CN114118217A - 一种电动汽车的电池绝缘失效预测方法 - Google Patents

一种电动汽车的电池绝缘失效预测方法 Download PDF

Info

Publication number
CN114118217A
CN114118217A CN202111263384.2A CN202111263384A CN114118217A CN 114118217 A CN114118217 A CN 114118217A CN 202111263384 A CN202111263384 A CN 202111263384A CN 114118217 A CN114118217 A CN 114118217A
Authority
CN
China
Prior art keywords
data
insulation failure
battery insulation
battery
vehicle
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111263384.2A
Other languages
English (en)
Inventor
丁磊
韩大鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Human Horizons Shanghai Internet Technology Co Ltd
Original Assignee
Human Horizons Shanghai Internet Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Human Horizons Shanghai Internet Technology Co Ltd filed Critical Human Horizons Shanghai Internet Technology Co Ltd
Priority to CN202111263384.2A priority Critical patent/CN114118217A/zh
Publication of CN114118217A publication Critical patent/CN114118217A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • G06F16/254—Extract, transform and load [ETL] procedures, e.g. ETL data flows in data warehouses
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/245—Classification techniques relating to the decision surface
    • G06F18/2451—Classification techniques relating to the decision surface linear, e.g. hyperplane
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Business, Economics & Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Quality & Reliability (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Secondary Cells (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本发明提供了一种电动汽车的电池绝缘失效预测方法，包括：机器学***台获取的车辆历史数据进行合并和分割处理，得到至少两类电池绝缘失效影响数据；机器学***台根据车端的当前电池绝缘失效影响数据，应用机器学***台的离线电池绝缘失效风险预测，提升电池绝缘失效风险预测的可靠性。

