图/表详细信息

基于支持向量机与改进高斯过程混合模型的车用电池容量预测方法^*

李雨佳, 欧阳权, 刘灏仪, 祝铭烨, 王志胜

电气工程学报 2024, 19 (1): 87-96. DOI: 10.11985/2024.01.009

摘要（302）

HTML （32）

PDF（pc）（124993KB）（243）

基于数据驱动的容量预测有助于锂电池健康管理以延长其使用寿命。然而，目前大多数相关方法基于实验室数据展开，无法反映实际复杂工况下车用电池老化特性。因此，本文利用电动汽车实车数据，设计了一种基于支持向量机与改进高斯过程的混合模型，实现了车用电池容量的精确预测。首先从汽车实时运行数据集中利用滑动窗口安时积分法提取其容量数据，设计了集合经验模态分解方法，将电池容量分为长期退化趋势和短期波动两部分，然后分别设计支持向量机与改进高斯过程对这两个分量进行建模，将结果融合得到最终的容量预测值。基于三辆实车数据集的试验结果表明，所提出的方法可以适用于实车数据的高精度容量预测。

数据集	模型	RMSE	MAE	MAPE(%)
实车1	混合模型	0.042 6	0.032 3	0.028 8
	SVM	1.097 1	0.055 8	0.768 9
	LSTM	0.319 8	0.251 1	0.225 6
	BP	0.105 6	0.085 8	0.065 1
实车2	混合模型	0.050 5	0.033 0	0.085 8
	SVM	0.370 7	0.309 1	0.297 8
	LSTM	0.613 2	0.583 5	0.559 0
	BP	0.106 6	0.086 0	0.071 0
实车3	混合模型	0.018 9	0.014 3	0.013 9
	SVM	0.088 1	0.074 3	0.072 1
	LSTM	0.098 9	0.078 6	0.076 0
	BP	0.161 0	0.117 9	0.114 3

View table in article

表3 训练集为30%时不同方法预测结果对比

正文中引用本图/表的段落

此外，在实际应用中，某些情况下需要用尽可能少的历史数据去预测未来的容量退化曲线，因此图11和表3研究了当训练集减少为30%时不同模型的预测能力。从图11可以看出，所提融合模型在30%训练集时表现均好于传统模型，这表明所提融合模型只需要有限的历史数据就能给出可靠的结果，且减少训练集个数对算法的RMSE、MAE、MAPE影响较小，这表明较长的数据序列并不一定提高模型的性能，即不需要太多的历史数据便可以保证预测结果的稳定和准确。

本文的其它图/表