阅读说明：本技术 一种基于改进随机森林联合容积卡尔曼动力电池荷电状态估计的算法 (Algorithm based on improved random forest combined cubature Kalman power battery state of charge estimation ) 是由 寇发荣 王甜甜 张宏 王思俊 于 2019-12-03 设计创作，主要内容包括：本发明公开了一种基于改进随机森林联合容积卡尔曼动力电池荷电状态估计的算法,用来解决动力电池在工作中荷电状态准确估计的问题。该方法结合了随机森林回归和容积卡尔曼滤波算法联合估计动力电池荷电状态,并通过含有禁忌鲸鱼搜索算法加权优化随机森林的参数,以达到对算法剪枝阈值、预测试样本数、决策树数量最优化处理,优化算法能够快速找到最优解,提高算法效率；通过双向长短时记忆人工神经网络,对动力电池剩余寿命进行预测,以达到修正电池最大可用容量,提高全时工况动力电池荷电状态估计的精度的目的；通过联合估计算法综合了随机森林和容积卡尔曼滤波两种算法,发挥两种算法的优点,避免两者的缺点,使动力电池荷电状态估计精度更高。(The invention discloses an algorithm based on improved random forest combined cubature Kalman power battery state of charge estimation, which is used for solving the problem of accurate estimation of the state of charge of a power battery in working. The method combines random forest regression and a cubature Kalman filtering algorithm to jointly estimate the state of charge of the power battery, and weights and optimizes parameters of the random forest by a search algorithm containing a taboo whale so as to optimize the pruning threshold, the number of pretest samples and the number of decision trees of the algorithm, so that the optimization algorithm can quickly find the optimal solution, and the algorithm efficiency is improved; the residual service life of the power battery is predicted by memorizing the artificial neural network in a bidirectional long-time and short-time manner, so that the aims of correcting the maximum available capacity of the battery and improving the estimation precision of the state of charge of the power battery under the full-time working condition are fulfilled; the combined estimation algorithm integrates two algorithms of random forest and cubature Kalman filtering, the advantages of the two algorithms are brought into play, the defects of the two algorithms are avoided, and the estimation precision of the power battery charge state is higher.)

一种基于改进随机森林联合容积卡尔曼动力电池荷电状态估 计的算法

技术领域

本发明涉及电动汽车动力电池系统电池电荷状态估计技术领域，具体涉及为一种基于改进随机森林联合容积卡尔曼动力电池荷电状态估计的算法。

背景技术

近纯电动汽车(BEV)作为新能源汽车的一种，是指以动力电池作为储能动力源，通过动力电池向电机提供电能，从而推动汽车行进的汽车。与传统内燃机车相比，具有无排放、噪声小、能源转化效率高等特点，并且正逐渐取代传统内燃机车成为未来车辆的主流形式。

在电动汽车领域，动力电池是“三电”技术中不可或缺的一部分，提供整个车辆系统的运动能量。锂离子动力电池具有高能量密度、功率密度大、使用寿命长、安全性高、可靠性高、低自放电率、重量轻和无记忆性等优点。由于锂离子动力电池具有过充过放不可逆，随温度变化外特性变化剧烈等缺点，因此需要配备整套的电池管理系统(BatteryManagement System，BMS)，以便能反馈和控制电池电池组的实时状态确保动力电池组的安全性和可靠性。

荷电状态(State ofCharge，SOC)是动力电池管理系统中最为重要的参数，也是电池状态检测功能中最为重要的一部分，且只能依据模型或相应的算法估计得到。但由于化学电池内部复杂，内部可测参数量十分有限且特性相互耦合、即用即衰、强时变且高度非线性，加之实车工况下、电流、温度等参数变化范围广、变化速率快，研究出高精度、高鲁棒性的估计算法是动力电池荷电状态估计的重点。

动力锂离子电池内部电化学反应过程复杂，实车工况复杂恶劣，作为隐形状态量荷电状态的估算方法，大致上可分为四大类：安时积分法、表征参数法、基于模型的方法、基于数据驱动的方法。基于表征参数法中的剩余容量法、基于阻抗谱法、开路电压法的估计值十分准确，但都需要在实验室环境下进行标定，否则精度无法得到保证；基于安时积分法的荷电状态估计，存在初值荷电状态的获得、传感器误差累计、容量衰退等因素的相互影响，其精度常常在电池长时间使用后难以保证；基于模型的估计方法常常需要建立动力电池等效电路模型及其状态方程，应用滤波算法和观测器，搭建荷电状态估计算法，这种方法估计精度由预估过程和修正过程两部分决定，精度较高；基于数据驱动法，通过海量的离线数据建立并训练动力电池参数与荷电状态之间的映射网络，这种方法对于解决高度非线性问题具有很好的优势且估计精度高、拟合性能强。