Description

一种电动汽车的电池绝缘失效预测方法
技术领域
本发明涉及电动汽车的电池失效预测技术领域，尤其涉及一种电动汽车的电池绝缘失效预测方法。
背景技术
随着近年来电动汽车的迅速发展，电动汽车的普及率已经越来越高。电动汽车安全事故也时常发生，其中，动力电池引发的安全事故逐渐增多，使得动力电池的安全问题越来越备受关注。目前，现有的针对电池绝缘失效预警的方案一般采用动力电池的电池温度、电池电压、电池绝缘内阻等电池数据机芯分析，并未考虑驾驶员的驾驶习惯、车辆工况、外部环境等方面对动力电池绝缘失效的影响，导致动力电池的绝缘失效预测结果可靠性差。
发明内容
针对上述问题，本发明的目的在于提供一种电动汽车的电池绝缘失效预测方法，其能实现车端的实时在线电池绝缘失效风险预测和业务运营平台的离线电池绝缘失效风险预测，提升电池绝缘失效风险预测的可靠性。
本发明实施例提供了一种电动汽车的电池绝缘失效预测方法，包括：
机器学***台获取的车辆历史数据进行合并和分割处理，得到至少两类电池绝缘失效影响数据；
所述机器学习平台采用所述电池绝缘失效影响数据对预设的线性分类器进行训练，得到电池绝缘失效预测模型；
所述业务运营平台根据车端的当前电池绝缘失效影响数据，应用所述机器学习平台发送的电池绝缘失效预测模型进行离线电池绝缘失效风险预测；或者，车端根据其当前电池绝缘失效影响数据，应用所述电池绝缘失效预测模型进行在线电池绝缘失效风险预测。
作为上述方案的改进，所述机器学习平台采用所述电池绝缘失效影响数据对预设的线性分类器进行训练，得到电池绝缘失效预测模型，包括：
所述机器学习平台对所述电池绝缘失效影响数据进行切片处理，得到若干数据切片；其中，每个数据切片的长度相等；
所述机器学习平台根据所述数据切片对预设的线性分类器进行训练，得到电池绝缘失效预测模型。
作为上述方案的改进，所述机器学***台获取的车辆历史数据进行合并和分割处理，得到至少两类电池绝缘失效影响数据，包括：
所述机器学习平台将所述车辆历史数据按照其所属的车辆及时间戳进行合并；
所述机器学习平台将合并后的车辆历史数据按照车辆状态进行分割，得到至少两类电池绝缘失效影响数据。
作为上述方案的改进，所述车辆状态包括电池上高压状态、充电状态；
则，所述机器学习平台将合并后的车辆历史数据按照车辆状态进行分割，得到至少两类电池绝缘失效影响数据，包括：
所述机器学习平台将合并后的车辆历史数据分割成对应所述电池上高压状态的电池绝缘失效影响数据和对应所述充电状态的电池绝缘失效影响数据。
作为上述方案的改进，所述方法还包括：
在切片处理之前，所述机器学习平台对所述电池绝缘失效影响数据进行降维处理；
在切片处理之后，所述机器学习平台对所述数据切片进行标准化和归一化处理。
作为上述方案的改进，所述方法还包括：
所述机器学习平台对降维后的电池绝缘失效影响数据进行数据清洗和/或数据缺失填充处理。
作为上述方案的改进，所述机器学习平台对所述电池绝缘失效影响数据进行降维处理，包括：
所述机器学习平台对所述电池绝缘失效影响数据进行皮尔逊相关系数分析，筛选出皮尔逊系数小于第一设定值的电池绝缘失效影响数据，作为降维后的电池绝缘失效影响数据；
或者，所述机器学习平台对所述电池绝缘失效影响数据进行PCA降维，得到降维后的电池绝缘失效影响数据。
作为上述方案的改进，所述数据缺失填充处理，具体包括：
当所述电池绝缘失效影响数据中的一个数据属于事件型数据时，采用对应上一时间戳的数据对所述数据进行缺失填充；
当所述电池绝缘失效影响数据中的一个数据属于连续周期型数据时，采用平均值填充方式对所述数据进行缺失填充；
当所述电池绝缘失效影响数据中的一个数据属于离散周期型数据时，采用对应上一时间戳的数据对所述数据进行缺失填充。
作为上述方案的改进，所述电池绝缘失效影响数据包括驾驶行为数据、整车数据、车辆工况数据、电池数据以及环境数据。
作为上述方案的改进，所述数据清洗，具体包括：
采用正态分布的3σ原则对降维后的电池绝缘失效影响数据进行数据清洗，剔除所述电池绝缘失效影响数据中无效数据和重复数据。
作为上述方案的改进，所述方法包括：
所述业务运营平台根据其自身预测得到的电池绝缘失效风险或者所述车端预测得到的电池绝缘失效风险进行监控预警；
或者，用户端或车机***根据所述车端预测得到的电池绝缘失效风险进行预警。
