CN118296565A - 基于数据挖掘的动力电池事故溯源管控*** - Google Patents

Abstract

本发明涉及数据挖掘技术领域，尤其涉及基于数据挖掘的动力电池事故溯源管控***，包括事故诊断处理分析模块、动力电池事故判别模块以及智能响应动态溯源模块；通过事故诊断处理分析模块获取所有动力电池历史运行数据进行数据处理，构建三维特征矩阵、标识映射以及事故诊断模型，保证数据的准确性和完整性；通过动力电池事故判别模块获取第一识别码，实时监测性能参数数据进行预测判定，以便后续识别和跟踪；通过智能响应动态溯源模块获取响应敏感度指数，并进行处理分析和溯源操作，提高***的准确性和安全性。本发明用于解决如何高效监测动力电池的运行状态并进行精准地溯源管控的技术问题。

Description

基于数据挖掘的动力电池事故溯源管控***

技术领域

本发明涉及数据挖掘技术领域，尤其涉及基于数据挖掘的动力电池事故溯源管控***。

背景技术

数据挖掘技术是一种从大量数据中发现模式、关系和规律的过程，旨在通过分析数据来提取有用信息并进行预测。这一过程涉及统计学、机器学习和数据库技术等领域的知识，以揭示数据背后的隐藏信息。

数据挖掘技术的应用领域非常广泛，包括但不限于医疗保健、交通运输、社交网络分析、工业自动化等。在工业自动化中，动力电池的事故溯源管控是该行业的核心部分，用于提供精准的异常检测和个性化追踪服务。通过对动力电池事故的溯源管控，可以提高动力电池***的安全性、可靠性和效率。当前对动力电池的事故溯源管控仍存在异常检测不够精准，预测性维护效果差，溯源能力资源消耗大，不能及时对异常状态进行优化管理等问题。为此，本发明提出了基于数据挖掘的动力电池事故溯源管控***，提供更好的安全保障。

发明内容

本发明的目的是为了解决背景技术中的问题，而提出的基于数据挖掘的动力电池事故溯源管控***。

为了实现上述目的，本发明采用了如下技术方案：

基于数据挖掘的动力电池事故溯源管控***，包括：事故诊断处理分析模块、动力电池事故判别模块以及智能响应动态溯源模块；

事故诊断处理分析模块用于获取所有动力电池历史运行数据，并进行数据清洗和事件域划分；基于历史性能参数数据对历史电压值、历史电流值以及历史温度值进行特征选择；针对选定的特征进行特征序列提取，并构建动力电池的三维特征矩阵；采用关联分析法对动力电池的三维特征矩阵进行标识映射；根据映射结果和关联规则获取标识值，利用逻辑回归模型构建动力电池的事故诊断模型；

动力电池事故判别模块用于获取监测区域内的所有动力电池进行实时监测，并获取目标动力电池的第一识别码，利用事故诊断模型对实时监测的目标动力电池性能参数数据进行预测判定；其中，动力电池故障判别模块包括实时数据采集单元和事故识别判定单元；

可理解的是，实时数据采集单元的采集过程包括：分配唯一编码：实时数据采集单元会扫描监测区域内的所有动力电池，并为每个动力电池分配一个唯一的编码，以便后续识别和跟踪；提取目标动力电池的编码特征：针对选择的目标动力电池，实时数据采集单元会提取其特定的编码特征，以便对其进行识别和监测；监测统计性能参数数据：实时数据采集单元会依次监测监测区域内所有目标动力电池的性能参数数据，包括实时电压值、实时电流值和实时温度值，并进行统计分析；时段特征表示：针对实时监测的数据，实时数据采集单元会将实时电压值、实时电流值和实时温度值等参数的数据按照时段特征进行表示，以捕捉不同时间段每分钟的数据模式；生成第一识别码：实时数据采集单元会结合目标动力电池的编码特征和时段特征，对这些特征进行统计分析和组合，从而生成目标动力电池的第一识别码，用于后续识别和管理；通过以上步骤，实时数据采集单元能够有效地采集动力电池数据，并为动力电池事故溯源管控***提供必要的监测和识别功能；其中，扫描工具可以利用射频识别(RFID)技术来扫描和识别动力电池，通过RFID标签实现动力电池的唯一编码和识别；

智能响应动态溯源模块用于利用计算公式获取响应敏感度指数，并进行处理分析和溯源操作。

需要说明的是，本发明实施例中基于数据挖掘的动力电池事故溯源管控***的应用对象可以为动力电池的事故溯源管控，可以用于监测动力电池的运行状态，具体的可以为通过数据挖掘技术对动力电池的运行状态进行全面监测和精准分析，对动力电池的运行状态按级别生成溯源信号，可以提高动力电池的安全性、可靠性和效率，并为后续分析提供可靠依据，这是优化动力电池的使用和管理策略的一个重要渠道。

