[发明专利]一种基于模型融合思想对电池SOC的估计方法

说明书

一种基于模型融合思想对电池SOC的估计方法，基于Stacking模型融合思想将改进支持向量回归PSO‑SVR、AdaBoost、随机森林RF三种模型进行融合的集成算法对电池SOC估计的方法，先对电池SOC的特征工程进行特征扩展和特征筛选，为了降低过拟合风险，利用K折交叉验证的方法对数据集进行处理，然后利用粒子群算法对支持向量机算法进行改进，最后利用提出的模型融合方法对电池SOC进行估计。本方法对电池SOC的估计精度要优于SVR、AdaBoost和RF三种单模型对电池SOC的估计精度，能够精确地估计储能电池荷电状态，电池SOC精确地估计是高效安全进行电池充放电、延长电池使用寿命的保证，是故障诊断的前提，是电力系统稳定、安全、高效运行的重要保障，也是加快推进智能电网必不可少的途径之一。

技术领域

本发明属于电池荷电状态估计领域，具有涉及一种基于模型融合思想对电池SOC的估计方法。

背景技术

由于近些年的环境问题以及能源匮乏问题，人们找到了光伏、风机等新能源代替过去传统的化石能源，但是光伏和风机发电具有随机性、波动性和间歇性，这给并网带来了巨大的问题，会给电网带来巨大的冲击，严重的可能会导致电网的瘫痪，但是储能能够解决并网带来的一系列问题，电池是储能的一种技术，但是电池属于强非线性特性，这就给科研带来了许多难题，比如说，准确的估计电池SOC的值，电池SOC精确地估计是高效安全进行电池充放电、延长电池使用寿命的保证，是故障诊断的前提，是电力系统稳定、安全、高效运行的重要保障，也是加快推进智能电网必不可少的途径之一。国内外很多专家都对电池的研究有着自己的理解，但是仍未能够精确的预测电池SOC，这就给智能电网的发展带来了障碍。因此，精确地估计电池SOC的值对智能电网的发展具有非常重要的意义，为中国的电网发展做出了贡献。

电池具有强非线性，其SOC的值主要受电压、电流、温度等影响。

常用的电池SOC预测方法有卡尔曼滤波算法、开路电压法、安时积分法、内阻法以及机器学习算法等。当下最常用的方法当属卡尔曼滤波算法和机器学习算法，但卡尔曼滤波算法对模型有着很高的要求，需要很多种类的数据，还需要做参数辨识，过分依赖模型的精确度，而且计算量相当大。机器学习虽然也需要大量数据，但是，所需数据种类却不多，一般而言只需要电流值、电压值、环境温度等即可，计算量也不是很大，而且通常来说精度更高，相比较其他几种方法而言，优点大于缺点。

发明内容

本发明的目的是为了解决当前电池SOC估计精度不高这一问题，提供了一种基于Stacking方法将改进支持向量回归(PSO-SVR)、AdaBoost、随机森林(RF)三种模型进行融合的集成算法对电池SOC估计的方法。该方法考虑了电压、电流、环境温度以及扩展的特征(输出功率)对SOC的影响，将三种算法的优点进行集成，这一方法有效地解决了SOC估计精度不高这一问题，提高了SOC的估计精度，能够应用于实际工程中。

一种基于模型融合思想对电池SOC的估计方法，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；

步骤3，进行特征工程筛选和扩展；

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，K折交叉验证方法对数据集处理；

步骤6，基于Stacking方法将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。

进一步地，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。