相对于现有技术，本发明实施例的有益效果在于：通过获取预存在大数据平台的车辆历史数据；对车辆历史数据进行合并和分割处理，得到至少两类电池绝缘失效影响数据；对所述电池绝缘失效影响数据进行预处理，并利用所述电池绝缘失效影响数据对预设的线性分类器进行训练，得到电池绝缘失效预测模型；车端根据其当前电池绝缘失效影响数据，应用所述电池绝缘失效预测模型进行在线电池绝缘失效风险预测；同时所述业务运营平台根据车端的当前电池绝缘失效影响数据，应用所述机器学***台预存了海量人-车-环境的车辆历史数据来进行机器学***台，实现车端的实时在线电池绝缘失效风险预测和业务运营平台的离线电池绝缘失效风险预测，提升电池绝缘失效风险预测的可靠性。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种电动汽车的电池绝缘失效预测方法的流程图；
图2是本发明实施例提供的电池绝缘失效预测的示意框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，本发明提供了一种电动汽车的电池绝缘失效预测方法，包括：
S1：机器学***台获取的车辆历史数据进行合并和分割处理，得到至少两类电池绝缘失效影响数据；
进一步，所述电池绝缘失效影响数据包括驾驶行为数据、整车数据、车辆工况数据、电池数据以及环境数据。
示例性的，车辆的各个控制域，例如VDCM域、BDCM域、IDVM域，通过车载网关T-BOX实时将自身当前的域数据，例如VDCM域数据、BDCM域数据、IDVM域数据上传到大数据平台，即所述大数据平台中存储的车辆历史数据包括车端的各个控制域上传的数据。所述大数据平台对车辆控制器上传的实时域数据进行大数据分析以及初步筛选后划分为5类数据，并分别保存在不同的数据源中，包括整车数据、车辆工况数据、电池数据、驾驶行为数据以及环境数据，示例性的，所述整车数据包括整车参数、功率、扭矩、车重、减震电流、电机状态、电机电流/电机电压等；所述车辆工况数据胎压、胎温、车内温度、空调功率、六门两盖、灯、电机转速、速度等；所述电池数据包括电流、电压、电池温度、SOC、快充、慢充、行驶中的电池特征、充电中的电池特性等；所述驾驶行为数据包括车速、轮速、空调操控、制动板力度、安全带操控、灯控制、驻车、挡位等；所述环境数据包括雨量、天气、温度、湿度等天气信息、山区、城市、高速、限速等路况信息，还可以包括充电中的充电桩信息。其中，对上述实时域数据进行初步筛选可以根据数据对车辆续航里程的影响程度/相关程度进行，从而剔除与续航里程估算无关的数据，具体可以依据专家经验判断数据是否与续航里程估算相关。所述大数据平台保存了同一类型、不同车辆的超过200中不同类型的信号数据，为后续续航里程预测提高海量的数据基础支撑。其中，每一个车辆历史数据携带了时间戳和车辆状态信息。
需要说明的的是，大数据平台对上传的车辆历史数据的处理属于现有技术，在这里不进行详细说明，通过大数据平台可以将不同车辆历史数据保存至不同的数据源，例如按照静态数据、动态数据、头结构化数据、半结构化数据、非结构化数据进行存储。
由于续航属于时序数据，在本发明实施例中机器学***台中抽取车辆历史数据，并进行模型构建。
进一步的，对所述车辆历史数据进行筛选；
示例性的，在确定数据量级后，筛选出N辆车在设定时间段内的车辆历史数据，例如按照时间戳的先后顺序从所述大数据平台中抽取100辆车90天的车辆历史数据，作为初始数据集。
进一步，S1：机器学***台获取的车辆历史数据进行合并和分割处理，得到至少两类电池绝缘失效影响数据，包括：
所述机器学习平台将所述车辆历史数据按照其所属的车辆及时间戳进行合并；
如下表所述，给出了合并后的车辆历史数据示例。
车架号 时间戳 数据1 数据2 数据3 数据4 ... 数据M 备注
车辆1 1633609494000 3 0 444.5 72.1 ... 2 休眠
车辆1 1633609494000 3 0 444.5 72.1 ... 2 快充
车辆2 1633609495000 3 0 369 72.1 ... 0 慢充
车辆2 1633609496000 2 0 78.75 72.1 ... 0 上高压
... ... ... ... ... ... ... ... ...
车辆N 1633609497000 2 0 14 72.1 ... 0 上高压
所述机器学习平台将合并后的车辆历史数据按照车辆状态进行分割，得到至少两类电池绝缘失效影响数据。
所述车辆状态包括电池上高压状态(即行驶状态)、充电状态(包括快充、慢充)、休眠状态等。由于车辆处于不同状态时，影响续航的因素会存在差异，因此，在分割电池绝缘失效影响数据时，需要按照不同时间戳对应的车辆状态，从车辆历史数据中分割出合适的数据，例如在充电过程中，速度、加速度等数据不能作为电池绝缘失效影响数据，在行驶过程中，充电桩、放电枪不能作为电池绝缘失效影响数据。通过数据的合并和分割处理，可以将车辆历史数据划分为不同类型的电池绝缘失效影响数据，使得续航里程的预测更加符合车辆当前的状态。
S2：所述机器学习平台采用所述电池绝缘失效影响数据对预设的线性分类器进行训练，得到电池绝缘失效预测模型；
