基于LS-SVR的電動汽車動力電池故障預測分析

詹華

（福建船政交通職業(yè)學院，福建 福州 350007）

新能源汽車行業(yè)在近幾年得到了蓬勃發(fā)展，為能源和環(huán)境問題帶來了較大的緩解作用，但是，作為一門新興行業(yè)，新能源汽車在技術儲備安全性能以及故障維修等方面均存在不足，特別是動力電池故障問題，一直是制約新能源汽車發(fā)展的主要因素之一，如何實現(xiàn)新能源汽車動力電池的提前精準預測和診斷，對于汽車運行安全具有十分重要的意義，同時，也能為新能源汽車行業(yè)的進一步發(fā)展提供契機。

1 動力電池結構及其故障類型

以比亞迪E6純電動汽車動力電池為例，該型號電池質量為600kg、電池容量為60kWh，續(xù)航里程為300km，能量密度為100Wh/kg，其結構示意見圖1。從圖中可以看到：該型號電動汽車的動力電池主要包括動力電池、電池管理系統(tǒng)、車載充電機以及DC/DC轉換等模塊構成。其中動力電池包含8個電池模塊，共計96個磷酸鐵鋰電池單體其電壓標稱值大小為307V；電池管理系統(tǒng)由DSP構成的嵌入式系統(tǒng)組成，主要負責電壓、電流數(shù)據(jù)采集及處理等；動力電池輔助結構主要負責電壓、電流等數(shù)據(jù)監(jiān)測以及對電池起保護作用。

一般而言，根據(jù)動力電池故障的影響程度，將故障分為一般故障（I級故障）和嚴重故障（Ⅱ級故障），一般故障不影響整車運行，但會導致電池壽命縮短以及其他次生故障的產生，嚴重故障影響整車的正常運行，同時，可能導致安全問題。根據(jù)動力電池結構，又可以將故障分為主要的三類：一是動力電池本體故障，包括單體電壓過高/低、單體溫度過高/低、充放電電流過大等，二是高壓線路故障，主要包括預充電失敗、高壓互鎖異常、碰撞開關異常以及主接觸器粘連故障等，三是電池管理系統(tǒng)故障，主要包括CAN網絡故障，如子網通信異常故障、整車通信異常故障、充電通信異常故障、模式異常以及外部期間故障等。

2 基于LS-SVR的故障預測模型及流程

2.1 模型的建立

支持向量機（support vector machines,SVM）通過劃分訓練數(shù)據(jù)集，求解幾何間隔最大的分離超平面，這種算法實質上是求解凸二次規(guī)劃的最優(yōu)化算法，在小樣本和非線性問題的分析中具有較好的效果，其計算過程如下：

圖1 動力電池結構示意

（1）通過數(shù)據(jù)采集，給定動力電池的故障數(shù)據(jù)訓練集T作為訓練樣本。

（2）選用適當?shù)暮撕瘮?shù)K（x，x’）、精度ε以及懲罰參數(shù)C。常用的核函數(shù)包括線性核函數(shù)，多項式核函數(shù)、Sigmoid核函數(shù)以及高斯徑向基（RBF）核函數(shù)，其中，高斯徑向基（RBF）核函數(shù)應用最廣泛，尤其是在小樣本中有較高的分類性能，因此，本文選取高斯徑向基（RBF）核函數(shù)作為核函數(shù)，其表達式為：K（x，x’）=tanh((v(x，x’）+c)。

SVM是求解二次規(guī)劃問題，為了簡化計算過程，提高收斂速度和運算精度，一些專家學者提出了基于最小二乘向量機的改進型模型（LS-SVR），該模型將二乘線性系統(tǒng)作為損失函數(shù)，將SVM模型中的兩個不等式約束轉化為一個不等式約束，尋求得到形如y=(w·x)+b的決策函數(shù)，通過Lagrange轉化求解在，最終得到LS-SVR的回歸估計函數(shù)：。