进一步的，事故诊断处理分析模块获取所有动力电池历史运行数据，并进行数据清洗和事件域划分的过程包括：

基于存储的动力电池数据库获取所有动力电池历史运行数据；

确定对动力电池历史运行数据进行清洗的至少一种数据过滤机制，并获取动力电池历史运行数据对应的每种数据过滤机制设定的过滤值；

结合至少一种数据过滤机制和预先设定的过滤值对动力电池历史运行数据进行过滤，以对动力电池历史运行数据进行清洗；其中，至少一种数据过滤机制包括缺失数据剔除机制和重复数据合并机制；

针对清洗后的数据将其对应的动力电池进行编号标记，p＝1，2，3，……，r；r为正整数；

提取动力电池数据库的历史性能参数数据，整合得到历史电压值Vp、历史电流值Cp以及历史温度值Tp；

对历史性能参数数据进行处理，剔除动力电池的异常状态数据；

统计动力电池的正常状态数据，并根据性能参数属性划分事件域a＝{a1，a2，a3}；其中，a1表示电压事件域，a2表示电流事件域，a3表示温度事件域。

进一步的，事故诊断处理分析模块根据历史性能参数数据对历史电压值、历史电流值以及历史温度值进行特征选择的过程包括：

将各个事件域的历史性能参数数据进行标记，并筛选性能异常的数据，将其编号存入对应的每个事件域集合中；

依次对各个事件域集合中的性能异常编号对应的历史性能参数数据进行分析；

将历史电压值Vp、历史电流值Cp以及历史温度值值Tp用序列号分别标记为以及a表示不同属性的事件域；

对每个序列所包含的性能参数值进行标准化处理，获取第i序列的标准化性能参数值其中，标准化处理的公式为：式中，分别表示所有序列中的最小参数值和最大参数值，且i＝Vp，Cp，Tp；

基于每个标准化性能参数值进行平滑处理，获取第i序列标准化性能参数值的一次累加值其中，平滑处理的公式为：

通过平滑处理后获取历史性能参数数据的标准化性能参数值的紧邻均值其中，紧邻均值的计算公式为：式中，M表示平滑处理的次数，表示平滑处理的变化值；

将紧邻均值与性能异常编号的事件域集合进行比对，进而选定历史性能参数数据特征。

进一步的，事故诊断处理分析模块针对选定的特征进行特征序列提取，并构建动力电池的三维特征矩阵的过程包括：

针对选定的特征提取对应的特征序列，进而获取单体动力电池的三维特征序列Sj；其中，j表示特征属性且j＝1，2，3；

根据三维特征序列采用矢量量化的特征数据量来表示单体动力电池的特征矢量，将若干动力电池的三维特征序列分类，每一类为一个矢量，再将单个矢量进行量化；

预设输入特征矢量Z＝{Zk，k＝1，2，3，......，m}，k表示迭代次数；

利用公式为Q个单体动力电池构建三维特征矩阵

其中，式中，u表示三维特征矩阵的增益系数，Sj表示三维特征矩阵的驱动系数，Z表示三维特征矩阵的特征矢量驱动项，N表示三维特征矩阵中驱动系数Sj的驱动指数，且N为大于0小于1的实数。

进一步的，事故诊断处理分析模块采用关联分析法对动力电池的三维特征矩阵进行标识映射的过程包括：

步骤E1、采用分组匹配的方式对动力电池的三维特征矩阵进行分组，将历史电压值、历史电流值以及历史温度值的三维属性特征作为项集；

步骤E2、针对三维属性特征设定支持度和置信度，并获取不同属性的频繁项集；

步骤E3、计算单个属性的频繁项集，即L＝1，并从L＝1开始，筛选频繁项集；

步骤E4、使用已获取的频繁项集，组合生成L+1维的候选项集；

步骤E5、循环步骤E3和E4，直至无法生成频繁项集或不满足支持度阈值结束；获取L-1项集的结果为最终结果；

可理解的是，支持度表示特定电压、电流以及温度组合的记录数量与总数量之间的比率，当至少一种项集的的支持度阈值高时，则发现的频繁组合数量减少，反之，当支持度阈值低时，则发现的频繁组合数量增多；置信度表示当给定一组条件(例如电压和电流)时，某个结果(例如温度)发生的概率，高置信度产生可靠程度高但数量少的关联规则，低置信度则产生质量参差不齐的关联规则；选择常见默认值，如支持度阈值为0.1，置信度阈值为0.5，再根据实际情况对这些值进行调整；同时应考虑与电力***或温度控制相关的领域知识，需要时根据领域专家的建议来调整支持度和置信度的阈值；最终得到满足支持度阈值的所有频繁项集代表数据中经常出现的模式，在筛选过程中会通过不断组合和筛选的方式，找到满足支持度阈值要求的频繁项集，从而理解数据中的关联规则和模式。

