基于机器学习的SOC预测

最新推荐文章于 2024-06-07 13:53:51 发布
最新推荐文章于 2024-06-07 13:53:51 发布
阅读量4.1k 收藏 53
点赞数 3
文章标签： python 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/abc1234598/article/details/120027974
版权

1.静止状态

  由前面的分析可以知道静止状态下SOC与总电压、最高电池值、最小电池值、最大温度、最小温度相关性较高，采用knn算法对SOC进行预测回归。

1.1数据处理

  读取文件

# 读取数据
csv_name = './data/static.csv'
with open(csv_name) as csvfile:
    data = pd.read_csv(csvfile, header=1)  # header=1默然不读取表头

  删除缺失值

# 输出缺失值
data.dropna(inplace=True)

  索引重命名

data = data.rename(
            columns={'车速 km/h': 'velocity', '总电压 V': 'voltage', '总电流 A': 'current',
                     '最高电池值': 'maximum voltage', '最低电池值': 'minimum voltage', '最高温度值': 'max. tem.',
                     '最低温度值': 'min. tem.'})
x = data.loc[:, ['voltage', 'current', 'maximum voltage', 'maximum voltage', 'max. tem.', 'min. tem.']]
y = data.loc[:, ['SOC']]

  数据清洗与划分

# 数据清洗
data = shuffle(data)
data.reset_index(drop=True, inplace=True)
# 划分数据集
x_train, x_test, y_train, y_test = train_test_split(x, y, train_size=0.8, random_state=6)

  标准化处理

# 标准化处理
x_stand = StandardScaler()
x_train = x_stand.fit_transform(x_train)
x_test = x_stand.transform(x_test)

1.2网格搜索

  网格搜索，寻找最优参数

# 超参数
params = {
    'n_neighbors': [k for k in range(3, 18)],
    'weights': ['uniform', 'distance'],
    'p': [ps for ps in range(2, 8)]
}
kr = KNeighborsRegressor()
# 网格搜索--获取最优参数以及最好的比分
grid_knn = GridSearchCV(estimator=kr, param_grid=params, cv=10)
grid_knn.fit(x_train, y_train)
print('最优参数:', grid_knn.best_params_)
print('最优算法:', grid_knn.best_estimator_)
print('最优评分:', grid_knn.best_score_)
print('测试集评分:', grid_knn.score(x_test, y_test))

在这里插入图片描述
  可以得到以上最佳参数，测试集和验证集评分能够达到99%以上。

1.3KNN预测算法

  构造模型

kr = KNeighborsRegressor(n_neighbors=3, p=2, weights='distance')
kr.fit(x_train, y_train)
y_pre = kr.predict(x_test)
mse = np.sqrt(mean_squared_error(y_test, y_pre))
print('均方误差:', mse)
print('测试集评分:', r2_score(y_test, y_pre))
x_index = [i for i in range(x_test.shape[0])]
plt.figure()
plt.title('predict SoC')
plt.scatter(x_index, y_test, c='r', label="True value")
plt.scatter(x_index, y_pre, c='g', label="Predict value")
plt.xlabel('sample')
plt.ylabel('SoC')
plt.legend(loc="best")
plt.show()

在这里插入图片描述
在这里插入图片描述
  最终结果均方误差为0.412，测试集评分达到0.993。不难得出，在静止状态，可以根据总电压、最高电池值、最小电池值、最大温度、最小温度准确的预测出电动汽车的SOC值。另外，总电压又跟最高电池值和最小电池值相关，最大温度和最小温度线性相关，所以只需要根据最高电池值、最小电池值、最高温度或者最高电池值、最小电池值、最低温度预测SOC即可。

2.运动状态

  由前面的分析可以知道，运动状态下SOC与最大温度、最小温度相关性较高；速度与总电压、最小电池值相关性较高。接下来我们根据最大最小温度预测SOC，总电压、最小电池值预测速度。

2.1KNN算法预测SOC

from sklearn.ensemble import BaggingRegressor
from sklearn.metrics import mean_squared_error, r2_score
from sklearn.model_selection import train_test_split, GridSearchCV
from sklearn.neighbors import KNeighborsRegressor
from sklearn.preprocessing import StandardScaler
from sklearn.utils import shuffle
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd

# 读取数据
csv_name = '../data/static.csv'
with open(csv_name) as csvfile:
    data = pd.read_csv(csvfile, header=1)  # header=1默然不读取表头
# 输出缺失值
data.dropna(inplace=True)

