IRVM'ye Dayalı Lityum Pil Şarj Durumunun Değerlendirme Yöntemi ve Simülasyon Doğrulaması
Elektrikli araçların güç bataryası, kullanım sırasında yüksek derecede doğrusal olmama sergiler.Güç bataryasının Şarj Durumu (SOC) SOC'si birden fazla faktörden etkilenir ve sensör tarafından doğrudan ölçülemez, ancak batarya voltajı ölçülerek ölçülmelidir. Akım, pilin iç direnci ve sıcaklığı gibi diğer fiziksel büyüklükler, belirli matematiksel modeller ve algoritmalar kullanılarak tahmin edilir.
Son yıllarda, destek vektör makinesi (SVM) yöntemi, lityum iyon pil SOC tahmini alanında yaygın olarak kullanılmaktadır, ancak SVM algoritmasının seyrekliği sınırlıdır ve belirsizlik ifadesi ve yönetim yeteneklerinden yoksun, yalnızca tek noktalı tahmin gerçekleştirebilir. Seyrek Bayesçi olasılık öğrenme teorisi ve maksimum olasılık yöntemi ile birleştirilmiş SVM algoritmasına dayalı olarak önerilen İlişki Vektör Makinesi (RVM) algoritması, yüksek seyrekliğe sahiptir ve olasılıksal tahmin sonuçları sağlayabilir ve aralık tahminini gerçekleştirebilir. Otomatik parametre ayarı ve çekirdek işlevlerinin keyfi kullanımı gibi avantajlar. RVM algoritması veri regresyon analizi gerçekleştirdiğinde, aşırı uydurma ve tam oturtma işlemleri parametre ayarlamasıyla esnek bir şekilde kontrol edilebilir.
RVM, lityum iyon pil tahmini için uygun bir makine öğrenme yöntemidir.Literatür, giriş verileri olarak pil deşarj voltajının örnek entropisini kullanır ve SVM'den daha yüksek tahmin doğruluğu sağlayan lityum iyon pil RUL tahminini doğrudan gerçekleştirmek için RVM algoritmasını kullanır; literatür seçimi Ölçülen voltaj, ölçülen akım ve yüzey sıcaklığı girdi verileri olarak kullanılır Girdi verileri filtreleme ve normalleştirme ile ön işlemden geçirilir RVM algoritması, SVM'den daha yüksek tahmin doğruluğu sağlayan SOC'yi doğrudan tahmin etmek için kullanılır.
Bununla birlikte, RVM çok seyrek olduğu ve toplanan veriler dinamik dalgalanma özelliklerine sahip olduğu için, RVM doğrudan lityum iyon pillerin SOC'sini tahmin etmek için kullanılır ve tahmin sonuçlarının kararlılığı zayıftır. Bu makale ilk olarak RVM algoritmasının tahmin doğruluğunu etkileyen faktörleri analiz eder ve RVM algoritmasının zayıf çok adımlı tahmin yeteneği sorununu iyileştiren gelişmiş bir artımlı korelasyon vektör makinesi algoritması (Artımlı Geliştirilmiş RVM, IRVM) oluşturmak için artımlı öğrenme algoritmasını birleştirir. Ve lityum iyon pil SOC değerlendirmesi ve tahmini alanına uygulayın. Araştırma yönteminin uygulanabilirliğini ve etkililiğini doğrulamak için, çalışma referans olarak Avrupa NEDC ve Japonya'nın 1015 tipik çalışma koşullarını kullanır ve IRVM algoritmasının tahminlerini ve tamamen yeniden eğitilmiş Yeniden Eğitim RVM (RRVM) algoritmasını karşılaştırır ve analiz eder. Etki ve performans, sonuçlar, önerilen geliştirilmiş IRVM'nin lityum iyon pil SOC tahmini için daha iyi bir tahmin etkisine sahip olduğunu ve bu yöntem için lityum iyon pil SOC tahmini alanında fikir ve referanslar sağladığını göstermektedir.
