基于数据驱动的电动汽车动力电池SOC预测

doi:10.19562/j.chinasae.qcgc.2021.01.001

摘要/Abstract

摘要：

为准确预测电动汽车动力电池的能耗，缓解驾驶者的里程焦虑，本文中提出一种基于数据驱动的电动汽车动力电池SOC预测模型。首先分析电动汽车能耗构成并提取能耗影响因素，接着基于某款电动出租车CAN总线采集的汽车运行数据，采用机器学习算法，提出基于温度分层的能耗模型，通过宏观数据与微观数据的融合减小误差，最后使用该模型对车载BMS提供的SOC数据进行对比验证。结果表明，该模型预测效果较好，为帮助优化电动汽车能量控制策略、缓解里程焦虑提供科学的决策支持。

关键词: 电动汽车, SOC预测, 数据驱动, 机器学习

Abstract:

In order to accurately predict the energy consumption of traction battery in electric vehicle （EV） and alleviate the mileage anxiety of drivers， a data?driven SOC prediction model for the traction battery in EV is proposed in this paper. Firstly， the composition of energy consumption in EVs is analyzed and the influencing factors of energy consumption are extracted. Then based on the vehicle operation data collected by the CAN bus of an EV with machine learning algorithm adopted， an energy consumption model based on temperature stratification is proposed and the macro data and micro data is fused to reduce errors. Finally， the model is used to verify the SOC data provided by on-board BMS. The results show that the model has a good prediction result， providing a scientific decision support for optimizing the energy control strategy of EVs and alleviating driver’s mileage anxiety.

Key words: electric vehicle, SOC prediction, data?driven, machine learning

胡杰,高志文. 基于数据驱动的电动汽车动力电池SOC预测[J]. 汽车工程, 2021, 43(1): 1-9.

Jie Hu,Zhiwen Gao. A Data-driven SOC Prediction Scheme for Traction Battery in Electric Vehicles[J]. Automotive Engineering, 2021, 43(1): 1-9.

