最小二乘支持向量机(LSSVM)机器学习的锂离子电池SOC估计模型。将该电池的电流、电压和温度作为模型的输入向量，SOC作为模型的输出向量，为了更好的获得LSSVM模型的参数，提出了利用自适应粒子群算法来进行参数优化，从而获得高精度SOC估计模型。通过恒流充放电实验采集的数据，并和未优化的粒子群优化的LSSVM、支持向量机(SVM)神经网络(NN)相比，所提模型的SOC估计精度误差为1.63%，验证了算法的有效性。

关键词： 锂离子电池；SOC；最小二乘支持向量机(LSSVM)；粒子群算法

相比铅酸电池、镍氢电池，锂离子电池具有较高的能量密度和充放速率，这些优点使得锂离子电池在电动汽车中具有很强的吸引力。SOC表示电池的剩余电量与总容量的比值，作为BMS重要参数之一，SOC的准确估计可以保证电动汽车可以更好的行驶，但是，锂离子电池在工作条件下，具有非线性特性，因此，精确估计SOC仍然是一个热点问题。
目前有很多估计SOC的方法，包括安时积分法、开路电压法、卡尔曼滤波法及神经网络方法。安时法在工业中被广泛应用，但电池的初始容量以及电流测试过程产生的误差会不断累积，导致SOC估计精度低。开路电压法在估计SOC时，需要长时间静置，不利于SOC的实时估计。而卡尔曼滤波利用递推方法可实现SOC的最小方差估计，从而提高SOC的估计精度，由于SOC在估计过程中，具有非线性，基于此，国内外学者相继提出了扩展卡尔曼滤波（EKF），无迹卡尔曼滤波（UKF）等改进卡尔曼SOC估计方法。但此方法严重依赖于电路模型。为了克服以上因素，基于机器学习的SOC估计方法受到很大关注，神经网络是目前应用广泛的一种机器学习，直接建立基于SOC与电压、电流等因素的非线性关系，但是该方法在参数时易陷入局部最优。支持向量机（SVM）是一种基于统计学习理论的新型学习机，相比NN，它可以提高机器学习的泛化能力。最小二乘支持向量机（LSSVM）是将SVM中的不等式约束换成了等式约束，可以避免连续迭代导致的精度下降，有效的提高了模型的估计能力。因此，为了更好的估计SOC，提出了基于LSSVM的SOC估计方法。

1 最小二乘支持向量机原理

LSSVM是一种改进的SVM算法，用二次损失函数取代SVM中的不敏感损失函数，通过构造损失函数将SVM的二次寻优变为求解线性方程。设输入为n维向量，假设训练样本集为(x_i,?y_i)，i=1, 2，…，n，x∈R^d，y∈R，首先，用一个非线性映射φ(·)将样本的输入空间R^d 映射到特征空间

(1)

然后，在这个高维特征空间中构造最优决策函数

(2)

式中，为权值向量；b为偏置量，最后，以结构风险最小化为原则确定模型参数、b。结构风险的计算式为

(3)

式中，c为正规化参数；R_emp为损失函数，且；_ii为模型对训练样本的预测误差。基于结构风险最小化原则确定决策函数参数、b，可等效为求解以下优化问题

(4)

通过Lagrange方法求解式(4)

(5)

式中，是Lagrange乘子。通过KKT条件，求解以下方程

(6)

如果定义核函数为满足Mercer条件的核函数，求解式(6)最终得到基于LSSVM的回归估计函数

(7)

由于径向基函数（RBF）具有较强的抗干扰能力，因此文中选用RBF作为模型的核函数，其中为核函数参数，定义如下

(8)

因此，在锂离子电池SOC估计中，引入一个基于LSSVM的电池SOC估计的框架图。如图1所示。

图1???LSSVM模型图1表示采样k时刻的LSSVM模型。其中输入是采样k时刻电池的电压、电流和温度，分别表示为V(k)、I(k)和T(k)，输出是k时刻估计的SOC，表示为SOC(k)。因此基于LSSVM框架估计的SOC回归函数如下所示

