基于数据驱动的电动汽车动力电池故障预测算法

摘要

针对现在电动汽车电池系统实车故障预测的难题，提出了一种利用贝叶斯算法优化长短期记忆神经网络（Long Short-Term Memory）的实车故障预测算法。首先通过皮尔森相关系数法确定了LSTM的输入与输出特征，有效解决了现有工程数据量大、输入输出特征过多导致深度学习模型过拟合或欠拟合的问题。然后利用贝叶斯算法优化LSTM的超参数，重点解决了LSTM的超参数设置困难和导致误报的问题，经过贝叶斯算法优化后确定了最终的超参数组合，提出了建立单体电池电压预测模型来预测整车电池电压的方法，节约了模型训练时间，接着对单体选择的不同方式进行了测试，确定将每帧时间下所有单体电池电压的中位数作为新的单体电池电压来进行模型训练，进而建立了单体电池电压的预测模型。经过实车数据验证，相对于LSTM的整车电池电压预测模型，基于LSTM的单体电池电压预测模型的RMSE、 MAE以及MRE分别下降了61.59%, 61.31%和60.94%，有效提高了实车电池电压预测精度，最终验证了所建立的电压预测模型的优越性、可靠性以及鲁棒性。

关键词

电动汽车 / 故障预测 / 皮尔逊相关系数 / 贝叶斯算法 / 单体预测模型