郝斌，魯特剛，馬洋洋

?

基于大數(shù)據(jù)分析的電動汽車動力電池充電能量預(yù)測

郝斌，魯特剛，馬洋洋

（長安大學(xué)，陜西 西安 710018）

正確預(yù)測動力電池充電能量，對動力電池殘值評估、故障檢測、充電規(guī)劃等有重要意義。文章分析了預(yù)測電動汽車充電能量需要考慮的因素，確定了一種基于大數(shù)據(jù)分析的充電模式區(qū)分方法，并給出了回歸方程。驗證表明：合理選擇變量并結(jié)合電池充電知識劃分訓(xùn)練集可以有效提高模型的預(yù)測精度。

大數(shù)據(jù)分析；電動汽車；充電能量預(yù)測；充電模式

引言

電動汽車充電能量是汽車動力電池衰退評估的重要依據(jù)，由于電池荷電狀態(tài)（SOC）僅體現(xiàn)電池充電電流隨時間的變化，未考慮到電壓、溫度等因素的變化，因此，充電能量的預(yù)測需要考慮多個變量的耦合影響。目前提出的許多動力電池充電能量預(yù)測模型存在選擇變量不合理、模型適應(yīng)性差、回歸方程不理想等許多問題。

本文從動力電池充電原理出發(fā)，提出了能量預(yù)測的數(shù)據(jù)收集方案，針對不同的充電模式，給出了數(shù)據(jù)分組依據(jù)，并對比不同的回歸分析方法，確定出適應(yīng)于不同充電模式下的電動汽車充電能量預(yù)測模型。

1 動力電池充電能量分析

動力電池充電能量受累計行駛里程、溫度等多因素耦合影響[1]。各變量之間存在不確定的數(shù)學(xué)關(guān)系，并且對充電能量的影響程度存在很大的差異。由于變量較多，測試數(shù)據(jù)時無法通過準(zhǔn)確控制變量來觀察充電能量與各變量之間的一一對應(yīng)的函數(shù)關(guān)系[2]。同時，考慮到充電設(shè)備有不同的充電模式[3]，直接對樣本數(shù)據(jù)進行回歸分析無法準(zhǔn)確預(yù)測充電能量。

充電模式的劃分是充電能量預(yù)測必須要考慮的因素，具體的劃分原則需要結(jié)合動力電池充電原理。

首先，充電模式取決于充電站的建設(shè)規(guī)模和工作模式，目前主要分為常規(guī)充電站和快速充電站。常規(guī)充電站一般以20~40輛電動汽車來配置一個充電站，這種配置是考慮充分利用晚間谷電進行充電，主要建設(shè)在小區(qū)和停車場進行集中充電；快速充電站一般同時向8輛電動汽車充電，主要建設(shè)在公路等場所提供臨時充電。以上兩種充電模式可以可以根據(jù)充電時間來區(qū)分。

其次，在同一種類型的充電站下不同的電網(wǎng)布置方案也會造成充電模式的不同，本文根據(jù)充電效果對充電模式作進一步分析。相關(guān)資料表明，鋰電池在相同開路電壓下，充電倍率較大時，電池充電容量下降，據(jù)此，本文考慮利用單位充電SOC的充電能量對同一類型的充電站包含的充電模式進行劃分。

在前面充電模式確定的基礎(chǔ)上，對樣本數(shù)據(jù)進行處理，按照充電模式的分組原則對數(shù)據(jù)進行分組，之后，對每一組數(shù)據(jù)做回歸分析，在保證盡可能小的標(biāo)準(zhǔn)差的前提下得到不同充電模式下的充電能量回歸方程。

2 樣本數(shù)據(jù)處理

2.1 變量的選擇

在收集樣本數(shù)據(jù)時，恰當(dāng)?shù)倪x擇變量可以使充電能量預(yù)測保證一定準(zhǔn)確性條件下提高模型的穩(wěn)定性。因此，特征變量數(shù)量的確定和具體變量的選擇是首要討論的問題。

本文用到的訓(xùn)練樣本數(shù)據(jù)中包括的變量有：x1（充電時間（s））；x2（充電開始時刻車輛儀表里程（km））；x3（充電SOC）；x4（充電開始時刻動力電池總電壓（V））；x5（充電結(jié)束時刻動力電池總電壓（V））；x6（充電開始時刻動力電池總電流（A））；x7（充電結(jié)束時刻動力電池總電流（A））；x8（充電過程中電池系統(tǒng)溫度探針最大值（℃））；x9（充電過程中電池系統(tǒng)溫度探針最小值（℃））；y（此充電過程的充電能量（kw·h））。

下文將以實際測得的數(shù)據(jù)為例說明求解充電能量回歸方程的思路，由于不同電動汽車動力電池的參數(shù)不同，讀者在具體應(yīng)用時需要根據(jù)實際測得的樣本數(shù)據(jù)來計算。