# 重命名
data = data.rename(
            columns={'最高温度值': 'max. tem.',
                     '最低温度值': 'min. tem.'})
x = data.loc[:, ['max. tem.', 'min. tem.']]
y = data.loc[:, ['SOC']]



# 数据清洗
data = shuffle(data)
data.reset_index(drop=True, inplace=True)
# 划分数据集
x_train, x_test, y_train, y_test = train_test_split(x, y, train_size=0.8, random_state=6)
# 标准化处理
x_stand = StandardScaler()
x_train = x_stand.fit_transform(x_train)
x_test = x_stand.transform(x_test)
# 超参数
# params = {
#     'n_neighbors': [k for k in range(3, 18)],
#     'weights': ['uniform', 'distance'],
#     'p': [ps for ps in range(2, 8)]
# }
# kr = KNeighborsRegressor()
# # 网格搜索--获取最优参数以及最好的比分
# grid_knn = GridSearchCV(estimator=kr, param_grid=params, cv=10)
# grid_knn.fit(x_train, y_train)
# print('最优参数:', grid_knn.best_params_)
# print('最优算法:', grid_knn.best_estimator_)
# print('最优评分:', grid_knn.best_score_)
# print('测试集评分:', grid_knn.score(x_test, y_test))
kr = KNeighborsRegressor(n_neighbors=3, p=2, weights='distance')
kr.fit(x_train, y_train)
y_pre = kr.predict(x_test)
mse = np.sqrt(mean_squared_error(y_test, y_pre))
print('均方误差:', mse)
print('测试集评分:', r2_score(y_test, y_pre))
x_index = [i for i in range(x_test.shape[0])]
plt.figure()
plt.title('predict SoC')
plt.scatter(x_index, y_test, c='r', label="True value")
plt.scatter(x_index, y_pre, c='g', label="Predict value")
plt.xlabel('sample')
plt.ylabel('SoC')
plt.legend(loc="best")
plt.show()

在这里插入图片描述
在这里插入图片描述
  最终结果均方误差为0.50，测试集评分达到0.989。不难得出，在运动状态，可以根据最大温度、最小温度准确的预测出电动汽车的SOC值。

2.2KNN算法预测速度

  在实验的过程中，我发现利用总电压、最小电池值预测速度取得的效果并不好，误差较大，并不能反映出实时的速度。分析后发现可能是因为在城市道路上，电动汽车反复减速加速，总电压变化并不是很明显。（有待研究）
在这里插入图片描述

3.充电状态

  充电状态下SOC与总电压、最小电池值、最大电池值、总电流、最大温度、最小温度相关性较高，可以利用这些特征对SOC进行预测。

3.1KNN算法预测SOC

from sklearn.ensemble import BaggingRegressor
from sklearn.metrics import mean_squared_error, r2_score
from sklearn.model_selection import train_test_split, GridSearchCV
from sklearn.neighbors import KNeighborsRegressor
from sklearn.preprocessing import StandardScaler
from sklearn.utils import shuffle
from data_process_model import Data
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd

# 读取数据
csv_name = '../data/charge.csv'
with open(csv_name) as csvfile:
    data = pd.read_csv(csvfile, header=1)  # header=1默然不读取表头
# 输出缺失值
data.dropna(inplace=True)

# 重命名
data = data.rename(
            columns={'车速 km/h': 'velocity', '总电压 V': 'voltage', '总电流 A': 'current',
                     '最高电池值': 'maximum voltage', '最低电池值': 'minimum voltage', '最高温度值': 'max. tem.',
                     '最低温度值': 'min. tem.'})
x = data.loc[:, ['voltage', 'maximum voltage', 'maximum voltage', 'max. tem.', 'min. tem.']]
y = data.loc[:, ['SOC']]