目前，荷电状态的估计方法有很多种，但各种单一方法都是优点与缺陷并存。本专利采用一种结合了基于数据驱动法中的随机森林与神经网络算法和基于模型法中的容积卡尔曼滤波算法，通过新息切换有效的结合了两种算法的优点，使荷电状态估计更加准确。并通过含有禁忌鲸鱼搜索算法加权优化随机森林的参数，以达到对算法剪枝阈值、预测试样本数、决策树数量最优化处理，优化算法能够快速找到最优解，提高算法效率；通过双向长短时记忆人工神经网络，对动力电池剩余寿命进行预测，以达到修正电池最大可用容量，提高全时工况动力电池荷电状态估计的精度的目的；通过联合估计算法综合了随机森林和容积卡尔曼滤波两种算法，采取两种算法的优点，避免两者的缺点，使动力电池荷电状态估计精度更高。这样的算法克服了工况、环境的波动对荷电状态估计精度的影响，提高了荷电状态估计的泛化性和鲁棒性。

发明内容

为了解决上述现有技术中的不足，本发明提供了一种基于改进随机森林联合容积卡尔曼动力电池荷电状态估计的算法，目的是提供一种解决动力电池在工作中荷电状态准确估计的问题，通过联合估计算法综合了随机森林和容积卡尔曼滤波两种算法，采取两种算法的优点，避免两者的缺点，使动力电池荷电状态估计精度更高。

为实现上述目的，本发明采用的技术方案是：

一种基于改进随机森林联合容积卡尔曼动力电池荷电状态估计的算法，其特征在于：所述改进随机森林联合容积卡尔曼动力电池荷电状态估计的算法包括以下步骤：

步骤一、准备工作：在循环测试工况下对动力锂离子电池进行数据离线采集，并应用离线数据对基于禁忌鲸鱼优化算法优化下的随机森林进行训练；

步骤二、准备工作：在循环测试工况下对动力锂离子电池进行数据离线采集，应用离线数据对双向长短时记忆人工神经网络进行训练，完成离线部分模型的构造。

步骤三、实车工况下动力电池参数在线采集，通过双向长短时记忆人工神经网络实现电池剩余寿命的预测；将剩余寿命、电流、电压、温度等参数输入到禁忌鲸鱼优化下的随机森林模型中去，实现动力电池荷电状态的实时估计。

步骤四、实车工况下动力电池参数在线采集，通过含有遗忘因子的递推最小二乘法完成参数在线辨识，再通过辨识的参数实现容积卡尔曼滤波器对动力电池荷电状态的后验估计；

步骤五、使用双向长短时记忆人工神经网络实现电池剩余寿命的预测，进而通过对应公式得到最大可用容量，对容积卡尔曼滤波荷电状态先验估计进行修正。

步骤六、使用容积卡尔曼滤波算法的新息作为评判标准，融合两种算法，实现更加精确的荷电状态估计。

进一步地，所述步骤一具体包括以下步骤：第一步采集动力锂离子电池外特性数据、第二步建立SOC估计随机森林模型、第三步采集动力锂离子电池历史容量。

进一步地，所述步骤二具体包括以下步骤：第一步进行RUL预测、第二步建立双向LSTM神经网络RUL预估模型、第三步进行禁忌鲸鱼搜索算法优化算法。

进一步地，所述步骤四具体包括以下步骤：第一步建立含有遗忘因子的最小二乘法模型参数在线辨识、第二步建议二阶等效模型、第三步进行基于模型的安时法SOC先验估计、第四步进行容积卡尔曼滤波算法SOC后验估计。

进一步地，所步骤五具体包括以下步骤：第一步双向LSTM神经网络结构初始化、第二步进行双向循环神经网络训练、第三步进行单向预测、第四步进行双向预测、第五步进行RUL预测。

进一步地，所述步骤六具体包括以下步骤：第一步进行新息切换算法、第二步获取SOC估计结果。

本发明的有益效果：本发明结合了随机森林回归和容积卡尔曼滤波算法联合估计动力电池荷电状态，并通过含有禁忌鲸鱼搜索算法加权优化随机森林的参数，以达到对算法剪枝阈值、预测试样本数、决策树数量最优化处理，优化算法能够快速找到最优解，提高算法效率；通过双向长短时记忆人工神经网络，对动力电池剩余寿命进行预测，以达到修正电池最大可用容量，提高全时工况动力电池荷电状态估计的精度的目的；通过联合估计算法综合了随机森林和容积卡尔曼滤波两种算法，发挥两种算法的优点，避免两者的缺点，使动力电池荷电状态估计精度更高。