S3：所述业务运营平台根据车端的当前电池绝缘失效影响数据，应用所述机器学习平台发送的电池绝缘失效预测模型进行离线电池绝缘失效风险预测；或者，车端根据其当前电池绝缘失效影响数据，应用所述电池绝缘失效预测模型进行在线电池绝缘失效风险预测。
本发明实施例采用大数据平台预存了海量人-车-环境的车辆历史数据来进行机器学***台根据车端的当前电池绝缘失效影响数据，应用所述机器学***台的离线电池绝缘失效风险预测，提升电池绝缘失效风险预测的可靠性。
在一种可选的实施例中，所述车辆状态包括电池上高压状态、充电状态；
则，所述将合并后的车辆历史数据按照车辆状态进行分割，得到至少两类电池绝缘失效影响数据，包括：
将合并后的车辆历史数据分割成对应所述电池上高压状态的电池绝缘失效影响数据和对应所述充电状态的电池绝缘失效影响数据。
在一种可选的实施例中，所述机器学习平台采用所述电池绝缘失效影响数据对预设的线性分类器进行训练，得到电池绝缘失效预测模型，包括：
所述机器学习平台对所述电池绝缘失效影响数据进行切片处理，得到若干数据切片；其中，每个数据切片的长度相等；
所述机器学习平台根据所述数据切片对预设的线性分类器进行训练，得到电池绝缘失效预测模型。
在本发明实施例中，以设定时长为一个区间进行数据的切片。示例性的，假设有100万条数据，每秒1条数据，以30s为一个区间进行切片，可得到3万多个数据切片，以300s为一个区间进行切片，可得到3万多个数据切片，3000多个数据切片，以每一个数据切片作为样本，输入到预设的线性分类器，例如SVM分类器进行训练。
进一步的，为了提高数据的有效性，还需要对区间过滤处理，具体的，通过历遍所有区间，当下一区间的数据量小于设定数量时，剔除该区间；其中，所述设定数量的数值与区间对应的设定时长的数值相等。即经过区间过滤后的数据切片的长度相等。
在一种可选的实施例中，所述方法还包括：
在切片处理之前，所述机器学习平台对所述电池绝缘失效影响数据进行降维处理；
示例性的，可采用平均数、中位数、标准差、数据可视化、直方图、皮尔逊相关系数、PAC降维等方式对所述电池绝缘失效影响数据进行降维处理，剔除与续航关联性不强的数据。
进一步，所述机器学习平台对所述电池绝缘失效影响数据进行降维处理，包括：
所述机器学习平台对所述电池绝缘失效影响数据进行皮尔逊相关系数分析，筛选出皮尔逊系数小于第一设定值的电池绝缘失效影响数据，作为降维后的电池绝缘失效影响数据；
或者，所述机器学习平台对所述电池绝缘失效影响数据进行PCA降维，得到降维后的电池绝缘失效影响数据。
需要说明的是，皮尔逊相关系数定义为两个数据之间的协方差和标准差的商，表达的是线性相关的系数；其中，数据之间是线性关系，都是连续数据；数据的总体是正态分布，或接近正态的单峰分布；数据的观测值是成对的，每对观测值之间相互独立。
通过计算出两数据不存在相关性的概率值，即皮尔逊系数P值，再计算系数，即R值；
如果皮尔逊系数P值很小，则R值有效，表表明两个数据具有相关性，则保留这两个数据。示例性的，将第一设定值设为0.05，将第二设定值设为0.5，这可以将皮尔逊系数P值>0.5和P值<0.05的数据筛选出来，实现数据的降维，得到P值<0.05的数据，剔除弱相关或不相关的数据。
在其他实施例中，还可以对采集每个数据按照单位分别采用平均数，中位数，众数进行分析，如车内温度，胎压采用平均温度，电阻采用众数等，速度采用中位数等，通过对每个数据的分析，确定这些数值的变化与实际数值的差异，可以排除部分数据质量不好的数据，达到部分降维的效果。例如对远程控制T-Box功率数据的分析，发现无论是平均值，众数还是中位数，都与实际操作不符，数据存在质量问题，作为特征不符合要求，剔除该数据。
其中，PAC降维原理如下：
设有m条n维电池绝缘失效影响数据。
将原始电池绝缘失效影响数据按列组成n行m列矩阵X；
将X的每一行进行零均值化，即减去这一行的均值，然后求出协方差矩阵计算出协方差矩阵的特征值及对应的特征向量；
将特征向量按对应特征值大小从上到下按行排列成矩阵，取前k行组成矩阵P，即为降维到k维后的电池绝缘失效影响数据。
在切片处理之后，所述机器学习平台对所述数据切片进行标准化和归一化处理。
在本发明实施例中，通过对电池绝缘失效影响数据进行标准化和归一化处理，可以解决数据属性无量纲化的问题。具体的，通过公式
Figure BDA0003326271580000101
进行标准化处理，通过公式
Figure BDA0003326271580000102
进行归一化处理。其中，μ表示电池绝缘失效影响数据的平均值，σ表示电池绝缘失效影响数据的标准差，X表示一电池绝缘失效影响数据，Xmin表示电池绝缘失效影响数据的最小值，Xmax表示电池绝缘失效影响数据的最大值。
