关于电池SOC估算的研究多采用单体电池在理想实验条件下的充放电数据进行,这未必能适应真实复杂多变的行驶工况。针对此问题,本工作依托新能源汽车国家大数据联盟,利用数据驱动的方法,构建了瞬态、驾驶行为、衰老、时变、行驶里程和动...关于电池SOC估算的研究多采用单体电池在理想实验条件下的充放电数据进行,这未必能适应真实复杂多变的行驶工况。针对此问题,本工作依托新能源汽车国家大数据联盟,利用数据驱动的方法,构建了瞬态、驾驶行为、衰老、时变、行驶里程和动态特征来从多个角度反映动力电池的工作状况。采用基于特征组合的堆叠融合集成学习方法,对实际复杂多变工况下的动力电池放电过程进行了SOC估算,并构建了1个基于瞬态特征的Xgboost Model 0参照组模型,5个基于特征组合的Xgboost Model 1、2、3、5、6模型以及1个线性模型Linear Model 4进行对比分析。结果表明:对比Model 1~6与参照组Model 0,基于特征组合的堆叠融合模型(堆叠模型)平均绝对误差(MAE)、均方误差(MSE)最小,分别为0.39和0.32,相较于参照组模型分别降低了38%和46%;同时其决定系数R2最高,达到0.9995,相较于参照组模型提高了2%。堆叠模型的泛化能力也表现良好,其准确性平均值和标准差分别达到98.89%和0.03%。对比Model 5、6与参照组Model 0,可知随着特征维度的增加,模型的MAE、MSE会减小,R2会增加,模型的性能变好。本研究有助于推动数据驱动方法在动力电池SOC估算的应用,对实际行驶的电动汽车SOC估算有一定指导和参考意义。展开更多
文摘关于电池SOC估算的研究多采用单体电池在理想实验条件下的充放电数据进行,这未必能适应真实复杂多变的行驶工况。针对此问题,本工作依托新能源汽车国家大数据联盟,利用数据驱动的方法,构建了瞬态、驾驶行为、衰老、时变、行驶里程和动态特征来从多个角度反映动力电池的工作状况。采用基于特征组合的堆叠融合集成学习方法,对实际复杂多变工况下的动力电池放电过程进行了SOC估算,并构建了1个基于瞬态特征的Xgboost Model 0参照组模型,5个基于特征组合的Xgboost Model 1、2、3、5、6模型以及1个线性模型Linear Model 4进行对比分析。结果表明:对比Model 1~6与参照组Model 0,基于特征组合的堆叠融合模型(堆叠模型)平均绝对误差(MAE)、均方误差(MSE)最小,分别为0.39和0.32,相较于参照组模型分别降低了38%和46%;同时其决定系数R2最高,达到0.9995,相较于参照组模型提高了2%。堆叠模型的泛化能力也表现良好,其准确性平均值和标准差分别达到98.89%和0.03%。对比Model 5、6与参照组Model 0,可知随着特征维度的增加,模型的MAE、MSE会减小,R2会增加,模型的性能变好。本研究有助于推动数据驱动方法在动力电池SOC估算的应用,对实际行驶的电动汽车SOC估算有一定指导和参考意义。