进一步的，事故诊断处理分析模块根据映射结果和关联规则获取标识值，利用逻辑回归模型构建动力电池的事故诊断模型的过程包括：

根据挖掘出的关联规则，得到不同特征之间的关联关系和结果，并将不同属性特征的组合映射为一个标识值；

定义一组标识值的特征向量Y，Y＝{Y1，Y2，Y3，......，Yq}，其中，q为标识值的特征向量Y的编号；

获取对应的权重向量λ，λ＝{λ0，λ1，λ2，......，λv}，其中，λ0为截距，v为对应的权重向量λ的编号；

获取动力电池的事故诊断模型Bat(Y)，其中，动力电池的事故诊断模型Bat(Y)用逻辑回归模型表示为：式中，Bat(Y)的输出值表示预测动力电池发生事故的概率值，e表示自然对数的底；

将动力电池的事故诊断模型Bat(Y)的输出值标准范围设定为(0,1)；若预测结果不属于该范围，则诊断该动力电池存在安全事故，反之，则诊断为正常，并存储预测数据。

进一步的，实时数据采集单元用于获取监测区域内的所有动力电池进行实时监测，并获取目标动力电池的第一识别码的过程包括：

获取监测区域内的所有动力电池，并为每个动力电池分配唯一编码；

选择目标动力电池，提取其特定的编码特征；

依次对监测区域内的所有目标动力电池性能参数数据进行监测统计；

针对所有目标动力电池性能参数数据的实时电压值、实时电流值以及实时温度值，用时段特征表示，以捕捉不同时间段每分钟的数据模式；

获取目标动力电池的编码特征和时段特征，对编码特征和时段特征进行统计，组合得到目标动力电池的第一识别码。

进一步的，事故识别判定单元用于利用事故诊断模型对实时监测的目标动力电池性能参数数据进行预测判定的过程包括：

将实时监测的目标动力电池性能参数数据输入至事故诊断模型Bat(Y)中；

事故诊断模型Bat(Y)对输入的数据进行分析和预测，根据模型的训练结果，对目标动力电池进行事故诊断预测；

在预测结果中，选取不在动力电池的事故诊断模型Bat(Y)的输出值标准范围的目标对象；

对被识别异常的目标对象设置事故标签；

针对被识别异常的目标对象，识别判定事故类型；

其中，事故类型包括但不限于，过压、过流以及温度异常等；事故原因包括但不限于，生产质量不达标、电池内阻过大以及外部短路等。

进一步的，智能响应动态溯源模块利用计算公式获取响应敏感度指数，并进行处理分析和溯源操作的过程包括：

获取被识别异常的目标动力电池的第一识别号、事故标签以及事故类型，并记录对应的异常值；

按预设的排列顺序依次统计被识别异常的目标动力电池的异常总次数ZS及对应的不同异常值YZ；

获取不同异常值对应的事故影响因子GZ；

提取被识别异常的目标动力电池的异常总次数、不同异常值以及对应的事故影响因子的数值，并进行归一化处理；

通过计算获取响应敏感度指数RS I，响应敏感度指数RS I的公式为：式中，f1、f2为预设的固定数值比例系数且1<f1<f2，f1取值为1.479，f2取值为2.138；Cor_ZS为每次获取的异常次数对应的修正系数；

其中，响应敏感度指数RSI表示***对异常程度的响应情况，当响应敏感度指数的数值越大时，则表明***对异常程度进行敏感响应且发现异常程度高；当动力电池出现异常时，例如过压、过流或温度异常等，***根据异常程度进行动态追溯，并采取相应措施，例如停止充放电、隔离电池等，在处理事故时具有更高的准确性和效率；对于保障动力电池的安全性和稳定性至关重要，尤其是在需要及时处理各种潜在风险的场景下有利于对异常动力电池的精准追溯；

引入响应敏感度指数的辅助基准值RSI0，将响应敏感度指数RSI与辅助基准值RSI0进行差分比对；若两者之差小于η，则模块自动生成低级溯源信号；若两者之差不小于η，则模块自动生成高级溯源信号；***立即进行信息检索追踪。

与现有的技术相比，本发明提供了基于数据挖掘的动力电池事故溯源管控***及方法的优点在于：

1、本发明通过获取所有动力电池历史运行数据进行数据清洗、事件域划分以及特征选择，构建动力电池的三维特征矩阵和标识映射，并构建动力电池的事故诊断模型，保证数据的准确性和完整性，为后续的分析提供准备；

