[发明专利]一种通过大数据预测轨交锂电池SOH的方法

权利要求书

1.一种通过大数据预测轨交锂电池SOH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；

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；

清洗方法：

首先将所有采集到的数据导入Matlab中进行全部数据的自动补全，然后是采用统计方法来检测所述数据的数值型属性，计算字段值的均值和标准差，利用每个字段的置信区间来识别异常字段和记录，采用聚类方法用于检测异常记录，发现不符合现有模式的异常记录或者关联规则方法发现数据集中不符合具有高置信度和支持度规则的异常数据；所有异常数据剔除，然后再次将所有数据导入Matlab进行二次补全；

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；

S004目标确定步骤，计算用于学习的SOH值，并进行特定点捕捉用于校验；

S005数据计算步骤，基于特征化后的数据建立电池SOH预测的模型；

S006训练验证步骤，对模型进行训练和验证以优化该自适应模型；

所述训练验证步骤优选包括交叉验证和少数类采样；

S007算法评估步骤，评估数据在不同算法下的预测结果，基于评估选择最优的算法。

2.根据权利要求1所述的一种通过大数据预测轨交锂电池SOH的方法，其特征在于：所述S003中，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；在本步骤中，从基于时间序列的电池数据进行总结和抽取，从而将初始的S001中的特征变量进行扩展。

3.根据权利要求1所述的一种通过大数据预测轨交锂电池SOH的方法，其特征在于：所述S004中，对于每一条电池数据的采集记录，经过特征化后，需要进行目标值，即SOH的计算；

第一步：得到电池基本数据，用于计算第二步和第三步中的SOH

第二步：统计t时刻的SOH

第三步：捕捉SOC从20％以下充电到100％

通过上述三个步骤，对每个电池数据都进行了SOH的计算，其中第三步中获得的SOH主要用于对第二步中获得的SOH_t进行校验，然后将第二步中获得的SOH_t作为学习的目标。

4.根据权利要求1所述的一种通过大数据预测轨交锂电池SOH的方法，其特征在于：所述S005中对于电池SOH预测的问题，本具体实施方式中采用非线性混合效应模型和生存模型来建立所述电池预测SOH模型；

该模型从一组样本数据出发，确定变量之间的数学关系式对这些关系式的可信程度进行各种统计检验，并从影响某一特定变量的诸多变量中找出哪些变量的影响显著，哪些不显著；

以t时刻的SOH_t作为Y，对每个数据从时间上进行标签化；经过步骤S001、S002和S003后得到的数据设为x，建立模型Y＝f(x),其中f()为机器基于大数据学习得到的模型；模型的输入为时间t以及t时刻采集的数据，模型的输出为t时刻电池SOH_t，在轨道交通实时运行和使用过程中，依据采集的数据x即可以准确的利用模型推出SOH_t；

其中非线性混合效应模型，是线性混合效应模型的一种扩展，其固定效应和随机效应部分均可以以非线性的形式纳入模型，相对于线性模型的正态假定，非线性模型对资料的分布无特殊要求，资料可以是正态分布，也可以是二项分布、Poisson分布，同时非线性混合效应模型在对缺失数据的处理上具有更好的稳健性；其算法的模型为Y＝f(x+Φ)+e,其中f()为非线性函数，Φ＝Aβ+Bb中A,B为设计的矩阵，β为固定效应参数向量和b为随机效应参数向量，e为误差向量，其中β为输入数据x中对于电池SOH预测相关的固定效应数据，而b则为对于SOH预测不相关的随机效应数据；其参数A和B的估计可以通过伪数据步和线性混合效应步两步之间的迭代完成，可分别使用Gauss-Newton迭代法和EM算法解决；

生存模型算法中其中t为电池的使用时间，x为基于时间序列采集的数据，f(x)为研究对象生存时间分布的概率密度函数,S(t)为研究对象生存时间长于t的概率。SOH的算法模型为Y＝f(S(t),x)，其中f()为生存算法模型；非线性混合效应模型和生存模型并行进行，根据最后S007的效果来选择最合适的模型，并且这种选择也是动态调整的。