郝斌，鲁特刚，马洋洋



基于大数据分析的电动汽车动力电池充电能量预测

郝斌，鲁特刚，马洋洋

（长安大学，陕西 西安 710018）

正确预测动力电池充电能量，对动力电池残值评估、故障检测、充电规划等有重要意义。文章分析了预测电动汽车充电能量需要考虑的因素，确定了一种基于大数据分析的充电模式区分方法，并给出了回归方程。验证表明：合理选择变量并结合电池充电知识划分训练集可以有效提高模型的预测精度。

大数据分析；电动汽车；充电能量预测；充电模式

引言

电动汽车充电能量是汽车动力电池衰退评估的重要依据，由于电池荷电状态（SOC）仅体现电池充电电流随时间的变化，未考虑到电压、温度等因素的变化，因此，充电能量的预测需要考虑多个变量的耦合影响。目前提出的许多动力电池充电能量预测模型存在选择变量不合理、模型适应性差、回归方程不理想等许多问题。

本文从动力电池充电原理出发，提出了能量预测的数据收集方案，针对不同的充电模式，给出了数据分组依据，并对比不同的回归分析方法，确定出适应于不同充电模式下的电动汽车充电能量预测模型。

1 动力电池充电能量分析

动力电池充电能量受累计行驶里程、温度等多因素耦合影响[1]。各变量之间存在不确定的数学关系，并且对充电能量的影响程度存在很大的差异。由于变量较多，测试数据时无法通过准确控制变量来观察充电能量与各变量之间的一一对应的函数关系[2]。同时，考虑到充电设备有不同的充电模式[3]，直接对样本数据进行回归分析无法准确预测充电能量。

充电模式的划分是充电能量预测必须要考虑的因素，具体的划分原则需要结合动力电池充电原理。

首先，充电模式取决于充电站的建设规模和工作模式，目前主要分为常规充电站和快速充电站。常规充电站一般以20~40辆电动汽车来配置一个充电站，这种配置是考虑充分利用晚间谷电进行充电，主要建设在小区和停车场进行集中充电；快速充电站一般同时向8辆电动汽车充电，主要建设在公路等场所提供临时充电。以上两种充电模式可以可以根据充电时间来区分。

其次，在同一种类型的充电站下不同的电网布置方案也会造成充电模式的不同，本文根据充电效果对充电模式作进一步分析。相关资料表明，锂电池在相同开路电压下，充电倍率较大时，电池充电容量下降，据此，本文考虑利用单位充电SOC的充电能量对同一类型的充电站包含的充电模式进行划分。

在前面充电模式确定的基础上，对样本数据进行处理，按照充电模式的分组原则对数据进行分组，之后，对每一组数据做回归分析，在保证尽可能小的标准差的前提下得到不同充电模式下的充电能量回归方程。

2 样本数据处理

2.1 变量的选择

在收集样本数据时，恰当的选择变量可以使充电能量预测保证一定准确性条件下提高模型的稳定性。因此，特征变量数量的确定和具体变量的选择是首要讨论的问题。

本文用到的训练样本数据中包括的变量有：x1（充电时间（s））；x2（充电开始时刻车辆仪表里程（km））；x3（充电SOC）；x4（充电开始时刻动力电池总电压（V））；x5（充电结束时刻动力电池总电压（V））；x6（充电开始时刻动力电池总电流（A））；x7（充电结束时刻动力电池总电流（A））；x8（充电过程中电池系统温度探针最大值（℃））；x9（充电过程中电池系统温度探针最小值（℃））；y（此充电过程的充电能量（kw·h））。

下文将以实际测得的数据为例说明求解充电能量回归方程的思路，由于不同电动汽车动力电池的参数不同，读者在具体应用时需要根据实际测得的样本数据来计算。

在正式分析数据之前，我们将充电时间和充电SOC明显偏移变化规律的数据予以剔除，以便提高能量预测模型的准确性，防止被异常数据干扰。图1是充电能量（kw·h）与各变量关系的散点图。

