[发明专利]一种通过大数据预测轨交锂电池SOE的方法

说明书

本发明涉及轨道交通的维护技术领域，尤其是一种通过大数据预测轨交锂电池SOE的方法；它包括：数据准备步骤，数据整理步骤，数据特征化步骤，目标确定步骤，数据计算步骤，训练验证步骤，算法评估步骤；通过特殊的清洗手段发现隐藏的噪声数据，从而实现清洗效果好、准确率高等效果；另外进行模型训练和评估，通过数据导入，利用机器学习的不同模型，选择不同算法进行匹配验证，并进行发布，成为结构化的产品，并随着时间累积和数据丰富，模型的预测准确性会不断提升。

技术领域

本发明涉及轨道交通的维护技术领域，尤其是一种通过大数据预测轨交锂电池SOE的方法。

背景技术

电池剩余能量状态(SOE，State of Energy)，定义为电池剩余能量占可用总能量的百分比，是指在一定条件下，电池使用一段时间后某些直接可测或间接计算得到的性能参数的实际值与标称值的比值，用来判断电池健康和使用状况。SOE不仅仅与电池本身的电化学体系和电池制造工艺相关，还与车辆行驶工况和电池组内部的工作环境相关。

传统的轨道交通中，通常是通过传感器测量电压、电流等传统数据进行监测。但公知的，随着充放电次数和行驶里程的增加，电池的容量不断衰减，这个反应是典型的动态非线性的电化学系统，在线应用时内部参数是难以测量的，其退化状态识别和状态估计仍存在巨大挑战。

发明内容

针对现有技术的不足，本发明提供一种在依赖于轨道交通数据采集的长周期情况下，从电池的额定信息和状态监测数据(电压、电流、温度、SOC等)挖掘其中隐含的电池健康状态信息及其演变规律，实现电池SOE预测。

本发明的技术方案为：

一种通过大数据预测轨交锂电池SOE的方法，它包括以下步骤：

S001数据准备步骤，获取与轨道交通电池使用相关的数据。

在本步骤中，所述轨道交通电池的数据包括轨道交通的监控数据，监控数据每十秒(根据实际情况也有可能为其他采集频率)采集一次，在轨道交通的不同整车状态中，例如行驶、充电过程中，都会产生。所述电池的监控数据包括在正常使用时与电池相关的电池自身数据以及轨道交通状态数据，一共超过200个数据变量。

所述电池的使用数据均是基于时间序列的流式数据，包括进行机器学习相关的电流、电压、温度、剩余电量(SOC)等。相关的数据内容如下表所示。

S002数据整理步骤，对所述轨道交通电池使用相关的数据进行清洗并将清洗后的所述轨道交通电池使用相关的数据基于时间单元进行数据构建。

数据清洗的方法为：将采集的数据建立数据库，获取异常数据，得到原始数据库，通过异常数据集中噪声数据的分布，发现数据集中的待清洗属性，寻找可扩维张量，对属性张量高阶扩维，得到高阶张量属性集合，利用扩维后的属性张量对异常数据属性进行属性清洗和数据修复，将清洗后的数据更新到新的数据库中，得到目标数据库。

S003数据特征化步骤，将通过数据整理步骤得到的数据进行总结和抽取，获取特征化后的数据。

由于在后续的处理步骤中需要对数据进行处理和计算，为了便于计算和识别数据的特征，首先需要对整理后的数据进行特征化以便于显现所述数据的各种特征从而便于计算和识别。

在本步骤中，对于数据的总结和抽取包括滚动聚合。所述滚动聚合是指设定一个时间窗口，计算在预定的变量在该时间窗口内的聚合值，所述聚合值可以是数据的总和、平均值或者是标准差。如图4所示，例如t1节点，设定时间窗是3，它的滚动聚合就是计算t1节点以及在所述t1节点之间的3个节点的总和、均值或者标准差。