[发明专利]基于改进随机森林联合容积卡尔曼的荷电状态估计算法

说明书

本发明公开了一种基于改进随机森林联合容积卡尔曼动力电池荷电状态估计的算法，用来解决动力电池在工作中荷电状态准确估计的问题。该方法结合了随机森林回归和容积卡尔曼滤波算法联合估计动力电池荷电状态，并通过含有禁忌鲸鱼搜索算法加权优化随机森林的参数，以达到对算法剪枝阈值、预测试样本数、决策树数量最优化处理，优化算法能够快速找到最优解，提高算法效率；通过双向长短时记忆人工神经网络，对动力电池剩余寿命进行预测，以达到修正电池最大可用容量，提高全时工况动力电池荷电状态估计的精度的目的；通过联合估计算法综合了随机森林和容积卡尔曼滤波两种算法，发挥两种算法的优点，避免两者的缺点，使动力电池荷电状态估计精度更高。

技术领域

本发明涉及电动汽车动力电池系统电池电荷状态估计技术领域，具体涉及为一种基于改进随机森林联合容积卡尔曼动力电池荷电状态估计的算法。

背景技术

近纯电动汽车(BEV)作为新能源汽车的一种，是指以动力电池作为储能动力源，通过动力电池向电机提供电能，从而推动汽车行进的汽车。与传统内燃机车相比，具有无排放、噪声小、能源转化效率高等特点，并且正逐渐取代传统内燃机车成为未来车辆的主流形式。

在电动汽车领域，动力电池是“三电”技术中不可或缺的一部分，提供整个车辆系统的运动能量。锂离子动力电池具有高能量密度、功率密度大、使用寿命长、安全性高、可靠性高、低自放电率、重量轻和无记忆性等优点。由于锂离子动力电池具有过充过放不可逆，随温度变化外特性变化剧烈等缺点，因此需要配备整套的电池管理系统(BatteryManagement System，BMS)，以便能反馈和控制电池电池组的实时状态确保动力电池组的安全性和可靠性。

荷电状态(State of Charge，SOC)是动力电池管理系统中最为重要的参数，也是电池状态检测功能中最为重要的一部分，且只能依据模型或相应的算法估计得到。但由于化学电池内部复杂，内部可测参数量十分有限且特性相互耦合、即用即衰、强时变且高度非线性，加之实车工况下、电流、温度等参数变化范围广、变化速率快，研究出高精度、高鲁棒性的估计算法是动力电池荷电状态估计的重点。

动力锂离子电池内部电化学反应过程复杂，实车工况复杂恶劣，作为隐形状态量荷电状态的估算方法，大致上可分为四大类：安时积分法、表征参数法、基于模型的方法、基于数据驱动的方法。基于表征参数法中的剩余容量法、基于阻抗谱法、开路电压法的估计值十分准确，但都需要在实验室环境下进行标定，否则精度无法得到保证；基于安时积分法的荷电状态估计，存在初值荷电状态的获得、传感器误差累计、容量衰退等因素的相互影响，其精度常常在电池长时间使用后难以保证；基于模型的估计方法常常需要建立动力电池等效电路模型及其状态方程，应用滤波算法和观测器，搭建荷电状态估计算法，这种方法估计精度由预估过程和修正过程两部分决定，精度较高；基于数据驱动法，通过海量的离线数据建立并训练动力电池参数与荷电状态之间的映射网络，这种方法对于解决高度非线性问题具有很好的优势且估计精度高、拟合性能强。

目前，荷电状态的估计方法有很多种，但各种单一方法都是优点与缺陷并存。本专利采用一种结合了基于数据驱动法中的随机森林与神经网络算法和基于模型法中的容积卡尔曼滤波算法，通过新息切换有效的结合了两种算法的优点，使荷电状态估计更加准确。并通过含有禁忌鲸鱼搜索算法加权优化随机森林的参数，以达到对算法剪枝阈值、预测试样本数、决策树数量最优化处理，优化算法能够快速找到最优解，提高算法效率；通过双向长短时记忆人工神经网络，对动力电池剩余寿命进行预测，以达到修正电池最大可用容量，提高全时工况动力电池荷电状态估计的精度的目的；通过联合估计算法综合了随机森林和容积卡尔曼滤波两种算法，采取两种算法的优点，避免两者的缺点，使动力电池荷电状态估计精度更高。这样的算法克服了工况、环境的波动对荷电状态估计精度的影响，提高了荷电状态估计的泛化性和鲁棒性。

发明内容