[发明专利]基于改进符号回归和XGBoost算法的剩余续驶里程预测方法

说明书

本发明公开了一种基于改进符号回归和XGBoost算法的剩余续驶里程预测方法，包括以下步骤：采集纯电动汽车在行驶过程中的运行关键参数；对数据集进行数据预处理并构建剩余续驶里程字段作为标签字段；利用人工先验知识对动力电池组相关的数据特征进行组合构建新特征；基于改进符号回归算法自动生成与标签字段高度相关的新数据特征字段；整合新生成的数据特征字段，划分训练集、验证集和测试集；初始化XGBoost模型，使用训练集对模型进行训练，利用验证集调整模型超参数，保存最优参数模型；使用测试集评估模型预测剩余续驶里程效果。本发明方法采用改进符号回归算法生成与标签字段高度相关的新特征字段，扩充了数据集维度，优化数据集质量，结合XGBoost算法做出的剩余续驶里程预测结果准确度高。

技术领域

本发明属于电动汽车技术领域，具体涉及一种基于改进符号回归和XGBoost算法的剩余续驶里程预测方法。

背景技术

目前动力电池技术尚未取得重大突破，纯电动车的续驶里程受到限制，充电时间较长、充电桩的密度低导致纯电动车驾驶人不可避免的出现“续航焦虑”，降低了人们对于纯电动车的接受度，不利于电动汽车的推广与普及。动力电池系统高度非线性，使得当前的车辆剩余续驶里程预测方案效果不佳，车厂不能准确的获取车辆的剩余续驶里程，在指定车辆能量管理策略时需保留一定的能量冗余量，导致续航能力指标下降。因此，准确的预测纯电动车的剩余续驶里程不仅能有效缓解驾驶人的“续航焦虑”并合理规划出行，还有助于汽车厂商开发更精细化的车辆能量管理策略，优化续航能力指标。

预测纯电动车剩余续驶里程大致可以分为基于模型预测和基于数据驱动预测。基于模型预测需要对电池模型、车辆能耗模型以及车辆工况等进行研究，通过计算动力电池组剩余能量与预估的纯电动车每公里能耗之比来预测车辆的剩余续驶里程，需要对电池模型、能耗模型等进行深入研究，所以达到一定预测精度所需时间与资源消耗过多；基于数据驱动预测是从车辆历史运行数据学习得到预测模型，得到的模型泛化能力强且精度较高，但可解释性稍有欠缺。目前研究大部分以人工先验知识为基础利用数据集中现有的特征字段与标签的映射关系进行建模，尚未考虑利用算法自动生成与标签高度相关的新字段扩充数据维度从而实现预测精度提升。

发明内容

本发明的主要目的在于克服现有技术的缺点与不足，提供一种基于改进户号回归和XGBoost算法的剩余续驶里程预测方法，该方法基于改进符号回归算法，在遗传程序设计思想指导下生成转换函数，自动生成与标签变量高度相关的新数据特征，并基于人工先验知识对动力电池组相关的数据特征进行组合构建新特征，用新特征与原有特征结合而成的新数据集实现数据维度扩充，传入XGBoost模型中对剩余续驶里程进行预测可以提高预测精度，降低预测误差。

为了达到上述目的，本发明采用以下技术方案：

本发明提供了一种基于改进符号回归和XGBoost算法的剩余续驶里程预测方法，包括下述步骤：

采集纯电动汽车在行驶过程中的运行关键参数，将所述运行关键参数作为初始特征字段得到数据集；

对所述数据集进行数据预处理；

构建剩余续驶里程字段作为标签字段；

利用人工先验知识对所述数据集中动力电池组相关的数据特征进行组合构建新特征；

基于改进符号回归算法自动生成与所述标签字段高度相关的新数据特征字段，以基本运算以及定义的boxcox变换运算构成初始程序种群，输入原始数据集，计算新特征与标签变量之间的斯皮尔曼Spearman相关系数作为适应度规则及迭代终止条件，开始程序迭代，得到最优特征转换函数，并以所述最优特征转换函数进行新特征生成，筛选出新数据特征集F；

将所述剩余续驶里程字段与所述新数据特征字段进行整合得到新数据集，将所述新数据集划分为训练集、验证集和测试集；