2、本发明通过获取目标动力电池的第一识别码，实时监测的目标动力电池性能参数数据进行预测判定，确保数据的一致性和可靠性，以便后续识别和跟踪；

3、本发明通过公式获取响应敏感度指数，并进行处理分析和溯源操作，为响应评估提供科学依据，以便识别和管理。

综上所述，本发明可以根据实际情况，针对动力电池的事故溯源提供数据支撑，通过数据挖掘技术对已利用事故诊断模型预测的动力电池进行定位溯源，提高处理事故的准确性和效率，通过对响应敏感度指数进行评估，自动生成低级或高级溯源信号，通过精准的数据分析，确保后续基于数据挖掘的动力电池事故溯源管控***的高效稳定运行。

附图说明

图1为本发明提出的基于数据挖掘的动力电池事故溯源管控***的模块图。

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，所描述的实施条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做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。

参照图1，基于数据挖掘的动力电池事故溯源管控***，该***包括事故诊断处理分析模块、动力电池事故判别模块以及智能响应动态溯源模块；

事故诊断处理分析模块用于获取所有动力电池历史运行数据，并进行数据清洗和事件域划分；基于历史性能参数数据对历史电压值、历史电流值以及历史温度值进行特征选择；针对选定的特征进行特征序列提取，并构建动力电池的三维特征矩阵；采用关联分析法对动力电池的三维特征矩阵进行标识映射；根据映射结果和关联规则获取标识值，利用逻辑回归模型构建动力电池的事故诊断模型；

动力电池事故判别模块用于获取监测区域内的所有动力电池进行实时监测，并获取目标动力电池的第一识别码，利用事故诊断模型对实时监测的目标动力电池性能参数数据进行预测判定；其中，动力电池故障判别模块包括实时数据采集单元和事故识别判定单元；

可理解的是，实时数据采集单元的采集过程包括：分配唯一编码：实时数据采集单元会扫描监测区域内的所有动力电池，并为每个动力电池分配一个唯一的编码，以便后续识别和跟踪；提取目标动力电池的编码特征：针对选择的目标动力电池，实时数据采集单元会提取其特定的编码特征，以便对其进行识别和监测；监测统计性能参数数据：实时数据采集单元会依次监测监测区域内所有目标动力电池的性能参数数据，包括实时电压值、实时电流值和实时温度值，并进行统计分析；时段特征表示：针对实时监测的数据，实时数据采集单元会将实时电压值、实时电流值和实时温度值等参数的数据按照时段特征进行表示，以捕捉不同时间段每分钟的数据模式；生成第一识别码：实时数据采集单元会结合目标动力电池的编码特征和时段特征，对这些特征进行统计分析和组合，从而生成目标动力电池的第一识别码，用于后续识别和管理；通过以上步骤，实时数据采集单元能够有效地采集动力电池数据，并为动力电池事故溯源管控***提供必要的监测和识别功能；其中，扫描工具可以利用射频识别(RFID)技术来扫描和识别动力电池，通过RFID标签实现动力电池的唯一编码和识别；

智能响应动态溯源模块用于利用计算公式获取响应敏感度指数，并进行处理分析和溯源操作。

需要说明的是，本发明实施例中基于数据挖掘的动力电池事故溯源管控***的应用对象可以为动力电池的事故溯源管控，可以用于监测动力电池的运行状态，具体的可以为通过数据挖掘技术对动力电池的运行状态进行全面监测和精准分析，对动力电池的运行状态按级别生成溯源信号，可以提高动力电池的安全性、可靠性和效率，并为后续分析提供可靠依据，这是优化动力电池的使用和管理策略的一个重要渠道。

事故诊断处理分析模块获取所有动力电池历史运行数据，并进行数据清洗和事件域划分；基于历史性能参数数据对历史电压值、历史电流值以及历史温度值进行特征选择；针对选定的特征进行特征序列提取，并构建动力电池的三维特征矩阵；采用关联分析法对动力电池的三维特征矩阵进行标识映射；根据映射结果和关联规则获取标识值，利用逻辑回归模型构建动力电池的事故诊断模型的步骤包括：

S101、基于存储的动力电池数据库获取所有动力电池历史运行数据；

S102、确定对动力电池历史运行数据进行清洗的至少一种数据过滤机制，并获取动力电池历史运行数据对应的每种数据过滤机制设定的过滤值；

S103、结合至少一种数据过滤机制和预先设定的过滤值对动力电池历史运行数据进行过滤，以对动力电池历史运行数据进行清洗；其中，至少一种数据过滤机制包括缺失数据剔除机制和重复数据合并机制；