图/表 21

图1

图2

表1

图3

图4

图5

图6

图7

图8

表2

图9

图10

表3

图11

图12

图13

图14

表4

图15

图16

图17

参考文献 26

1	BOYNUEGRI A R ， UZUNOGLU M ， ERDINC O ， et al. A new perspective in grid connection of electric vehicles： Different operating modes for elimination of energy quality problems［J］. Applied Energy， 2014， 132（1）：435-451.
2	HELMS H， PEHNT M， LAMBRECHT U， et al. Electric vehicle and plug-in hybrid energy efficiency and life cycle emissions［C］. 18th International Symposium Transport and Air Pollution， 2010： 113-124.
3	NG K S ， HUANG Y F ， MOO C S ， et al. An enhanced Coulomb counting method for estimating state-of-charge and state-of-health of lead-acid batteries［C］. Telecommunications Energy Conference， 2009. INTELEC 2009. 31st International. IEEE Xplore， 2009.
4	LEE J ， NAM O ， CHO B H. Li-ion battery SOC estimation method based on the reduced order extended Kalman filtering［J］. Journal of Power Sources， 2007， 174（1）：9-15.
5	李革臣，古艳磊. 电化学阻抗谱法预测锂电池荷电状态［J］. 电源技术， 2008， 32（9）：599-602.
	LI G C ， GU Y L. SOC of lithium-ion rechargeable battery predicted by electrochemical impedance spectroscopy［J］. Chinese Journal of Power Sources， 2008， 32（9）：599-602.
6	FANG H ， WANG Y ， SAHINOGLU Z ， et al. Adaptive estimation of state of charge for lithium-ion batteries［C］. American Control Conference （ACC）， 2013. IEEE， 2013.
7	ZHANG Y ， CHENG X M ， FANG Y Q ， et al. On SOC estimation of lithium-ion battery packs based EKF［C］.Control Theory Professional Committee of China Automation Society and China System Engineering Society. Proceedings of the 32nd China Control Conference，2013：6.
8	FAN B ， LUAN X Y ， ZHANG R ， et al. Research on SOC estimation algorithm for lithium battery based on EKF algorithm and ampere-hour integration method［C］. Science and Engineering Research Center. Proceedings of 2017 2nd International Conference on Electrical， Control and Automation Engineering，2017：5.
9	HE W ， WILLIARD N ， CHEN C ， et al. State of charge estimation for Li-ion batteries using neural network modeling and unscented Kalman filter-based error cancellation［J］. International Journal of Electrical Power & Energy Systems， 2014， 62：783-791.
10	KANG L W ， ZHAO X ， MA J. A new neural network model for the state-of-charge estimation in the battery degradation process［J］. Applied Energy， 2014， 121：20-27.
11	LIU X ， WU J ， ZHANG C ， et al. A method for state of energy estimation of lithium-ion batteries at dynamic currents and temperatures［J］. Journal of Power Sources， 2014， 270：151-157.
12	ALVAREZ ANTON J C ， GARCIA NIETO P J ， BLANCO VIEJO C ， et al. Support vector machines used to estimate the battery state of charge［J］. IEEE Transactions on Power Electronics， 2013， 28（12）：5919-5926.
13	HU J N ， HU J J ， LIN H B ， et al. State-of-charge estimation for battery management system using optimized support vector machine for regression［J］. Journal of Power Sources， 2014， 269：682-693.
14	鲍伟，葛建军. 基于稀疏采样数据的电动公交车电池SOC预测方法研究［J］. 汽车工程， 2020， 42（3）： 367-374.
	BAO W，GE J J. Study on battery SOC prediction method for electric bus based on sparsely sampled data［J］. Automotive Engineering， 2020， 42（3）： 367-374.
15	宋媛媛. 基于行驶工况的纯电动汽车能耗建模及续驶里程估算研究［D］. 北京：北京交通大学， 2014.
	SONG Y Y. Energy consumption modeling and cruising range estimation based on driving cycle for electric vehicles［D］. Beijing： Beijing Jiaotong University， 2014.
16	DONG G ， WEI J ， CHEN Z. Kalman filter for onboard state of charge estimation and peak power capability analysis of lithium-ion batteries［J］. Journal of Power Sources， 2016， 328：615-626.
17	QI X ， WU G ， BORIBOONSOMSIN K ， et al. Data-driven decomposition analysis and estimation of link-level electric vehicle energy consumption under real-world traffic conditions［J］. Transportation Research Part D，2018，64.
18	解难，胡月昆，杨帆，等. 环境温度对电动汽车续驶里程影响的试验研究［J］. 重庆理工大学学报， 2018， 32（6）： 21-25.
	XIE N，HU Y K， YANG F， et al. Reserch on the influence of ambient temperature on the driving mileage of electric vehicles［J］. Journal of Chongqing University of Technology（Social Science），2018， 32（6）： 21-25.
19	黄万友. 纯电动汽车动力总成系统匹配技术研究［D］. 济南：山东大学， 2012.
	HUANG W Y. Research on matching technique for EV powertrain［D］. Jinan： Shandong University， 2012.
20	WU J ， ZHANG C H ， CUI N X. Fuzzy energy management strategy for a hybrid electric vehicle based on driving cycle recognition［J］. International Journal of Automotive Technology， 2012， 13（7）：1159-1167.
21	王震坡，孙逢春. 电动汽车能耗分配及影响因素分析［J］. 北京理工大学学报， 2004， 24（4）：306-310.
	WANG Z P， SUN F C. Analysis of energy consumption distribution and factors of influence in electric vehicles［J］. Journal of Beijing Institute of Technology， 2004， 24（4）：306-310.
22	高文敬. 动力电池SOC估算方法研究与BMS开发［D］ . 淄博：山东理工大学， 2018.
	GAO W J. Research on SOC estimation method of power battery and BMS development ［D］. Zibo： Shandong University of Technology ， 2018.
23	刘光明，欧阳明高，卢兰光，等. 基于电池能量状态估计和车辆能耗预测的电动汽车续驶里程估计方法研究［J］. 汽车工程， 2014，36（11）：1302-1309.
	LIU G M， OUYANG M G， LU L G，et al. Driving range estimation for electric vehicles based on battery energy state estimation and vehicle energy consumption prediction［J］. Automotive Engineering， 2014，36（11）：1302-1309.
24	PAVLYSHENKO B. Using stacking approaches for machine learning models［C］. Proceedings of the 2018 IEEE Second International Conference on Data Stream Mining & Processing （DSMP）， F 21-25 Aug. 2018.
25	CHAWLA N V ， BOWYER K W ， HALL L O ， et al. SMOTE： synthetic minority over-sampling technique［J］. Journal of Artificial Intelligence Research， 2002， 16（1）：321-357.
26	RODRIGUEZ J D ， PEREZ A ， LOZANO J A. Sensitivity analysis of k-fold cross validation in prediction error estimation［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2010， 32（3）：569-575.

