【摘要】為實現(xiàn)純電動汽車電池能量信息的準確預測，提出了一種基于充電型純電動汽車大數(shù)據的電池能量分析和預測方法。首先，通過大數(shù)據平臺獲取搭載相同型號電池車型的不區(qū)分地域大數(shù)據，然后使用區(qū)間平均法和支持向量回歸（SVR）方法對總數(shù)據和典型地域數(shù)據進行里程-總能量關系的擬合，完成電池總能量衰減的預測，最后，將預測結果與長短時記憶（LSTM）神經網絡的預測結果進行對比，并利用實車試驗驗證所提出方法的準確性。驗證對比結果表明：基于SVR的模型能夠對分散電池容量進行量化擬合，具有較高的預測精度。

主題詞：新能源汽車大數(shù)據 電池能量衰減 支持向量回歸

中圖分類號：U469.72" "文獻標志碼：A" "DOI： 10.19620/j.cnki.1000-3703.20230754

Research on Power Battery Energy Characteristic Prediction Based

on Data-Driven

【Abstract】To achieve accurate prediction of EV battery energy information， this paper proposed a method for battery energy analysis and prediction based on big data of chargeable pure electric vehicles. Firstly， the big data of vehicles with the same battery model from different regions were obtained through a big data platform， and then the interval average method and Support Vector Regression （SVR） were used to fit the relationship between mileage and total energy for both the total data and typical regional data， to predict degradation of the battery total energy. Finally， the predicted results were compared with that obtained from Long Short-Term Memory （LSTM） neural network， and the accuracy of the proposed method was verified by vehicle test. The results show that： the SVR-based model can quantitatively fit the degraded battery capacity， which has high prediction accuracy.

Key words： New energy vehicle big data， Battery energy degradation， Support Vector Regression （SVR）

1 前言

純電動汽車動力電池在使用過程中會受到環(huán)境溫度、用戶駕駛行為、充電和放電次數(shù)等多種因素的影響，導致電池能量衰減，從而縮短整車續(xù)駛里程，降低電池的使用壽命[1]。

鋰離子電池內部反應機理極其復雜，對其進行準確的能量衰減分析面臨多重困難[2]。目前，動力電池能量的估計和預測方法主要包括基于電池模型的方法和數(shù)據驅動方法?；陔姵啬Ｐ偷姆椒ㄓ薪涷災Ｐ头ā⒌刃щ娐纺Ｐ头ê碗娀瘜W模型法，可建立能夠直接或間接表征電池衰減程度的精確模型，但需通過大量試驗數(shù)據和其他算法對模型參數(shù)進行估計和驗證，成本較高[3]。數(shù)據驅動方法以試驗數(shù)據或運行數(shù)據為基礎，提取能夠表征電池老化因素的特征，并通過不同的機器學習算法，如神經網絡、高斯過程回歸等，建立特征和目標總能量衰減的擬合模型，以實現(xiàn)對總能量衰減的預測或估算[4-6]，但也需要大量的線下實車數(shù)據作為輸入。

然而，傳統(tǒng)電池試驗只能針對數(shù)量有限的電池開展，測試周期漫長，且工況相對單一。本文采用基于大數(shù)據的機器學習和深度學習模型的方法，通過搭建電池支持向量回歸（Support Vector Regression，SVR）模型，實現(xiàn)數(shù)據的高效處理和分析，并采用長短時記憶（Long Short-Term Memory，LSTM）神經網絡算法驗證算法的有效性。

2 大數(shù)據提取與樣本分析

新能源汽車大數(shù)據系統(tǒng)通過車輛內部傳感器、車輛通信網絡以及外部環(huán)境數(shù)據等多渠道獲取車輛相關數(shù)據，并結合云計算、人工智能和數(shù)據分析等技術進行處理和分析。

2.1 數(shù)據樣本總體情況

本文的研究對象為某B級純電動轎車的實際充電數(shù)據，該車型主要分布在吉林省、廣東省、四川省、江蘇省、北京市等地區(qū)，其中吉林省分布車輛最多，已超過20 000輛，其他地區(qū)車輛樣本均超過5 000輛，以私人用戶和移動出行用戶為主。由于移動出行用戶數(shù)量較多，單日行駛里程普遍超過300 km，且能獲取的信號周期為500 ms，所以該車型行駛和充電數(shù)據十分豐富。