# 数据清洗
data = shuffle(data)
data.reset_index(drop=True, inplace=True)
# 划分数据集
x_train, x_test, y_train, y_test = train_test_split(x, y, train_size=0.8, random_state=6)
# 标准化处理
x_stand = StandardScaler()
x_train = x_stand.fit_transform(x_train)
x_test = x_stand.transform(x_test)
# # 超参数
# params = {
#     'n_neighbors': [k for k in range(3, 18)],
#     'weights': ['uniform', 'distance'],
#     'p': [ps for ps in range(2, 8)]
# }
# kr = KNeighborsRegressor()
# # 网格搜索--获取最优参数以及最好的比分
# grid_knn = GridSearchCV(estimator=kr, param_grid=params, cv=10)
# grid_knn.fit(x_train, y_train)
# print('最优参数:', grid_knn.best_params_)
# print('最优算法:', grid_knn.best_estimator_)
# print('最优评分:', grid_knn.best_score_)
# print('测试集评分:', grid_knn.score(x_test, y_test))
kr = KNeighborsRegressor(n_neighbors=3, p=2, weights='distance')
kr.fit(x_train, y_train)
y_pre = kr.predict(x_test)
mse = np.sqrt(mean_squared_error(y_test, y_pre))
print('均方误差:', mse)
print('测试集评分:', r2_score(y_test, y_pre))
x_index = [i for i in range(x_test.shape[0])]
plt.figure()
plt.title('predict SoC')
plt.scatter(x_index, y_test, c='r', label="True value")
plt.scatter(x_index, y_pre, c='g', label="Predict value")
plt.xlabel('sample')
plt.ylabel('SoC')
plt.legend(loc="best")
plt.show()

在这里插入图片描述
在这里插入图片描述
  最终结果均方误差为0.494，测试集评分达到0.998。不难得出，在充电状态，可以根据总电压、最高电池值、最小电池值、最大温度、最小温度准确的预测出电动汽车的SOC值。为了达到省钱的目的，可以根据最高温度、最小温度对SOC进行预测。但是充电过程分为快充和慢充，该数据集并不是很完善，没有反映出慢充的状态，所以预测过程中可能存在一定的误差。

4.总结

  对电动汽车整体状态进行一个分析，预测出SOC，结果如下：在这里插入图片描述

状态msescore
静止0.4120.933
运动0.50.989
充电0.4940.998
整体1.3550.977

  可以看出，针对三种状态进行分析是话，均方误差下降了63%左右，而评分提高了1%左右，效果还是很显著的。

5.数据扩展

5.1电压、SOC随时间变化关系

csv_name = '../data/new_data.csv'
with open(csv_name) as csvfile:
    csv_data = pd.read_csv(csvfile)  # header=1默然不读取表头
    print(csv_data.head())
csv_data.dropna(inplace=True, subset=['SOC']) #删除SOC为缺失值的行
plt.subplot(211)
plt.plot(np.arange(0,csv_data.shape[0]), csv_data['总电压'])
plt.xlabel('time')
plt.ylabel('总电压')

plt.subplot(212)
plt.plot(np.arange(0,csv_data.shape[0]), csv_data['SOC'])
plt.xlabel('time')
plt.ylabel('SOC')
plt.show()

在这里插入图片描述
  由于数据量大，只针对了某一天的数据进行了分析。可以很容易看出在一天时间内，该电动公交车进行了多次充电，并且SOC与总电压之间存在某一种线性的关系。

5.2电压与电流之间的关系

csv_name = '../data/new_data.csv'
with open(csv_name) as csvfile:
    csv_data = pd.read_csv(csvfile)  # header=1默然不读取表头
    print(csv_data.head())
csv_data.dropna(inplace=True, subset=['SOC']) #删除SOC为缺失值的行
plt.subplot(211)
plt.plot(np.arange(0,csv_data.shape[0]), csv_data['总电压'])
plt.xlabel('time')
plt.ylabel('总电压')
plt.subplot(212)
plt.plot(np.arange(0,csv_data.shape[0]), csv_data['总电流'])
plt.xlabel('time')
plt.ylabel('总电流')
plt.show()

在这里插入图片描述
  从物理学角度来看U=IR，当电阻恒定，电压越大，电流越大。从上面的结果来看，在充电状态下电压和电流的随时间变化趋势大致呈现相反的现象，但是在未充电状态下两者之间的关系有待研究。

