新能源汽车锂电池状态预测方法、装置、设备及存储介质制造方法及图纸

本发明专利技术属于锂电池技术领域，具体涉及新能源汽车锂电池状态预测方法、装置、设备及存储介质，通过获取锂电池的特征数据，形成训练集；对所述训练集的特征数据进行预处理；基于预处理后的数据进行特征构建，获取分类特征；将所述分类特征输入机器学习模型进行训练，得到预测模型；获取当前锂电池的特征数据，作为预测数据集输入训练好的预测模型，得到预测结果。本发明专利技术采用改进的随机森林算法，为能够准确分类少数类样本的决策树赋予更高的权重，并通过加权投票的方式获得预测结果，减轻了模型训练对样本的依赖性问题，在训练样本数量较少的情况下也具有较好的预测精度，同时具有较强的鲁棒性和泛化能力，避免产生过拟合的现象。避免产生过拟合的现象。避免产生过拟合的现象。

【技术实现步骤摘要】
新能源汽车锂电池状态预测方法、装置、设备及存储介质


[0001]本专利技术属于锂电池
，具体涉及新能源汽车锂电池状态预测方法、装置、设备及存储介质。

技术介绍

[0002]锂电池按照其使用领域、原材料以及结构工艺的差异，分为多种类型。其中，动力型锂电池由于具有能量密度高与容量大的特点，在新能源电动汽车与储能电站等领域得到了广泛的应用。目前，单个电池单体的工作电压通常在3V左右，且容量有限，无法满足新能源电动汽车或其他电力设备高功率和大容量的供电需求。因此，需要使用较多的锂电池单体，并采用多并和多串的方式，得到工作电压和放电功率较高的锂电池组，来更好地满足用电设备的要求。而锂电池组的安全稳定的运行，需要电池管理系统对其进行监控和管理，对锂电池寿命进行合理预测；现有技术在实现新能源汽车锂电池状态的预测过程中的训练模型时，模型训练速度慢，尤其是当训练样本不足时，模型的训练性能将大打折扣。