在一种可选的实施例中，所述方法还包括：
所述机器学习平台对降维后的电池绝缘失效影响数据进行数据清洗和/或数据缺失填充处理。
示例性的，可以采用正态分布的3σ原则、取值范围、NA清洗、去重规则等方式进行数据清洗，在本发明实施例中，优选正态分布的3σ原则进行数据清洗。
进一步，所述数据清洗，具体包括：
采用正态分布的3σ原则对降维后的电池绝缘失效影响数据进行数据清洗，剔除所述电池绝缘失效影响数据中无效数据和重复数据。
示例性的，基于正态分布的3σ原则，可以筛选出与平均值μ偏差超过3倍标准差σ的值，如果数据服从正态分布，距离平均值，3σ之外的值出现的概率为P(|x-μ|>3σ)<＝0.003，属于小概率事件，剔除该部分数据。
所述数据缺失填充处理，具体处理；
当所述电池绝缘失效影响数据中的一个数据属于事件型数据时，采用对应上一时间戳的数据对所述数据进行缺失填充；
当所述电池绝缘失效影响数据中的一个数据属于连续周期型数据时，采用平均值填充方式对所述数据进行缺失填充；
当所述电池绝缘失效影响数据中的一个数据属于离散周期型数据时，采用对应上一时间戳的数据对所述数据进行缺失填充。
由于数据是以时间戳顺序按照指定频率采集，采集过程中由于受网络，传感器，性能等影响，存在数据丢失、采集错误数据，从而产生无效数据的情况，因此，对应事件型缺失数据可以按照上一时间戳对应的数据进行填充，对于连续周期性缺失数据可以按照均值进行填充，对于离散周期型数据按照上一时间戳的数据对所述数据进行缺失填充，从而确保数据序列持续有效。
在一种可选的实施例中，所述线性分类器为SVM分类器；
则，所述机器学习平台根据所述数据切片对预设的线性分类器进行训练，得到电池绝缘失效预测模型，包括：
将所述数据切片划分为训练样本集、验证样本集、测试样本集；
将所述训练样本集中的数据切片依次为所述SVM分类器的输入特征数据，对应数据切片的电池绝缘失效风险为所述SVM分类器的输出特征，构建所述电池绝缘失效预测模型；其中，所述电池绝缘失效风险包括：失效、正常；
采用所述验证样本集对所述电池绝缘失效预测模型进行模型验证；
采用所述测试样本集对所述电池绝缘失效预测模型进行模型测试。
在本发明实施例中，所述SVM分类器采用ploy核(即多项式核)构造线性函数。
在本发明实施例中，按照设定的比例，例如60％、20％、20％的比例将数据划分为训练集、验证集、测试集，依次进行模型训练、验证和测试，以确保构建的电池绝缘失效预测模型的预测精度符合预期。
在构建出电池绝缘失效预测模型后，将该电池绝缘失效预测模型长传到车端的域控制器，以使得车端的域控制器通过该电池绝缘失效预测模型和当前时刻的采集到的电池绝缘失效影响数据进行电池绝缘失效预测。由于电池绝缘失效影响数据的构建和后续迭代更新无需在车端执行，车端只需进行边缘计算，可以有效降低车端的计算量，提升车端续航里程预测的效率。
在一种可选的实施例中，所述方法包括：
所述业务运营平台根据其自身预测得到的电池绝缘失效风险或者所述车端预测得到的电池绝缘失效风险进行监控预警；
或者，用户端或车机***根据所述车端预测得到的电池绝缘失效风险进行预警。
如图2所示，所述机器学***台，使得所述业务运营平台应用该电池绝缘失效预测模型进行离线电池绝缘失效风险预测，从而可以实现监测车端的批量离线监控预警；同时，所述业务运营平台将该电池绝缘失效预测模型通过TSP云平台、T-BOX发送给车端，使得在车端应用该电池绝缘失效预测模型进行在线电池绝缘失效风险预测。车端预测得到电池绝缘失效风险后，将该电池绝缘失效风险通过T-BOX上传到其车机***进行车机预警，同时还将该电池绝缘失效风险通过T-BOX、TSP云平台上传到用户端APP进行预警；进一步，车端还将电池绝缘失效风险通过T-BOX、TSP云平台发送给所述业务运营平台进行监控预警，同时所述业务运营平台对自身预测得到电池绝缘失效风险进行监控预警，从而可以实现车端、业务运营平台的电池绝缘失效风险的同步预警。
相对于现有技术，本发明实施例的有益效果在于：通过获取预存在大数据平台的车辆历史数据；对车辆历史数据进行合并和分割处理，得到至少两类电池绝缘失效影响数据；利用所述电池绝缘失效影响数据对预设的线性分类器进行训练，得到电池绝缘失效预测模型；车端根据其当前电池绝缘失效影响数据，应用所述电池绝缘失效预测模型进行在线电池绝缘失效风险预测；同时所述业务运营平台根据车端的当前电池绝缘失效影响数据，应用所述机器学***台预存了海量人-车-环境的车辆历史数据来进行机器学***台，实现车端的实时在线电池绝缘失效风险预测和业务运营平台的离线电池绝缘失效风险预测，提升电池绝缘失效风险预测的可靠性。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (11)