5.3热力图

csv_name='../data/new_data.csv'
with open(csv_name) as csvfile:
    csv_data = pd.read_csv(csvfile)  # header=1默然不读取表头
# 删除SOC为缺失值的行
csv_data.dropna(inplace=True, subset=['SOC'])
# 索引从大到小排序
csv_data.reset_index(drop=True, inplace=True)
# 获取需要的数据
data = csv_data.loc[:, ['车速', '总电压', '累计里程', '总电流', 'SOC', '电池单体电压最高值', '电池单体电压最低值', '最高温度值', '最低温度值']]
# 累计里程为空表示充电状态
list_index = data[['累计里程']].any(axis=1).tolist()
# 分别获取充电状态和未充电状态的行
index_charge = [i for i in range(len(list_index)) if list_index[i] == False]
index_drive = [i for i in range(len(list_index)) if list_index[i] == True]
# 获取数据
data_charge = data.iloc[index_charge, :]
data_drive = data.iloc[index_drive, :]
data_charge = data.loc[:, ['总电压', '总电流', 'SOC', '电池单体电压最高值', '电池单体电压最低值', '最高温度值', '最低温度值']]
# 这两行代码没有会报错
data_charge.dropna(inplace=True)
data_drive.dropna(inplace=True)

print('一共有{}行有缺失值'.format(data_drive.isnull().any(axis=1).sum()))
print('一共有{}行有缺失值'.format(data_charge.isnull().any(axis=1).sum()))
# 热力图
def correlation(data, feature_names):
    corr = np.corrcoef(data.values.T)
    print(corr)
    # 图的准备
    plt.figure(figsize=(12, 12))
    plt.rcParams['font.sans-serif'] = ['SimHei']
    plt.rcParams['axes.unicode_minus'] = False
    plt.rcParams['axes.unicode_minus'] = False
    sn.heatmap(corr, cbar=True, square=True, xticklabels=feature_names, yticklabels=feature_names, fmt='.2f',
               annot=True)
    plt.show()
correlation(data_charge, list(data_charge.columns.values))
correlation(data_drive, list(data_drive.columns.values))

  未充电状态下
在这里插入图片描述
  充电状态下
在这里插入图片描述
  不难看出，其结果与前面的研究还是存在很大的区别，不管是充电状态还是未充电状态，SOC与温度的相关性都很低。

状态SOC相关性
充电总电压0.93 电池单体电压最高值0.94 电池单体电压最低值0.86
未充电总电压0.82 电池单体电压最高值0.80 电池单体电压最低值0.79

  进一步对温度随时间变化的关系分析

csv_name = '../data/new_data.csv'
with open(csv_name) as csvfile:
    csv_data = pd.read_csv(csvfile)  # header=1默然不读取表头
    print(csv_data.head())
csv_data.dropna(inplace=True, subset=['SOC']) #删除SOC为缺失值的行
plt.plot(np.arange(0,csv_data.shape[0]), csv_data['最高温度值'], label='最高温度值')
plt.plot(np.arange(0,csv_data.shape[0]), csv_data['最低温度值'], label='最低温度值')
plt.xlabel('time')
plt.ylabel('温度值')
plt.legend()
plt.show()

在这里插入图片描述
  可以看出，最大最小温度之间的相关性还是蛮高的，但其总体变化趋势不是很明显，并没有SOC变化剧烈，所以不难理解两者之间相关性较低。另外温度受其他环境因素的影响，对实验研究也会产生一定的误差，需要进一步的分析。