2.2 故障分析處理流程

基于LS-SVR的故障分析處理流程，主要包括六個步驟：（1）根據(jù)模型選定因變量和果變量，然后，選取動力電池電壓值作為訓練樣本（文章僅對電池電壓故障進行訓練分析）：（2）對訓練樣本進行數(shù)據(jù)預處理，包括歸一化處理和采用網格法優(yōu)化待定參數(shù)；（3）對選擇回歸的最佳參數(shù)進行K-交叉驗證；（4）利用最佳參數(shù)進行SVM訓練；（5）利用訓練過后的模型進行電壓數(shù)據(jù)的擬合預測；（6）最后，通過預測指標，判斷故障類型。故障分析處理流程見圖2。

圖2 故障分析處理流程

3 模型應用效果

3.1 數(shù)據(jù)選取

電壓故障數(shù)據(jù)包括三類：一是過電壓故障數(shù)據(jù)，數(shù)據(jù)包括100組采樣點，在第50個采樣點時出現(xiàn)過電壓；二是欠電壓故障數(shù)據(jù)，欠電壓故障數(shù)據(jù)是總電壓低于某個閾值后產生的故障，通常是由急加速造成，數(shù)據(jù)包括120組采樣點；正常電壓數(shù)據(jù)，包括120組采樣點。

3.2 預測分析結果

模型預測得到的不同電壓故障類型下的SVR預測值和真實值的對比及差值曲線見圖3。從圖3中可以看到：過電壓故障歷經兩個過程，電壓上升過程和電壓下降過程，電壓上升過程的誤差值在逐漸增大，并在再故障點時達到峰值，電壓真實值與預測值之間相差約0.3V，在電壓下降階段，電壓誤差值在逐漸減??；在欠電壓故障情況下，電壓的總體波動現(xiàn)象較為顯著，電壓真實值和預測值之間的誤差較大，因此，采用誤差百分比來表示，從誤差百分比來講，最大誤差出現(xiàn)在第60個采樣點前后，最大誤差達到了8.5%，當電壓區(qū)域逐漸穩(wěn)定后，真實值與預測值之間的誤差將迅速減小，并最終趨于0；在電壓正常情況下，僅在出現(xiàn)電壓突變的時候誤差值會有較大幅度波動，但持續(xù)的時間極短，總體的電壓誤差值在±0.1V范圍內，突變點處的最大誤差值為0.6V左右。

3.3 運行結果分析

運行結果主要以三個指標作為評價指標：均方根誤差（mean squared error，MSE）、平均百分比誤差（mean absolute percentage errors，MAPE）以及運行時間。對基于SVR和LS-SVR兩種預測模型的運行結果進行了對比分析，結果見表1。從表中可以看到：基于LS-SVR的電動汽車動力電池故障預測分析結果較SVR有較大提高，在過電壓故障下，前者的均方根誤差僅為后者的17%，平均百分比誤差僅為后者的55%，運行速度較后者提升約3倍；在欠電壓故障下，可見，LS-SVR的MSE、MAPE以及運行時間分別較SVR降低44%、1%和90%；在正常狀態(tài)下，LS-SVR的MSE、MAPE以及運行時間分別較SVR降低67%、20%和60%?？梢姡贚SSVR的電動汽車動力電池故障預測分析預測精度高、收斂速度快，且運算過程更加簡便，值得在動力電池故障診斷中合理運用。

圖3 預測分析結果

表1 兩種模型運行結果

4 結語

本文以比亞迪E6純電動汽車動力電池為例，建立起基于LS-SVR的電動汽車動力電池故障預測分析模型和故障分析處理流程，對過電壓、欠電壓和正常電壓三種狀態(tài)的預測運行結果進行了分析，結果顯示：基于LS-SVR的電動汽車動力電池故障預測分析預測精度高、收斂速度快，且運算過程更加簡便，可為動力電池故障診斷工作提供借鑒。