忘川彼岸|基于机器学习的新能源汽车电池状态预测方法为了降低污染

介绍为了降低污染，减缓全球变暖，越来越多的新能源被用于汽车动力系统。其中，电池阵列被广泛使用。为了保证电池的安全，高效和耐用，需要对电池进行监控，预测SOC 。电池的不稳定状态会阻碍汽车的能源路线，甚至加剧电池的安全，耐用问题。现在已经由很多预测SOC的算法，但是各有优点和限制，比如卡尔曼滤波器算法，缺点就有三个（1）预测的准确性非常依赖电池模型的有效性，为了获得好的鲁棒性模型，需要进行大量的数据测试。（2）一个小的参数扰动，就会造成SOC预测的偏差。（3）算法比较复杂。
本论文充分吸收模糊聚类，减法聚类，直接搜索算法，遗传算法和人工智能算法的优点，高效解决了前向传播的两大问题：（1）模型拓扑（2）参数优化。为了实现一个在新能源汽车上使用的SOC预测模型，建模分成2步完成。（1）使用FCM聚类算法减小进入局部最优的情况，用于进行模型拓扑和先验参数的确定。模型的参数通过减法聚类得出模糊聚类的数量，模型的后续参数通过递归最小二乘法进行优化。（2）使用反向传播学习算法进一步优化先验和后验参数。产生的SOC预测模型效果，通过实验分析和对比学习进行确认。
锂电池测试和数据准备电池测试数据获取通过FUDS测试标准，获取汽车工况数据。模型输入数据需要是可以被传感器直接感知测量的特征。随机选取工况中10000笔数据，随机排序，分为训练数据和模型验证数据两部分。
模型的验证数据进行滑动平均处理，滑动周期为5秒。
基于监督学习的SOC预测模型为了抑制主观判断的影响，采用聚类替代算法。聚类算法有很多比如：K-means算法、FCM算法，最大交叉熵算法等。其中FCM算法最出名，但是却具有三个缺点：（1）必须分配集群数量的先验知识。（2）聚类分配对初始状态高敏感。（3）非常容易陷入局部最优。通过引入遗传算法而不是随机梯度下降算法来将（2）（3）的影响最小化。为了补偿GA算法较弱的局部优化能力，引入了直接搜索算法。为了解决缺陷（1）的影响，引入减法聚类算法，该算法是一个非常快捷的单遍算法，用于估计聚类的数目和中心。
基因模糊聚类算法对数据进行标准化处理，让数据分布在[0,1]区间。通过减法聚类算法初始化数据分布，包括聚类个数和聚类中心点。随机选择多个个体组成簇，每个个体都是一个向量，向量中的元素即为簇中心的值。通过适应函数判断每个个体的适应性，采用C-means函数，公式如下：