[发明专利]一种基于模型融合思想对电池SOC的估计方法

权利要求书

1.一种基于模型融合思想对电池SOC的估计方法，其特征在于：包括如下分步骤：

步骤1，进行数据收集；

步骤2，对收集到的数据进行预处理，对数据缺失值和异常值进行处理，对缺失值进行取中位数操作，对异常值进行丢弃操作；

步骤3，进行特征工程筛选和扩展，扩展出的新特征为输出功率；

步骤4，建立改进支持向量回归PSO-SVR、AdaBoost、随机森林RF三种单模型；

步骤5，为了避免过拟合，利用5折交叉验证方法对数据集处理；

步骤6，基于Stacking模型融合方法将步骤4中的三种单模型进行融合；

步骤7，通过上述融合后的模型对电池SOC进行估计；

所述步骤7中，具体估计步骤为：以电流、电压、温度以及输出功率4个特征为电池SOC估计的输入，以改进PSO-SVR、AdaBoost和随机森林RF3种单一模型作为Stacking模型融合算法的初级学习器，以线性回归算法作为Stacking模型融合算法的次级学习器，对电池SOC进行估计。

2.根据权利要求1所述的一种基于模型融合思想对电池SOC的估计方法，其特征在于：步骤1中，所述数据收集具体为，进行电池充放电循环实验并采集相关的数据，包括电池温度、电流和电压；电池电路搭建完成后，将新电池放入恒温箱中进行电池的循环充放电，在此过程中，每隔十秒记录下电流值、电压值、温度值以及间隔时间。

3.根据权利要求1所述的一种基于模型融合思想对电池SOC的估计方法，其特征在于：步骤2中，对实验所采集到的数据进行预处理，包括数据清洗、特征处理；数据清洗将数据可视化，保证SOC的值在0-1之间，剔除小于0或者大于1的数据，剔除那些明显偏离的数据；利用Python语言统计缺失值个数，缺失值用平均值或者中位数填充。

4.根据权利要求1所述的一种基于模型融合思想对电池SOC的估计方法，其特征在于：步骤3中，使用随机森林算法将工作电流、端电压、工作温度这三个特征工程重要度可视化，并对该三个特征工程进行扩展，将工作电流和端电压进行求积，扩展为输出功率这一特征，此时有工作电流，端电压，工作温度以及输出功率这四个特征工程，然后将扩展后的四个特征工程重要度进行可视化，从而筛选出重要度较大的特征。

5.根据权利要求1所述的一种基于模型融合思想对电池SOC的估计方法，其特征在于：步骤4中，RF模型建立步骤如下：

RF在以决策树为基学习器构建Bagging集成的基础上，进一步在决策树的训练过程中引入了随机属性选择，具体地，对决策树的每个结点，先从该结点的属性集合中随机选择一个包含k个属性的子集，然后再从这个子集中选择一个最优属性用于划分；这里的参数k控制了随机性的引入程度；若令k=d，则基决策树的构建与传统决策树相同；若令k=1，则是随机选择一个属性用于划分。

6.根据权利要求1所述的一种基于模型融合思想对电池SOC的估计方法，其特征在于：步骤5中，提出K折交叉验证方法对数据集处理，将原始数据分为K个子数据集，每个子数据集分别验证一次，剩余的K-1组子数据集作为训练集，这样就能得到K组训练集和测试集，然后以最终的K组平均精度作为性能指标。