基于改进CART算法的退役动力电池等级分类方法技术

基于改进CART决策树算法的退役动力电池等级筛选方法，其目的是将改进CART决策树算法用于退役动力电池等级分类，提高等级分类效率，为退役动力电池梯次利用打下一定基础。其步骤为：首先，在选择属性分割点时，结合Fayyad边界点判定定理确定退役动力电池各特征属性的最优阈值点，并计算最优阈值点处的Gini系数；然后，将退役动力电池每个特征属性的最优阈值点作为决策树的分裂条件，依次进行二分裂，直到所有叶子节点中的退役动力电池属于同一类为止，生成决策树；最后，采用代价复杂度剪枝算法对决策树进行剪枝，防止出现过拟合，提高决策树的泛化性能，得到退役动力电池等级筛选最优决策树。选最优决策树。选最优决策树。

【技术实现步骤摘要】
基于改进CART算法的退役动力电池等级分类方法


[0001]本专利技术涉及退役电池再次利用的
，尤其涉及电动汽车退役动力电池等级分类技术。

技术介绍

[0002]到2035年，纯电动汽车将成为新销售车辆的主流，公共领域用车全面电动化，电动汽车保有量将继续迎来大幅度提升。但车用动力电池在使用几年后，其性能会逐步衰减，当无法满足电动汽车正常使用要求时，就会从电动汽车上退役下来。在不同的使用环境下，动力电池的衰减程度不同，如果不经过筛选分类直接梯次利用，可能会导致电池的过充、过放甚至爆炸等危险。在此背景下，如何实现电动汽车退役电池的筛选分类是亟需解决的关键问题。
[0003]现有的分类方法主要有单参数筛选、多参数筛选和特征曲线筛选法。单参数筛选法只测定一个参数，往往不能表征退役动力电池的整体性能。多参数筛选法是通过测定多个参数来完成筛选，筛选效果较好，但是筛选效率较低。特征曲线筛选法是向退役动力电池施加特定的输入，然后对退役动力电池的充放电特性曲线进行对比，实现筛选。特征曲线法的筛选效果要优于前两种方法，但获取特征曲线相对困难，因此该方法也不能有效应对大规模退役动力电池的筛选。
[0004]本申请将CART决策树算法与Fayyad边界点判定定理相结合，通过选取属性最优阈值点来减少算法计算量，将改进CART决策树算法应用于退役动力电池等级筛选，以提高筛选效率。该方法与单参数筛选法、多参数筛选法以及特征曲线筛选法相比，能够在保持较高准确率的情况下，提高退役动力电池等级分类的效率。