S104、针对清洗后的数据将其对应的动力电池进行编号标记，p＝1，2，3，……，r；r为正整数；

S105、提取动力电池数据库的历史性能参数数据，整合得到历史电压值Vp、历史电流值Cp以及历史温度值Tp；

S106、对历史性能参数数据进行处理，剔除动力电池的异常状态数据；

S107、统计动力电池的正常状态数据，并根据性能参数属性划分事件域a＝{a1，a2，a3}；其中，a1表示电压事件域，a2表示电流事件域，a3表示温度事件域；

S108、将各个事件域的历史性能参数数据进行标记，并筛选性能异常的数据，将其编号存入对应的每个事件域集合中；

S109、依次对各个事件域集合中的性能异常编号对应的历史性能参数数据进行分析；

S110、将历史电压值Vp、历史电流值Cp以及历史温度值值Tp用序列号分别标记为以及a表示不同属性的事件域；

S111、对每个序列所包含的性能参数值进行标准化处理，获取第i序列的标准化性能参数值其中，标准化处理的公式为：式中，分别表示所有序列中的最小参数值和最大参数值，且i＝Vp，Cp，Tp；

S112、基于每个标准化性能参数值进行平滑处理，获取第i序列标准化性能参数值的一次累加值其中，平滑处理的公式为：

S113、通过平滑处理后获取历史性能参数数据的标准化性能参数值的紧邻均值其中，紧邻均值的计算公式为：式中，M表示平滑处理的次数，表示平滑处理的变化值；

S114、将紧邻均值与性能异常编号的事件域集合进行比对，进而选定历史性能参数数据特征；

S115、针对选定的特征提取对应的特征序列，进而获取单体动力电池的三维特征序列Sj；其中，j表示特征属性且j＝1，2，3；

S116、根据三维特征序列采用矢量量化的特征数据量来表示单体动力电池的特征矢量，将若干动力电池的三维特征序列分类，每一类为一个矢量，再将单个矢量进行量化；

S117、预设输入特征矢量Z＝{Zk，k＝1，2，3，......，m}，k表示迭代次数；

S118、利用公式为Q个单体动力电池构建三维特征矩阵

其中，式中，u表示三维特征矩阵的增益系数，Sj表示三维特征矩阵的驱动系数，Z表示三维特征矩阵的特征矢量驱动项，N表示三维特征矩阵中驱动系数Sj的驱动指数，且N为大于0小于1的实数；

S119、采用分组匹配的方式对动力电池的三维特征矩阵进行分组，将历史电压值、历史电流值以及历史温度值的三维属性特征作为项集；

S120、针对三维属性特征设定支持度和置信度，并获取不同属性的频繁项集；

S121、计算单个属性的频繁项集，即L＝1，并从L＝1开始，筛选频繁项集；

S123、使用已获取的频繁项集，组合生成L+1维的候选项集；

S124、循环步骤S121和S123，直至无法生成频繁项集或不满足支持度阈值结束；获取L-1项集的结果为最终结果；

在步骤S119-步骤S124中，支持度表示特定电压、电流以及温度组合的记录数量与总数量之间的比率，当至少一种项集的的支持度阈值高时，则发现的频繁组合数量减少，反之，当支持度阈值低时，则发现的频繁组合数量增多；置信度表示当给定一组条件(例如电压和电流)时，某个结果(例如温度)发生的概率，高置信度产生可靠程度高但数量少的关联规则，低置信度则产生质量参差不齐的关联规则；选择常见默认值，如支持度阈值为0.1，置信度阈值为0.5，再根据实际情况对这些值进行调整；同时应考虑与电力***或温度控制相关的领域知识，需要时根据领域专家的建议来调整支持度和置信度的阈值；最终得到满足支持度阈值的所有频繁项集代表数据中经常出现的模式，在筛选过程中会通过不断组合和筛选的方式，找到满足支持度阈值要求的频繁项集，从而理解数据中的关联规则和模式；

S125、根据挖掘出的关联规则，得到不同特征之间的关联关系和结果，并将不同属性特征的组合映射为一个标识值；

S126、定义一组标识值的特征向量Y，Y＝{Y1，Y2，Y3，......，Yq}，其中，q为标识值的特征向量Y的编号；

S127、获取对应的权重向量λ，λ＝{λ0，λ1，λ2，......，λv}，其中，λ0为截距，v为对应的权重向量λ的编号；

S128、获取动力电池的事故诊断模型Bat(Y)，其中，动力电池的事故诊断模型Bat(Y)用逻辑回归模型表示为：式中，Bat(Y)的输出值表示预测动力电池发生事故的概率值，e表示自然对数的底；

S129、将动力电池的事故诊断模型Bat(Y)的输出值标准范围设定为(0,1)；若预测结果不属于该范围，则诊断该动力电池存在安全事故，反之，则诊断为正常，并存储预测数据。