1.一种电动汽车的电池绝缘失效预测方法，其特征在于，
机器学***台获取的车辆历史数据进行合并和分割处理，得到至少两类电池绝缘失效影响数据；
所述机器学习平台采用所述电池绝缘失效影响数据对预设的线性分类器进行训练，得到电池绝缘失效预测模型；
所述业务运营平台根据车端的当前电池绝缘失效影响数据，应用所述机器学习平台发送的电池绝缘失效预测模型进行离线电池绝缘失效风险预测；或者，车端根据其当前电池绝缘失效影响数据，应用所述电池绝缘失效预测模型进行在线电池绝缘失效风险预测。
2.如权利要求1所述的电动汽车的电池绝缘失效预测方法，其特征在于，所述机器学习平台采用所述电池绝缘失效影响数据对预设的线性分类器进行训练，得到电池绝缘失效预测模型，包括：
所述机器学习平台对所述电池绝缘失效影响数据进行切片处理，得到若干数据切片；其中，每个数据切片的长度相等；
所述机器学习平台根据所述数据切片对预设的线性分类器进行训练，得到电池绝缘失效预测模型。
3.如权利要求1所述的电动汽车的电池绝缘失效预测方法，其特征在于，所述机器学***台获取的车辆历史数据进行合并和分割处理，得到至少两类电池绝缘失效影响数据，包括：
所述机器学习平台将所述车辆历史数据按照其所属的车辆及时间戳进行合并；
所述机器学习平台将合并后的车辆历史数据按照车辆状态进行分割，得到至少两类电池绝缘失效影响数据。
4.如权利要求3所述的电动汽车的电池绝缘失效预测方法，其特征在于，所述车辆状态包括电池上高压状态、充电状态；
则，所述机器学习平台将合并后的车辆历史数据按照车辆状态进行分割，得到至少两类电池绝缘失效影响数据，包括：
所述机器学习平台将合并后的车辆历史数据分割成对应所述电池上高压状态的电池绝缘失效影响数据和对应所述充电状态的电池绝缘失效影响数据。
5.如权利要求2所述的电动汽车的电池绝缘失效预测方法，其特征在于，所述方法还包括：
在切片处理之前，所述机器学习平台对所述电池绝缘失效影响数据进行降维处理；
在切片处理之后，所述机器学习平台对所述数据切片进行标准化和归一化处理。
6.如权利要求5所述的电动汽车的电池绝缘失效预测方法，其特征在于，所述方法还包括：
所述机器学习平台对降维后的电池绝缘失效影响数据进行数据清洗和/或数据缺失填充处理。
7.如权利要求5所述的电动汽车的电池绝缘失效预测方法，其特征在于，所述机器学习平台对所述电池绝缘失效影响数据进行降维处理，包括：
所述机器学习平台对所述电池绝缘失效影响数据进行皮尔逊相关系数分析，筛选出皮尔逊系数小于第一设定值的电池绝缘失效影响数据，作为降维后的电池绝缘失效影响数据；
或者，所述机器学习平台对所述电池绝缘失效影响数据进行PCA降维，得到降维后的电池绝缘失效影响数据。
8.如权利要求6所述的电动汽车的电池绝缘失效预测方法，其特征在于，所述数据缺失填充处理，具体包括：
当所述电池绝缘失效影响数据中的一个数据属于事件型数据时，采用对应上一时间戳的数据对所述数据进行缺失填充；
当所述电池绝缘失效影响数据中的一个数据属于连续周期型数据时，采用平均值填充方式对所述数据进行缺失填充；
当所述电池绝缘失效影响数据中的一个数据属于离散周期型数据时，采用对应上一时间戳的数据对所述数据进行缺失填充。
9.如权利要求1所述的电动汽车的电池绝缘失效预测方法，其特征在于，所述电池绝缘失效影响数据包括驾驶行为数据、整车数据、车辆工况数据、电池数据以及环境数据。
10.如权利要求6所述的电动汽车的电池绝缘失效预测方法，其特征在于，所述数据清洗，具体包括：
采用正态分布的3σ原则对降维后的电池绝缘失效影响数据进行数据清洗，剔除所述电池绝缘失效影响数据中无效数据和重复数据。
11.如权利要求1所述的电动汽车的电池绝缘失效预测方法，其特征在于，所述方法包括：
所述业务运营平台根据其自身预测得到的电池绝缘失效风险或者所述车端预测得到的电池绝缘失效风险进行监控预警；
或者，用户端或车机***根据所述车端预测得到的电池绝缘失效风险进行预警。
CN202111263384.2A 2021-10-28 2021-10-28 一种电动汽车的电池绝缘失效预测方法 Pending CN114118217A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111263384.2A CN114118217A (zh) 2021-10-28 2021-10-28 一种电动汽车的电池绝缘失效预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111263384.2A CN114118217A (zh) 2021-10-28 2021-10-28 一种电动汽车的电池绝缘失效预测方法