技术实现思路

[0003]为了克服现有技术的不足，本专利技术提供新能源汽车锂电池状态预测方法、装置、设备及存储介质，以解决现有技术存在的问题。
[0004]本专利技术其中一方案提供了一种新能源汽车锂电池状态预测方法，所述方法包括：
[0005]获取锂电池的特征数据，形成训练集；
[0006]对所述训练集的特征数据进行预处理；
[0007]基于预处理后的数据进行特征构建，用于获取分类特征；
[0008]将所述分类特征输入机器学习模型进行训练，得到预测模型；
[0009]获取当前锂电池的特征数据，作为锂电池状态的预测数据集；
[0010]将所述预测数据集输入训练好的预测模型，得到锂电池状态的预测结果。
[0011]在本专利技术其中一个优选方案中，所述特征数据为所述锂电池的性能参数，包括：荷电状态、电池容量、功率状态、能量状态、电池内阻、库伦效率以及自放电率。
[0012]在本专利技术其中一个优选方案中，所述对所述训练集的特征数据进行预处理包括：输入特征数据进行标准化，公式为：
[0013][0014]其中,μ和σ为数据的平均值与标准差,x和x
′
为标准化前后的数据。
[0015]在本专利技术其中一个优选方案中，所述基于预处理后的数据进行特征构建，用于获取分类特征包括：
[0016]选择信息增益来进行特征选取，输入的n个样本信息可用Y＝y1,y2,y3,
…
，y
n
}表示，这些样本分为l类，假设k类样本在Y中所占比例可用p
k
表示，则Y的信息熵可表示为：
[0017][0018]假设对于某个离散特征A，存在v种离散值，在特征A的信息确定的情况下，各分类出现的不确定之和为：
[0019][0020]式中，Y
i
表示Y存在j种离散值；
[0021]将以上两个式子作减，可得Y中特征A的信息增益：
[0022]Gain(A)＝Info(Y)
‑
Info
A
(Y)
[0023]通过上式计算得到的特征A的信息增益数值越大，表明分类时的不确定性越小，特征划分的效果越好；
[0024]根据信息增益数值从大到小依次排序，选取靠前的多个特征作为分类特征，并用集合X＝x1,x2,
…
,x
k
}表示。
[0025]在本专利技术其中一个优选方案中，所述方法采用基于改进随机森林算法的机器学习模型，将所述分类特征输入机器学习模型进行训练，得到预测模型包括：
[0026]在决策树训练阶段，评估每棵决策树的分类性能，为能够准确分类少数类样本的决策树赋予一个更高的权重，并通过加权投票的方式获得最终的预测结果。
[0027]在本专利技术其中一个优选方案中，所述方法还包括：将所述预测模型的预测结果定义为
[0028][0029]其中：N为测试集；T为决策树的数量；I(
·
)为指示函数；f
t
(N)为第t棵决策树的预测结果；y表示类别；ω
t
为第t棵决策树的投票权重，当决策树的预测结果为真时，指示函数I(
·
)的值为1，反之为0；
[0030]以及，使用每棵决策树对失稳样本分类的精确率P
re
和召回率R
ec
的调和平均值作为该树的权重，将每棵树的投票权值ω
t
定义为
[0031][0032][0033][0034]其中，TP表示将稳定样本判别为稳定样本，FN表示将稳定样本判别为失稳样本，FP表示将失稳样本判别为稳定样本，TN表示将失稳样本判别为失稳样本；F1越大，表明决策树对少数类样本的分类性能越好。
[0035]在本专利技术其中一个优选方案中，所述预测结果可分为为一级预测等级、二级预测等级或三级预测等级，根据所述锂电池的预测等级进行相应的预测提示。
[0036]在本专利技术其中一个优选方案中还指出了一种新能源汽车锂电池状态预测装置，所述装置包括：
[0037]第一数据获取模块，用于获取锂电池的特征数据，制作成训练集；
[0038]数据预处理模块，用于对所述训练集的特征数据进行预处理；
[0039]特征构建模块，基于预处理后的数据进行特征构建，用于获取分类特征；
[0040]模型训练模块，将所述分类特征输入机器学习模型进行训练，得到预测模型；
[0041]第二数据获取模块，通过传感器获取当前锂电池的特征数据，作为锂电池状态的预测数据集；
[0042]处理模块，将所述预测数据集输入训练好的预测模型，得到锂电池状态的预测结果；
[0043]预测状态提示模块，用于根据所述预测结果确定预测等级，根据所述锂电池的预测等级进行相应的预测提示。
[0044]在本专利技术其中一个优选方案中还指出了一种新能源汽车锂电池状态预测终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述多个方案中任意一项所述的新能源汽车锂电池状态预测方法。
[0045]在本专利技术其中一个优选方案中还指出了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述多个方案中任意一项所述的新能源汽车锂电池状态预测方法。
[0046]本专利技术以上方案所提供的一种新能源汽车锂电池状态预测方法、装置、设备及存储介质，通过获取锂电池的特征数据，形成训练集；对所述训练集的特征数据进行预处理；基于预处理后的数据进行特征构建，用于获取分类特征；将所述分类特征输入机器学习模型进行训练，得到预测模型；获取当前锂电池的特征数据，作为锂电池状态的预测数据集；将所述预测数据集输入训练好的预测模型，得到锂电池状态的预测结果。与现有技术相比，本专利技术采用改进的随机森林算法构建预测模型进行新能源汽车本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种新能源汽车锂电池状态预测方法，其特征在于，所述方法包括：获取锂电池的特征数据，形成训练集；对所述训练集的特征数据进行预处理；基于预处理后的数据进行特征构建，用于获取分类特征；将所述分类特征输入机器学习模型进行训练，得到预测模型；获取当前锂电池的特征数据，作为锂电池状态的预测数据集；将所述预测数据集输入训练好的预测模型，得到锂电池状态的预测结果。2.如权利要求1所述的新能源汽车锂电池状态预测方法，其特征在于，所述特征数据为所述锂电池的性能参数，包括：荷电状态、电池容量、功率状态、能量状态、电池内阻、库伦效率以及自放电率。3.如权利要求1所述的新能源汽车锂电池状态预测方法，其特征在于，所述对所述训练集的特征数据进行预处理包括：输入特征数据进行标准化，公式为：其中,μ和σ为数据的平均值与标准差,x和x
′
为标准化前后的数据。4.如权利要求1所述的新能源汽车锂电池状态预测方法，其特征在于，所述基于预处理后的数据进行特征构建，用于获取分类特征包括：选择信息增益来进行特征选取，输入的n个样本信息可用Y＝y1,y2,y3,
…
，y
n
}表示，这些样本分为l类，假设k类样本在Y中所占比例可用p
k
表示，则Y的信息熵可表示为：假设对于某个离散特征A，存在v种离散值，在特征A的信息确定的情况下，各分类出现的不确定之和为：式中，Y
i
表示Y存在j种离散值；将以上两个式子作减，可得Y中特征A的信息增益：Gain(A)＝Info(Y)
‑
Info
A
(Y)通过上式计算得到的特征A的信息增益数值越大，表明分类时的不确定性越小，特征划分的效果越好；根据信息增益数值从大到小依次排序，选取靠前的多个特征作为分类特征，并用集合X＝x1,x2,
…
,x
k
}表示。5.如权利要求4所述的新能源汽车锂电池状态预测方法，其特征在于，所述方法采用基于改进随机森林算法的机器学习模型，将所述分类特征输入机器学习模型进行训练，得到预测模型包括：在决策树训练阶段，评估每棵决策树的分类性能，为能够准确分类少数类样本的决策树赋予一个更高的权...

【专利技术属性】
技术研发人员：黄莉，冉光伟，刘棨，邓晨，舒选才，周健珊，
申请(专利权)人：星河智联汽车科技有限公司，
类型：发明
国别省市：