上述说明仅是本发明技术方案的概述，为了能够更清楚的了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明禁忌搜索算法优化鲸鱼算法流程图。

图2为本发明禁忌鲸鱼算法优化随机森林流程图。

图3为本发明双向长短时记忆人工神经网络流程图。

图4为本发明容积卡尔曼滤波估计动力电池荷电状态流程图。

图5为本发明一种基于改进随机森林联合容积卡尔曼动力电池荷电状态估计的算法的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1：

如图1、图2所示的一种基于改进随机森林联合容积卡尔曼动力电池荷电状态估计的算法，其特征在于：所述改进随机森林联合容积卡尔曼动力电池荷电状态估计的算法，包括以下步骤：

步骤一、基于数据驱动法离线训练：

1、设集合中有不同的样本{x₁,x₂,...,x_n}，若每次有放回的从集合S中抽取一个样本，一共抽取n次，从而形成新的集合S₁，则S₁中不包括某个样本的概率为：

当n→∞时，

虽然，新集合S₁和原来的集合S中样本数目相等，都有n个样本数，但是新集合中可能包含了重复的样本，若除去重复抽样的重复样本，新集合S₁中仅包含了原来集合S中1-0.368×100％＝63.2％。详细流程如下：

1)利用Bootstrap方法重采样，随机产生个训练S1,S2,…，ST；

2)利用每个训练集，生成对应的决策树C1,C2,…，CT；在每个非叶子节点(内部节点上选择属性前，从个属性中随机抽取个属性作为当前节点的***属性集，并以这个属性中最好的***方式对该节点进行***(一般而言，在整个森林的生长过程中，的值维持不变)；

3)每棵树都完整成长，而不进行剪枝；

4)对于测试集样本，利用每个决策树进行测试，得到对应的类别C1(X),C2(X),…，CT(X)；

5)采用投票的方法，将T个决策树中输出最多的类别作为测试集样本所属的类别。

2、座头鲸在狩猎时要包围猎物，为了描述这种行为，提出了下面的数学模型：D＝|CX'(t)-X(t)|，X(t+1)＝X'(t)-AD，其中，t表示当前的迭代次数；A和C表示系数；X'(t)表示目前为止最好的鲸鱼位置向量；X(t)表示当前鲸鱼的位置向量；A＝2a·rand₁-a，C＝2·rand₂，

其中，a的值从2到0线性下降；t表示当前的迭代次数；T_max为最大迭代次数；根据座头鲸的狩猎行为，它是以螺旋运动游向猎物，故狩猎行为的数学模型如下：

其中，D_p＝|X'(t)-X(t)|表示鲸鱼和猎物之间的距离；X'(t)表示目前为止最好的位置向量；值得注意的是，鲸鱼以螺旋形状游向猎物的同时还要收缩包围圈。因此，在这种同步行为模型中，假设有的概率选择收缩包围机制和1-P_i的概率选择螺旋模型来更新鲸鱼的位置，其数学模型如下：攻击猎物时，在数学模型上靠近猎物设定了减小a的值，这样A的波动范围也随a降。在迭代过程中当a的值从2到0下降时，A是在[-a,a]内的随机值，当A的值在[-1,1]内时，鲸鱼的下一个位置可以是它现在的位置和猎物的位置之间的任意位置，算法设定当A＜1时，鲸鱼向猎物发起攻击。

在实际使用中，本发明采用随机森林算法具有大量参数，并且对于不同的训练样本集没有确定的参数选择规则。本专利采用禁忌鲸鱼加权优化随机森林算法，以达到对算法剪枝阈值、预测试样本数、决策树数量最优化处理，优化算法能够快速找到最优解，避免参数随机选取，提高算法效率。

1)根据经验参数初始化；

2)根据重采样法选取训练集和测试集；

3)生成所有的决策树后，测试每棵树上的结果，并计算相应的权值；

4)计算初始参数下回归结果；

5)将回归结果作为适应度值，采用禁忌鲸鱼优化算法对初始参数进行迭代优化，并与历史结果对比，选出最优模型参数。

6)初始化参数：即鲸鱼种群规模大小SN，最大迭代次数T_max，惯性权重的最大值w'、最小值w”，对数螺旋形状常数b，随机数rand₁rand₂rand₃，初始迭代次数；