1 Korelasyon vektör makinesi yönteminin temel ilkeleri
Belirli bir eğitim örnek giriş seti için X = {x1, x2, ..., xN} ve karşılık gelen örnek çıktı seti T = {t1, t2, ..., tN}, N eğitim örneklerinin sayısıdır ve RVM regresyon modeli şu şekilde tanımlanabilir: :
Bunlar arasında, Lb ve Ub sırasıyla tahmin edilen değerin alt ve üst sınırlarıdır; z / 2, normal dağılımın iki taraflı kuantilidir.
2 Lityum iyon pilin IRVM şarj durumunun analizi
Artımlı öğrenme algoritması, tahmin modelini çevrimiçi örneklerin gelişiyle dinamik olarak günceller ve yüksek tahmin doğruluğuna sahiptir. SYED NA, vb. Tarafından önerilen artımlı SVM algoritması, çok fazla zaman ve alan tasarrufu sağlar, ancak yeniden eğitim süreci sırasında çok fazla destek vektörünün kaybedilmesi nedeniyle, algoritmanın doğruluğu zayıftır.
SVM algoritması ile karşılaştırıldığında, RVM algoritmasının korelasyon vektörü çok seyrektir ve olasılıklı çıktı özelliklerine sahiptir, bu nedenle artımlı öğrenme algoritmasının kullanımının RVM algoritmasının çıktısı üzerinde çok az etkisi vardır. Şekil 1, IRVM algoritma akışının şematik bir diyagramını gösterir; burada TS, eğitim örnek kümesidir; NS, tahmin örnek kümesidir, NS =; RS, korelasyon vektör kümesidir, RS =; Hata, tahminin maksimum mutlak hatasıdır ve ynew, tahmin edilen değerdir.
Lityum iyon pillerin SOC'si için IRVM tahmini ve değerlendirmesi aşağıdaki ana adımlar olarak özetlenebilir:
(1) Veri setini ve RVM parametrelerini başlatın;
(2) RVM eğitimi, yxun eğitim değerini ve korelasyon vektör seti RS'yi elde edin;
(3) yxun eğitim değerinin doğruluk gereksinimlerini karşılayıp karşılamadığını belirleyin, değilse, çekirdek parametrelerini ayarlayın ve yeniden eğitin; aksi takdirde, RVM modelini edinin ve tahmin için yeni örnek NX'i girin ve ynew tahmin edilen değeri verin;
(4) Tahmin değerinin doğruluk gereksinimlerini karşılayıp karşılamadığına karar verin, yeni bir eğitim seti TS = RSNS oluşturun, RVM'yi yeniden eğitin ve RVM modelini güncelleyin; aksi takdirde, RVM modelini değiştirmeden tutun ve tüm veri tahminleri tamamlanana kadar tahmin etmeye devam edin .
3 IRVM şarj durumu değerlendirme doğrulaması ve sonuç tartışması
3.1 Kernel parametresi BW'nin ve eğitim numunelerinin sayısının tahmin etkisi üzerindeki etkisi
Yerleşik IRVM algoritmasının tahmin etkisini doğrulamak için, araştırma veri seti ADVISOR yazılım platformundan gelir. Gm_ev1_in modeli, ESS_L17_temp lityum iyon pil modeli (7.035 Ah, 25 ) ve rint pil modeli seçilir.Diğer parametreler varsayılan ayarlardır , NEDC çalışma koşulu ve 1015 çalışma koşulunun voltaj, akım, sıcaklık ve SOC verilerini edinin.
Doğrulama analizi, toplam 1.826 grup olmak üzere NEDC çalışma koşullarının verilerini seçer, giriş verileri lityum iyon pilin voltajı, akımı ve sıcaklığıdır ve çıkış verileri SOC'dir. RVM'nin çekirdek işlevi, yaygın olarak kullanılan Gauss çekirdek işlevini seçer, gürültü varyansı sırasıyla 2 = var (y) * 0.1, eğitim örnekleri 200, 400 ve 600 olarak belirtilir, tahmin adımı boyutu 200, 400 ve 600 ve çekirdek parametresi BW çok küçüktür. Daha düşük, bu nedenle BW'yi 10'dan başlayacak şekilde ayarlayın, büyüme oranı 1 ve maksimum 40'tır. Ortalama mutlak hata AME, formül (5) 'de gösterildiği gibi, tahmin doğruluğunun değerlendirilmesi için seçilir; burada Y, SOC'nin gerçek değeridir, Y', SOC'nin tahmin edilen değeridir ve n, tahmin adımı boyutudur.