列名	单位	说明
time	YYYYMMDDhhmmss (Y-年,M-月份,D-日期, h-时,m-分,s-秒)	实时数据时间
speed	km/h	实时车速
mileage	km	累计里程
voltage	V	总电压
current	A	总电流
SOC	%	荷电状态
longitude	(°)	经度
latitude	(°)	纬度

里程/km	SOC/%
里程/km	0~20	20~30	…	80~90	90~100
0~20	Xa	Aa	…	Ga	Ha
20~35	Xb	Ab	…	Gb	Hb
…	…	…	…	…	…
65~80	Xe	Ae	…	Ge	He
80以上	Xf	Af	…	Gf	Hf

类型	特征字符	数据类型	说明
车辆状态信息	begin_soc	int	起始SOC值
	average_mileage	float	片段平均累计里程
	slice_time	int	片段运行时间
	slice_mileage	int	片段运行里程
环境信息	slice_temp	float	平均温度
行驶工况信息	jiasu_average_a	float	加速段平均加速度
	jiansu_average_a	float	减速段平均减速度
	max_a	float	最大加速度
	max_v	float	最大速度
	std_v	float	速度标准差
	slice_average_speed	float	平均速度
	jingzhi_ratio	float	静止段比例
	jiasu_ratio	float	加速段比例
	jiansu_ratio	float	减速段比例
	yunsu_ratio	float	匀速段比例
	low_v_ratio	float	低速比例
	mid_low_v_ratio	float	中低速比例
	mid_v_ratio	float	中速比例
	mid_high_v_ratio	float	中高速比例
	high_v_ratio	float	高速比例

类型	特征字符	说明
车辆行驶信息	speed	速度
	mileage	里程
	time_diff	相邻数据时间差
	speed_diff	相邻数据速度差
	mileage_diff	相邻数据里程差
滑动窗口信息	mean_speed	滑动窗口平均速度
	max_speed	滑动窗口最大速度
	min_speed	滑动窗口最小速度
	Sliding_window_mean_a	滑动窗口平均加速度
	Sliding_window _max_a	滑动窗口最大加速度
	Sliding_window _std_a	滑动窗口加速度标准差
	Sliding_window _min_a	滑动窗口最小加速度
	Sliding_window _std_speed	滑动窗口速度标准差

[1]	张念忠,宋强,王冠峰,王明生. 车用永磁同步电机无电流传感器控制研究[J]. 汽车工程, 2024, 46(2): 281-289.
[2]	焦志鹏, 马建, 赵轩, 张凯, 孟德安, 韩琪, 张昭. 基于电动汽车制动安全检测的短时工况及方法研究[J]. 汽车工程, 2024, 46(1): 109-119.
[3]	原江鑫, 何莉萍, 李耀东, 李罡. 电动汽车BMS从控板热分析及散热优化[J]. 汽车工程, 2024, 46(1): 128-138.
[4]	张鹏博, 陈仁祥, 邵毅明, 孙世政, 闫凯波. 纯电动汽车电驱动系统故障诊断研究进展[J]. 汽车工程, 2024, 46(1): 61-74.
[5]	贺伊琳,马建,杨舒凯,郑威,薛启帆. 融合预瞄特性的智能电动汽车稳定性模型预测控制研究[J]. 汽车工程, 2023, 45(5): 719-734.
[6]	梁海强,何洪文,代康伟,庞博,王鹏. 融合经验老化模型和机理模型的电动汽车锂离子电池寿命预测方法研究[J]. 汽车工程, 2023, 45(5): 825-835.
[7]	吴忠强,张长兴. 考虑配电网负荷的电动汽车分布式充电控制[J]. 汽车工程, 2023, 45(4): 598-608.
[8]	吴志恒,刘爱民. 汽车永磁同步电机切换函数式混合控制策略[J]. 汽车工程, 2023, 45(4): 619-627.
[9]	王军年,高守林,杨钫,管畅洋,杨志华. 多行星排转矩定向分配电驱动桥振动特性优化[J]. 汽车工程, 2023, 45(3): 421-429.
[10]	兰凤崇,陈继开,陈吉清,蒋心平,李子涵,潘威. 实车数据驱动的锂电池剩余使用寿命预测方法研究[J]. 汽车工程, 2023, 45(2): 175-182.
[11]	陈吉清,李子涵,兰凤崇,蒋心平,潘威,陈继开. 基于非线性降维IC特征的实车电池SOH估计[J]. 汽车工程, 2023, 45(2): 199-208.
[12]	崔格格,吕超,李景行,张哲雨,熊光明,龚建伟. 数据驱动的智能车个性化场景风险图构建[J]. 汽车工程, 2023, 45(2): 231-242.
[13]	朱成,刘頔,滕欣余,张国华,于丹,刘沙,胡苧丹. 新能源汽车综合经济性对比分析及预测研究[J]. 汽车工程, 2023, 45(2): 333-340.
[14]	李琴,汤建明,张博远,陈勇,王勇. 分布式驱动电动汽车多执行器容错控制研究[J]. 汽车工程, 2023, 45(12): 2251-2259.
[15]	姜俊昭,杨文豪,彭彬,郭婷,徐业凯,王国卓. 基于能耗加权策略的燃料电池汽车续驶里程预测[J]. 汽车工程, 2023, 45(12): 2357-2365.