图1 充电能量（kw·h）与各变量的关系

2.2 充电模式分组

根据散点图分析，可以以充电时间120min为依据，将数据分组，充电时间小于120min的为快充组，其余的为慢充组。数据分组后，我们继续以快充组为例对数据进一步分析。

在快充组的数据中，从充电效果上来看，充电能量和充电SOC有两种明显不同的比例关系，根据单位充电SOC的充电能量将快充组的数据进一步分为快充a和快充b。

图2 充电模式分组

3 回归分析

本节以快充a组数据（充电时间小于120min，单位充电SOC的充电能量小于0.5kw·h）为例讨论回归分析的思路。

3.1 最小二乘估计

对于充电能量和许多变量之间的关系我们需要借助样本数据建立回归方程，方程建立的目标是使回归方程的标准差尽可能的小，本文利用MATLAB编程计算最小二乘回归系数，得到充电能量方程：

方程标准差为0.0588。

3.2 主成分估计[4]

为了克服最小二乘估计在设计阵病态（即存在多重共线性）时表现出的不稳定性，本文利用主成分估计法对样本数据建立回归方程。利用Matlab软件对9个评价指标进行主成分分析，相关系数矩阵的前几个特征根及其贡献率如表1：

表1 主成分分析结果

选择不同主成分个数计算回归方程系数和标准差，与最小二乘法的标准差相比较发现主成分个数选择9个时，其标准差最小，主成分分析得到的回归方程与普通最小二乘法得到的回归方程一致。该结果表明，本文的变量选择合理，没有出现变量之间明显重叠。在实际运用时直接利用简单的最小二乘做回归分析即可。

4 结论

动力电池充电能量预测为动力电池衰退评估的核心问题。动力电池充电能量受多因素耦合影响，考虑到不同充电模式下充电效果存在明显差异，本文提出一种电动汽车动力电池充电能量预测方法。

为了实现充电能量的有效预测，我们选择了充电时间等9个变量对样本进行测试。通过分析充电能量与各变量的散点图，发现训练样本中充电能量与充电时间和充电SOC之间存在显著跳变，结合动力电池充电的知识背景，本文提出一种充电模式的区分方法。进一步，在不同的充电模式下，我们利用最小二乘估计和主成分估计两种方法对充电能量做了回归分析，结果的一致性表明变量选择比较合理。

[1] 李海杰.车用动力锂电池智能充电技术研究[D].天津工业大学, 2018.

[2] 姜启源,谢金星,叶俊.数学模型（第四版）[M].北京:高等教育出版社,2011.

[3] 许二超,周从源.电动汽车充电技术综述[J].汽车实用技术,2016 (09):18-21.

[4] 司守奎,孙兆亮.数学建模算法与应用（第二版）[M].北京:国防工业出版社,2015.

Charging Energy Prediction of Electric Vehicle Power Battery Based on Big Data Analysis

Hao Bin, Lu Tegang, Ma Yangyang

( Chang'an University, Shaanxi Xi'an 710018 )

Correctly predicting the charging energy of the power battery is of great significance to the evaluation of the residual value of the power battery, fault detection, and charging planning. This paper analyzes the factors that need to be considered to predict the charging energy of electric vehicles, and determines a charging mode discrimination method based on big data analysis, and gives the regression equation. The verification shows that the reasonable selection of variables and the combination of battery charging knowledge can effectively improve the prediction accuracy of the model.

Big data analysis; electric vehicle; charging energy prediction; charging mode

U469.72

A

1671-7988(2019)09-14-03

U469.72

A

1671-7988(2019)09-14-03

郝斌，就读于长安大学汽车学院。

长安大学中央高校基本科研业务费专项资金资助（300102229802）。

10.16638/j.cnki.1671-7988.2019.09.004