动力电池事故判别模块获取监测区域内的所有动力电池进行实时监测，并获取目标动力电池的第一识别码，利用事故诊断模型对实时监测的目标动力电池性能参数数据进行预测判定的步骤包括：

S201、获取监测区域内的所有动力电池，并为每个动力电池分配唯一编码；

S202、选择目标动力电池，提取其特定的编码特征；

S203、依次对监测区域内的所有目标动力电池性能参数数据进行监测统计；

S204、针对所有目标动力电池性能参数数据的实时电压值、实时电流值以及实时温度值，用时段特征表示，以捕捉不同时间段每分钟的数据模式；

S205、获取目标动力电池的编码特征和时段特征，对编码特征和时段特征进行统计，组合得到目标动力电池的第一识别码；

S206、将实时监测的目标动力电池性能参数数据输入至事故诊断模型Bat(Y)中；

S207、事故诊断模型Bat(Y)对输入的数据进行分析和预测，根据模型的训练结果，对目标动力电池进行事故诊断预测；

S208、在预测结果中，选取不在动力电池的事故诊断模型Bat(Y)的输出值标准范围的目标对象；

S209、对被识别异常的目标对象设置事故标签；

S210、针对被识别异常的目标对象，识别判定事故类型；

在步骤S210中，事故类型包括但不限于，过压、过流以及温度异常等；事故原因包括但不限于，生产质量不达标、电池内阻过大以及外部短路等。

智能响应动态溯源模块利用计算公式获取响应敏感度指数，并进行处理分析和溯源操作的步骤包括：

S301、获取被识别异常的目标动力电池的第一识别号、事故标签以及事故类型，并记录对应的异常值；

S302、按预设的排列顺序依次统计被识别异常的目标动力电池的异常总次数ZS及对应的不同异常值YZ；

S303、获取不同异常值对应的事故影响因子GZ；

S304、提取被识别异常的目标动力电池的异常总次数、不同异常值以及对应的事故影响因子的数值，并进行归一化处理；

S305、通过计算获取响应敏感度指数RS I，响应敏感度指数RS I的公式为：式中，f1、f2为预设的固定数值比例系数且1<f1<f2，f1取值为1.479，f2取值为2.138；Cor_ZS为每次获取的异常次数对应的修正系数；

在步骤S305中，响应敏感度指数RSI表示***对异常程度的响应情况，当响应敏感度指数的数值越大时，则表明***对异常程度进行敏感响应且发现异常程度高；当动力电池出现异常时，例如过压、过流或温度异常等，***根据异常程度进行动态追溯，并采取相应措施，例如停止充放电、隔离电池等，在处理事故时具有更高的准确性和效率；对于保障动力电池的安全性和稳定性至关重要，尤其是在需要及时处理各种潜在风险的场景下有利于对异常动力电池的精准追溯；

S306、引入响应敏感度指数的辅助基准值RSI0，将响应敏感度指数RSI与辅助基准值RSI0进行差分比对；若两者之差小于η，则模块自动生成低级溯源信号；若两者之差不小于η，则模块自动生成高级溯源信号；***立即进行信息检索追踪。

本发明实施例中，通过获取所有动力电池历史运行数据进行数据清洗、事件域划分以及特征选择，构建动力电池的三维特征矩阵和标识映射，并构建动力电池的事故诊断模型，保证数据的准确性和完整性，为后续的分析提供准备，通过获取目标动力电池的第一识别码，实时监测的目标动力电池性能参数数据进行预测判定，确保数据的一致性和可靠性，以便后续识别和跟踪，通过公式获取响应敏感度指数，并进行处理分析和溯源操作，为响应评估提供科学依据，以便识别和管理。综上所述，本发明实例涉及到数据分析、监测管理和优化措施的决策，解决如何高效监测动力电池的运行状态并进行精准地溯源管控的问题。在实际情况中，可能需要更多的数据和上下文信息来做出具体的决策和优化方案。

此外，上述中涉及的公式均是去除量纲取其数值计算，是由采集大量数据进行软件模拟得到最接近真实情况的一个公式，公式中的比例系数以及分析过程中各个预设的阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得；比例系数的大小是为了将各个参数进行量化得到的一个具体的数值，便于后续比较，关于比例系数的大小，取决于样本数据的多少及本领域技术人员对每一组样本数据初步设定对应的处理系数；只要不影响参数与量化后数值的比例关系即可。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，各个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本依托于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。

为了描述得方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

其次：本发明公开实施例附图中，只涉及与本公开实施例涉及的结构，其他结构可参考通常设计，在不冲突情况下，本发明同一实施例及不同实施例可以相互组合；

最后：以上所述仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (12)

