基于梯度增强决策树的改进单粒子电化学模型建模方法技术

本发明专利技术公开了一种基于梯度增强决策树的改进单粒子电化学模型建模方法，基于梯度增强决策树的改进单粒子电化学模型建模方法，包括以下步骤：S1，采集开路电压数据并进行预处理；S2，建立SPM并获取正负极表面锂离子浓度数据；S3，建立基于GBDT的模型；S4，获取模型输入和输出数据对模型准确度进行校验。解决了现有的电池模型不能准确追踪电池的荷电状态并估计其寿命的问题，本发明专利技术中，采集开路电压，建立SPM用于获取正负极表面锂离子浓度，并建立基于GBDT的模型，最后进行准确度校验，本发明专利技术的方法大大提升了模型准确性，计算相对简单，效率高。高。

【技术实现步骤摘要】
基于梯度增强决策树的改进单粒子电化学模型建模方法


[0001]本专利技术涉及单粒子电化学模型领域，尤其是基于梯度增强决策树的改进单粒子电化学模型建模方法。

技术介绍

[0002]在大型的储能系统中，一个电池的故障就可能会对整个系统造成危险。因此需要一个可靠的电池管理系统(Battery Management System，BMS)来控制电池的充放电过程，以确保系统的安全运行。BMS的功能除了电池均衡和热管理之外，还需准确追踪电池的荷电状态并估计其寿命，对此就需要精确的电池模型。
[0003]锂离子电池常用的等效模型分别为等效电路模型(Equivalent Circuit Model，ECM)、经验模型和电化学模型。ECM通过几个电阻
‑
电容网络来近似电池的结构。由于结构简单、计算复杂度低，被广泛用于在线SOC和SOH估计与控制应用。但缺点在于为了拟合动态电化学过程和老化效应，需要将ECM扩展到更高阶的电路。同时该模型中的许多参数需根据SOC、温度、电流幅值和电流方向查表确定。经验模型通过使用各种函数和公式来描述其电池行为。由于这些模型采用了过去的实验数据进行拟合，因此对于未知工作条件下的预测性能差，普适性低。
[0004]在中国专利文献上公开的“电池寿命预测方法、装置、云端服务器及存储介质”，其公开号为CN114330149A，公开了一种电池寿命预测方法、装置、云端服务器及存储介质，其中方法包括：确定经验模型，并采用经验模型学习电池历史数据轨迹；基于电池历史数据估计电池容量状态，获得第一估计结果，并在学习电池历史数据轨迹的过程中，根据第一估计结果对经验模型的参数进行修正；确定机理模型，并根据机理模型估计电池容量状态，获得第二估计结果；采用修正后的经验模型对电池寿命进行预测，并在预测过程中，根据第二估计结果对修正后的经验模型参数再次进行修正，最终获得电池寿命预测结果。但是，公开号为CN114330149A的中国专利预测性能差，普适性低。

