考虑驾驶行为的电动汽车电池电压预测方法_朱曼.pdf

收稿日期：2022-08-01*国家重点研发计划项目（2019YFB1600800）、武汉理工大学三亚科创园开放基金（2020KF0041）、中央高校基本科研业务费专项资金（WUT:2021CG021）、湖北省科技重大专项项目（2020AAA001）资助第一作者简介：朱曼（1989），博士，副研究员.研究方向：智能控制技术、智能辨识建模等.E-mail: 通信作者：张晖（1983），博士，副研究员.研究方向：驾驶行为、交通安全等.E-mail:考虑驾驶行为的电动汽车电池电压预测方法*朱曼1,2谢宗锐1,2张晖1,2陈枫1,2马枫1,2李少鹏1,2（1.武汉理工大学智能交通系统研究中心武汉 430063；（2.武汉理工大学国家水运安全工程技术研究中心武汉 430063）摘要：电动汽车电池参数的准确预测是电池故障精准诊断的前提，是电动汽车安全运行的重要技术保障。电池状态的估计受多种因素影响，驾驶行为是其中的1个重要因素，但现有电动汽车电池电压预测的研究较少考虑微观驾驶行为及驾驶工况的影响。研究提出了综合考虑驾驶行为参数的动力电池电压预测方法，针对现有电动汽车国标网联数据颗粒度低的问题，设计并开展了自然驾驶实验，采集多维精细化18辆电动汽车运行数据；通过截取典型驾驶工况数据片段，分析驾驶行为参数与动力电池参数关联性，以动力电池参数中的电池组电压作为基准参数，提取与其相关的特征指标及与其相关的特征指标，分别得到与电池组电压相关系数：0.978（电池单体电压）、0.853（电池剩余电量SOC）、0.691（加速踏板行程值）、0.683（总电流）、0.616（车速）。基于长短时记忆神经网络（LSTM）构建了以驾驶行为参数、电池组电压相关的特征参数作为输入，电池组电压作为输出的预测模型，并对LSTM超参数进行了优化。筛选出16辆电动汽车共700万条数据训练并测试预测模型，训练集与测试集的数据比例为8:2，测试结果中预测电压与实际电压间的均方误差（MSE）为0.46，平均相对误差（MRE）为0.13%。利用其余2辆车共2万条数据验证模型精度，验证结果的MSE分别为0.50，0.55，MRE分别为0.15%，0.17%。智能网联环境下基于电动汽车精准驾驶行为数据的电池电压预测模型精度明显优于传统的LSTM、递归神经网络模型。关键词：交通安全；电动汽车；电压预测；长短时记忆神经网络；驾驶行为中图分类号：U491.5文献标识码：Adoi:10.3963/j.jssn.1674-4861.2022.06.014Battery Voltage Prediction Method for Electric VehicleConsidering Driving BehaviorZHU Man1,2XIE Zongrui1,2ZHANG Hui1,2CHEN Feng1,2MAFeng1,2LI Shaopeng1,2(1.Intelligent Transportation Systems Research Center,Wuhan University of Technology,Wuhan 430063,China;(2.National Engineering Research Center for Water Transport Safety,Wuhan University of Technology,Wuhan 430063,China)Abstract:The main challenge for battery fault diagnosis for electric vehicle is the accurate prediction of battery pa-rameters,is also critical to safe operation of electric vehicles and traffic safety.Driving conditions especially in-duced by driving behaviors are important factors which can affect the estimation of battery voltage of electric vehi-cles.However,this effect of driving behavior is rarely investigated in related works.Thus,a battery voltage predic-tion method considered driving behavior parameters is proposed in this study.Eighteen electric vehicles are recruit-ed to participant the naturalistic driving study by installing the driving behavior sensors with high resolution com-考虑驾驶行为的电动汽车电池电压预测方法朱曼谢宗锐张晖陈枫马枫李少鹏137交通信息与安全2022 年6 期第 40卷总 241期0引言在环境污染和能源危机的压力下，以电动汽车为代表的新能源汽车已成为未来的发展趋势和全球竞争与发展的焦点1-2。根据公安部发布的统计数据：截至2022年6月底，国内新能源汽车保有量已经达到1 001万辆，占汽车总量的3.23%，其中，纯电动汽车保有量 810.4 万辆，占新能源汽车总量的80.93%3。2022年18月，我国新能源汽车销量386万辆，其中纯电动汽车销量304万辆，电动汽车占新能源汽车比例达78.76%，可以看出电动汽车是新能源汽车主要的组成部分4。纯电动汽车的电池系统是其核心竞争力，动力电池的性能对电动汽车的整体性能和发展前景起直接决定作用5。