Kernel parametresi BW'nin etkisini ve eğitim numunelerinin sayısının tahmin etkisi üzerindeki etkisini analiz etmek için deneyleri sırayla gerçekleştirmek için yukarıdaki üç eğitim örneğini kullanın.Simülasyon sonuçları Şekil 2'de gösterilmektedir.
Şekil 2, apsisin çekirdek parametresi ve ordinatın tahminin ortalama mutlak hatası olduğu farklı eğitim numune numaralarının tahmin sonuçlarının bir karşılaştırma diyagramıdır Üç grafiğin tahmin aşamaları sırasıyla 200, 400 ve 600'dür.
Şekil 2'den görülebilir:
(1) Çekirdek parametresinin boyutu, RVM'nin tahmin doğruluğunu etkiler. Çekirdek parametresi çok küçükse, tahmin hatası çok büyüktür. 35-40'daki üç rakamdaki çekirdek parametresi BW'nin tahmin etkisi, 20'den öncesine göre ve 20-35 arasında olduğunda daha iyidir. Tahmin etkisi en iyisidir ve BW = 35 olduğunda, üç eğitim numunesinin tahmin hataları aynı anda düşük bir zirveye ulaşır. Şu anda, tahmin doğruluğu eğitim numunelerinin sayısından ve tahmin numunelerinin sayısından daha az etkilenir, bu da eğitim numunelerinin eksikliğini ve Tahmin adımı boyutu, tahmin modelindeki çekirdek parametresinin optimum değeri olan tahmin sonucunu etkilemeyecek kadar uzun.
(2) Farklı eğitim numunelerinin sayısı N, tahmin sonuçları üzerinde daha büyük bir etkiye sahiptir Üç rakamın tümü, N 400 olduğunda tahmin etkisinin en iyi olduğunu göstermektedir. Şekil 2 (a) 'da, tahmin adımı boyutu 200'dür ve tahmin doğruluğu, eğitim numunelerinin sayısından etkilenir.N küçükse, tahmin doğruluğu o kadar düşüktür; Şekil 2 (b)' de, tahmin adımı boyutu 400'dür ve bu anda N 200'dür. 600'deki tahmin doğruluğu ile tahmin doğruluğu arasındaki fark küçüktür ve N = 600'deki tahmin doğruluğu daha iyidir; Şekil 2 (c) 'de tahmin adımı boyutu 600'dür ve N = 600'deki tahmin doğruluğu N = 200'dekinden daha düşüktür. Eğitim örneklerinin sayısının tahmin doğruluğunu etkilemek için çok büyük veya çok küçük olduğu ve tahmin doğruluğunun N = 400 olduğunda en iyi olduğu görülebilir.
(3) Farklı tahmin adımı boyutları, tahmin sonuçları üzerinde daha büyük bir etkiye sahiptir Tahmin adımı boyutu ne kadar büyükse, tahmin doğruluğu o kadar düşük olur, bu nedenle RVM algoritmasının çok adımlı tahmin yeteneği zayıftır.
Özetle, çekirdek parametresi BW, eğitim örneklerinin sayısı ve tahmin adım boyutunun tümü, RVM algoritmasının tahmin etkisini etkiler.Bu üç parametrenin makul bir ayarı, algoritmanın tahmin doğruluğunu artırabilir, IRVM algoritmasının yeniden eğitim sayısını azaltabilir ve algoritmanın hesaplama verimliliğini artırabilir. .
