纯电动汽车动力电池荷电状态预测方法及预测系统技术方案

本发明专利技术涉及一种纯电动汽车动力电池荷电状态预测方法及预测系统，其中，本荷电状态预测方法，包括如下步骤：步骤S1，对动力电池的各外部特性参数进行采集；步骤S2，对各外部特性参数进行数据挖掘；以及步骤S3，建立多输入参数组合的多重动态决策树模型，以获得荷电状态的预测值；本发明专利技术的电池荷电状态预测方法及预测系统采用多重动态决策树模型实现外部特性参数进行挖掘，以获得有效数据，剔除无用数据，避免数据冗余，同时加快预测时间；尤其是在考虑到电池馈能以及工况不断变化的情况下，依然能够实时准确地预测出电池荷电状态值，实用性强，有效性高。

【技术实现步骤摘要】

本专利技术涉及一种纯电动汽车动力电池荷电状态预测方法及预测系统。
技术介绍
动力电池作为纯电动汽车动力系统的关键部件，对整车系统的动力性、安全性以及经济性至关重。为保证电池性能良好，延长其使用寿命，需要对电池进行合理的管理与控制，但是前提必须是准确而又可靠地获得电池的荷电状态。正如普通车辆必须监视油箱内燃油的容量一样，纯电动汽车也需要知道其动力电池能量，而荷电状态是反映电池能量的重要参数，所以，如何正确获得动力电池荷电状态成为纯电动汽车应用的重要环节。荷电状态作为电池的内部特性不可以直接对其进行测量，只能通过对电池电压、电流、温度等一些直接测量的外部特性参数预测而得。常用的动力电池荷电状态预测方法可以分为以下六类：(1)基于经验方程和数学模型，或者等效电路的估计方法。这些数学模型的参数主要通过恒流充放电特性获得，这种稳态模型不能完全正确地反映电池的动态特性；(2)基于安时计量的预测方法。安时计量法结构简单，操作方便，但是在应用中存在精度不高的缺陷；(3)基于开路电压的预测方法。开路电压法是目前最常用的SOC预测方法之一，将稳定的开路电压直接表示蓄电池当前的容量，操作简单，但是在测量开路电压时，需考虑电池的电化学和热力学平衡，同时开路电压的稳定需要很长的时间；(4)基于蓄电池内阻特性的预测方法。内阻法是将交流电注入到蓄电池，然后通过内阻和容量的关系来判断蓄电池当前容量，预测SOC极值时精度较高，但是内阻受蓄电池温度、静置时间和充放电初始状态等因素的影响，与SOC的关系不稳定，而且蓄电池内阻测量仪价格高，体积大；(5)基于卡尔曼滤波器递推算法的预测方法。卡尔曼滤波法将蓄电池看作动态系统，SOC作为系统内部的一个状态量，该方法需要选择动态系统的描述方程，递推过程也涉及到复杂的矩阵求逆运算。同时，卡尔曼滤波器作为递推算法，对初值的选择十分敏感，错误的初值导致估计的不断恶化，初始SOC0可以使用开路电压进行给定，但用于递推的其他初值并没有较好的方式确定；(6)基于神经网络的预测方法。利用神经网络较强的非线性映射能力来实现蓄电池SOC的预测。该方法避免了传统方法对模型和参数的依赖，不需要外加电流和信号处理，提高了系统鲁棒性和抗干扰能力。但神经网络目前还存在过拟合、易陷入局部极值、结构设计依赖于经验等缺陷。从上述内容可知，国内外学者提出了大量的动力电池荷电状态预测方法，通过比较方法来判别荷电状态预测精度的高与低。这种过度依赖算法，试图从算法上对荷电状态的精确预测求得突破，往往忽略了电池数据本身固有的特性。然而在实践中，动力电池的外部特性参数种类较多，数据量较大，大数据下各类算法并不能凸显其优势，因此有必要采用数据挖掘技术对电池数据进行深入挖掘，找到真正适合进行荷电状态预测的那部分数据。在数据挖掘的基础上，在利用切合实际的算法对动力电池荷电状态进行精确预测。此外，动力电池外部特性参数包括电压、电流、温度和内阻等，在实际预测中并不是将所有参数都用于预测，就能获得较好的预测结果，预测输入会出现多种组合，如(电压，电流)、(电压，电流，温度)、(电压，电流，内阻)等等，不同的组合可能得出的分类效果也有所不同，精度也必然不同，因此最优输入组合有待确定。汽车在行驶过程中，其运行状态有可能会发生变化，比如路上车辆较多，出现拥堵情况，直接导致汽车由巡航状态变为减速或者制动状态，此时汽车并没有按照循序工况的路径行驶，这都将对动力电池荷电状态的精确预测产生很大的影响。
技术实现思路
本专利技术的目的是提供一种荷电状态预测方法及预测系统，其通过构建多重动态决策树模型，以获得荷电状态的精确预测值。为了解决上述技术问题，本专利技术提供了一种荷电状态预测方法，包括如下步骤：步骤S1，对动力电池的各外部特性参数进行采集；步骤S2，对各外部特性参数进行数据挖掘；以及步骤S3，建立多输入参数组合的多重动态决策树模型，以获得荷电状态的预测值。进一步，所述步骤S1中对动力电池的各外部特性参数进行采集的方法包括：通过建立的纯电动汽车模型，采集动力电池的各外部特性参数；其中各外部特性参数包括：电压、电流、温度和内阻。进一步，所述步骤S2中对各外部特性参数进行数据挖掘的步骤，即采用决策树数据挖掘技术对采集好的各外部特性参数进行挖掘，找出其与电池荷电状态存在的对应关系，再对数据进行处理，使其成为符合荷电状态精确预测的有效数据。进一步，所述步骤S3中建立多输入参数组合的多重动态决策树模型，以获得荷电状态的预测值，即建立多输入参数组合的多重动态决策树模型，以确定预测方法的最优输入参数组合,根据车辆的实际运行情况对多重动态决策树模型进行动态修正，以得到荷电状态精确预测值。进一步，所述确定预测方法的最优输入参数组合的方法包括：步骤S31，建立若干参数组合；步骤S32，通过多重动态决策树模型，选出预测精度最高的参数组合，以作为最优输入参数组合；其中若干参数组合包括：电压和电流组合，电压和内阻组合，电压和温度组合，电流和内阻组合，电流和温度组合，内阻和温度组合，电压、电流和内阻组合，电压、电流和温度组合，电压、内阻和温度组合，电压、电流、内阻和温度组合。又一方面，为了解决同样的技术问题，本专利技术还提供了一种荷电状态预测系统。所述荷电状态预测系统包括：用于获得荷电状态预测值的多重动态决策树模型。进一步，所述荷电状态预测系统还包括：纯电动汽车模型，且通过该纯电动汽车模型采集动力电池的各外部特性参数；其中各外部特性参数包括：电压、电流、温度和内阻。进一步，采用数据挖掘技术对采集好的各外部特性参数进行挖掘，找出其与电池荷电状态存在的对应关系，再对数据进行处理，使其成为符合荷电状态精确预测的有效数据。进一步，所述多重动态决策树模型适于通过多输入参数组合，确定多重动态决策树模型的最优输入参数组合,根据车辆的实际运行情况对多重动态决策树模型进行动态修正，以得到荷电状态精确预测值。进一步，所述确定多重动态决策树模型的最优输入参数组合，即建立若干参数组合；以及通过多重动态决策树模型，选出预测精度最高的参数组合，以作为最优输入参数组合；其中若干参数组合包括：电压和电流组合，电压和内阻组合，电压和温度组合，电流和内阻组合，电流和温度组合，内阻和温度组合，电压、电流和内阻组合，电压、电流和温度组合，电压、内阻和温度组合，电压、电流、内阻和温度组合。本专利技术的有益效果是，本专利技术的电池荷电状态预测方法及预测系统采用多重动态决策树模型实现外部特性参数进行挖掘，以获得有效数据，剔除无用数据，避免数据冗余，同时加快预测时间；尤其是在考虑到电池馈能以及工况不断变化的情况下，依然能够实时准确地预测出电池荷电状态值，实用性强，有效性高。附图说明下面结合附图和实施例对本专利技术进一步说明。图1是纯电动汽车整车系统开发图；图2是本专利技术中动力电池的数据样本采集图；图3是基于多重动态决策树模型的纯电动汽车动力电池荷电状态预测原理图；图4是建立的多输入组合的多重动态决策树模型；图5是多重动态决策树模型在线预测框图。具体实施方式现在结合附图对本专利技术作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本专利技术的基本结构，因此其仅显示与本专利技术有关的构成。电池荷电状态预测方法及预测本文档来自技高网...

