[发明专利]基于大数据AI的动态阈值动力电池充电电压状态判断方法

权利要求书

1.一种基于大数据AI的动态阈值动力电池充电电压状态判断方法，其特征在于，其包括以下步骤：

A：从充电大数据集中提取充电数据集并训练先验模型：

1)使用充电过程的数据作为模型使用的数据，包含用来计算训练模型目标值的全部单体电压字段，以及用来作为数据集特征的特征字段；

2)使用所述电压字段和特征字段作为基础特征，使用特征工程技术扩充特征数量并形成扩充特征，将基础特征和扩充特征合并作为先验模型的完整特征；

3)采用RRCF方法，使用n作为树的数量参数、s作为每棵树的尺寸创建RRCF模型；

4)使用充电过程中全部单体电压作为输入特征，批量计算一个完整充电过程中数据的CoDisp值作为异常检测值，并计算出这些CoDisp值的标准差作为先验模型数据的目标值；

5)将数据集分为训练集、验证集、测试集训练回归模型，并计算模型在测试集上的R方值r²作为该模型的预测能力指标；

B：实例化用于计算电压流数据CoDisp值的RRCF模型，这里的实例化所用参数与步骤A1中的RRCF模型参数相同；

C：获得当前充电车辆的先验Codisp值：获取充电车辆的特征字段对应的特征数据；并使用特征数据作为输入用先验回归模型计算该车辆的先验CoDisp值d_p；

D：使用步骤B中创建的流数据RRCF模型计算电压流数据的CoDisp值d_n；

E：根据公式使用流数据CoDisp结合先验CoDisp值计算修正后的流数据异常值判断标准η′_n，所述公式为：

其中，r²是先验回归模型的R方预测值，g是流数据平均时间间隔，n是流数据次序号，s是RRCF中树的尺寸，η是指定的异常值判断标准；

F：使用RRCF中树的尺寸s的作为宽度取时间窗口，计算窗口内CoDisp的均值和方差σ_wn，并计算当前数据Codisp值d_n与时间窗口均值的距离除以方差σ_wn的倍数η_n，即：

G：比较η_n与η′的大小，如果η_n小于或等于η′则当前电压数据为正常值，否则电压数据异常。

2.根据权利要求1所述的基于大数据AI的动态阈值动力电池充电电压状态判断方法，其特征在于：所述特征字段包括：充电时间、累计里程、总电压、总电流、SOC、SOH、剩余里程、充电安时、电机扭矩、单体电池总数、经度、纬度。

3.根据权利要求1所述的基于大数据AI的动态阈值动力电池充电电压状态判断方法，其特征在于：采用的具体回归模型为统计机器学习方法或深度学习方法。

4.根据权利要求3所述的基于大数据AI的动态阈值动力电池充电电压状态判断方法，其特征在于：所述统计机器学习方法包括线性回归、SVR或随机森林学习方法。

5.根据权利要求3所述的基于大数据AI的动态阈值动力电池充电电压状态判断方法，其特征在于：所述深度学习方法包括CNN、RNN学习方法。