一种基于XGBoost模型的电池阻抗谱频率重要性分析方法技术

本发明专利技术公开一种基于XGBoost模型的电池阻抗谱频率重要性分析方法，具体实现如下：步骤1：测试并采集电池电化学阻抗谱数据；步骤2.构建XGBoost预测模型，在电池阻抗谱数据采集完毕后，构建XGBoost预测模型；步骤3.训练和检验XGBoost模型，在模型训练中，将数据集按照8:2的比例分成训练集合和测试集合，在训练集合上进行模型训练，在测试集合上验证模型效果。步骤4.计算频率重要性，采取特征在节点分裂时，给模型带来的信息增益优化的平均值作为特征的贡献度；步骤5.计算频率相关性。本发明专利技术通过XGBoost树模型的特征贡献度来衡量电池阻抗谱中频率的重要程度，从电池阻抗谱频率中选取若干重要频率，从而缩小测试电池阻抗谱数据时的频率范围，实现计算阻抗谱频率重要性目的。实现计算阻抗谱频率重要性目的。实现计算阻抗谱频率重要性目的。

【技术实现步骤摘要】
一种基于XGBoost模型的电池阻抗谱频率重要性分析方法


[0001]本专利技术涉及电池电化学
，尤其是一种基于XGBoost模型的电池阻抗谱频率重要性分析方法。

技术介绍

[0002] 电池电化学阻抗谱（Electrochemical Impedance Spectroscopy，EIS）是电池的一种非侵入性的特征，是电化学领域的研究热点之一。电池阻抗谱最常见的研究内容就是预测电池的某些属性，如剩余容量、剩余寿命和健康度等。已经有大量的研究结果表明阻抗谱数据具有良好的预测以上电池属性的能力。
[0003]然而阻抗谱数据一般都是覆盖几十个频率范围，在测试和应用时，比较繁琐。因此通过一些方法找出其中起到关键作用的频率，则可以缩小阻抗检测的范围，起到减少测试数量和简化流程的作用，是目前急需要解决的问题。

