[发明专利]基于高斯过程回归的多工况电池剩余容量预测方法及系统

说明书

本发明涉及一种基于高斯过程回归的多工况电池剩余容量预测方法及系统，该方法包括以下步骤：1)采集常规工况数据进行预处理得到训练数据集，并选取高斯过程回归核函数，所述的常规工况数据包括电动汽车电池的输入和输出数据；2)训练高斯过程回归模型，即确定高斯过程回归模型的超参数；3)采用序贯采样算法获得下一个采样点，并将其加入常规工况数据中，得到增广工况数据集；4)基于预测结果及增广工况数据集，判断是否满足停止条件，若不满足，则将增广工况数据集作为新的训练数据集后返回步骤2)，若满足，则输出预测结果即电池剩余容量。与现有技术相比，本发明具有成本低、多工况和极端工况预测等等优点。

技术领域

本发明涉及纯电动汽车性能检测领域，尤其是涉及一种基于高斯过程回归的多工况电池剩余容量预测方法及系统。

背景技术

在电动汽车的厂家技术参数中，一般只提供电池出厂时的总容量，部分厂家会提供电池在完成一定的充放电次数后，电池容量降低的百分比。但在实际使用中，充放电的强度(如快充和慢充)、环境温度等工况的不同都会导致汽车电池容量衰减率的改变——消费者也更希望获得汽车在自己个性化驾驶习惯及其所在地实际环境下驾驶一段时间后，汽车电池的剩余容量。

传统的电动汽车电池剩余容量预测方法有两种，一种是进行物理实验，去检测电池在实验环境下或真实路况中使用一段时间后的剩余容量；另一种是建立电池的物理模型以及计算机仿真模型，进而进行电池充放电的仿真实验，获得电池在使用一段时间后的剩余容量。前者需要搭建较为完善的实验台，耗费大量的人力物力及时间资源，且物理实验可以模拟的工况有限，无法检测电池在某些极端工况下使用一段时间后的剩余容量；后者由于电池的充放电机制较为复杂，很难将影响其剩余容量的各种因素整合到一个确定的数学方程中，所以其仿真实验效果与真实的物理实验存在较大出入。

随着机器学习、深度学习等人工智能算法的发展与应用，当获取到某一工况下电动汽车电池的输入、输出数据时，即可将其作为训练数据训练模型，用以预测电池在该工况下使用一段时间后的剩余容量。当合理选择模型及调整参数后，可以实现电动汽车电池在该工况下的剩余容量预测。但是单独的机器学习、深度学习算法模型往往泛化能力较差，即当仅获取一种或多种工况下的训练数据时，无法训练模型去预测电池在另一种新的工况下使用一段时间后的剩余容量。若要获取全工况下的训练数据，尤其是某些极端工况下的训练数据，则需要昂贵的实验成本，甚至是在实验室的条件下无法实现的——而电动车电池在极端工况下使用一段时间后的剩余容量，往往是汽车厂商及消费者评价该车性能的重要指标。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于高斯过程回归的多工况电池剩余容量预测方法及系统。

本发明的目的可以通过以下技术方案来实现：

一种基于高斯过程回归的多工况电池剩余容量预测方法，包括以下步骤：

1)采集常规工况数据进行预处理得到训练数据集，并选取高斯过程回归核函数，所述的常规工况数据包括电动汽车电池的输入和输出数据；

2)训练高斯过程回归模型，即确定高斯过程回归模型的超参数；

3)采用序贯采样算法获得下一个采样点，并将其加入常规工况数据中，得到增广工况数据集；

4)基于预测结果及增广工况数据集，判断是否满足停止条件，若不满足，则将增广工况数据集作为新的训练数据集后返回步骤2)，若满足，则输出预测结果即电池剩余容量。

所述的电动汽车包括纯电动汽车和油电混合动力汽车。

所述的步骤1)中，常规工况数据为在设定时间间隔内按照设定的采样频率采集到随时间变化的时间序列数据，每个采样时刻点采集一组训练数据；

电动汽车电池的输入数据包括电池的端电压、充放电电流、初始电池容量和电动汽车电池所处的温度；