技术实现思路

[0005]本专利技术解决了现有的电池模型不能准确追踪电池的荷电状态并估计其寿命的问题，提出基于梯度增强决策树的改进单粒子电化学模型建模方法，采集开路电压，建立SPM用于获取正负极表面锂离子浓度，并建立基于GBDT的模型，最后进行准确度校验，本专利技术的方法大大提升了模型准确性，计算相对简单，效率高。
[0006]为了实现上述目的，本专利技术采用以下技术方案：一种基于梯度增强决策树的改进单粒子电化学模型建模方法，包括以下步骤：S1，采集开路电压数据并进行预处理；S2，建立SPM并获取正负极表面锂离子浓度数据；S3，建立基于GBDT的模型；S4，获取模型输入和输出数据对模型准确度进行校验。
[0007]本专利技术中，首先，采集得到多组开路电压数据并进行预处理，预处理完成后，得到正负极表面锂离子浓度数据，具体通过建立的SPM，根据开路电压数据与正负极表面锂离子浓度数据之间的关系求出；在确定开路电压数据以及正负极表面锂离子浓度数据之后，两者作为输入和输出，创建基于GBDT的模型，最后对模型数据进行准确度校验，排出异常数据；本专利技术的模型准确性高。本专利技术通过梯度增强决策树建立其锂离子浓度与开路电压关系，从而实现更精准的电池端电压拟合。
[0008]作为优选，所述步骤S1包括以下步骤：S11，选取多个温度条件，分别把电池充放电至设定的SOC，稳定后采集开路电压数据；S12，所述开路电压数据应在设置的阈值范围内，去除异常数据，并新增历史日相同温度条件下的开路电压数据。本专利技术中，对于采集的条件，温度条件可在密闭的环境下进行控制和设定，在调整至预设定的SOC之后，要等到稳定之后，才能进行采集工作；此外，对于处于设定的阈值范围之外的开路电压数据，予以剔除。
[0009]作为优选，所述步骤S2包括以下步骤:S21，SPM是在P2D模型的基础上，进行了反应过程简化、计算公式近似以及参数约减，其公式如下：V＝E
‑
η
act
‑
η
con
‑
η
ohm
其中，
V
表示电池开路电压，E表示电池开路电势，
ηact
表示反应极化过电势，
ηcon
表示浓差极化过电势，
ηohm
表示欧姆极化过电势；S22，开路电势又表示为：其中，分别表示正负极材料的最大固相嵌锂浓度，表示正负极材料当前的表面嵌锂浓度，具体的，p表示正极，n表示负极；S23，由采集的开路电压数据代入步骤S21和S22的公式，得到正负极表面锂离子浓度数据。本专利技术中，电池端电压归纳为四个过程的共同作用：开路电压、浓差极化过电势、欧姆极化过电势与反应极化过电势；在SPM建立完成后，根据开路电压数据来求出正负极表面锂离子浓度数据。
[0010]作为优选，所述基于GBDT的模型有如下公式，具体为：上式中，x表示输入样本，ω表示模型参数，h表示决策树，α表示每棵树的权重，给定有训练集T＝{(x1,y1),(x2,y2),...,(x
N
,y
N
)}，输入空间X满足输出空间Y满足本专利技术中，GBDT与传统的统计学模型相比，其模型可以有效量化并捕捉不同单位或数量级的自变量对因变量的影响程度；同时，GBDT作为一种决策树的集成模型，它可以找到各种不同的特征值或特征值组合，通过对数据的学习来调整自变量权重，进而提高模型的估计精度。
[0011]作为优选，所述基于GBDT的模型的优化迭代过程包括以下步骤：
S31，初始化第一棵决策树模型，具体如下：其中，L(y
i
,c)表示损失函数，c表示估计使损失函数极小化的常数值；S32，创建M棵决策树，m＝1,2,...,M，得到每个样本的负梯度r
im
和新决策树，之后更新模型，更新模型具体如下：其中，I表示控制负梯度的参数；S33，最终输出强学习机，具体如下：S34，对基于GBDT的模型进行训练；本专利技术中，在建立完成模型后，正负极表面锂离子浓度作为输入，开路电压为输出，输入至基于GBDT的模型。
[0012]作为优选，所述步骤S32包括以下步骤：S321，求出每个样本的负梯度r
im
，具体如下：S322，创建新决策树。本专利技术中，首先确定样本的负梯度，随后建立新决策树。
[0013]作为优选，所述步骤S322包括：把获得的残差作为样本的新值，并把数据(x
i
,r
im
)作为下一棵树的训练数据，用来得到新的回归决策树f
m
(X)，对应的叶节点区域表示为R
jm
，其中j＝1,2,...,J
m
，J
m
表示第m棵回归树叶子节点的个数，其叶面积c
jm
的最佳拟合值如下：本专利技术中，利用上述手段求出最终的叶面积最佳拟合值。
[0014]作为优选，所述步骤S4具体为提取出任意的基于GBDT的模型输本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于梯度增强决策树的改进单粒子电化学模型建模方法，其特征在于，包括以下步骤：S1，采集开路电压数据并进行预处理；S2，建立SPM并获取正负极表面锂离子浓度数据；S3，建立基于GBDT的模型；S4，获取模型输入和输出数据对模型准确度进行校验。2.根据权利要求1所述的基于梯度增强决策树的改进单粒子电化学模型建模方法，其特征在于，所述步骤S1包括以下步骤：S11，选取多个温度条件，分别把电池充放电至设定的SOC，稳定后采集开路电压数据；S12，所述开路电压数据应在设置的阈值范围内，去除异常数据，并新增历史日相同温度条件下的开路电压数据。3.根据权利要求1或2所述的基于梯度增强决策树的改进单粒子电化学模型建模方法，其特征在于，所述步骤S2包括以下步骤:S21，SPM是在P2D模型的基础上，进行了反应过程简化、计算公式近似以及参数约减，其公式如下：V＝E
‑
η
act
‑
η
con
‑
η
ohm
其中，
V
表示电池开路电压，E表示电池开路电势，η
act
表示反应极化过电势，η
con
表示浓差极化过电势，η
ohm
表示欧姆极化过电势；S22，开路电势又表示为：其中，分别表示正负极材料的最大固相嵌锂浓度，表示正负极材料当前的表面嵌锂浓度，具体的，p表示正极，n表示负极；S23，由采集的开路电压数据代入步骤S21和S22的公式，得到正负极表面锂离子浓度数据。4.根据权利要求3所述的基于梯度增强决策树的改进单粒子电化学模型建模方法，其特征在于，所述基于GBDT的模型有如下公式，具体为：上式中，x表示输入样本，ω表示模型参数，h表示决策树，α表示每棵树的权重，给定有训练集T＝{(x1,y1),(x2,y2),...,(x
N
,y
N
)}，输入空...

【专利技术属性】
技术研发人员：施敏达，慈松，胡景博，王子毅，仲立军，张从佳，王征，陈爱琢，唐锦江，陈悦，陆竑，周杨林，张腾，张明，金艳，谢知非，俞涯，刘智全，周浩，王运方，赵俊，许明敏，顾君佳，沈昊骢，任宝平，黄震宇，吴媖，徐晨，杜斌，赵彦旻，胡喆，
申请(专利权)人：嘉兴恒创电力集团有限公司华创信息科技分公司山东云储新能源科技有限公司，
类型：发明
国别省市：