技术实现思路
r/>[0005]本专利技术的目的是将改进CART决策树算法用于退役动力电池等级分类，提高等级分类效率，为退役动力电池梯次利用打下一定基础。
[0006]本专利技术是基于改进CART算法的退役动力电池等级分类方法，其步骤为：
[0007]步骤(1)对退役动力电池样本集进行划分，将60％的退役动力电池样本数据用于模型训练，40％的样本数据用于模型性能评估；
[0008]步骤(2)选取容量A1、内阻A2和二次循环寿命A3作为电动汽车退役动力电池等级分类的特征依据；
[0009]步骤(3)结合Fayyad边界点判定定理，在选择退役动力电池属性分割点时，对于连续特征属性A1、A2、A3，为找到使得退役动力电池样本集平均类熵达到最小值的阈值点，分别将决策树节点所有样本按照属性A1、A2、A3的具体数值升序排列后，两个相邻异类样本之间的分界点即为属性A1、A2、A3的最优阈值点；
[0010]步骤(4)在选取退役动力电池属性分割点时，不需要计算每个分割点处的Gini系数，只需计算退役动力电池特征属性阈值点处的Gini系数即可；将具有最小Gini系数的特
征属性阈值点作为决策树的根节点，把初始退役动力电池数据集S分为两个数据子集S1和S2，对S1和S2继续递归，建立退役动力电池决策树的子节点，直到所有子节点中的退役动力电池属于同一类为止；
[0011]步骤(5)通过考察决策树最大深度和退役动力电池等级分类准确率的关系，找到最大决策树深度；考察成本复杂性参数与叶节点总不纯度的关系，对决策树进行剪枝，防止其出现过拟合；
[0012]步骤(6)根据前面退役动力电池分类的最优决策树参数，即最大决策树深度和最优成本复杂性参数，生成等级分类决策树，实现对退役动力电池的分类；
[0013]步骤(7)依据改进CART决策树算法的分类结果，按照退役动力电池容量和内阻相对于额定容量和额定内阻的大小，将其用于性能要求较低的应用场景。
[0014]本专利技术的有益之处在于：本专利技术以退役动力电池特征属性为依据，提出了一种基于改进 CART算法的退役电池等级分类方法。将传统CART算法与Fayyad边界点判定定理结合，在选择内部分裂点时，只计算最优分割阈值点处的Gini系数，克服了传统CART算法计算量大的问题，提高了等级分类的效率。
附图说明
[0015]图1是基于CART算法的退役电池等级分类流程图，图2决策树最大深度和准确率的关系。
具体实施方式
[0016]本专利技术是基于改进CART算法的退役动力电池等级分类方法，其步骤为：
[0017]步骤(1)对退役动力电池样本集进行划分，将60％的退役动力电池样本数据用于模型训练，40％的样本数据用于模型性能评估；
[0018]步骤(2)选取容量A1、内阻A2和二次循环寿命A3作为电动汽车退役动力电池等级分类的特征依据；
[0019]步骤(3)结合Fayyad边界点判定定理，在选择退役动力电池属性分割点时，对于连续特征属性A1、A2、A3，为找到使得退役动力电池样本集平均类熵达到最小值的阈值点，分别将决策树节点所有样本按照属性A1、A2、A3的具体数值升序排列后，两个相邻异类样本之间的分界点即为属性A1、A2、A3的最优阈值点；
[0020]步骤(4)在选取退役动力电池属性分割点时，不需要计算每个分割点处的Gini系数，只需计算退役动力电池特征属性阈值点处的Gini系数即可；将具有最小Gini系数的特征属性阈值点作为决策树的根节点，把初始退役动力电池数据集S分为两个数据子集S1和S2，对S1和S2继续递归，建立退役动力电池决策树的子节点，直到所有子节点中的退役动力电池属于同一类为止；
[0021]步骤(5)通过考察决策树最大深度和退役动力电池等级分类准确率的关系，找到最大决策树深度；考察成本复杂性参数与叶节点总不纯度的关系，对决策树进行剪枝，防止其出现过拟合；
[0022]步骤(6)根据前面退役动力电池分类的最优决策树参数，即最大决策树深度和最优成本复杂性参数，生成等级分类决策树，实现对退役动力电池的分类；
[0023]步骤(7)依据改进CART决策树算法的分类结果，按照退役动力电池容量和内阻相对于额定容量和额定内阻的大小，将其用于性能要求较低的应用场景。
[0024]以下结合附图对本专利技术作进一步详细说明。
[0025]本专利技术的基于改进CART算法的退役动力电池等级分类方法，其流程如图1所示，具体为以下步骤：
[0026]步骤(1)选取200个4台电动大巴车运行三年后的退役动力电池样本，将其中60％的退役动力电池样本数据用于模型训练，40％的样本数据用于模型性能评估；
[0027]步骤(2)选取容量、内阻和二次循环寿命作为电动汽车退役动力电池等级分类的特征依据；
[0028]步骤(3)在退役动力电池属性最优分割阈值选择时，结合Fayyad边界点判定定理；即对于连续属性A，使得样本集合的平均类熵达到最小值的T，总是处于排序后样本序列中的两个相邻异类样本之间，也即使得样本集合的平均类熵达到最小值的T是属性A的一个分割点；对退役动力电池特征属性A的一个边界点T，划分退役动力电池样本S的平均类熵定义如下式：
[0029][0030]其中，S
a
为退役动力电池样本集S在属性A上取值小于等于T的子集，S
b
为大于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于改进CART算法的退役动力电池等级分类方法，其特征在于，其步骤为：步骤(1)对退役动力电池样本集进行划分，将60％的退役动力电池样本数据用于模型训练，40％的样本数据用于模型性能评估；步骤(2)选取容量A1、内阻A2和二次循环寿命A3作为电动汽车退役动力电池等级分类的特征依据；步骤(3)结合Fayyad边界点判定定理，在选择退役动力电池属性分割点时，对于连续特征属性A1、A2、A3，为找到使得退役动力电池样本集平均类熵达到最小值的阈值点，分别将决策树节点所有样本按照属性A1、A2、A3的具体数值升序排列后，两个相邻异类样本之间的分界点即为属性A1、A2、A3的最优阈值点；步骤(4)在选取退役动力电池属性分割点时，不需要计算每个分割点处的Gini系数，只需计算退役动力电池特征属性...

【专利技术属性】
技术研发人员：刘永成，刘杰文，赵春娟，宋伟，杨茜，王海亮，杨昌海，王兴贵，宋汶秦，
申请(专利权)人：兰州理工大学，
类型：发明
国别省市：