1.基于数据挖掘的动力电池事故溯源管控***，其特征在于：包括事故诊断处理分析模块、动力电池事故判别模块以及智能响应动态溯源模块；

事故诊断处理分析模块用于获取所有动力电池历史运行数据，并进行数据清洗和事件域划分；基于历史性能参数数据对历史电压值、历史电流值以及历史温度值进行特征选择；针对选定的特征进行特征序列提取，并构建动力电池的三维特征矩阵；采用关联分析法对动力电池的三维特征矩阵进行标识映射；根据映射结果和关联规则获取标识值，利用逻辑回归模型构建动力电池的事故诊断模型；

动力电池事故判别模块用于获取监测区域内的所有动力电池进行实时监测，并获取目标动力电池的第一识别码，利用事故诊断模型对实时监测的目标动力电池性能参数数据进行预测判定；其中，动力电池故障判别模块包括实时数据采集单元和事故识别判定单元；

智能响应动态溯源模块用于利用计算公式获取响应敏感度指数，并进行处理分析和溯源操作。

2.根据权利要求1所述的基于数据挖掘的动力电池事故溯源管控***，其特征在于：事故诊断处理分析模块获取所有动力电池历史运行数据，并进行数据清洗和事件域划分的过程包括：

基于存储的动力电池数据库获取所有动力电池历史运行数据；

确定对动力电池历史运行数据进行清洗的至少一种数据过滤机制，并获取动力电池历史运行数据对应的每种数据过滤机制设定的过滤值；

结合至少一种数据过滤机制和预先设定的过滤值对动力电池历史运行数据进行过滤，以对动力电池历史运行数据进行清洗；其中，至少一种数据过滤机制包括缺失数据剔除机制和重复数据合并机制；

针对清洗后的数据将其对应的动力电池进行编号标记，p＝1，2，3，……，r；r为正整数；

提取动力电池数据库的历史性能参数数据，整合得到历史电压值Vp、历史电流值Cp以及历史温度值Tp；

对历史性能参数数据进行处理，剔除动力电池的异常状态数据；

统计动力电池的正常状态数据，并根据性能参数属性划分事件域a＝{a1，a2，a3}；其中，a1表示电压事件域，a2表示电流事件域，a3表示温度事件域。

3.根据权利要求1所述的基于数据挖掘的动力电池事故溯源管控***，其特征在于：事故诊断处理分析模块根据历史性能参数数据对历史电压值、历史电流值以及历史温度值进行特征选择的过程包括：

将各个事件域的历史性能参数数据进行标记，并筛选性能异常的数据，将其编号存入对应的每个事件域集合中；

依次对各个事件域集合中的性能异常编号对应的历史性能参数数据进行分析；

将历史电压值Vp、历史电流值Cp以及历史温度值值Tp用序列号分别标记为以及a表示不同属性的事件域；

对每个序列所包含的性能参数值进行标准化处理，获取第i序列的标准化性能参数值

基于每个标准化性能参数值进行平滑处理，获取第i序列标准化性能参数值的一次累加值

通过平滑处理后获取历史性能参数数据的标准化性能参数值的紧邻均值

将紧邻均值与性能异常编号的事件域集合进行比对，进而选定历史性能参数数据特征。

4.根据权利要求3所述的基于数据挖掘的动力电池事故溯源管控***，其特征在于：其中所述性能参数值的标准化处理公式包括：

式中，分别表示所有序列中的最小参数值和最大参数值，且i＝Vp，Cp，Tp。

5.根据权利要求3所述的基于数据挖掘的动力电池事故溯源管控***，其特征在于：其中所述性能参数值的平滑处理公式包括：

6.根据权利要求3所述的基于数据挖掘的动力电池事故溯源管控***，其特征在于：其中所述历史性能参数数据的标准化性能参数值的紧邻均值的计算公式包括：

式中，M表示平滑处理的次数，表示平滑处理的变化值。

7.根据权利要求1所述的基于数据挖掘的动力电池事故溯源管控***，其特征在于：事故诊断处理分析模块针对选定的特征进行特征序列提取，并构建动力电池的三维特征矩阵的过程包括：

针对选定的特征提取对应的特征序列，进而获取单体动力电池的三维特征序列Sj；其中，j表示特征属性且j＝1，2，3；

根据三维特征序列采用矢量量化的特征数据量来表示单体动力电池的特征矢量，将若干动力电池的三维特征序列分类，每一类为一个矢量，再将单个矢量进行量化；

预设输入特征矢量Z＝{Zk，k＝1，2，3，......，m}，k表示迭代次数；

利用公式为Q个单体动力电池构建三维特征矩阵Sj：

其中，式中，u表示三维特征矩阵的增益系数，Sj表示三维特征矩阵的驱动系数，Z表示三维特征矩阵的特征矢量驱动项，N表示三维特征矩阵中驱动系数Sj的驱动指数，且N为大于0小于1的实数。