【技术保护点】
一种荷电状态预测方法，其特征在于，包括如下步骤：步骤S1，对动力电池的各外部特性参数进行采集；步骤S2，对各外部特性参数进行数据挖掘；以及步骤S3，建立多输入参数组合的多重动态决策树模型，以获得荷电状态的预测值。

【技术特征摘要】
1.一种荷电状态预测方法，其特征在于，包括如下步骤：步骤S1，对动力电池的各外部特性参数进行采集；步骤S2，对各外部特性参数进行数据挖掘；以及步骤S3，建立多输入参数组合的多重动态决策树模型，以获得荷电状态的预测值。2.根据权利要求1所述的荷电状态预测方法，其特征在于，所述步骤S1中对动力电池的各外部特性参数进行采集的方法包括：通过建立的纯电动汽车模型，采集动力电池的各外部特性参数；其中各外部特性参数包括：电压、电流、温度和内阻。3.根据权利要求2所述的荷电状态预测方法，其特征在于，所述步骤S2中对各外部特性参数进行数据挖掘的步骤，即采用决策树数据挖掘技术对采集好的各外部特性参数进行挖掘，找出其与电池荷电状态存在的对应关系，再对数据进行处理，使其成为符合荷电状态精确预测的有效数据。4.根据权利要求3所述的荷电状态预测方法，其特征在于，所述步骤S3中建立多输入参数组合的多重动态决策树模型，以获得荷电状态的预测值，即建立多输入参数组合的多重动态决策树模型，以确定预测方法的最优输入参数组合,根据车辆的实际运行情况对多重动态决策树模型进行动态修正，以得到荷电状态精确预测值。5.根据权利要求4所述的荷电状态预测方法，其特征在于，所述确定预测方法的最优输入参数组合的方法包括：步骤S31，建立若干参数组合；步骤S32，通过多重动态决策树模型，选出预测精度最高的参数组合，以作
\t为最优输入参数组合；其中若干参数组合包括：电压和电流组合，电压和内阻组合，电压和温度组合...

【专利技术属性】
技术研发人员：王琪，罗印升，陈太洪，倪福银，邢绍邦，
申请(专利权)人：江苏理工学院，
类型：发明
国别省市：江苏;32