該車型電池荷電狀態(tài)（State Of Charge，SOC）與能量基本呈線性關系，且本文主要統(tǒng)計電池能量衰減相對比例，故定義電池等效總能量Etotal作為電池總能量近似計算的統(tǒng)計概念：

式中，Pbat為電池功率；Sstart、Send分別為充電開始、結束時的電池荷電狀態(tài)。

從充電相關數(shù)據中提取和處理充電地區(qū)位置、環(huán)境溫度、充電始末時間、車輛里程、充電始末SOC、充電量，如表1所示。

電池能量與溫度、充放電循環(huán)工況等因素有關，本文采用地域差異在一定程度上代替溫度差異。以往電池能量測試中的放電工況為幾種特定工況，或者聚類獲取的綜合工況。而用戶駕駛工況復雜多變，利用大數(shù)據可將各類用戶行駛習慣和各類駕駛場景及交通環(huán)境、氣候環(huán)境等包含在內。本文主要分析電池能量隨行駛里程變化的規(guī)律并開展預測，為了體現(xiàn)方法的通用性，更貼近用戶實際使用特性，選取吉林、廣東、四川、江蘇4個地區(qū)的數(shù)據進行分析，充分保證數(shù)據的規(guī)模和多樣性。

2.2 數(shù)據樣本分析

電池總能量的分布無規(guī)律性且較為分散，需要對原始數(shù)據進行預處理，包括數(shù)據清洗和數(shù)據劃分等[7]。本文對預處理后的數(shù)據分別采用滑動平均法和區(qū)間平均法實現(xiàn)對地區(qū)數(shù)據和總體數(shù)據的處理，如表2所示，同時增加樣本車輛的總行駛里程，研究不同行駛里程與電池能量的關系。

由表2可知，該車型里程數(shù)據主要集中在1×104～5×104 km區(qū)間，本文結合區(qū)間平均和滑動平均兩種算法的特點，分別對數(shù)據進行處理。區(qū)間平均是將整體范圍劃分為若干個小區(qū)間，統(tǒng)計每個小區(qū)間的數(shù)據量；滑動平均是利用一定長度的窗口對數(shù)據進行平均計算，然后移動窗口繼續(xù)計算下一段數(shù)據的平均值，其優(yōu)點是能消除隨機波動。

2.2.1 整體數(shù)據處理

整體數(shù)據的數(shù)據量較大，可以采用區(qū)間平均算法進行擬合，以200 km作為區(qū)間長度，以50 000 km為最后一個區(qū)間的終點。

最后得到數(shù)據整體分布情況和使用三次多項式擬合得到的里程-總能量關系，如圖1所示。

2.2.2 地區(qū)數(shù)據處理

對于地區(qū)數(shù)據，采用滑動平均算法處理。針對總能量數(shù)據E1，E2，…，En，需計算窗口大小為w時的滑動平均值。則第i個滑動平均值MAi的計算公式為：

式中，j為當前時刻。

因此，對能耗數(shù)據進行滑動平均處理后，得到的新數(shù)據序列為MA1，MA2，…，MAn。最后得到數(shù)據量充足的4個地區(qū)數(shù)據分布以及里程與能量的擬合曲線，以江蘇省為例，擬合曲線如圖2所示。

3 電池總能量衰減預測與分析

3.1 基于支持向量回歸的數(shù)據擬合分析

SVR利用核函數(shù)對數(shù)據進行映射，并在高維空間中尋找最優(yōu)擬合超平面，從而實現(xiàn)非線性回歸。相對于多項式回歸算法，SVR在電池數(shù)據處理過程中魯棒性更好、可解釋性強，可避免過擬合問題，且可以通過交叉驗證來提高電池總能量衰減擬合和數(shù)據預測精度。本文對樣本數(shù)據的能量衰減擬合步驟如下：

a. 數(shù)據預處理。將數(shù)據集劃分為訓練集和測試集，其中訓練集用于訓練模型，測試集用于評估模型的預測性能。

b. 特征工程處理。本文問題只有1個特征，即車輛里程，因此不需要進行特征工程處理。

c. 模型訓練。使用SVR模型擬合訓練集數(shù)據。設訓練集樣本數(shù)量為n，第i個樣本的特征為xi、標簽為yi，則SVR模型的目標是最小化帶有正則化項的損失函數(shù)：