Publications (1)

Publication Number Publication Date
CN114118217A true CN114118217A (zh) 2022-03-01

Family

ID=80377525

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111263384.2A Pending CN114118217A (zh) 2021-10-28 2021-10-28 一种电动汽车的电池绝缘失效预测方法

Country Status (1)

Country Link
CN (1) CN114118217A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023164965A1 (zh) * 2022-03-04 2023-09-07 福建时代星云科技有限公司 一种储能***中直流绝缘监测方法及终端

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023164965A1 (zh) * 2022-03-04 2023-09-07 福建时代星云科技有限公司 一种储能***中直流绝缘监测方法及终端

Similar Documents

Publication Publication Date Title
CN111241154B (zh) 一种基于大数据的蓄电池故障预警方法及***
KR101617349B1 (ko) 운전 습관 분석 진단 시스템 및 방법
CN109552338B (zh) 一种纯电动汽车生态驾驶行为评估方法及***
CN106650157B (zh) 车辆零部件故障发生概率估算方法、装置及***
WO2019125532A1 (en) Programmatic ally identifying a personality of an autonomous vehicle
CN115423035A (zh) 基于特征变量评分的用户画像生成方法，设备、汽车及存储介质
CN107918826B (zh) 一种驾驶环境感知的司机评价与调度方法
CN111552926A (zh) 基于车联网的驾驶行为评价方法、***及存储介质
CN112766578A (zh) 一种基于车辆网的车辆用途识别方法、***及存储介质
KR20220086386A (ko) 머신 러닝을 이용한 타이어 마모 예측 방법 및 장치
CN114118217A (zh) 一种电动汽车的电池绝缘失效预测方法
CN102519577B (zh) 道路中路面的识别方法及***
Li et al. A Novel Method for Lithium‐Ion Battery Fault Diagnosis of Electric Vehicle Based on Real‐Time Voltage
CN111381165A (zh) 一种车辆动力电池监控方法、装置和平台
CN112026679B (zh) 车辆使用工况监测方法、装置、介质、边缘处理器和车辆
CN115758227A (zh) 一种高能耗车辆识别和原因诊断方法
CN116543242B (zh) 基于高速收费数据的车型检测方法、装置、设备及介质
CN116011995A (zh) 车辆保养信息推送方法、装置、电子设备及存储介质
CN116679221A (zh) 一种电池异常检测、电池维护管理方法和装置
CN115545102A (zh) 一种基于随机森林的车辆能耗监测方法
CN116245365A (zh) 一种车辆风险评估方法、装置、存储介质及电子设备
CN110610016A (zh) 一种基于大数据机器学习进行轨道交通停准问题预测方法
US20230260342A1 (en) Method and computer programmes for the management of vehicle fleets
CN114091735A (zh) 一种电动车续航里程预测方法
CN114707037A (zh) 新能源车辆节能驾驶推荐方法、装置、设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination