原文传递
基于Stacking融合模型的新能源汽车动力电池SOC预测研究
| 论文题名： | 基于Stacking融合模型的新能源汽车动力电池SOC预测研究 |
| 关键词： | 新能源汽车;动力电池;荷电状态;预测模型;数据挖掘 |
| 摘要： | 2021年国务院发布的《2030年前碳达峰行动方案》明确提出大力发展新能源汽车，不断推动新能源汽车智能化、网联化。新能源汽车的发展为应对气候变化、推动绿色发展起着关键性作用，而汽车能源管理核心的动力电池管理系统（BMS）技术的突破与创新，是当前的重要研究领域，其中电池的荷电状态（SOC）是BMS的重要参数之一，也是整个汽车的充放电控制策略和电池均衡工作的依据。但是由于电池本身结构的复杂性，SOC不能通过直接测量得到，加之受温度、电池衰老程度等诸多因素影响,更加增添了精准预测的难度。因此，如何实现对动力电池SOC的准确预测对于提高电池利用率、延长电池使用寿命以及不断优化电池技术都具有重要意义。基于此，本文依托新能源汽车真实运行数据，通过数据挖掘技术构建动力电池SOC的预测模型，以期实现对SOC的精准预测。具体主要内容如下： 第一，在对新能源汽车实际运行数据进行统计基本分析和预处理基础上，结合动力电池相关知识进行特征工程，筛选出8个特征参与模型构建。考虑到动力电池特性的非线型性和预测结果的可解释性，选择集成学习算法中比较主流的RF、XGBoost、LightGBM模型来分别搭建动力电池SOC的预测模型，通过MAE、RMSE、R2三个模型评估指标，对比分析得到XGBoost模型预测SOC的能力最佳。 第二，为了提升模型预测性能，综合RF、XGBoost、LightGBM三个单一模型的各自优势，对三个单一模型进行了模型融合处理。具体的，针对Stacking融合算法存在的不足，利用线性加权的思想对其进行了两个不同的改进：一种是在初级学习器K折交叉验证过程中为了体现K个测试集性能优劣，采用预测误差平方和（SSE）加权平均取代等权平均形成初级学习器的测试集；另一种将入模特征集与初级学习器的输出结合，作为次级学习器的输入，以改变Stacking模型的第二层的输入特征，增加次级学习器的复杂度，从而达到提升模型预测性能的目的。通过研究对比分析发现，改进的Stacking模型在动力电池数据集上的表现相比XGBoost和传统融合模型有更小的MAE和RMSE、更高的R2，能够有效、准确地对动力电池SOC进行预测。 |
| 作者： | 滕曦 |
| 专业： | 应用统计 |
| 导师： | 李勇 |
| 授予学位： | 硕士 |
| 授予学位单位： | 重庆工商大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
