买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：北京理工大学

摘要：本发明提供了一种基于大数据和混合机器学习的实车锂电池SOH估计方法，通过将CatBoost嵌入作为NGBoost算法的基学习器，提供了一种新的N‑CatBoost提升算法框架，能够综合两种算法的优势，使CatBoost的高效处理分类特征和防止过拟合的能力与NGBoost的预测不确定性评估能力都得以充分发挥，从而显著提升了锂电池SOH的估计精度。

主权项：1.基于大数据和混合机器学习的实车锂电池SOH估计方法，其特征在于：具体包括以下步骤：步骤一、采集一定时期内各电动汽车运行中包括：数据采集时间、里程、总电压、总电流、SOC、单体温度最值、单体电压最值的原始数据；步骤二、对原始数据依次执行：数据清洗，去除其中的异常数据和重复数据并对缺失数据进行插值处理；数据切片，将原始数据按照车辆的运行状态划分为不同片段：行驶片段、充电片段；数据重构，将相同运行状态的数据片段重构并形成运行片段数据集；步骤三、从运行片段数据集中选取最大可用容量作为表征参数并计算其参考值，以及选取可能与表征参数相关的多个特征参数；步骤四、对特征参数执行相关性筛选，并经归一化处理后建立用于训练SOH评估模型的训练集和测试集；步骤五、基于分类提升算法CatBoost和自然梯度提升算法NGBoost，建立混合机器学习SOH评估模型，模型以所述表征参数参考值作为输出、特征参数作为输入，并利用CatBoost作为NGBoost中的基学习器从而建立一种基于梯度提升的框架，该框架的流程包括：步骤1、初始化一个预测结果为常数值的基模型CatBoost；步骤2、执行每次迭代：①计算目标变量减去前一个模型的预测作为当前阶段的残差；②引入以残差为目标变量的一个新的基模型CatBoost；③利用梯度下降法最小化损失函数的负梯度，得到新的基模型的最优拟合；④将最优拟合对应的基模型添加到基模型集合中；步骤3、加权融合所有模型得到最终模型，其中每个模型的权重基于交叉验证确定；利用步骤四得到的训练集对所述SOH评估模型进行训练，并利用测试集对训练结果进行测试；步骤六、将训练好的所述SOH评估模型在线应用，使其根据实车采集的特征参数输出锂电池当前的SOH估计结果。

全文数据：

权利要求：

百度查询： 北京理工大学 基于大数据和混合机器学习的实车锂电池SOH估计方法