式中，w為權重向量；b為偏置項；[ξi]、[ξ*i]為松弛變量；C為正則化參數(shù)；[ò]為間隔參數(shù)；φ（xi）為核函數(shù)，將輸入特征映射到高維空間，目標是最小化誤差并限制支持向量到達邊界，以提高泛化能力。

e. 模型預測。使用訓練好的SVR模型在測試集上進行預測，假設測試集包含Q個樣本，第j個樣本的特征為xj，則模型的預測輸出為：

f. 模型評估。采用均方誤差（Mean-Square Error，MSE）M和決定系數(shù)R2對模型的預測性能進行評估：

由于行駛至40 000 km的車輛數(shù)量較多，數(shù)據豐富，滿足擬合條件，最后利用SVR模型對總體數(shù)據和區(qū)域數(shù)據擬合（0～40 000 km），并通過擬合的數(shù)據對已行駛40 000～50 000 km里程的車輛進行預測，表3所示為數(shù)據擬合結果，圖3所示為對總體數(shù)據擬合示意，車輛行駛50 000 km時能量總體衰減3.01%。

考慮不同地區(qū)氣候因素對電池能量衰減的影響，按照區(qū)域對數(shù)據進行劃分，對吉林省、江蘇省、廣東省3個地區(qū)進行數(shù)據擬合和預測，衰減情況與總體統(tǒng)計結果基本一致，分別衰減2.64%、3.42%、2.01%。

3.2 基于長短時記憶神經網絡的數(shù)據分析

LSTM能夠捕捉電池能量變化的長期模式，并能對時序數(shù)據進行有效建模，從而實現(xiàn)準確的預測。本文采用該算法進行數(shù)據擬合和預測，驗證前文分析趨勢的準確性。

3.2.1 數(shù)據準備

首先對輸入和輸出數(shù)據進行處理，將其轉化為適合LSTM模型訓練的格式。將輸入數(shù)據進行最大最小值歸一化，將里程、環(huán)境溫度分別歸一化為xO、xT，輸出數(shù)據電池充入能量E歸一化為y：

式中，O為里程；Omin、Omax分別為里程的最小值、最大值；T為電池溫度；Tmin、Tmax分別為電池溫度的最小值、最大值；Emin、Emax分別為電池等效總能量的最小值、最大值。

3.2.2 模型建立

LSTM模型的建立過程可以簡化表示為：

式中，ht為LSTM層在時間步t的輸出；xt為時間步t的輸入；W為全連接層的權重；LSTM為基于長短時記憶神經網絡計算；zeros為創(chuàng)建由零組成的數(shù)組；Dense為神經網絡中的全連接層函數(shù)；Dropout為神經網絡正則化方法；ReLU為線性整流函數(shù)。

在預測過程中，將輸入序列x1，x2，…，xK輸入模型，得到輸出序列y1，y2，…，yK，其中K為序列長度。

3.2.3 模型訓練

首先定義損失函數(shù)：

式中，θ為模型參數(shù)。

計算模型參數(shù)的梯度并通過訓練進行更新：

式中，Sbatch為批量化數(shù)據。

根據梯度更新模型參數(shù)：

[θ←θ-α?θL（θ）]" " " " " " " " " " " " " " （14）

式中，α為學習率。

3.2.4 模型預測

對于給定的輸入數(shù)據，使用已訓練好的LSTM模型進行預測，得到輸出為：

式中，f為訓練好的LSTM模型函數(shù)；xpred為預測值。

預測結果如圖4所示，可以發(fā)現(xiàn)隨里程增加，電池能量呈現(xiàn)下降趨勢，總體下降幅度與前文分析結果基本一致。同時，引入環(huán)境溫度作為另一個變量，將溫度按照0 ℃、20 ℃分段，可見環(huán)境溫度越低，電池等效總能量越少。

