CN111641236A - 基于大数据ai的动态阈值动力电池充电电压状态判断方法 - Google Patents

Abstract

本发明公开了一种基于大数据AI的动态阈值动力电池充电电压状态判断方法，其包括提取充电数据集并训练模型；实例化CoDisp值的RRCF模型；获得充电车辆的先验Codisp值：使用特征数据作为先验CoDisp值d_p；使用流数据RRCF模型计算电压流数据的CoDisp值d_n；结合先验CoDisp值计算修正后的流数据异常值判断标准η′_n，使用s的作为宽度取时间窗口，计算窗口内CoDisp的均值

方差σ_wn、当前数据Codisp值d_n与时间窗口均值

的距离除以方差σ_wn的倍数η_n，比较η_n与η′的大小，η_n＞η′则电压数据异常，否则电压数据正常，实现了异常值判定阈值的自适应调整，从而提升预警的精准度，减少误报的发生。

Description

基于大数据AI的动态阈值动力电池充电电压状态判断方法

技术领域

本发明属于电池技术领域，特别涉及一种基于大数据AI的动态阈值动力电池充电电压状态判断方法。

背景技术

作为新能源汽车动力来源的电池包，其使用寿命及安全性是新能源行业关注的重点。动力电池的使用寿命及安全性除了与电池设计、材质等自身因素有关外，在动力电池使用过程尤其是在充电过程中，由于电池内部剧烈的电化学反应，电池运行状况的有效监控显得尤为重要。专利申请号201910981877.6使用滑动窗口方式，通过计算中位数、方差等基本统计学指标在线诊断动力电池故障，该方法使用的评估指标过于简单，可能无法发现某些潜在的故障模式，并且只使用了窗口内局部数据的信息，缺乏使用整体性信息的机制。根据已查到的单体电压相关专利，大多属于硬件电路相关发明，而单体电压算法相关专利又大多只关注于单体电池的某一具体问题点，在模型数据特征选择上也多存在数据维度过于简单的问题。因此如何能够根据电压变化对电池充电过程中的异常及时检测并发出预警是目前亟需解决的问题。

发明内容

本发明的目的是提供一种基于大数据AI的动态阈值动力电池充电电压状态判断方法，有助于及时调整电池控制策略，从而保持动力电池的健康运行，保证电池优良性能的持久性和使用过程中的安全性。

为解决上述技术问题，本发明采用如下技术方案：一种基于大数据AI的动态阈值动力电池充电电压状态判断方法，其包括以下步骤：

A：从充电大数据集中提取充电数据集并训练先验模型：

1)使用充电过程的数据作为模型使用的数据，包含用来计算训练模型目标值的全部单体电压字段，以及用来作为数据集特征的特征字段；

2)使用所述电压字段和特征字段作为基础特征，使用特征工程技术扩充特征数量并形成扩充特征，将基础特征和扩充特征合并作为先验模型的完整特征；

3)采用RRCF方法，使用n作为树的数量参数、s作为每棵树的尺寸创建RRCF模型；

4)使用充电过程中全部单体电压作为输入特征，批量计算一个完整充电过程中数据的CoDisp值作为异常检测值，并计算出这些CoDisp值的标准差作为先验模型数据的目标值；

