[发明专利]一种基于随机森林模型预测锂电池剩余循环寿命的方法

说明书

本发明公开了一种基于随机森林模型预测锂电池剩余循环寿命的方法，采集储能电站运行过程中锂电池的实际运行数据，并清洗，选取合适的特征数据作为模型的输入和输出，采用随机森林回归大数据模型，采用5‑折交叉验证方法来对模型进行训练和打分，根据训练得到的模型，对储能电站锂电池的剩余循环寿命进行预测。本发明能够对储能电站的锂电池剩余循环寿命预测，同时预测准确率高。

技术领域

本发明涉及一种基于随机森林模型预测锂电池在储能系统中剩余循环寿命的方法，属于电力技术领域。

背景技术

锂电池作为储能电站运行的重要组成部分，锂电池的运行状态对储能电站的运行状态有重要的影响。随着储能电站运行时间的增长，锂电池不断进行充放电，而随着锂电池充放电次数的增加，锂电池的容量将会不断衰减。锂电池的劣化失效是长期的过程，若能准确预测锂电池的寿命状态，对老化的锂电池进行更换，对于保障锂电池正常工作，维护储能电站运行效率，减少储能电站经济损失，预防安全事故的发生具有重要意义。

目前行业中对锂电池循环寿命的预测方法主要是基于模型的寿命预测，基于模型的剩余寿命预测方法已经较为成熟，依托于对电池负载条件、材料属性及退化机理结合电池失效机制实现剩余寿命的预测，包括退化机理模型、等效电路模型、经验退化模型等。但是这些研究方法是针对特定及固定工况使用环境的锂电池，而储能电站锂电池的使用工况及环境同上述相比具有明显的差异性，同时由于储能电站持续运行、锂电池成组排列且数量众多，无法对锂电池进行拆解并一一单独测试，故仅能通过储能过程采集的锂电池运行数据进行分析和预测。

发明内容

发明目的：考虑到目前在储能方面锂电池剩余循环寿命的预测还尚未有可行的办法，本发明提供一种基于随机森林模型预测锂电池剩余循环寿命的方法，采集储能电站运行过程中锂电池的运行数据，充分考虑锂电池运行工况，对锂电池的运行数据进行分析并提取相关特征数据，调用随机森林回归大数据预测模型，采用交叉验证方法对模型进行训练和评价，对储能电站的锂电池的剩余循环寿命进行预测。

技术方案：为实现上述目的，本发明采用的技术方案为：

一种基于随机森林模型预测锂电池剩余循环寿命的方法，包括以下步骤：

步骤1，数据采集：采集储能电站运行过程中锂电池的实际运行数据作为数据集。

步骤2，数据清洗：对采集上来的数据集的数据进行整理和清洗，去除无效、异常的数据点，保留有效的数据点，得到清洗后的数据集。

步骤3，特征选择：根据清洗后的数据集构造特征数据，并分析特征数据间的相关性选取特征数据，特征数据包括充电电量、充电时长、充电倍率、SOC极差、电压极差、平均电压、平均温度、累计充电次数。

步骤4，模型选择：选择随机森林回归大数据模型，选取锂电池充电电量作为模型输出，锂电池充电时长、充电倍率、SOC极差、电压极差、平均电压、平均温度、累计充电次数作为模型输入。

步骤5，模型训练及评价：根据清洗后的数据集的大小，采用5-折交叉验证方法来对模型进行训练和打分，模型评价标准采用决定系数R²，同时做出ROC曲线，直观观察预测值与实际值差异。

决定系数：

其中，为待拟合数值，其均值为，拟合值为，n为数据集大小。

步骤6，模型输出：根据步骤5中得到的随机森林回归大数据模型，将随机森林回归大数据模型保存待用。

步骤7，剩余寿命预测：根据训练得到的随机森林回归大数据模型，对储能电站锂电池的剩余循环寿命进行预测。