8.根据权利要求1所述的基于数据挖掘的动力电池事故溯源管控***，其特征在于：事故诊断处理分析模块采用关联分析法对动力电池的三维特征矩阵进行标识映射的过程包括：

步骤E1、采用分组匹配的方式对动力电池的三维特征矩阵进行分组，将历史电压值、历史电流值以及历史温度值的三维属性特征作为项集；

步骤E2、针对三维属性特征设定支持度和置信度，并获取不同属性的频繁项集；

步骤E3、计算单个属性的频繁项集，即L＝1，并从L＝1开始，筛选频繁项集；

步骤E4、使用已获取的频繁项集，组合生成L+1维的候选项集；

步骤E5、循环步骤E3和E4，直至无法生成频繁项集或不满足支持度阈值结束；获取L-1项集的结果为最终结果。

9.根据权利要求1所述的基于数据挖掘的动力电池事故溯源管控***，其特征在于：事故诊断处理分析模块根据映射结果和关联规则获取标识值，利用逻辑回归模型构建动力电池的事故诊断模型的过程包括：

根据挖掘出的关联规则，得到不同特征之间的关联关系和结果，并将不同属性特征的组合映射为一个标识值；

定义一组标识值的特征向量Y，Y＝{Y1，Y2，Y3，......，Yq}，其中，q为标识值的特征向量Y的编号；

获取对应的权重向量λ，λ＝{λ0，λ1，λ2，......，λv}，其中，λ0为截距，v为对应的权重向量λ的编号；

获取动力电池的事故诊断模型Bat(Y)，其中，动力电池的事故诊断模型Bat(Y)用逻辑回归模型表示为：式中，Bat(Y)的输出值表示预测动力电池发生事故的概率值，e表示自然对数的底；

将动力电池的事故诊断模型Bat(Y)的输出值标准范围设定为(0,1)；若预测结果不属于该范围，则诊断该动力电池存在安全事故，反之，则诊断为正常，并存储预测数据。

10.根据权利要求1所述的基于数据挖掘的动力电池事故溯源管控***，其特征在于：实时数据采集单元用于获取监测区域内的所有动力电池进行实时监测，并获取目标动力电池的第一识别码的过程包括：

获取监测区域内的所有动力电池，并为每个动力电池分配唯一编码；

选择目标动力电池，提取其特定的编码特征；

依次对监测区域内的所有目标动力电池性能参数数据进行监测统计；

针对所有目标动力电池性能参数数据的实时电压值、实时电流值以及实时温度值，用时段特征表示，以捕捉不同时间段每分钟的数据模式；

获取目标动力电池的编码特征和时段特征，对编码特征和时段特征进行统计，组合得到目标动力电池的第一识别码。

11.根据权利要求1所述的基于数据挖掘的动力电池事故溯源管控***，其特征在于：事故识别判定单元用于利用事故诊断模型对实时监测的目标动力电池性能参数数据进行预测判定的过程包括：

将实时监测的目标动力电池性能参数数据输入至事故诊断模型Bat(Y)中；

事故诊断模型Bat(Y)对输入的数据进行分析和预测，根据模型的训练结果，对目标动力电池进行事故诊断预测；

在预测结果中，选取不在动力电池的事故诊断模型Bat(Y)的输出值标准范围的目标对象；

对被识别异常的目标对象设置事故标签；

针对被识别异常的目标对象，识别判定事故类型。

12.根据权利要求1所述的基于数据挖掘的动力电池事故溯源管控***，其特征在于：智能响应动态溯源模块利用计算公式获取响应敏感度指数，并进行处理分析和溯源操作的过程包括：

获取被识别异常的目标动力电池的第一识别号、事故标签以及事故类型，并记录对应的异常值；

按预设的排列顺序依次统计被识别异常的目标动力电池的异常总次数ZS及对应的不同异常值YZ；

获取不同异常值对应的事故影响因子GZ；

提取被识别异常的目标动力电池的异常总次数、不同异常值以及对应的事故影响因子的数值，并进行归一化处理；

通过计算获取响应敏感度指数RSI，响应敏感度指数RSI的公式为：式中，f1、f2为预设的固定数值比例系数且1<f1<f2，f1取值为1.479，f2取值为2.138；Cor_ZS为每次获取的异常次数对应的修正系数；

引入响应敏感度指数的辅助基准值RSI0，将响应敏感度指数RSI与辅助基准值RSI0进行差分比对；若两者之差小于η，则模块自动生成低级溯源信号；若两者之差不小于η，则模块自动生成高级溯源信号；***立即进行信息检索追踪。