基于支持向量机的锂电池SOC估算外文翻译资料

 2022-04-19 06:04

Applied Mathematical Modelling 37 (2013) 6244–6253

内容列表可以在SciVerse ScienceDirect获得

应用数学建模

期刊主页：www.elsevier.com/locate/apm

基于支持向量机的锂电池SOC估算

J.C. Aacute;lvarez Antoacute;na, P.J. Garciacute;a Nietob, F.J. de Cos Juezc, F. Saacute;nchez Lasherasd,

M. Gonzaacute;lez Vegaa, M.N. Roquentilde;iacute; Gutieacute;rrezc

a:Department of Electrical Engineering, Campus de Viesques, University of Oviedo, 33204 Gijoacute;n, Spain

b:Department of Mathematics, Faculty of Sciences, University of Oviedo, 33007 Oviedo, Spain

c:Mining Exploitation and Prospecting Department, University of Oviedo, 33004 Oviedo, Spain

d:Department of Construction and Manufacturing Engineering, University of Oviedo, 33204 Gijoacute;n, Spain

文章信息

文章历史：

2012年7月31日接收

2012年11月10日修订

2013年1月10日接收录用

2013年1月20日在线提供

关键词：

锂电池

建模

荷电状态（SOC）

支持向量机（SVM）

支持向量回归

摘 要

电池的荷电状态（SOC）相当于一辆电动汽车电池组的燃料流量计。 无论是在纯电动汽车（PEV）、混合动力汽车（HEV）还是便携式设备中的电池应用中，确定电池的荷电状态都是一个非常重要的问题。本文通过支持向量机（SVM）的方法，利用奥维多电池实验室（UOB实验室）的实验数据集，对高容量磷酸铁锂电池（LiFePO4）进行SOC估算。电池的SOC不能直接测量，必须从可测量的电池参数(如电流、电压或温度)来估计。使用SVM建立一种准确的估算模型，能够在短时间内估算电池SOC。最后实验结果也表明，通过SVM模型估算的结果与实验数据集的一致性验证了它的良好性能。

copy;2013 Elsevier Inc.保留所有权利。

  1. 介绍

电池荷电状态(SOC)是最重要的电池参数之一。已知电池中剩余的电量与它充满时的电量比，就能得出电池在需要充电前还能持续使用多久。用汽车油箱进行类比，荷电状态(SOC)估算通常被称为“气体压力表”或“燃油表”的功能。SOC被定义为在某种放电倍率条件下，电池剩余电量占额定容量的百分比，其中100%意味着一个充满电的状态，0%意味着放空电的状态。电池容量通常为安培时(Ah)。在多个应用程序中，确定和控制SOC是非常重要的，这些应用程序要求准确测量电池的SOC，以便给用户一个可用运行时的指示。SOC估算也可以用来避免有害的情况，如过度放电和过度充电，这些将导致电池寿命的减少。因此，准确的SOC指示对于用户的方便和延长电池的寿命是非常重要的。然而，在实践中许多估算方法都精度不高并且可靠性差。设计一个精确的SOC指示系统的主要问题是电池和用户行为的不可预测性。

已经有一些技术被报道用于测量或估算电池单元的SOC。最常用的方法包括当前的集成技术、人工神经网络和基于模糊逻辑的估算[2]、卡尔曼滤波算法[3-5]等[6-9]。这些方法中的大多数已经被广泛使用，并在不同的应用程序中获得可接受的结果。最常用的计算SOC的方法是安时积分法。该方法基于在充电和放电状态期间的电流测量和积分。当前集成技术的一个缺点是其精度低，其他方法虽然表现出更高的性能，但是由于计算复杂性，需要高的实现成本。

SVM技术(SVMs)[10-12]近年来得到了极大的发展，产生了一种新型的学习机器，它使用了SVMs的核心概念，即内核函数，用于许多学习任务。内核机器提供了一个模块化框架，可以通过使用不同的内核函数(线性、多项式、sigmoid或径向基)和基本算法来适应不同的任务和域[13]。它们被用于各种领域，包括生物医学和生物信息学[14]、图像分析和人工视觉[15]等工程领域[16,17]。与传统的前馈神经网络如多层感知器(MLP)[18]一样，研究人员利用SVMs来解决分类和回归问题[19]。在这项研究中，回归支持向量机（SVR）被用作自动学习工具，不同的重点在于成功预测高容量磷酸铁锂（LiFePO4）电池的SOC随电池电压，电池电流和电池温度而变化。SVM用作非线性估计器比最小二乘估计器更稳健，因为它对小的变化不敏感。

  1. 材料和方法
    1. 实验电池组和测试工作台

锂离子电池是最新的化学电池，由于其具有高的电池电压、高的能量密度、长寿命和良好的循环性能，在众多的应用中得到了很好的理解和广泛应用。本研究使用一种额定容量为100Ah的LiFePO4电池单元。在表1中概述了主要的电池特性。

电池测试平台由可编程的独立仪器和使用国家仪器LabVIEW软件的计算机控制单元组成[21]。测试工作台框图如图1所示。独立仪器是一种模块化/独立的仪器，在功率和测量领域支持各种各样的功能。在这种情况下，可编程电源(Sorensen DHP系列，60-220M1-M9D,0-60V,0-220A)用于电池充电。电子负载(Agilent 6050A和60504B模块)三个用于放电的目的。使用模块化数据采集系统(Agilent 34970A)监测电池电压、温度和其他用于检测终端的变量[22]，其直流测量的总精度为260lV。电池单元的温度是通过连接到模块中心的电阻温度检测器(RTD)来测量的。RTDs是温度传感器，它包含一个在温度变化时改变电阻值的电阻。内部电源和电子负载表用于提供电流测量，精度为0.12%plusmn;130mA。所有的数据测量都以5s的抽样速率进行。电池的性能在很大程度上取决于温度，所以所有的测试都是在一个电子控制的环境室中，在23plusmn;2°C的初始温度下开始的。工作台由在国家仪器LabVIEW软件中编写的自定义软件应用程序控制。工作台的描述和操作细节可以在[23]中找到。

