[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

说明书

本发明公开了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，包括：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；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；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；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荷电状态的预测模型；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。本发明分析了不同输入参数组合对SOC值的影响，利用随机森林模型实现对电池荷电状态的估计，预测结果计算速度快，误差小，满足不同运行条件下对锂离子电池荷电状态预测结果的要求，有很高的使用性。

技术领域

本发行属于人工智能领域，涉及车载锂离子电池荷电状态预测估计方法。

背景技术

随着环境污染问题的愈发严重，越来越多的汽车厂家开始研发新能源汽车，电动汽车取代燃油车已经成为未来发展趋势。锂离子电池具有循环寿命长，续行能力强，比能量高，充电时间短，绿色环保性能高等优势，已经成为电动汽车的主要动力部件。为了保证电动汽车的正常运行，电池管理系统(BMS)成为现在人们研究热点，而在锂离子电池管理系统健康评估中，电池的荷电状态(state of charge，SOC)是十分重要的一环。SOC作为一种锂离子电池的内部特征，无法在汽车运行中直接测量得到，只能通过电压、电流、温度、内阻这些可直接测量的外部参数预测得到。

现在已有的电池SOC预测方法包括模型方法和人工智能方法，模型方法需要建立基于化学反应的复杂电池等效电路模型，且预测数据的精度依赖于模型的准确性，在实际中想要准确预测十分困难。人工智能方法是现在的主流方法，其中包括神经网络、支持向量机等方法，一方面，这些方法需要的数据量十分庞大，计算量大，且依赖于数据的初始值，预测值准确性较低。另一方面，大多数利用人工智能算法去预测锂离子电池SOC的方法都是单独选择电池的电压或电流作为输入的特征参数，这样的方法满足了实际情况下要求的迅速预测，但精确性较差。随着现在电动汽车数量越来越多，人们收集到的数据量越来越庞大，影响电动汽车电池的外部参数不只有电流和电压，还应该考虑温度和电阻对电池SOC的影响，以往的人工智能方法如果将这些参数全部计算，会造成数据量大，计算过程复杂的问题，在要求预测简单、准确、迅速的实际情况下，这种综合预测不容易实现。

针对以上问题，本发明提出了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，随机森林方法的优势在于：能在不做特征选择的情况下，处理很多特征的数据；不依赖数据的初始值；训练速度快，容易做成并行化方法；有很大一部分的特征遗失，用随机森林算法仍然可以维持准确度；有很强的抗干扰能力；抗过拟合能力比较强。同时，考虑了将电压、电流、温度、内阻多种外部参数组合的影响，以寻找到一种最优的外部参数组合，试图以最少的外部参数，来获得最准确的预测结果。

发明内容

为解决上述估计方法存在的问题，本发明提出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，该方法的估计精度不受电池荷电状态初始值影响，且对于建立模型时使用过的工况具有自动识别能力，估计精度较高；同时，考虑了将电压、电流、温度、内阻多种外部参数组合的影响，能更好地解决电池荷电状态预测评估问题。

基于随机森林模型的车载锂离子电池荷电状态预测方法，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荷电状态的预测模型；

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。