4 試驗對比

選取5臺該車型試驗車輛進行電池充電能量測試統(tǒng)計，各試驗車輛已行駛里程分別為48 107 km、47 794 km、49 256 km、49 473 km、48 290 km，已行駛里程均分布在40 000～50 000 km范圍內，且接近50 000 km，均為在吉林地區(qū)進行適應性測試的車輛，車輛運行工況基本為市區(qū)綜合行駛工況。

記錄2023年5月的30天內充電使用數(shù)據，每次使用至電池SOC低于15%后再進行充電，且每次充滿后，利用式（1）計算等效總能量并按車輛取平均值，試驗結果如表4所示，5臺試驗車輛等效總能量均值為50.35 kW·h，與擬合預測結果50.18 kW·h十分接近，誤差為0.33%。

5 結束語

本文通過某車型動力電池充電大數(shù)據，采用區(qū)間平均法和SVR模型對里程-總能量關系進行擬合，實現(xiàn)了對電池總能量衰減的高精度預測，并通過LSTM模型進行了數(shù)據分析趨勢對比，實車測試結果證明了該結果準確、可靠。

該方法主要可應用于以下兩個方面：企業(yè)監(jiān)控電池性能變化，其結果比電池壽命測試更具普適性；車輛剩余續(xù)駛里程預估結果的修正，為整車能量管理提供準確的數(shù)據支持。

參 考 文 獻

[1] 王思淼， 張英杰， 王芳， 等. 基于大數(shù)據的動力電池健康度估算方法研究[J]. 傳動技術， 2021， 35（4）： 8-12+23.

WANG S M， ZHANG Y J， WANG F， et al. Research on" " "Estimation Method of Power Battery Health Based on Big" "Data[J]. Drive System Technique， 2021， 35（4）： 8-12+23.

[2] 王震坡， 孫逢春， 劉鵬. 電動汽車原理與應用技術[M]. 北京： 機械工業(yè)出版社， 2014： 109-153.

WANG Z P， SUN F C， LIU P. Basic Principles and" " " " " " "Application Technology for Electric Vehicles[M]. Beijing： China Machine Press， 2014： 109-153.

[3] 紀常偉， 潘帥， 汪碩峰， 等. 動力鋰離子電池老化速率影響因素的實驗研究[J]. 北京工業(yè)大學學報， 2020， 46（11）： 1272-1282.

JI C W， PAN S， WANG S F， et al. Experimental Study on" " Effect Factors of Aging Rate for Power Lithium-Ion Batteries[J]. Journal of Beijing University of Technology， 2020， 46（11）： 1272-1282.

[4] 韓雪冰. 車用鋰離子電池機理模型與狀態(tài)估計研究[D]. 北京： 清華大學， 2014.

HAN X B. Study on Li-Ion Battery Mechanism Model and State Estimation for Electric Vehicles[D]. Beijing： Tsinghua University， 2014.

[5] YANG R X， XIONG R， HE H W， et al. A Novel Method on Estimating the Degradation and State of Charge of Lithium Ion Batteries Used for Electric Vehicles[J]. Applied Energy， 2017， 207： 336-345.

[6] ZHANG Y Z， XIONG R， HE H W， et al. Long Short Term Memory Recurrent Neural Network for Remaining Useful Life Prediction of Lithium Ion Batteries[J]. IEEE" " " " " " " Transactions on Vehicular Technology， 2018， 26（7）： 5695-5705.

[7] 張凡， 邢子軒， 武明虎， 等. 數(shù)據驅動的車載動力電池使用行為分析[J]. 汽車技術， 2023（3）： 49-55.

ZHANG F， XING Z X， WU M H， et al. Research on the Use Behaviors of Data-Driven Vehicle Power Battery[J]." " " " " "Automobile Technology， 2023（3）： 49-55.