5)将数据集分为训练集、验证集、测试集训练回归模型，并计算模型在测试集上的R方值r²作为该模型的预测能力指标；

B：实例化用于计算电压流数据CoDisp值的RRCF模型，这里的实例化所用参数与步骤A1中的RRCF模型参数相同；

C：获得当前充电车辆的先验Codisp值：获取充电车辆的特征字段对应的特征数据；并使用特征数据作为输入用先验回归模型计算该车辆的先验CoDisp值d_p；

D：使用步骤B中创建的流数据RRCF模型计算电压流数据的CoDisp值d_n；

E：根据公式使用流数据CoDisp结合先验CoDisp值计算修正后的流数据异常值判断标准η′_n，所述公式为：

其中，r²是先验回归模型的R方预测值，g是流数据平均时间间隔，n是流数据次序号，s是RRCF中树的尺寸，η是指定的异常值判断标准；

F：使用RRCF中树的尺寸s的作为宽度取时间窗口，计算窗口内CoDisp的均值

和方差σ_wn，并计算当前数据Codisp值d_n与时间窗口均值

的距离除以方差σ_wn的倍数η_n，即：

G：比较η_n与η′的大小，如果η_n小于或等于η′则当前电压数据为正常值，否则电压数据异常。

优化的，所述特征字段包括：充电时间、累计里程、总电压、总电流、SOC、SOH、剩余里程、充电安时、电机扭矩、单体电池总数、经度、纬度。

优化的，采用的具体回归模型为统计机器学习方法或深度学习方法。

进一步的，所述统计机器学习方法包括线性回归、SVR或随机森林学习方法。

进一步的，所述深度学习方法包括CNN、RNN学习方法。

本发明的有益效果在于：本发明使用AI方法从大数据中提取电压信息，作为电压流数据的整体性先验知识，并结合滑动窗口的实时分析结果动态调整异常判定阈值，为滑动窗口数据异常值的判定提供了整体性的先验知识，实现了异常值判定阈值的自适应调整，从而提升预警的精准度，减少误报的发生，有助于及时调整电池控制策略，从而保持动力电池的健康运行，保证电池优良性能的持久性和使用过程中的安全性。从大数据中提取数据建立先验模型。

附图说明

附图1为本发明的流程图。

具体实施方式

下面结合附图所示的实施例对本发明作以下详细描述：

基于大数据AI的动态阈值动力电池充电电压状态判断方法，其包括以下步骤：

A：从充电大数据集中提取充电数据集并训练先验模型：

1)使用充电过程的数据作为模型使用的数据，包含用来计算训练模型目标值的全部单体电压字段，以及用来作为数据集特征的特征字段：充电时间、累计里程、总电压、总电流、SOC、SOH、剩余里程、充电安时、电机扭矩、单体电池总数、经度、纬度；

2)使用所述电压字段和特征字段作为基础特征，使用特征工程技术扩充特征数量并形成扩充特征，将基础特征和扩充特征合并作为先验模型的完整特征；

3)采用RRCF(Robust Random Cut Forest)方法，使用n作为树的数量参数、s作为每棵树的尺寸创建RRCF模型；

4)使用充电过程中全部单体电压作为输入特征，批量计算一个完整充电过程中数据的CoDisp(collusive displacement)值作为异常检测值，并计算出这些CoDisp值的标准差作为先验模型数据的目标值；

5)将数据集分为训练集、验证集、测试集训练回归模型，并计算模型在测试集上的R方值r²作为该模型的预测能力指标；这里采用的具体回归模型即可以是线性回归、SVR、随机森林等统计机器学习方法，也可以采用CNN、RNN等深度学习方法，原则上具有较强的预测能力即可；