3.2 IRVM algoritmasının uyarlanabilirliği ve geçerlilik doğrulaması
Bu yazıda önerilen yöntemin uygulanabilirliğini ve etkililiğini RRVM algoritmasına kıyasla daha fazla doğrulamak için, simülasyon analizinde bunu doğrulamak için NEDC ve 1015'in iki çalışma koşulu kullanılır. Çekirdek işlevi, yaygın olarak kullanılan Gauss çekirdek işlevini seçer, çekirdek parametresi BW 40, gürültü varyansı 2 = var (y) · 0.1, hata sınırı Hata = 0.04'tür, bölüm 3.1'deki analize göre, eğitim örneklerinin sayısı yaklaşık 400 seçilir ve tahmin adımı 50'dir. .
SOC'nin tahmin doğruluğunu değerlendirmek için, değerlendirme standardı iki gösterge kullanır: maksimum mutlak hata maxe ve kök ortalama kare hatası RMSE Kök ortalama kare hatası temelde tahmin modelinin genel performansını değerlendirirken maksimum mutlak hata esas olarak tahmin modelinin yerel performansını ölçer. hangisi:
Bunlar arasında Y, SOC'nin gerçek değeridir ve Y ', SOC'nin öngörülen değeridir.
İki çalışma koşuluna karşılık gelen simülasyon sonuçları Şekil 3 ve Şekil 4'te gösterilmektedir. İki şekildeki (a) ve (b) 'nin apsisi "çalışma koşulu süresi / ns", n iki çalışma koşulunun örnekleme aralığı, birim "s", çünkü iki çalışma koşulunun toplam veri miktarı farklı, n Değeri de farklıdır, her çalışma koşulu için 25 nokta örneklenir; ordinat, sırasıyla SOC ve SOC'nin tahmin hatasıdır. Açıklamada, REL-SOC, SOC'nin gerçek değeridir ve RRVM-SOC ve IRVM-SOC, sırasıyla iki algoritmadır. Öngörülen değer.
Şekil 3 ve Şekil 4'ten görülebileceği gibi, IRVM algoritmasının ve RRVM algoritmasının tahmin hataları, iki çalışma koşulu altında hem% 5 içinde hem de uydurma etkisi ve tahmin etkisi çok iyidir. Tahmin aşamasında, iki algoritmanın çevrimiçi eğitim setlerine eklenen yeni korelasyon vektörleri vardır.Şekil 2'deki RVM algoritmasının sonuçlarıyla karşılaştırıldığında, sonuçları doğrudan tahmin etmek için sadece ilk eğitim setini kullanan iki algoritma, birden çok adımda RVM algoritmasını geliştirmiştir. Zayıf öngörü yeteneği sorunu ve ilk eğitim örneklerinin sayısından daha az etkilenir.
Farklı algoritmaların performansını farklı çalışma koşulları altında daha fazla karşılaştırmak için Tablo 1, ilgili performans verilerini göstermektedir. Çalışma koşulu verileri, iki çalışma koşulunun toplam miktarı ve çalışma koşulu verileri olarak listelenir; M korelasyon vektörlerinin sayısıdır. Tablo 1'den görülebilir:
(1) IRVM algoritması ve RRVM algoritması arasındaki doğruluğun karşılaştırılması: NEDC çalışma koşullarında, RRVM algoritmasının maksimum hatası ve ortalama karekök hatası IRVM algoritmasınınkinden daha büyüktür ve bunun tersi 1015 çalışma koşullarında doğrudur. İki algoritmanın tahmin doğruluğu ve kararlılığının farklı çalışma koşullarında benzer olduğu, yani IRVM algoritmasının lityum pilin SOC'sini kestirirken çok fazla korelasyon vektörü kaybetmediği, bu da tahminin doğruluğunu sağlayabilir.
(2) IRVM algoritması ve RRVM algoritmasının hesaplama verimliliğinin karşılaştırılması: İki çalışma koşulunda, IRVM algoritmasının çalışma hızı RRVM algoritmasından daha hızlıdır ve korelasyon vektörlerinin sayısı daha azdır. Bunun nedeni, IRVM algoritmasının tahminler yaptığında, her seferinde yeni örneklerle eğitim için tüm veriler yerine yalnızca ilgili vektörleri bırakması, ilişkili olmayan vektörleri tamamen atması, eğitim örneklerini büyük ölçüde azaltması ve hesaplama verimliliğini artırmasıdır.