7)计算每一头鲸鱼相应的适应度值，根据适应度值的大小排序，并选取SN个作为初始种群；

8)计算出SN个个体适应度值的大小，找出适应度值最小的个***置作为最优位置；

9)当A≥1时，更新下一代的位置，当A＜1时，采用改进后的位置矢量来更新下一代的位置；

10)进入禁忌搜索阶段，是否满足收敛准则，若果满足则输出结果；若不满足，则产生的候选解；

11)判断候选解是否满足藐视准则，满足的话则将藐视准则的解作为当前解，否则，将非禁忌对象最佳解作为当前解，并判断是否满足收敛准则；

12)若达到终止条件，则输出最优个体，即算法找到的最优解，输出最优个***置及其适应度值；

13)利用最优参数建立最优随机森林，并使用该模型进行预测。

实施例2：

如图2所示的一种基于改进随机森林联合容积卡尔曼动力电池荷电状态估计的算法，其特征在于：包括以下步骤：

步骤二、双向长短时记忆循环人工神经网络

在时间尺度内，动力电池的老化是一个漫长的过程，而且要覆盖成千上万次的充放电循环，基于历史数据的容量预测方法常常因为在历史数据的采集过程中参杂噪声。这种异常数据的混杂对动力电池容量信息的提取造成一定的影响，因此，针对上述问题，本专利提出了一种基于时序预测思想的动力电池RUL预测方法：双向循环神经网络。遗忘门能够舍弃数据噪声、异常值以及相邻循环数当中的冗余信息，从而提高衰减序列的预计精度；输入门需要决定哪些信息需要保存在内部状态中；输出门决定当前输出信息的问题。

其中，x^t是t时刻神经元输入；h^t-1是t-1时刻的隐含层信息；s_c是内部能量状态；遗忘门：

是遗忘门输入；W^fX和W^fh分别为输入x^t和h^t-1的遗忘门权值；b_f是遗忘门阈值。输入门：

和

分别对应σ函数变换和tanh函数变换下的门输入信息；W^iX和W^gX分别对应上述两部分变换中x^t输入门权值；W^ih和W^gh分别对应上述两部分变换中h^t-1输入门权值；b_i和b_g分别对应上述两部分变换中输入门阈值；内部状态更新：

输出门：

W^oX和W^oh分别为输入的输出权值；b_o是输出门阈值。当RUL预测程序启动时，BMS需要对LSTM RNN进行结构初始化，具体包括对深度神经网络的输入、输出、神经元数目、隐含层数目以及激活函数类型等参数的设置。随后，BMS便开始提取动力电池的历史容量数据，并构建LSTM RNN的训练样本，在每次训练中，每个训练样本都已前一时刻的容量值作为输入，下一时刻的容量值作为输出。在完成训练样本的的构建后，需要对网络进行训练，以便获得时序模型。由于，传统的批量梯度下降和随机梯度下降方法难以适应于深度学***方梯度平均值的系数；η_lstm是训练算法的学***滑项；为了防止过拟合，采用Dropout技术降低神经网络中神经元对某个特定权值的敏感程度，从而达到防止训练过拟合的效果。我们在训练过程中随机地丢弃一部分神经元，用来达到大规模、大量权值共享的“稀疏”网络训练过程。

在实际使用当中，完成LSTMRNN的网络训练后，BMS需要将历史容量数据输入到网络进行多步向前的递归预测，直到所预测的容量值低于失效阈值时终止预测。随后，统计递推预测期间所经历的递推步数并以此作为动力电池的RUL。

这种方法预测的概率密度函数计算与时序预测法的求解过程完全一致。根据预测起点所临近的历史容量数据的统计特性随机生成多个容量序列样本，随后基于MC方法的思想分别将每一组样本输入LSTMRNN当中并展开前向多步预测模拟，进而获得N个RUL模拟预测值。

实施例3：

一种基于改进随机森林联合容积卡尔曼动力电池荷电状态估计的算法，其特征在于：包括以下步骤：

步骤三：基于数据驱动在线估计。

在实际使用中，实车工况下动力电池参数在线采集，通过双向长短时记忆人工神经网络实现电池剩余寿命的预测；将剩余寿命、电流、电压、温度等参数输入到禁忌鲸鱼优化下的随机森林模型中去，实现动力电池荷电状态的实时估计。

实施例4：

如图4所示的一种基于改进随机森林联合容积卡尔曼动力电池荷电状态估计的算法，其特征在于：包括以下步骤：

步骤四：容积卡尔曼滤波后验估计

在高斯域的非线性滤波解决了如何计算积分的问题，其积分以非线性函数高斯密度的形式存在，具体来说，在笛卡尔坐标系下，考虑如下积分形式：

式中，I(f)是所求积分；Rⁿ是n维积分域；f(x)为非线性函数；x为状态向量；为了计算上式的积分数值，采取以下两个步骤：1)将公式变换成球面-径向积分形式；2)提出三阶球面径向准则。

