【技术实现步骤摘要】
一种利用机器学习预测动力电池当前循环数的方法与系统
[0001]本专利技术涉及动力电池
，尤其涉及一种利用机器学习预测动力电池当前循环数方法与系统。
技术介绍
[0002][0003]动力电池安全性通常分为现场安全性和滥用安全性。电池在长期使用中，放电容量会逐渐下降。主要原因有两极材料的腐蚀、电解液的变化、隔膜老化等。这些现象会导致电池性能的退化，具体表现为放电容量的降低。在IEEE 标准中，若电池的SOH(电池的最大放电容量与其额定容量之比)低于80％，将其定义为故障电池。为避免电池在使用过程中由于老化引发安全隐患，需要对电池的当前循环次数或剩余循环次数进行预测。
技术实现思路
[0004]为解决上述技术问题，本专利技术的目的是提供一种一种利用机器学习预测动力电池当前循环数的方法，该方法可以利用机器学习对动力电池充放过程中的数据进行训练得到能够预测动力电池当前循环数的模型，并且能够有较高的预测精度，该方法适用于各种种类型号的动力电池，可以提高动力电池的滥用安全性。
[0005]为了实现本专利技...
【技术保护点】
【技术特征摘要】
1.一种利用机器学习预测动力电池当前循环数的方法，其特征在于，所述方法包括步骤：获取目标动力电池的历史数据，利用随机森林对历史数据中参量对当前循环数的重要性作评估，建立用于模型训练的数据集；利用混沌麻雀算法进行调参，得到一组相对优的算法所需的超参数；利用CatBoost算法对训练集数据进行训练，得到能够预测与目标动力电池相同种类型号电池的当前循环次数预测模型；将多组动力电池实测数据输入训练得到的当前循环次数预测模型，输出多个当前循环次数的预测值，对多个当前循环次数预测值进行分析，消除噪声数据后得到目标动力电池当前循环次数数值。2.根据权利要求1所述的一种利用机器学习预测动力电池当前循环数的方法，其特征在于，所述建立用于模型训练的数据集的具体步骤包括：获取目标动力电池的历史数据，得到历史数据集；对历史数据集中的历史数据进行数据清洗；利用随机森林对历史数据中参量对当前循环数的重要性作评估，根据重要性确定参量数据：确定选用参量的数量，建立用于模型训练的最优数据集。3.根据权利要求2所述的一种利用机器学习预测动力电池当前循环数的方法，其特征在于，所述利用随机森林对历史数据中参量对当前循环数的重要性作评估，根据重要性确定参量数据，包括：利用随机森林评估参量对当前循环数的重要性；若选用n个参量，利用随机森林直接计算；若选用n
‑
1个参量：排除n次参量，n次排除参量均不同，得到n组n
‑
1个参数的组合；利用随机森林对n组参量数据分别进行计算，得到各组参量对当前循环次数的重要性，并按1，2，...，n
‑
1进行排序，1为重要性最高参数；将各组各参量的序号相加，得到一组一共n个参量的序列，对其以参数名称作代表从低到高排序；序列中排最低的参数对当前循环数影响最高，排最高的参数对当前循环数影响最低；筛除重要性影响最低的参数，剩余n
‑
1参量为选用n
‑
1个参量下的最佳参量，选用这些参量数据建立用于训练模型的数据集。4.根据权利要求2所述的一种利用机器学习预测动力电池当前循环数的方法，其特征在于，所述确定选用参量的数量，建立用于模型训练的最优数据集，包括：混沌麻雀算法每次迭代生成一组超参数数值；CatBoost每次迭代时使用其生成的当前迭代下的那组超参数数值；CatBoost算法对训练集的数据进行训练，对验证集的数据进行验证，每次训练迭代输出模型对训练集及验证集预测的误差值；所设训练迭代次数下最低的那一代验证集预测误差反馈给混沌麻雀算法；混沌麻雀算法根据反馈结果给出下一组超参数数值；
历经所设迭代数后停止，混沌麻雀算法给出最优的一代超参数结果。5.根据权利要求1所述的一种利用机器学习预测动力电池当前循环数的方法，其特征在于，所述利用混沌麻雀算法进行调参，得到一组相对优的算法所需的超参数，包括：设定迭代数iter；每次迭代给出一组CatBoost算法的超参数A
i
；CatBoost算法使用超参数A1对训练集数据进行训练，避免过拟合情况下，经过一定次数的训练得到测试集的相对最低误差值，记为误差值B1；混沌麻雀算法根据误差值B1给出下一组超参数A2；依次循环，直至达到迭代数iter，停止循环，得到一组误差值B1，B2，...，B
iter
；选出B1，B2，.....
【专利技术属性】
技术研发人员：余昭胜，董锦熙，张息奎，邹骑鸿，马晓茜，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。