锂离子电池以其能量密度高、无记忆效应、寿命长等优点，逐渐成为了动力电池的首选6-7。电池系统中单个电芯的电路故障，会导致整个电池组出现故障，直接影响电池系统的正常运行，严重时电池内部会出现热失控，甚至导致着火、爆炸等事故，严重危及乘员的财产和人身安全8。因此，需要高效的电池管理系统(battery management sys-tem,BMS)来确保电动汽车的安全运行，实现电池系统的健康状态估计9-10。电压作为电池系统的核心参数，对电池电压进行准确的预测是保证电池系统健康的关键，精准的电池电压预测可以对实现车辆实时监测电池系统健康状态提供理论支撑。但现有的文献在电动汽车运行研究方面，鲜有将动力电池系统与驾驶行为结合考虑的情况。Neubauer等11测试了不同驾驶行为和气候对电动汽车能耗变化和行驶里程的影响，发现极端环境和激进驾驶员的驾驶行为会使动力电池的峰值温度过高和电池的过度退化。梁海强等12发现激进的驾驶模式会加剧电池老化，老化速率整体比温和型的驾驶模式快1.73%10.37%。可见，驾驶行为的变化极大影响着电动汽车动力电池的状态，因此，要提升电动汽车运行安全性，实现对电动汽车动力电池电压更精准的预测，结合驾驶行为参数尤为重要。Feng等13利用最小二乘法搭建了三维电化学-热-内部短路(internal short circuit,ISC)耦合模型，探索了测量的电压、电流和温度与ISC状态之间的相关性。Zhao等14研究了1种将锂离子电池动态精确建模与递归神经网络(recurrent neural network,RNN)在不同工况下的故障诊断方法，该模型能够准确预测电池电压，误差小于5%。Yao等15提出了1种基于电网搜索SVM的电池系统智能故障诊断方法，可以识别潜在的故障状态并对故障的严重程度进行分类。在车辆运行过程中，驾驶人不同的驾驶行为特征使车辆处于不同的驾驶工况下，而不同的驾驶工况会使得动力电池的相关参数如电压、电流等出现不同的波动变化，在2019年Hong等16发表的文章中，首次考虑了驾驶行为对电池电压的影响，通过研究发现制动踏板行程值、速度等驾驶行为与电池电压存在显著的相关性，并利用长短时记忆神经网络(long short term memory，LSTM)提出了1种新颖的电压故障诊断和预警方法，但该研究的数据颗粒度低，低频率的数据可能难以反映出电池电压的跳动pared with the National connected electric vehicles data collection Standard.Data segments with regard to the typi-cal driving mode is extracted first,Then,the correlation between driving behavior parameters and power battery pa-rameters is analyzed,and the battery pack voltage in the power battery parameters is taken as the reference parame-ter for correlation analysis;characteristic variables related to battery pack voltage are extracted,the correlation coef-ficients between characteristic variables and battery pack voltage are:0.978(battery voltage),0.853(state of charge,SOC),0.691(pedal travel value),0.683(total current),0.616(vehicle speed).Besides,a prediction model is devel-oped based on the long short-term memory(LSTM)neural network and hyperparameters are optimized,taking driv-ing behavior parameters and characteristic variables related to battery pack voltage as input data and taking the val-ues of battery pack voltage as output data.The prediction model is trained and tested using a total of 7 million of da-ta from 16 electric vehicles,and the ratio of training set and test set is 8:2.The mean square error(MSE)and meanrelative error(MRE)of the proposed model are 0.46 and 0.13%,respectively.The data of the other two vehicles areused to verify the accuracy of the model.The MSE of the verification results are 0.50 and 0.55,and the MRE of theverification results are 0.15%and 0.17%,respectively.In conclusion,the proposed prediction model of battery volt-age considering driving be