(9)

特别的，利用该模型估计SOC有两部分组成：第一部分，通过离线采集锂离子电池的电压、电流、温度和SOC；第二部分，利用算法优化LSSVM模型的正则化系数c和核函数，并对电池进行SOC预测。为了更好的获得模型参数c和，文中提出了基于粒子群算法进行模型训练。

2 基于自适应粒子群算法优化LSSVM

粒子群优化算法（PSO）是一种智能寻优算法，每次优化都是在一个假定的空间内搜索一个粒子，然后将该粒子带入设置好的适应度函数，从而求出相应的适应值。假设在N维空间内，生成一个种群

Xi=(x1, x2, x3,…xi)，i=1, 2,…, N

(10)

相应的第i个粒子的速度也是一个N维的向量

Vi=(v1, v2, v3,…vi)，i=1, 2, …, N

(11)

相应的第i个粒子所找的最优位置为

Pi=(p1, p2, p3,…pi)，i=1, 2, …, N

(12)

而整个群体的最优位置为

Gi=(g1, g2, g3,…gi)，i=1, 2, …, N

(13)

根据求得的最优种群值和个体值，来更新粒子本身的速度和位置

(14)

(15)

式中，表示粒子速度；表示粒子的当前位移；是惯性权重；和为学习因子；r₁和r₂为0～1中的随机数。因此，通过不断更新粒子的位置和速度，最终找到最优的参数值。图2是PSO算法的流程图。

图2???PSO流程图
由于传统的PSO算法所设置惯性权重是一个固定值，通常为1，它决定了搜索粒子的能力，当的值较大或较小时，都可能会影响算法的搜索能力，从而会影响参数的优化，进而导致SOC的估计精度低。因此，文中提出了自适应权重的PSO算法来优化LSSVM模型参数

(16)

式中，f表示当前粒子的适应值；为粒子的平均适应值；为粒子的最小适应值。因此，通过改进PSO算法，利用自适应权重的方法来来优化LSSVM模型的正则化系数c和核函数，从而估计锂离子电池的SOC，图3为基于自适应权重的粒子群算法流程图。

图3???自适应PSO流程图

3 实验验证

3.1　数据采集

为了验证基于LSSVM模型估计SOC的有效性，文中选取松下NMC锂离子电池作为实验对象，其额定容量2.25 A·h，最大电压为4.5 V，最小工作电压为2.8 V，表1为电池的参数。同时利用Fluke数据采集集对电池进行电压和电流的采集，参考的SOC值通过安时积分法求得。

表1   NMC锂离子电池参数

        采集电池数据的试验台是由德国开发的EVT500-500，并利用Fluke设备对电池的电压和电流进行采集，为了减小电池对数据采集过程中造成不必要的影响，选用最新并通过测试的电池作为实验对象，先将单体静置，之后以1/3倍率的电流完全放电，静置1 h，然后采用恒压的方式将电池完全充电，静置3 h后对电池进行数据采集。以1倍率的电流对电池进行了2次连续的充放电循环，采样周期为1 s，采集1000个样本。数据采集如图4所示。

图4???电池在恒流充放电工况下采集的电流、电压和SOC
为了验证算法的有效性，将所提的算法和未优化的PSO算法的所优化的LSSVM、神经网络以及SVM进行比较，来验证模型的有效性。并且利用两种评估标准，包括均方根误差（RMSE）、和最大绝对误差（MAE），定义如下

(17)

(18)

