[发明专利]基于云边协同的随机森林-UKF锂电池SOC估算方法、装置及系统

权利要求书

1.基于云边协同的随机森林-UKF锂电池SOC估算方法，其特征在于，包括以下步骤：

S10.云端服务器获取锂电池正常充放电状态下电池的历史运行参数，将历史运行参数作为样本数据集；

S20.通过云端随机森林算法，在云端服务器进行随机森林估算模型训练，建立SOC和特征量之间的非线性关系；

S30.将待估算电池的特征量测量值输入云端服务器上训练后的随机森林估算模型，运算输出随机森林估算的SOC值，并下发至边缘端；

S40.边缘端通过UKF算法，利用接收到的随机森林估算模型的SOC估算值和待估算电池的特征量测量值，计算得到最终的SOC估算值。

2.根据权利要求1所述的基于云边协同的随机森林-UKF锂电池SOC估算方法，其特征在于，历史运行参数包括：实时电池电压、电流、温度以及荷电状态。

3.根据权利要求1所述的基于云边协同的随机森林-UKF锂电池SOC估算方法，其特征在于，随机森林估算模型搭建步骤如下：

将样本数据分为两个部分：训练集D与测试集S，记D的样本容量为N，记D中样本的属性容量为M；

从训练集D中利用bootstrap重抽样的方法抽取样本容量为N的训练集，重复K次，得到K个训练集，每个训练集均能够生成与之对应的决策树，因此K为随机森林的决策树数；

利用K个训练集生成相应的CART决策树；

训练每一棵决策树，直到达到终止条件。

4.根据权利要求3所述的基于云边协同的随机森林-UKF锂电池SOC估算方法，其特征在于，bootstrap重抽样方法的特征为：一种可放回抽样，即所产生的样本是能够重复的。

5.根据权利要求3所述的基于云边协同的随机森林-UKF锂电池SOC估算方法，其特征在于，CART决策树的训练过程为：

对于每个分裂节点，从M维属性特征中不放回地抽出m维属性特征，其中mM；

遍历这些属性以及属性对应的值，计算最小均方值；即，对于任意划分特征A，对应的任意划分点s两边划分成的数据集D₁和D₂，求出使D₁和D₂各自集合的均方差最小，同时记录D₁和D₂的均方差之和最小所对应的特征和特征值划分点，表达式为：

式中，c₁为D₁数据集的样本输出均值，c₂为D₂数据集的样本输出均值。

6.根据权利要求3所述的基于云边协同的随机森林-UKF锂电池SOC估算方法，其特征在于，训练决策树的终止条件为以下之一：

达到设置的树深度；

节点上的样本少于最少样本数；

最小均方差达到阈值。

7.根据权利要求1所述的基于云边协同的随机森林-UKF锂电池SOC估算方法，其特征在于，UKF算法的状态方程和观测方程分别为：

y(k)＝SOC_R(k-1)+ω_k

式中，I(k)为k时刻的电流，ΔT为间隔时间，Q_n为电池容量，υ_k为过程噪声协方差，ω_k为观测噪声协方差，SOC_R(k-1)为(k-1)时刻的随机森林估算模型输出的SOC预测值。