[发明专利]一种基于演化随机森林的电池SOC预测方法

说明书

本发明公开了一种基于演化随机森林的电池SOC预测方法。本发明利用适应性差分演化算法来优化随机森林的训练参数。在本发明中，首先采集电池SOC数据集，对电池SOC数据集进行预处理，然后产生适应性差分演化算法的初始种群，并不断地迭代执行适应性差分演化算法的变异、杂交和选择操作算子，演化出随机森林的训练参数，从而提高随机森林在电池SOC预测应用中的精度。

技术领域

本发明涉及电池SOC测量领域，尤其是涉及一种基于演化随机森林的电池SOC预测方法。

背景技术

随着便携式消费类电子产品的不断普及，电池在现代工业产品中的作用越来越重要。电池SOC通常指的是电池的荷电状态，也就是电池中剩余电荷的可用状态。准确地测量电池SOC对便携式消费类电子产品的使用具有非常重要的作用。然而，电池SOC往往难以直接测量出来。

为了较准确地掌握电池SOC，技术人员常常利用机器学习方法建立电池的容易直接测量的物理量与电池SOC之间的数学关系，从而通过电池的容易直接测的物理量来预测电池SOC。例如，李占英等利用神经网络建立电池的端电压、温度、电流与电池SOC的数学关系，然后通过电池的端电压、温度、电流来预测电池SOC[李占英,时应虎,张海传,孙静雯.基于RBF-BSA的锂离子电池SOC混合估算算法[J].华中科技大学学报(自然科学版),2019,47(12):67-72.]。随机森林是一种常用的机器学习方法，它在很多实际工程应用中获得了较好的结果。然而，当传统随机森林应用于电池SOC的预测时，随机森林的训练参数设置会在很大程度上影响电池SOC的预测精度，而随机森林的训练参数设置还没有系统化的理论指导。因此，传统随机森林应用于电池SOC预测时容易出现电池SOC预测精确不够的缺点。

发明内容

本发明提供一种基于演化随机森林的电池SOC预测方法。它在一定程度上克服了传统随机森林应用于电池SOC预测时容易出现电池SOC预测精确不够的缺点，本发明能够提高电池SOC的测量精度。

本发明的技术方案：一种基于演化随机森林的电池SOC预测方法，包括以下步骤：

步骤1，采集电池SOC数据集，并对电池SOC数据集进行预处理；

步骤2，将预处理后的电池SOC数据集划分为训练数据集和测试数据集；

步骤3，用户输入随机森林的优化设计参数个数Dim，种群大小NP，列表容量MS，以及最大迭代次数GMAX；

步骤4，设置杂交率记忆列表MCR中有MS个元素，且每个元素的值都为0.5；设置步长因子记忆列表MF中有MS个元素，且每个元素的值都为0.5；

步骤5，设置个体档案Arc为空；

步骤6，设置迭代次数G＝0，记忆位置up＝1；

步骤7，随机生成种群FST＝{X₁,X₂,...,X_bi,...,X_NP}，其中个体下标bi＝1,2,...,NP；X_bi＝[X_bi,1,X_bi,2,...,X_bi,dj,...,X_bi,Dim]是种群中的第bi个个体，并且种群中的每个个体都存储了随机森林的Dim个优化设计参数，X_bi,dj表示种群中的第bi个个体所存储的随机森林的第dj个优化设计参数，其中维度下标dj＝1,2,...,Dim；