基于梯度增强决策树的改进单粒子电化学模型建模方法

1.一种基于梯度增强决策树的改进单粒子电化学模型建模方法，其特征在于，包括以下步骤：S1，采集开路电压数据并进行预处理；S2，建立SPM并获取正负极表面锂离子浓度数据；通过建立的SPM，根据开路电压数据与正负极表面锂离子浓度数据之间的关系获取；S3，建立基于GBDT的模型；S4，获取模型输入和输出数据对模型准确度进行校验；提取任意的基于GBDT的模型输入和输出数据，即正负极表面锂离子浓度数据和开路电压数据，与未来时刻温度条件相同的正负极表面锂离子浓度数据和开路电压数据作比对，若比对误差大于10％，则需对模型输入和输出数据进行人工核算，确定误差步骤并记录。 2.根据权利要求1所述的基于梯度增强决策树的改进单粒子电化学模型建模方法，其特征在于，所述步骤S1包括以下步骤：S11，选取多个温度条件，分别把电池充放电至设定的SOC，稳定后采集开路电压数据；S12，所述开路电压数据应在设置的阈值范围内，去除异常数据，并新增历史日相同温度条件下的开路电压数据。 3.根据权利要求1或2所述的基于梯度增强决策树的改进单粒子电化学模型建模方法，其特征在于，所述步骤S2包括以下步骤:S21，SPM是在P2D模型的基础上，进行了反应过程简化、计算公式近似以及参数约减，其公式如下：V＝E-η act -η con -η ohm其中，V表示电池开路电压，E表示电池开路电势，η act 表示反应极化过电势，η con 表示浓差极化过电势，η ohm 表示欧姆极化过电势；S22，开路电势又表示为：其中， 分别表示正负极材料的最大固相嵌锂浓度， 表示正负极材料当前的表面嵌锂浓度，具体的，p表示正极，n表示负极；S23，由采集的开路电压数据代入步骤S21和S22的公式，得到正负极表面锂离子浓度数据。 4.根据权利要求3所述的基于梯度增强决策树的改进单粒子电化学模型建模方法，其特征在于，所述基于GBDT的模型有如下公式，具体为：上式中，x表示输入样本，ω表示模型参数，h表示决策树，α表示每棵树的权重，给定有训练集T＝{(x 1 ,y 1 ),(x 2 ,y 2 ),...,(x N ,y N )}，输入空间X满足 输出空间Y满足 5.根据权利要求4所述的基于梯度增强决策树的改进单粒子电化学模型建模方法，其特征在于，所述基于GBDT的模型的优化迭代过程包括以下步骤：S31，初始化第一棵决策树模型，具体如下：其中，L(y i ,c)表示损失函数，c表示估计使损失函数极小化的常数值；S32，创建M棵决策树，m＝1,2,...,M，得到每个样本的负梯度r im 和新决策树，之后更新模型，更新模型具体如下：其中，I表示控制负梯度的参数；S33，最终输出强学习机，具体如下：S34，对基于GBDT的模型进行训练。 6.根据权利要求5所述的基于梯度增强决策树的改进单粒子电化学模型建模方法，其特征在于，所述步骤S32包括以下步骤：S321，求出每个样本的负梯度r im ，具体如下：S322，创建新决策树。 7.根据权利要求6所述的基于梯度增强决策树的改进单粒子电化学模型建模方法，其特征在于，所述步骤S322包括：把获得的残差作为样本的新值，并把数据(x i ,r im )作为下一棵树的训练数据，用来得到新的回归决策树f m (X)，对应的叶节点区域表示为R jm ，其中j＝1,2,...,J m ，J m 表示第m棵回归树叶子节点的个数，其叶面积c jm 的最佳拟合值如下： 8.根据权利要求1所述的基于梯度增强决策树的改进单粒子电化学模型建模方法，其特征在于，所述步骤S4中，未来时刻的正负极表面锂离子浓度数据用专门的锂离子检测设备检测。