    1. 实验数据集

确定电池SOC最可靠的测试是在受控条件下以特定C率进行放电测试。该测试包括连续的电池充电。充电和放电电流通常表示为C的倍数，其中C是电池额定容量。 C率是表示电池或电池的额定电流容量的值。例如，以C速率放电的电池将提供其标称额定容量1小时。放电时间与放电速率成反比。倍数大于或小于C倍率用于表示更大或更小的电流。例如，在100Ah电池的情况下，C率为100A，而C / 2和2C率分别为50A和200A。在本文中，使用标称容量为100Ah的CALB LiFePO4电池单元，以不同的C率进行三个连续的充电和放电循环。

表格1：高容量磷酸铁锂（LiFePO4）电池的特点。

参数 值

生产厂家 CALB

模型 SE100AHA

额定容量 100 h

额定电压 3.2 V

能量密度 在0.1C时为105wh / kg

充电/放电截止电压 3.6 V/2.5 V

推荐充电电流 0.3 C 30 A.

最大放电电流（短时lt;10秒） 800 A

循环寿命（80％DoD，0.3 C） 2000次

工作温度（充电/放电） 0°C-45°C / -20°C-55°C

外壳材质 塑料

重量 3.2公斤

在充电和放电期间测量电池变量（电压，电流和温度）以识别模型参数。使用之前描述的工作台以两步获得实验数据。在第一步中，使用通常的恒定电流恒定电压（CCCV）充电方法在0.3C倍率的充电电流下使电池完全充电直到达到3.6V。当电池达到3.6V的电压阈值时发生完全充电电流下降到额定电流的5％。由于锂离子不能接受过充，因此锂离子电池制造商对此最高电压的正确设置非常严格。电池电压高于3.6 V会导致应力并缩短电池寿命。在CV模式下，电压保持恒定在3.6V，同时充电过程以恒定电压模式继续，直到充电电流降至0.05C。在这种情况下达到完整的SOC（100％）。其次，在休息期之后，电池以恒定电流放电直到达到2.5V的截止电压。如图1和2所示，该过程以不同的放电速率重复三次。 如图2-4。

本研究的主要目的是利用支持向量机技术，获得一个估算SOC的模型。图2和图3显示了SVM模型训练数据的温度、电流、电压和SOC范围。图4显示了用于验证SVM模型的数据集。图2-4所示数据采集的主要差异是用于电池放电的负载。在图2中C/3 (33A)和图4中C/2 (50A)的C/3 (33A)中，电池放电的电流固定在C (100A)处。模型的培训数据涵盖了从100%的SOC到0%的SOC，并恢复到100%的SOC。该SOC范围内的所有数据点都用于训练。训练电流从30A到100A和30A到33A;见图2和图3。验证数据覆盖相同的SOC范围，但电流从30A到50A。此外，几个稳定的稳定状态和稳定的SOC也被包括在训练和验证数据中。这些平台相当于电池休息时间的各个阶段。静止期总是用来稳定电池内部的化学反应。该模型还利用剩余时间内提供的数据来预测该时期的电池行为。

图1.测试电池工作台架构。

    1. 支持向量机方法（SVM）

支持向量机是一组相关的监督学习方法，用于分类和回归，可以将任何多变量函数逼近任意精度水平[11]。 SVM最初是为解决分类问题而开发的。 他们后来被推广到解决回归问题中[24,10]，称为支持向量回归（SVR）。支持向量分类生成的模型仅取决于训练数据的一个子集，因为构建模型的成本函数忽略 训练点超出边界。 类似地，由SVR产生的模型仅取决于训练数据的子集，因为用于构建模型的成本函数忽略了与模型预测接近（在阈值e内）的任何训练数据。

SVR的基本概念在这里简单描述。而不是将新的看不见的变量分为两类：plusmn;1; 我们想要预测的实值输出。因此，训练数据的形式为 ，其中i = 1, 2, hellip; , L, , , [24,19]:

, (1)

其中控制模型的平滑性，是输入空间到特征空间的投影的函数，b是偏差的参数，是输入空间的特征向量，维数为D，是要估计的输出值。

SVR使用更复杂的惩罚函数：如果预测值小于距实际值的距离，即，则不施加惩罚。参考图5，所有i被约束的区域称为电子不敏感管。惩罚函数的另一种修改是管外的输出变量被分配到两个松弛变量罚分中的一个，这取决于它们是否位于管的上方（）或以下（），其中 gt; 0，gt; 0。

图2.培训数据：三次充放电循环中的电池温度，电流，电压和SOC对时间的关系。 放电电流设定为C（100A）。

对所有i来说：

, (2)

, (3)

图3.训练数据：三次充放电循环中的电池温度，电流，电压和SOC对时间的关系。放电以C

全文共13186字，剩余内容已隐藏，支付完成后下载完整资料

英语原文共 10 页，剩余内容已隐藏，支付完成后下载完整资料

资料编号：[13541]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章