iSE团队在新能源汽车系统保障领域取得重要进展

发布日期:2021-08-03 浏览次数:


电池管理系统(BMS)是新能源汽车管理动力的核心组件,负责电池的管理、预测和控制。通过深度学习技术建立电池状态和历史状态的映射关系,可以代替传统构建等效电路模型进行电池状态预测的方法,既简化了电池预测的复杂度又提升了预测的准确度,确保了新能源汽车安全可靠的运行。然而,深度学习技术在电池领域落地还存在诸多挑战。受限于车载算力,使得需要大量计算能力的AI模型部署非常困难。传统AI模型仅预测当前电池状态,BMS系统无法获得未来一段时间电池的状态走势,从而面对可能出现的情况,BMS无法提前做出策略调整。


我院iSE团队陈振宇老师、房春荣老师在北汽新能源的支持下进行了电池管理系统质量保障的初步探索,提出了一套新能源电池在充电状态下的电压走势多点预测方法。该工作基于LSTM单元,设计了一个多点预测模型,实现新能源电池充电状态趋势的预测。利用LSTM单元的中间状态作为预测结果,在一个预测周期内输出预测的多个电压序列,实现了以窗口为单位的预测,避免了传统的多点预测模型,在部署时多次迭代预测的问题。传统算法需要多个预测周期才能实现的效果,利用本模型一个周期就能完成。进一步基于卡尔曼滤波算法,对电池充电过程建模并优化。在实际使用过程中,不同的厂商会采用不同的采样频率,需要注意的是,对于采样间隔很长的系统,由于其忽略了中间细节,利用卡尔曼滤波会有很大的限制,需要调整优化的加权系数实现一个较为均衡的优化结果。实现了以模型进行预测,以算法进行优化的电池充电电压预测方法。由于模型多点预测的策略和LSTM单元特性的影响,一次预测窗口内电压的误差随着序列增长逐渐降低。窗口内第一个电压具有最高的偏离误差且与上一次预测窗口的最后一个电压之间产生了明显的抖动。卡尔曼滤波算法每次预测之后,都需要真实观测值优化其内部状态,因此其特性刚好与前述模型相反,在不使用未来信息的情况下,卡尔曼滤波多点预测没有真实值对其进行闭环优化,一个预测窗口内部随着序列的增长,预测误差逐渐增大。因此,并没有利用卡尔曼滤波实现多点前向预测,而是仅仅预测下一个时刻的电压。为了平滑模型预测中的抖动,本设计利用模型预测窗口的第一个值与卡尔曼滤波的预测值进行加权和作为最终多点预测的第一个结果。该工作提升了预测算法的效能,缩短了在部署阶段一次预测的时间,使得算力较低的新能源汽车也能进行部署;同时,利用LSTM单元中间状态多点预测策略,弥补了传统模型对电池状态进行趋势预测的不足。该工作优化算法提升了预测结果的精度,拓宽了预测算法的覆盖范围,并且进一步加强了BMS系统对电池状态预测的能力。实验结果显示,利用LSTM单元中间状态进行多点预测,配合传统卡尔曼滤波算法优化,在保证精度的同时极大的缩短了模型在部署阶段预测BMS充电电压的时间。相关论文《A high efficiency method for runtime Lithium-ion charging voltage multi-points forecasting》已被IEEE Computer录用,硕士研究生倪烨为第一作者。



该研究是我院iSE团队在新能源汽车领域的一项重要的产学研合作实践。一方面助力创新型人才培养,为企业培养尖端人才。另一方面,加速了人工智能技术在新能源汽车领域的落地,为保障汽车安全提供了有力支撑。上述研究部分得到了国家自然科学基金重点项目(61932012和61832009)的资助。