4. Sonuç
Bu yazıda önerilen IRVM algoritması, artımlı öğrenme yöntemini RVM çevrimdışı algoritması ile birleştirir, bu da RVM algoritmasının zayıf çok adımlı tahmin yeteneği sorununu iyileştirir ve tahmin doğruluğunu geliştirir. Lityum iyon pil SOC'nin çevrimiçi tahminini bir uygulama arka planı olarak alan IRVM algoritması, eğitim için matris işlemlerinin karmaşıklığını azaltan ve algoritmanın hesaplama verimliliğini artıran hızlı sıralı seyrek Bayes öğrenme algoritması kullanır. Deney, çekirdek parametrelerinin, eğitim örneğinin büyüklüğünün ve tahmin adım boyutunun algoritmanın tahmin doğruluğu üzerindeki etkisini analiz eder.Algoritma, çekirdek parametrelerini otomatik olarak ayarlayarak algoritmanın tahmin doğruluğunu sağlar.
NEDC ve 1015 tipik çalışma koşullarına dayalı olarak, önerilen IRVM lityum iyon pil SOC tahmin yöntemi analiz edilir ve RRVM ile karşılaştırılır.Sonuçlar, IRVM algoritmasının ve RRVM algoritmasının tahmin doğruluğunun eşdeğer olduğunu, ancak IRVM algoritmasının daha yüksek hesaplama verimliliğine ve daha seyrek korelasyon vektörlerine sahip olduğunu gösterir. Çeşitli çalışma koşullarının tahmin edilmesi için uygundur.
Referanslar
Zheng Xu, Huang Hong, Guo Fen.Güç pili SOC tahmini için karmaşık yöntemlerin bir incelemesi.Elektronik Teknoloji Uygulaması, 2018, 44 (3): 3-6, 10.
Liu Datong, Zhou Jianbao, Guo Limeng ve diğerleri.Lityum-iyon pil sağlık değerlendirmesi ve ömür tahminine genel bakış. Chinese Journal of Scientific Instrument, 2015, 36 (1): 1-16.
TIPPING M E. Seyrek Bayesçi öğrenme ve alaka vektör makinesi.Makine Öğrenimi Araştırmaları Dergisi, 2001, 1 (3): 211-244.
WIDODO A, SHIM MC, CAESARENDRA W, ve diğerleri.Örnek entropisine dayalı pil sağlığı izleme için akıllı prognostikler.Uluslararası Uygulamalar ile Uzman Sistemler, 2011, 38 (9): 11763-11769.
Gao Xiangyang, Zhang Jun, Ning Ning.Korelasyon vektör makinesine dayalı olarak pil şarj durumunun tahmini.Güç Kaynağı Teknolojisi, 2010, 34 (12): 1273-1275.
TIPPING M E, FAUL A C. Seyrek Bayes modelleri için hızlı marjinal olasılık maksimizasyonu Dokuzuncu Uluslararası Yapay Zeka ve İstatistik Çalıştayı Bildirileri, 2003: 3-6.
SYED N A, LIU H, SUNG K K. Destek vektör makineleri ile artan öğrenme Teknik Raporlar, 2001, 228 (4): 641-642.
LIU D, ZHOU J, PAN D ve diğerleri.Lityum-iyon pil, artımlı öğrenmeye sahip optimize edilmiş bir İlişki Vektör Makinesi algoritması ile kalan faydalı ömür tahmini. Ölçüm, 2015, 63: 143-151.
yazar bilgileri:
Wang Chao, Fan Xingming, Zhang Xin, Gao Linlin, Liu Huadong
(Elektrik Mühendisliği ve Otomasyon Bölümü, Guilin Elektronik Teknolojisi Üniversitesi, Guilin 541004, Guangxi)