being蓓
关注
  • 3
    点赞
  • 踩
  • 53
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 7
    评论
基于BP神经网络的电池容量SOC预测，BP神经网络详细原理，神经网络1000案例之8
abc991835105的博客
02-11 1026
从效果图上看，BP神经网络能很好的实现对电池容量soc的训练和预测，BP神经网络是一种成熟的神经，相对于其他神经网络，拥有很多的训练函数，传递函数，可以调节的参数非常多，对各种问题都可以达到一个比较理想的效果，关键看如何调试参数，选择训练传递函数
电池soc估计的机器学习算法
08-15
电池soc估计的机器学习算法
电池剩余电量SOC估计
05-17
电池剩余电量SOC估计
基于LSTM的锂电池SOH估计算法学习案例及数据处理代码分享
YEQAiYCrL的博客
05-18 266
对锂电池的准确估计，可以帮助优化电池的充放电策略，延长电池的使用寿命，提高设备的工作效率。将电池特征作为输入，SOH作为输出，LSTM模型能够准确地预测电池的健康状态。该方法不仅能够提供准确的预测结果，还可以通过学习电池的健康特征，帮助优化电池的使用策略，延长电池的使用寿命。这些特征能够反映电池的工作状态和健康程度。1.使用牛津锂离子电池老化数据集来完成，并提供该数据集的处理代码，该代码可将原始数据集重新制表，处理完的数据非常好用。3.使用LSTM来建立电池的SOH估计模型，以特征为输入，以SOH为输出。
电池SOC估计方法
xsnhj的博客
06-07 1318
卡尔曼滤波理论（Kalman Filter, KF）是在1960年由鲁道夫·卡尔曼提出，该滤波是基于最小均方差准则，是一种利用上一时刻的估计值和当前时刻的观测值来得出当前时刻的最优状态值估计值的线性离线系统滤波器。开路电压法是基于电池的开路电压（OCV）与SOC之间存在的固有关系来进行估计的。通过连续测量电池的充放电电流并对其进行积分，可以获得电池在一段时间内的电量变化，从而估算出电池的SOC。这种方法特别适用于处理复杂的非线性关系和大数据，通过学习历史数据中的模式和特征，来进行SOC的预测和估计。
总结几种流行的电池SOC估算方法
热门推荐
u010134355的博客
03-03 1万+
储能
神经网络结合迁移学习来估计锂离子电池的soc
weixin_42608318的博客
02-16 374
估计锂离子电池的 SOC (State of Charge) 是电池管理系统 (BMS) 中的重要任务之一，神经网络结合迁移学习可以用于这个任务。 迁移学习是指将一个已经训练好的神经网络的知识应用于另一个任务中。在估计锂离子电池的 SOC 中，我们可以使用一个已经在其他领域训练好的神经网络来进行迁移学习，例如图像识别、语音识别等。这样可以利用该神经网络已经学习到的特征和表示，快速训练一个能够准确估...
【锂电池SOC估计】【PyTorch】基于Basisformer时间序列锂离子电池SOC预测研究（python代码实现）
weixin_46039719的博客
04-08 609
这一技术不仅仅局限于电池领域，它的普适性意味着在适当调整后，可以轻松地适用于其他类型的时间序列预测数据集，极大地扩宽了其应用范围。利用PyTorch这一先进的深度学习框架，我们开展了一项前沿的研究，致力于通过基于Basisformer的时间序列预测算法，提高SOC的估算精度。[1]徐东辉.基于混沌时间序列LS-SVM的车用锂离子电池SOC预测研究[J].车用发动机, 2019(2):5.DOI:CNKI:SUN:CYFD.0.2019-02-012.plt.ylabel('SOC误差(%)')
基于python机器学习的Soc静态压降预测源码+项目说明.zip
最新发布
06-19
基于python机器学习的Soc静态压降预测源码+项目说明.zip基于python机器学习的Soc静态压降预测源码+项目说明.zip基于python机器学习的Soc静态压降预测源码+项目说明.zip基于python机器学习的Soc静态压降预测源码+项目...
电池 SOC 估算 simulink·模型
12-15
一个模拟电池SOC估算的simulink仿真模型
电池SOC的计算模型
11-23
一个简单的simulink模型，关于SOC的计算，可以用来参考
基于EKF算法的SOC估算simulink模型
03-14
本资源包含电池参数辨识，及基于一阶等效电路模型的扩展卡尔曼滤波算法估计SOC的模型，模型可直接仿真，方便于初学基于EKF估算SOC的同学！！
SOC估计simulink
05-18
基于扩展卡尔曼滤波算法的 SOC估计 simulink模型
基于dbn-svm的电池容量预测，电池容量soc预测
05-29
MATLAB编程实现，DBN深度信念网络和支持向量SVM结合，以DBN提取特征学习，SVM作为DBN的输出层，改进DBN，对电池容量soc进行预测，代码附有数据和M文件，以及SVM工具箱，代码可以运行，有详细注释，工具箱有说明，
基于LSTM循环神经网络的电池SOC预测方法.pdf
09-25
基于LSTM循环神经网络的电池SOC预测方法是基于深度学习技术的电池状态监测方法之一。该方法使用长短期记忆（LSTM）循环神经网络来建立电池SOC预测模型，对电池的荷电状态进行预测。 电池SOC预测方法的重要性在于它...
基于贝叶斯正则化算法BP神经网络钒电池SOC预测.pdf
09-26
在钒电池SOC预测中，常用的方法有基于机器学习的方法和基于模型的方法。然而，这些方法都存在一些缺陷，例如需要大量的训练数据和计算资源。 本文提出了基于贝叶斯正则化算法的BP神经网络来预测钒电池SOC。贝叶斯...
评论 7
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

being蓓

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值