在球面-径向变换中，关键步骤是将笛卡尔坐标系下的向量x∈Rⁿ变换为半径为r,方向向量为y这一过程，令x＝ry,y^Ty＝1,r∈[0,+∞),因此x^Tx＝r²,r∈[0,∞)。球面-径向坐标系统可表示为：

式中，U_n＝{y∈Rⁿ|y^Ty＝1}为球体表面；δ为积分域U_n的微元；径向积分形式：

式中，S(r)由单位权重函数w(y)＝1的球面积分定义。球面积分的定义：

假设径向积分由点高斯积分准则进行数值计算可得：

假设球面积分由点球面准则进行数值计算可得：(m_r×m_s)点的球面-径向容积准则为：

对于三阶球面径向准则，m_r＝1，m_s＝2n，总共包含2n个容积点。

因此，将三阶球面径向准则扩展来计算标准高斯加权积分，公式如下：

式中，为容积点集；

为每个容积点对应的权值；m为容积点个数，在应用三阶球面径向准则时，容积点个数为状态向量维数n的2倍。

[1]_i为第i个容积点，如下所示：

由此对于观测方程和状态方程这样的非线性系统，容积卡尔曼滤波的步骤如下：1)初始化：初始化状态量

误差协方差P_K,过程噪声和测量噪声Q,R.；2)计算容积点：

ε_i式中，n为状态量的维数；ε_i为容积点集；如下所示：式中，[1]代表单位矩阵；3)传播容积点：

4)计算状态量预测值及误差协方差预测值：

5)计算容积点：

6)传播容积点：

7)计算测量预测值：

8)计算测量误差协方差和互协方差：

9)计算卡尔曼增益，更新状态量以及对应的误差协方差：

实施例5：

一种基于改进随机森林联合容积卡尔曼动力电池荷电状态估计的算法，其特征在于：包括以下步骤：

步骤五、使用双向长短时记忆人工神经网络实现电池剩余寿命的预测，进而通过对应公式得到最大可用容量，对容积卡尔曼滤波荷电状态先验估计进行修正。

在实际使用当中，本专利采用的安时积分法作为整个容积卡尔曼滤波算法估计动力电池荷电状态的先验，具有先天性的缺陷。动力电池的储存能力均会随着电池的不断老化而下降，储存能力的下降意味着动力电池最大可用容量的降低。而安时积分预估电池荷电状态算法依赖于最大可用容量的准确度。因此，使用双向长短时记忆人工神经网络实现电池剩余寿命的预测，进而通过对应公式得到最大可用容量，对容积卡尔曼滤波荷电状态先验估计进行修正，可以调高先验估计的精度。

实施例6：

如图5所示，一种基于改进随机森林联合容积卡尔曼动力电池荷电状态估计的算法，其特征在于：包括以下步骤：

步骤六、使用容积卡尔曼滤波算法的新息作为评判标准，融合两种算法，实现更加精确的荷电状态估计。

在实际使用中，由于电池端电压以及端电流不可避免地存在量测误差，再加上所建立的模型不可能完全准确的表达出复杂的动态电池系统，因此，采用基于模型法的容积卡尔曼滤波算法对荷电状态的估计存在先天不足。而数据驱动法预估动力电池荷电状态你能够有效地补偿基于模型法的缺陷时段，两种算法联合估计能够实现更加精确的荷电状态估计。

1)根据容积卡尔曼滤波先验估计来计算新息：

2)若新息小于0.001V，则继续使用容积卡尔曼滤波算法实现荷电状态的后验估计；

3)若新息大于0.001V，则采用基于数据驱动模型，即禁忌鲸鱼优化算法优化下的随机森林的算法来实现荷电状态的估计。

综上所述，本发明采用改进随机森林联合容积卡尔曼动力电池荷电状态估计的算法，用来解决动力电池在工作中荷电状态准确估计的问题。该方法结合了随机森林回归和容积卡尔曼滤波算法联合估计动力电池荷电状态，并通过含有禁忌鲸鱼搜索算法加权优化随机森林的参数，以达到对算法剪枝阈值、预测试样本数、决策树数量最优化处理，优化算法能够快速找到最优解，提高算法效率；通过双向长短时记忆人工神经网络，对动力电池剩余寿命进行预测，以达到修正电池最大可用容量，提高全时工况动力电池荷电状态估计的精度的目的；通过联合估计算法综合了随机森林和容积卡尔曼滤波两种算法，采取两种算法的优点，避免两者的缺点，使动力电池荷电状态估计精度更高。。

需要说明，本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。

另外，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。

各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。