基于pso_FSVM的車用動力電池溫度預測模型研究

劉榮 童亮 許永紅

摘 要： 針對混合動力汽車在復雜工況下動力電池溫度測量可靠性下降的問題，提出基于pso_FSVM的車用動力電池溫度預測模型，該研究分別采集車輛key_on和key_off兩種狀態下的動力電池溫度數據，采用粒子群優化的快速支持向量機算法，構建了穩定的動力電池溫度預測模型。實驗結果表明，在車輛key_on和key_off兩種狀態下，數據集的預測數據與實際測量數據的相關系數分別達到0.810 2和0.797 3，溫度預測誤差小于2 ℃，pso_FSVM模型提高了動力電池溫度預測的精度和可靠性。

關鍵詞： 混合動力汽車; 動力電池溫度; 粒子群; 快速支持向量機; 預測模型; 熱動力學模型

中圖分類號： TN245?34; TP336 文獻標識碼： A 文章編號： 1004?373X（2018）12?0024?04

Abstract： In allusion to the problem of the decline of temperature measurement reliability for power battery of the hybrid electric vehicle in complicated working conditions， the temperature data of power battery at two vehicle states of Key_on and Key_off is collected respectively. A stable power battery temperature prediction model is constructed by using the particle swarm optimization based fast support vector machine algorithm. The experimental results show that the correlation coefficient between the prediction data and actual measurement data of data sets reaches 0.810 2 and 0.797 3 respectively at the two vehicle states of Key_on and Key_off， and the temperature prediction error is less than 2 ℃， which indicates that the pso_FSVM model can improve the prediction accuracy and reliability of power battery temperature.

Keywords： pso_FSVM; hybrid electric vehicle; power battery temperature; particle swarm optimization; fast support vector machine; prediction model; thermodynamics model

0 引 言

動力電池是混合動力汽車驅動系統中必不可少的能源裝置，確保動力電池的性能和使用壽命尤為重要。在復雜的工況下，電池溫度作為影響電池性能和使用壽命的關鍵因素之一，必須準確地預測電池溫度以確保電池系統工作在最好狀態下。因此，構建準確可靠的電池溫度預測模型，實時在線地監測電池溫度，為動力電池及其管理系統保駕護航，對混合動力汽車安全性能和動力電池熱管理系統的研究設計同樣具有重大意義。近年來對電池性能的大量研究取得了重要成果，其中Hu借助Matlab/Simulink基于神經網絡對PEMFC的搭建高溫穩態性能和動態性能的預測模型，預測精度較高[1]。Sun提出基于熱平衡方程的電池溫度在線方法[2]。Hong提出了一種基于電阻層析成像的動力電池內部溫度監測新方法[3]。但是這些研究方法建立的模型過于復雜，也沒有建立在動力電池處于復雜的工作工況下。本文在電池熱動力學模型理論基礎上，結合在車輛復雜工況下采集的測試數據集，提出一種基于pso_FSVM模型的電池溫度預測模型，pso_FSVM模型能夠準確可靠地預測動力電池溫度，為往后更為復雜的工況和環境（極寒、極熱）下預測電池溫度提供可行性。

1 電池熱動力學模型

電池表面溫度和內部溫度是表征電池性能的兩個重要參數，對于廣泛應用于混合動力汽車的動力電池而言，內部溫度是影響電池性能的決定性因素。在研究過程中，美國伯克利大學的D.Bernardi用可逆熵變產生的熱量描述化學反應熱，提出了Bernardi 生熱率計算模型[4];而劉偉在研究中建立一種基于遞歸最小二乘法估算的電池熱動力學模型[5]。在車輛key_on和key_off狀態下，依據物理傳熱定律可得動力電池熱動力學模型，如下：

4 結 論

1） 依據電池熱動力學數學模型，本文提出的粒子群優化算法的快速支持向量機模型在對動力電池溫度預測中運算速度快，相對誤差極小，為在更為復雜的工況下提供研究價值，并且可以運用于混合動力汽車/純電動汽車電池熱量管理系統對熱量的最優控制。

2） 在車輛全工況下，采集原始數據過程中應考慮電池均衡帶來的影響，對大樣本數據的綜合處理以及粒子位置和速度的更新策略進行更為合理的規劃，提高在大樣本情況下粒子群算法的尋優能力。

注：本文通訊作者為童亮。

參考文獻

[1] 胡經緯.質子交換膜燃料電池的電化學和數值模擬研究[D].大連：中國科學院，2006.

HU Jingwei. Electrochemical and mathematical model studies on PEMFC [D]. Dalian： Chinese Academy of Sciences， 2006.

[2] 孫金磊，朱春波，李磊，等.電動汽車動力電池溫度在線估計方法[J].電工技術學報，2017，32（7）：197?203.

SUN Jinlei， ZHU Chunbo， LI Lei， et al. Online temperature estimation method for electric vehicle power battery [J]. Transactions of China Electrotechnical Society， 2017， 32（7）： 197?203.

[3] 洪曉斌，李年智，尹文偉，等.基于電阻層析成像的汽車動力電池內部溫度監測[J].光學精密工程，2014，22（1）：193?203.

HONG Xiaobin， LI Nianzhi， YIN Wenwei， et al. Monitoring of internal temperature of vehicle power battery based on electrical resistance tomography [J]. Optics and precision engineering， 2014， 22（1）： 193?203.

[4] BERNARDI D， PAWLIKOWSKI E， NEWMAN J. A general energy balance for battery systems [J]. Journal of Electrochemical Society， 1985， 132（1）： 5?12.

[5] LIU Wei. Introduction to hybrid vehicle system modeling and control [M]. Hoboken： Wiley， 2013.

[6] KENNEDY J， EBERHART R. Particle swarm optimization [C]// Proceedings of IEEE International Conference on Neural Networks. Piscataway： IEEE， 1995： 1942?1948.

[7] 王建國，張文興.支持向量機建模及其智能優化[M].北京：清華大學出版社，2015：134?135.

WANG Jianguo， ZHANG Wenxing. Support vector machine modeling and intelligent optimization [M]. Beijing： Tsinghua University Press， 2015： 134?135.

[8] 彭宇，彭喜元，劉兆慶.微粒群算法參數效能的統計分析[J].電子學報，2004，32（2）：209?213.

PENG Yu， PENG Xiyuan， LIU Zhaoqing. Statistic analysis on parameter efficiency of particle swarm optimization [J]. Acta electronica sinica， 2004， 32（2）： 209?213.

[9] 張文興，叢寬，王建國，等.一種新的快速支持向量回歸算法[J].微計算機信息，2010，26（33）：208?209.

ZHANG Wenxing， CONG Kuan， WANG Jianguo， et al. A new algorithm of fast support vector regression [J]. Microcomputer information， 2010， 26（33）： 208?209.

[10] HUANG Mingzhi， HAN Wei， WAN Jinquan， et a1. Multi?objective optimization for design and operation of anaerobic digestion using GA?ANN and NSGA?II [J]. Journal of chemical technology and biotechnology， 2016， 91（1）： 226?233.