技术实现思路

[0004]为了解决上述技术问题，本专利技术提供一种基于XGBoost模型的电池电化学阻抗谱数据中各个频率重要性的计算方法，本专利技术将电池阻抗谱频率作为输入特征，通过XGBoost模型构建了EIS与电池属性之间的映射关系，电池属性选取电池剩余容量，然后通过计算每个特征的贡献度来判定阻抗谱频率的重要程度，从而实现计算阻抗谱频率重要性的目的。
[0005]本专利技术解决其技术问题所采用的技术方案是：一种基于XGBoost模型的电池阻抗谱频率重要性分析方法，包括如下几个步骤：步骤1： 1.测试并采集电池电化学阻抗谱数据：测用专业的阻抗谱测试仪器，并且覆盖一定的频率范围，频率范围设置10
‑2HZ至105HZ，在频率范围中间按一定间隔选取多个频率值。
[0006]步骤2：构建XGBoost预测模型：在电池阻抗谱数据采集完毕之后，构建XGBoost预测模型。输入数据就是电池的电化学阻抗数据，特征维度是频率从高到低对应的阻抗的实部和虚部数据。
[0007]步骤3：训练和检验XGBoost模型：在模型训练中，将数据集按照8:2的比例分成训练集合和测试集合，在训练集合上进行模型训练，在测试集合上验证模型效果，检验指标是预测值和真实值之间的均方误差。
[0008]步骤4：计算频率重要性：训练好XGBoost模型之后，计算特征的贡献度，本专利技术采取特征在节点分裂时，给模型带来的信息增益优化的平均值，作为特征的贡献度。
[0009]步骤5：计算频率相关性：在计算频率重要性的基础上，选取最重要的前15个频率作为重要频率，然后计算这些重要频率的样本值的Person相关系数，并根据相关系数来判断哪些频率之间高度相关。
[0010]进一步的，在步骤1中，采集数据时，需要记录每个频率对应的阻抗的实部和虚部数据，以及需要预测的目标值，比如相对应的电池容量数据、循环次数等。
[0011]进一步的，在步骤2中，可以采用其他树模型，如随机森林、GBDT等也可以用于构建预测模型。
[0012]进一步的，在步骤5中计算频率相关时，取阈值0.7以上为高度相关，选取代表性的频率，去掉其他冗余的频率，起到进一步精简重要频率的作用。
[0013]本专利技术的有益效果是：传统的电池阻抗谱检测需要覆盖较多频率，存在检测时间长，后续利用计算量大等问题。本专利技术充分利用了XGBoost模型的计算速度快、预测效果好，特别是能够计算特征重要性的优点，构建了电池阻抗谱数据与电池剩余容量之间的映射关系，利用XGBoost树模型的特征贡献度来衡量输入特征的重要程度，从电池阻抗谱检测频率中，选取了最重要的若干频率，为检测电池阻抗谱数据时，缩小检测范围提供了依据。
附图说明
[0014]图1是基于XGBoost模型的阻抗谱频率重要性计算流程图。
[0015]图2是本专利技术重要频率相关性热力图。
实施方式
[0016] 图1 基于XGBoost模型的阻抗谱频率重要性计算流程图，如图1所示，首先，需要通过实验的方式采集电池阻抗谱和剩余容量数据；其次，构建XGBoost预测模型，用电池EIS预测电池SOC；再次，训练并检验XGBoost模型；然后，计算频率贡献度，确定重要性频率；最后，计算重要性频率之间的相关系数，选取代表性频率，去掉冗余频率。
[0017]本专利技术在具体实现上，分为以下几个详细步骤：步骤1.测试并采集电池电化学阻抗谱数据：测试和采集电池电化学阻抗谱数据需要专业的阻抗谱测试仪器，并且需要覆盖一定的频率范围，频率范围可以设置10
‑2HZ至105HZ，在频率范围中间按一定间隔选取多个频率值，比如60个。
[0018] 采集数据时，需要记录每个频率对应的阻抗的实部和虚部数据，以及需要预测的目标值，比如相对应的电池容量数据、循环次数等。
[0019]步骤2.构建XGBoost预测模型在电池阻抗谱数据采集完毕之后，构建XGBoost预测模型。输入数据就是电池的电化学阻抗数据，特征维度是频率从高到低对应的阻抗的实部和虚部数据。
[0020]比如如果频率范围中选取了60个频率值，则前60维度的数据对应于60个频率测试得到的阻抗的实部数据，接下来的60维度的数据对应于60个频率测试得到的阻抗的虚部数据，共120维度。
[0021]本专利技术以XGBoost模型为例，其他树模型，如随机森林、GBDT等也可以用于构建预测模型。
[0022]在Python中使用xgboost软件包进行编程，构建XGBoost预测模型，涉及的参数主要有：base_score，所有样本的初始预测分值，默认值为0.5；booster，提升器参数，默认值为'gbtree'；
importance_type，贡献度类型，默认值为'gain'；learning_rate，学习率，默认值为0.3,；max_depth，树的最大深度，默认值为6；min_child_weight，子节点权重的最小总和，默认值为1；n_estimators，树的数量，默认值为100。
[0023]以上参数均取默认值。
[0024]步骤3.训练和检验XGBoost模型：在模型训练中，将数据集按照8:2的比例分成训练集合和测试集合，在训练集合上进行模型训练，在测试集合上验证模型效果，检验指标是预测值和真实值之间的均方误差。
[0025] 在回归预测模型中，均方误差（Mean Square Error, MSE）是检验模型优劣的指标之一，它是检测样本的真实值与预测值的差值的平方求和的平均值，一般用来检测模型的预测值和真实值之间的偏差。均方误差越小，说明模型拟合的越好，效果也越好。
[0026]步骤4.计算频率重要性训练好XGBoost模型之后，计算特征的贡献度，本专利技术采取特征在节点分裂时，给模型带来的信息增益优化的平均值，作为特征的贡献度。
[0027]假设特征k=1,2,...,K，则k的特征贡献度计算公式为：
[0028]其中，k表示某节点；V(k)表示特征k的贡献度；T表示所有树的数量；N(t)表示第t棵树的非叶子节点数量；β(t,i)表示第t本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于XGBoost模型的电池阻抗谱频率重要性分析方法，其特征在于，包括如下几个步骤：步骤1.测试并采集电池电化学阻抗谱数据：测用专业的阻抗谱测试仪器，并且覆盖一定的频率范围，频率范围设置10
‑2HZ至105HZ，在频率范围中间按一定间隔选取多个频率值；步骤2.构建XGBoost预测模型：在电池阻抗谱数据采集完毕之后，构建XGBoost预测模型；输入数据就是电池的电化学阻抗数据，特征维度是频率从高到低对应的阻抗的实部和虚部数据；步骤3.训练和检验XGBoost模型：将数据集按照8:2的比例分成训练集合和测试集合，在训练集合上进行模型训练，在测试集合上验证模型效果，检验指标是预测值和真实值之间的均方误差；步骤4.计算频率重要性：训练好XGBoost模型之后，采取特征在节点分裂时，给模型带来的信息增益优化的平均值，作为特征的贡献度；步...

【专利技术属性】
技术研发人员：胡志超，潘多昭，常伟，夏紫阳，
申请(专利权)人：上海乐驾智慧能源科技有限公司，
类型：发明
国别省市：