[发明专利]一种基于随机森林模型的车载锂离子电池荷电状态预测方法

权利要求书

1.一种基于随机森林模型的车载锂离子电池荷电状态预测方法，其特征在于，包括以下步骤：

S1：在电动汽车锂离子电池放电过程中，采集锂离子电池用于预测电池荷电状态SOC的外部特征参数；

S2：根据采集的不同特征参数的数据集，建立不同输入特征参数的随机森林系统模型；

S3：利用所述随机森林系统模型，建立不同输入参数的随机森林模型的训练集和测试集；

S4：利用所述随机森林模型的训练集和测试集，建立不同输入参数的估计锂离子电池SOC的预测模型；

S5：根据不同参数的随机森林预测模型，对预测值进行精度分析，确定最优解，得到预测结果。

2.根据权利要求1所述的基于随机森林模型的车载锂离子电池荷电状态预测方法，其特征在于：在所述步骤S1中，所述在电动汽车运行过程中，实时采集电池的外部特征参数包括电压(u)、电流(i)、温度(T)、内阻(R)以及电池SOC的真实值。

3.根据权利要求1所述的基于随机森林模型的车载锂离子电池荷电状态预测方法，其特征在于：在所述步骤S2中，所述不同输入特征参数的数据集为五组，包括：

一、电压、电流、温度；二、电压、电流、内阻；三、电压、温度、内阻；四、电流、温度、内阻；五、电压、电流、温度、内阻。

4.根据权利要求1所述的基于随机森林模型的车载锂离子电池荷电状态预测方法，其特征在于：在所述步骤S3中，所述训练集和测试集是对每组特征参数下的数据集进行划分，按照70％和30％划分训练和测试集。

5.根据权利要求1所述的基于随机森林模型的车载锂离子电池荷电状态预测方法，其特征在于：在所述步骤S4中，所述随机森林预测模型属于人工智能算法，其有三层结构，包括：输入层、中间层、输出层。

6.根据权利要求5所述的所述输入层为步骤S2中不同的输入特征参数数据集组合；所述中间层为随机森林模型自身机器学习的找到输入层和输出层的对应数学关系；所述输出层为我们想得到的锂离子电池的SOC。

7.根据权利要求5所述的随机森林预测模型，其特征在于：所述构建的随机森林预测模型过程为：

(1)通过抽样产生训练集。

(2)构建决策树。

(3)森林的形成与算法的执行。

8.根据权利要求7所述森林的形成与算法的执行，其特征在于：所述随机森林预测模型的具体步骤为：

(1)将步骤S2中的多组数据集分别放入并行的随机森林预测模型中进行训练，得到多个不同的并行随机森林预测模型。

(2)将不同数据集输入的测试集放入并行的随机森林预测模型中进行测试，得到不同的锂离子电池SOC输出值。

(3)将不同锂离子电池SOC输出值与测试集的真实值进行误差分析。

9.根据权利要求1所述的基于随机森林模型的车载锂离子电池荷电状态预测方法，其特征在于：在所述步骤S5中，所述对预测值进行精度分析包括：均方误差(MSE)、均方根误差(RMSE)和平均绝对误差(MAE)。其中，MSE可以评价数据的变化程度，MSE值越小，说明预测模型有更好的精确度。RMSE为MSE的算数平方根。MAE可以更好的反应预测值误差的实际情况。

10.根据权利要求9所述精度分析，其特征在于：

所述均方误差的具体计算公式为：

所述均方根误差的具体计算公式为：

所述平均绝对误差具体计算公式为：