在正式分析數(shù)據(jù)之前，我們將充電時間和充電SOC明顯偏移變化規(guī)律的數(shù)據(jù)予以剔除，以便提高能量預(yù)測模型的準(zhǔn)確性，防止被異常數(shù)據(jù)干擾。圖1是充電能量（kw·h）與各變量關(guān)系的散點圖。

圖1 充電能量（kw·h）與各變量的關(guān)系

2.2 充電模式分組

根據(jù)散點圖分析，可以以充電時間120min為依據(jù)，將數(shù)據(jù)分組，充電時間小于120min的為快充組，其余的為慢充組。數(shù)據(jù)分組后，我們繼續(xù)以快充組為例對數(shù)據(jù)進一步分析。

在快充組的數(shù)據(jù)中，從充電效果上來看，充電能量和充電SOC有兩種明顯不同的比例關(guān)系，根據(jù)單位充電SOC的充電能量將快充組的數(shù)據(jù)進一步分為快充a和快充b。

圖2 充電模式分組

3 回歸分析

本節(jié)以快充a組數(shù)據(jù)（充電時間小于120min，單位充電SOC的充電能量小于0.5kw·h）為例討論回歸分析的思路。

3.1 最小二乘估計

對于充電能量和許多變量之間的關(guān)系我們需要借助樣本數(shù)據(jù)建立回歸方程，方程建立的目標(biāo)是使回歸方程的標(biāo)準(zhǔn)差盡可能的小，本文利用MATLAB編程計算最小二乘回歸系數(shù)，得到充電能量方程：

方程標(biāo)準(zhǔn)差為0.0588。

3.2 主成分估計[4]

為了克服最小二乘估計在設(shè)計陣病態(tài)（即存在多重共線性）時表現(xiàn)出的不穩(wěn)定性，本文利用主成分估計法對樣本數(shù)據(jù)建立回歸方程。利用Matlab軟件對9個評價指標(biāo)進行主成分分析，相關(guān)系數(shù)矩陣的前幾個特征根及其貢獻率如表1：

表1 主成分分析結(jié)果

選擇不同主成分個數(shù)計算回歸方程系數(shù)和標(biāo)準(zhǔn)差，與最小二乘法的標(biāo)準(zhǔn)差相比較發(fā)現(xiàn)主成分個數(shù)選擇9個時，其標(biāo)準(zhǔn)差最小，主成分分析得到的回歸方程與普通最小二乘法得到的回歸方程一致。該結(jié)果表明，本文的變量選擇合理，沒有出現(xiàn)變量之間明顯重疊。在實際運用時直接利用簡單的最小二乘做回歸分析即可。

4 結(jié)論

動力電池充電能量預(yù)測為動力電池衰退評估的核心問題。動力電池充電能量受多因素耦合影響，考慮到不同充電模式下充電效果存在明顯差異，本文提出一種電動汽車動力電池充電能量預(yù)測方法。

為了實現(xiàn)充電能量的有效預(yù)測，我們選擇了充電時間等9個變量對樣本進行測試。通過分析充電能量與各變量的散點圖，發(fā)現(xiàn)訓(xùn)練樣本中充電能量與充電時間和充電SOC之間存在顯著跳變，結(jié)合動力電池充電的知識背景，本文提出一種充電模式的區(qū)分方法。進一步，在不同的充電模式下，我們利用最小二乘估計和主成分估計兩種方法對充電能量做了回歸分析，結(jié)果的一致性表明變量選擇比較合理。

[1] 李海杰.車用動力鋰電池智能充電技術(shù)研究[D].天津工業(yè)大學(xué), 2018.

[2] 姜啟源,謝金星,葉俊.數(shù)學(xué)模型（第四版）[M].北京:高等教育出版社,2011.

[3] 許二超,周從源.電動汽車充電技術(shù)綜述[J].汽車實用技術(shù),2016 (09):18-21.

[4] 司守奎,孫兆亮.數(shù)學(xué)建模算法與應(yīng)用（第二版）[M].北京:國防工業(yè)出版社,2015.

Charging Energy Prediction of Electric Vehicle Power Battery Based on Big Data Analysis

Hao Bin, Lu Tegang, Ma Yangyang

( Chang'an University, Shaanxi Xi'an 710018 )

Correctly predicting the charging energy of the power battery is of great significance to the evaluation of the residual value of the power battery, fault detection, and charging planning. This paper analyzes the factors that need to be considered to predict the charging energy of electric vehicles, and determines a charging mode discrimination method based on big data analysis, and gives the regression equation. The verification shows that the reasonable selection of variables and the combination of battery charging knowledge can effectively improve the prediction accuracy of the model.

Big data analysis; electric vehicle; charging energy prediction; charging mode

U469.72

A

1671-7988(2019)09-14-03

U469.72

A

1671-7988(2019)09-14-03

郝斌，就讀于長安大學(xué)汽車學(xué)院。

長安大學(xué)中央高?；究蒲袠I(yè)務(wù)費專項資金資助（300102229802）。

10.16638/j.cnki.1671-7988.2019.09.004