B：实例化用于计算电压流数据CoDisp值的RRCF模型，这里的实例化所用参数与步骤A1中的RRCF模型参数相同；

C：获得当前充电车辆的先验Codisp值：获取充电车辆的特征字段对应的特征数据；并使用特征数据作为输入用先验回归模型计算该车辆的先验CoDisp值d_p；

D：使用步骤B中创建的流数据RRCF模型计算电压流数据的CoDisp值d_n；

E：根据公式使用流数据CoDisp结合先验CoDisp值计算修正后的流数据异常值判断标准η′_n，所述公式为：

其中，r²是先验回归模型的R方预测值，g是流数据平均时间间隔，n是流数据次序号，s是RRCF中树的尺寸，η是指定的异常值判断标准；

F：使用RRCF中树的尺寸s的作为宽度取时间窗口，计算窗口内CoDisp的均值

和方差σ_wn，并计算当前数据Codisp值d_n与时间窗口均值

的距离除以方差σ_wn的倍数η_n，即：

G：比较η_n与η′的大小，如果η_n小于或等于η′则当前电压数据为正常值，否则电压数据异常。

本发明基于滑动时间窗口的流数据异常检测方法，存在“视野”宽度的问题，主要表现在：1.在开始阶段，滑动时间窗口未填满时，输出结果会有较大波动性；2.输出只是局部时间区域内的分析结果，和整体分析结果存在一定差异，如果使用固定阈值方法(比如3sigma)判断异常值，即便正常波动范围内的数据变化，在窗口“视野”内也仍然难免有超出固定阈值的数据。

从大数据中提取数据建立先验模型，为滑动窗口数据异常值的判定提供了整体性的先验知识，实现了异常值判定阈值的自适应调整，从而使得动力电池的异常判断更加精准，进而减少误判导致的预警。

上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神所作的等效变化或修饰，都应涵盖在本发明的保护范围之内。

Claims (5)

1.一种基于大数据AI的动态阈值动力电池充电电压状态判断方法，其特征在于，其包括以下步骤：

A：从充电大数据集中提取充电数据集并训练先验模型：

1)使用充电过程的数据作为模型使用的数据，包含用来计算训练模型目标值的全部单体电压字段，以及用来作为数据集特征的特征字段；

2)使用所述电压字段和特征字段作为基础特征，使用特征工程技术扩充特征数量并形成扩充特征，将基础特征和扩充特征合并作为先验模型的完整特征；

3)采用RRCF方法，使用n作为树的数量参数、s作为每棵树的尺寸创建RRCF模型；

4)使用充电过程中全部单体电压作为输入特征，批量计算一个完整充电过程中数据的CoDisp值作为异常检测值，并计算出这些CoDisp值的标准差作为先验模型数据的目标值；

5)将数据集分为训练集、验证集、测试集训练回归模型，并计算模型在测试集上的R方值r²作为该模型的预测能力指标；

B：实例化用于计算电压流数据CoDisp值的RRCF模型，这里的实例化所用参数与步骤A1中的RRCF模型参数相同；

C：获得当前充电车辆的先验Codisp值：获取充电车辆的特征字段对应的特征数据；并使用特征数据作为输入用先验回归模型计算该车辆的先验CoDisp值d_p；

D：使用步骤B中创建的流数据RRCF模型计算电压流数据的CoDisp值d_n；

E：根据公式使用流数据CoDisp结合先验CoDisp值计算修正后的流数据异常值判断标准η′_n，所述公式为：

其中，r²是先验回归模型的R方预测值，g是流数据平均时间间隔，n是流数据次序号，s是RRCF中树的尺寸，η是指定的异常值判断标准；

F：使用RRCF中树的尺寸s的作为宽度取时间窗口，计算窗口内CoDisp的均值

和方差σ_wn，并计算当前数据Codisp值d_n与时间窗口均值

的距离除以方差σ_wn的倍数η_n，即：

G：比较η_n与η′的大小，如果η_n小于或等于η′则当前电压数据为正常值，否则电压数据异常。

2.根据权利要求1所述的基于大数据AI的动态阈值动力电池充电电压状态判断方法，其特征在于：所述特征字段包括：充电时间、累计里程、总电压、总电流、SOC、SOH、剩余里程、充电安时、电机扭矩、单体电池总数、经度、纬度。

3.根据权利要求1所述的基于大数据AI的动态阈值动力电池充电电压状态判断方法，其特征在于：采用的具体回归模型为统计机器学习方法或深度学习方法。

4.根据权利要求3所述的基于大数据AI的动态阈值动力电池充电电压状态判断方法，其特征在于：所述统计机器学习方法包括线性回归、SVR或随机森林学习方法。

5.根据权利要求3所述的基于大数据AI的动态阈值动力电池充电电压状态判断方法，其特征在于：所述深度学习方法包括CNN、RNN学习方法。

Images