式中，是SOC的实际值；是SOC的预测值。

3.2　自适应PSO优化参数

为了充分训练LSSVM的最优参数，设置PSO算法中的粒子群数目为50，总迭代次数为300，学习因子和分别为1.5，初始惯性权重=1，=0.3，可以保证在训练初期，较大的惯性权重可以保证较强的全局搜索能力，较小的权重可以保证有足够的范围寻找最优解。个体速度的最大值v_max=0.5，v_min=-0.5。将LSSVM的参数和c分别设置为0.01～1000，0.01～1000的范围内进行搜索。具体训练步骤如下
步骤1：按上述设置条件初始化粒子群各参数；
步骤2：以预测值计算的均方差建立适应度函数fitness；

(19)

步骤3：根据式(14)更新粒子的权重；
步骤4：根据式(12)和(13)不断更新粒子的速度和位置；
步骤5：根据步骤2计算粒子的适应度式(17)，并更新粒子的p_i和g_i；
步骤6：将计算好的个体最优值p_i和全局最优值g_i替代当前粒子；
步骤7：判断是否结束循环，是则结束算法，否则跳至步骤3。
因此，通过不同的算法，训练得到LSSVM的最优参数，结果如表2所示。

表2   参数优化结果

3.3　实验分析
图5,6,7,8,9,10,11,12展示了各估计器的性能。图7是基于PSO优化LSSVM预测的SOC，预测的精度RMSE=2.65%，最大绝对误差MAE=4.87%，为了提高SOC的预测精度，文中提出采用自适应PSO来进行优化LSSVM参数并估计SOC，如图5所示，其SOC的预测精度RMSE=1.63%，相比PSO-LSSVM，精度提高了38.5%，表明，通过自适应PSO可以更加准确的获取LSSVM最优参数，从而提高SOC的估计精度。图9和图11表示，当选择和LSSVM相同的RBF核函数时，SVM所估计的SOC精度要高于NN，此时SVM估计SOC的精度RMSE=4.57%，而NN的RMSE=7.02%，结果表明，与神经网络相比，SVM可调参数少，性能高，估计精度提高了34.9%。图7和图9相比，表明将SVM中的不等式约束条件换成等式约束，可以提高向量机的估计精度，在本次实验中，LSSVM所估计的SOC的RMSE=2.65%，相比SVM，SOC估计精度提高了42%。从上可以得到，通过自适应PSO进行优化LSSVM模型的超参数，可以调高参数的优化值，进而提高SOC的估计精度。

图5???自适应PSO-LSSVM预测图

图6???自适应PSO-LSSVM估计的绝对误差

图7???PSO-LSSVM预测图

图8???PSO-LSSVM估计的绝对误差

图9???SVM预测图

图10???SVM估计的绝对误差

图11???NN预测图

图12???NN估计的绝对误差

表3   各算法的估计性能

4 结论

由于锂离子电池的SOC是BMS中重要参数之一，因此为了提高锂离子电池SOC的估计精度，提出了自适应PSO-LSSVM模型，通过自适应PSO算法，不断更新粒子的权重，来提高全局搜索的能力，根据锂离子电池池的电压、电流和温度测量值来估计SOC，实验结果表明，自适应PSO优化的LSSVM参数，其SOC估计精度RMSE为1.63%，相比未优化的PSO，模型估计精度提高了38.5%，与SVM和NN相比，进一步验证了模型的精度性和有效性。

引用本文： 王语园,李嘉波,张福.基于粒子群算法的最小二乘支持向量机电池状态估计[J].储能科学与技术,2020,09(04):1153-1158.

WANG Yuyuan,LI Jiabo,ZHANG Fu.Battery state estimation of least squares support vector machinebased on particle swarm optimization[J].Energy Storage Science and Technology,2020,09(04):1153-1158.

第一作者：王语园(1981—)，男，硕士，副教授，研究方向为电力电子与电力传动，E-mail：38502042@qq.com。

内容总结

以上是互联网集市为您收集整理的基于粒子群算法的最小二乘支持向量机电池状态估计全部内容，希望文章能够帮你解决基于粒子群算法的最小二乘支持向量机电池状态估计所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。

内容备注

版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。

内容手机端

---