[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

说明书

本发明公开了一种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。其中，SOC估算方法为随机森林与无迹卡尔曼滤波融合的方法(Random Forest‑Unscented Kalman Filter,RF‑UKF)，以随机森林模型作为UKF的观测方程，利用了随机森林强大的非线性拟合能力，同时结合UKF，减少噪声误差或其他不确定因素的影响，获得更加准确的SOC估算结果。随机森林模型训练需要较大的计算资源，因此在云端服务器完成；同时将UKF滤波算法在边缘侧进行计算，以减少云边数据传输。如此，系统基于云边协同技术，既利用了云端服务器的强大算力，又保证了系统响应速度。

技术领域

本发明属于锂电池SOC估算领域，具体涉及一种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。

背景技术

先进储能技术的应用能够有效促进可再生能源大规模并网，提高电力系统效率。电池使用过程中需要电池健康管理系统(battery management system，BMS)对储能系统中电池的多种状态做出估计和预测，其中，电池荷电状态(state of charge,SOC)作为判断电池运行状态的重要依据，是BMS的关键参数之一。

锂电池SOC估算方法主要有基于安时积分法、开路电压法、基于状态观测器估算法和基于数据驱动估算法等。由于动态工况下迟滞效应、多种场应力干扰及测量设备对电池端电压有着直接影响，安时积分法和开路电压估算法精度有限；状态观测器估算法的递归计算过程受假设条件、工况因素、系统噪声及测量噪声影响，以及卡尔曼滤波类算法对电池非线性映射调节能力影响，直接限制其计算精度；机器学习、深度学习算法具有强大的非线性映射能力，通过训练、优化网络结构，可提高算法估计精度、泛化能力，但应对异常采样数据、电池老化等能力还有待提高。因此，可将基于数据驱动卡尔曼滤波类算法融合，深度学习为递归滤波算法提供更多时间历史数据，卡尔曼滤波类算法融合能避免深度学习算法对某些异常值过拟合。

随着电网智能化程度的加深，监测数据总体容量将不断扩大，需要强大的计算资源作为技术支撑。因此需要云计算技术对海量数据进行处理和实时求解。然而，电池SOC估算对推断时延有着较高的要求。而利用互联网传输数据具有一定的延迟性和延迟抖动，会导致云平台的带宽负载过大、系统实时性较差以及延迟模型不精确等方面的问题。

发明内容

本发明的主要目的是提供一种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。将随机森林和UKF进行融合计算，解决了卡尔曼滤波类算法对电池非线性映射调节能力有限的问题，以及机器学习算法中，由于传感器存在一定范围的测量误差或偶发性测量异常值，会直接传递至SOC估算结果中的问题。同时通过利用云边协同技术，既利用了云计算的强大算力，又保证了系统的实时性，实现对锂电池SOC进行实时高效准确的估算。

为了实现上述目的，本发明采用如下技术方案：

基于云边协同的随机森林-UKF锂电池SOC估算方法，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。

本发明进一步的改进在于，历史运行参数包括：实时电池电压、电流、温度以及荷电状态。

本发明进一步的改进在于，随机森林估算模型搭建步骤如下：