学术︱一种混合动力电动汽车电池SOC预测的新方法
中国电工技术学会定于2016年7月10~11日在北京铁道大厦举办“2016第十一届中国电工装备创新与发展论坛”，主题为“电工行业十三五规划研究与解读”，并设“智能制造与电工装备行业的转型升级”“智能开关设备的关键技术与最新发展”两个分论坛。
请感兴趣的读者扫描下方的二维码（或关注微信公众号“电气技术”），浏览会议详情和进行快速注册报名。注册时请准确填写相关信息，会议服务人员将及时与您确认参会事宜。
江苏理工学院电气信息工程学院、南京工程学院电力工程学院、机械工业设施农业测控技术与装备重点实验室（江苏大学）的研究人员王琪、孙玉坤、倪福银、罗印升，在2016年第9期《电工技术学报》上撰文，针对混合动力电动汽车（HEV）电池荷电状态（SOC）预测问题，引入贝叶斯极限学习机(BELM)方法。
对极限学习机和贝叶斯线性回归的基本原理进行详细地介绍，为提高极限学习机的拟合和泛化能力，采用贝叶斯方法来优化极限学习机输出层的权重。在循环工况条件下选择电池的工作电压、工作电流和表面温度参数用来预测电池SOC的实时值，同时兼顾HEV再生制动时的能量回馈过程。
高级车辆仿真软件ADVISOR下的仿真结果和实际试验结果均表明：所设计的预测模型具有较高的精度，能够实时准确地预测出SOC值，实用性强，有效性高。
电池作为混合动力电动汽车动力系统的关键部件，对整车系统的动力性、安全性以及经济性至关重要[1]。为保证电池性能良好，延长其使用寿命，需要对电池进行合理的管理与控制，但是前提必须是准确而又可靠地获得电池的荷电状态（State Of Charge, SOC）[2]。SOC作为电池的内部特性不可以直接对其进行测量，只能通过对电池电压、电流、温度等一些直接测量的外部特性参数预测而得。
SOC表征电池的剩余容量，可以用剩余电量比上电池放电到截止电压时的总电量[3]。常用的电池SOC预测方法主要可以归纳为三类，第一类是直接根据电池的电压、电流或者内阻来对SOC进行预测，主要的方法有开路电压法[4]、安时计量法[5]和内阻特性法[6]。这类方法操作简单，但是由于电池电压、电流或内阻与SOC的关系不稳定，因此这一类方法通常都存在预测精度不高的缺陷；第二类是基于卡尔曼滤波器递推算法的预测方法，卡尔曼滤波法将电池看作动态系统，SOC作为系统内部的一个状态量，该方法预测精度相对于第一类方法精度有所提高，但是该方法需要选择动态系统的描述方程，递推过程也涉及到复杂的矩阵求逆运算。
同时，卡尔曼滤波器作为递推算法，对初值的选择十分敏感，错误的初值会导致预测结果的不断恶化[7]；第三类是基于RBF核函数神经网络和最小二乘支持向量机[8-9]的预测方法，最小二乘支持向量机（Least Square Support Vector Machines，LS-SVM）也是神经网络的一种，它将结构风险最小化原则[10]应用于神经网络中，目前研究得最多。第三类方法存在的主要问题是训练速度慢，容易陷入局部极小点以及对学习率的选择过于敏感[11]。
针对上述方法存在的缺陷，极限学习机（Extreme Learning Machine, ELM）提供了有效的解决方案。ELM是由新加坡南洋理工大学黄广斌教授提出来的一种新的单隐含层前向神经网络（Single Hidden Layer Feed-Forward NeuralNetwork, SLFN）的学习机[12]。
ELM网络结构简单，学习速度快，泛化性能好，利用Moore-Penrose广义逆求解网络权重，可以随机产生输入层与隐含层间的连接权值及隐含层神经元的阈值，且在训练过程中无需调整，只需要设置隐含层神经元的个数，便可以获得唯一的最优解。
贝叶斯极限学习机（Bayesian Extreme Learning Machine, BELM）是基于贝叶斯线性回归原理来优化极限学习机输出层的权重，它涵盖了贝叶斯模型和ELM的全部优点，降低了计算成本，避免了通过引导等繁琐的方法建立置信区间。
本文采用BELM方法对混合动力电动汽车电池进行了SOC的预测，在高级车辆仿真软件ADVISOR下进行仿真验证，并在实际应用中进行试验验证，两种验证方法的结果均证明了BELM的有效性。
图1 极限学习机网络示意图
结论
本文针对混合动力电动汽车电池SOC预测问题，提出了一种应用于混合动力电动汽车电池SOC预测的贝叶斯极限学习机方法，并对该方法进行了仿真和试验验证，得到如下结论：
（1）采用贝叶斯极限学习机对混合动力电动汽车电池的SOC预测是可行的，且模型预测性能良好；
（2）考虑到混合动力电动汽车的能量回馈，所建立的预测模型依然具有较高的预测精度，主要表现为在试验过程中预测系统运行时间短，仅为2秒左右；均方误差小，约为5.25e-005；并且最大相对误差和绝对误差也仅为3.5%，低于5%，满足实际应用要求；
（3）仿真和试验验证的结果一致，贝叶斯极限学习机方法有效性高，实用性强。