[发明专利]一种通过大数据预测轨交锂电池SOH的方法

说明书

本发明涉及轨道交通锂电池维护技术领域，尤其是一种通过大数据预测轨交锂电池SOH的方法；该方法由相应的应用架构、流程、计算模型组成。这种方法首先对电动轨道交通电池运行过程中采集的电池实时数据，以及电动轨道交通车辆其它的运行数据，进行数据整理和清洗，并对数据进行特征化处理，通过大数据机器学习建立模型和训练验证算法，其中建模主要使用了非线性混合算法模型和生存模型，并对结果进行不同角度的评估和优化，从而建立电动轨道交通电池SOH预测的模型，优化电池的维修和更换，提高车主的安全性指标，达到系统性能和经济效益的平衡。

技术领域

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

背景技术

电池的健康度(SOH，State of Health)，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，用来判断电池健康状况，一般以百分比的形式表现。SOH不仅仅与电池本身的电化学体系和电池制造工艺相关，还与轨道交通行驶工况和电池组内部的工作环境相关。

部分轨道交通方式采用锂电池组作为动力源，故电池的健康程度关乎该方式下的轨道交通安全。

业内大多采用脉冲电压跌落值等方式进行SOH的预估，这些技术方案都没有利用历史数据，对于未来可能出现的情况判断较为粗略，并不符合电池内部的变化规律。

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SOH预测的方法。

本发明的技术方案为：

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。

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。

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，其好处是无需人工干涉，自动生成；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，由于Matlab进行数据补全的时候会进行平滑处理，故数据连续性强，不影响后续建模。

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。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。