【技术实现步骤摘要】
一种新能源车辆电池的过压预警方法、装置及电子设备
[0001]本专利技术涉及电池过压预警
,具体涉及一种新能源车辆电池的过压预警方法
、
装置及电子设备
。
技术介绍
[0002]随着新能源车辆的逐渐普及,新能源车的安全事故不断发生,其中由动力电池引发的事故逐渐增多
。
新能源汽车的动力电池是汽车功能的核心部分,其安全性和稳定性对于新能源汽车的运行至关重要
。
尽管电池技术在过去的几年中取得了显著的进步,但仍存在一些潜在的隐患
。
其中,电池单体电压过压问题对电池安全性和稳定性影响较大
。
[0003]现有的许多方法,利用电池管理系统采集的动力电池单体的电流
、
电压
、
温度等信息和整车控制器采集的动力电池包的信息,在云平台建立相关安全模型后,根据人为设定的极限值或者阈值,当超过阈值时产生实时安全预警
。
[0004]上述的主要方法虽然在动力电池出现问题时进行预警,但是电池出现问题时可能即将产生安全事故,并且数据在云平台实时传输出现错误时,产生预警延误
。
这样的方法不能够在电池处于正常状态时,提前一定的时间间隔预警,从而影响新能源车辆电池安全预警的准确性和及时性
。
技术实现思路
[0005]有鉴于此,本专利技术实施例提供了一种新能源车辆电池的过压预警方法
、
装置及电子设备,用以解决或部分解决上述问题
。r/>[0006]第一方面,本专利技术实施例提供了一种新能源车辆电池的过压预警方法,包括以下步骤:
[0007]一种新能源车辆电池的过压预警方法的步骤流程图,参见图1,该方法包括以下步骤:
[0008]S1
:获取新能源车电池系统的时间序列数据,并按比例划分为训练集和测试集;
[0009]S2
:将所述训练集中的数据按时序间隔划分为多段,每段数据中的电压测量单体的最高电压分别经过快速傅里叶变化从而获得多个频率值,从多个所述频率值选定一个,与选定所述频率值对应的周期长度为时间窗口长度,设定间隔时长和过压阈值;
[0010]S3
:根据所述时间窗口长度从所述训练集中划分获取多条窗口数据,根据各条所述窗口数据经所述间隔时长后的测量单体电压与所述过压阈值的比较结果,将各条所述窗口数据对应标上不同标签;
[0011]S4
:分别计算各所述窗口数据中的特征变量,分别对各所述特征变量做归一化处理,获得多个特征变量数据集;
[0012]S5
:将多个所述特征变量数据集输入到神经网络,进行前向传播后,获得拥有加权变量的数据一,将所述数据一及对应的标签输入到
SVM
支持向量机,计算出训练数据到最优间隔的最大距离,取所述最大距离的倒数作为损失,反向传播更新所述神经网络内的权重
参数,直至完成迭代训练;
[0013]S6
:按不同的所述时序间隔划分训练集数据
、
选定不同的所述频率值和
/
或设定不同的所述间隔时长,重复步骤
S2
‑
S5
,获取多个神经网络支持向量机模型;
[0014]S7
:通过所述测试集测试,选取准确率最高的所述神经网络支持向量机模型作为最优神经网络支持向量机模型
。
[0015]根据本专利技术实施例的一种具体实现方式,所述步骤
S1
中,所述时间序列数据需进行清洗,去除异常数据和空数据
。
[0016]根据本专利技术实施例的一种具体实现方式,所述步骤
S1
中,所述训练集占比
80
%
。
[0017]根据本专利技术实施例的一种具体实现方式,所述步骤
S2
中,所述过压阈值根据电池品牌和出厂参数设定
。
[0018]根据本专利技术实施例的一种具体实现方式,所述步骤
S3
中,各条所述窗口数据经所述间隔时长后的测量单体电压若超过所述过压阈值,则对应所述窗口数据打上异常类标签
label
=1,否则打上正常类标签
label
=
0。
[0019]根据本专利技术实施例的一种具体实现方式,所述步骤
S4
具体为:
[0020]S4.1
:将所述窗口数据中的数据变量归纳计算为特征变量,所述特征变量包括测量单体最高电压平均值,测量单体最高电压方差,测量单体最高电压变化斜率,测量单体最高电压信息熵,测量单体电压极差最大值,测量单体电压极差平均值,电池温度均值,电池电流均值,测量单体最高温度均值,测量单体最高温度方差;
[0021]S4.2
:按照时间窗口
T
计算后,
N
条所述时间序列数据变为条数据,且每条数据有
C
个变量维度,则所述特征变量数据集
[0022]然后对数据进行归一化处理,其公式为:
[0023][0024]其中,
X
max
和
X
min
分别表示变量数据的最大值和最小值
。
[0025]根据本专利技术实施例的一种具体实现方式,所述步骤
S5
具体为:
[0026]S5.1
:将输入到全连接神经网络,其公式为:
[0027]Z
=
X
*
·
W+B
,
[0028]其中,权重偏置
D
为设定的输出维度参数;
[0029]S5.2
:将全连接神经网络的输出
Z
和对应的
label
输入的到
SVM
支持向量机中,计算数据点到超平面的距离
Distance
,对于包括但不限于使用多项式核的支持向量机,其最大距离公式表示为:
[0030][0031]其中,
a
i
是支持向量的拉格朗日乘子,
y
i
就是每个输入样本
z
对应的
label
值,
c
是多项式核函数的常数项,
d
是多项式核函数的阶数,
b
是超平面的偏置项;
[0032]S5.3
:将输出的最大距离
Distance
的倒数作为全连接神经网络的损失
loss
,然后
使用反向传播算法来计算梯度,计算出的梯度进行反向传播更新参数
W
和
B
;
[0033]S5.4
:经过多轮迭代训练,更新全连接神经网络的权重参数,并求得最优特征变量加权组合
。
[0034]根据本专利技术实施例的一种具体实现本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.
一种新能源车辆电池的过压预警方法,其特征在于,包括以下步骤:
S1
:获取新能源车电池系统的时间序列数据,并按比例划分为训练集和测试集;
S2
:将所述训练集中的数据按时序间隔划分为多段,每段数据中的电压测量单体的最高电压分别经过快速傅里叶变化从而获得多个频率值,从多个所述频率值选定一个,与选定所述频率值对应的周期长度为时间窗口长度,设定间隔时长和过压阈值;
S3
:根据所述时间窗口长度从所述训练集中划分获取多条窗口数据,根据各条所述窗口数据经所述间隔时长后的测量单体电压与所述过压阈值的比较结果,将各条所述窗口数据对应标上不同标签;
S4
:分别计算各所述窗口数据中的特征变量,分别对各所述特征变量做归一化处理,获得多个特征变量数据集;
S5
:将多个所述特征变量数据集输入到神经网络,进行前向传播后,获得拥有加权变量的数据一,将所述数据一及对应的标签输入到
SVM
支持向量机,计算出训练数据到最优间隔的最大距离,取所述最大距离的倒数作为损失,反向传播更新所述神经网络内的权重参数,直至完成迭代训练;
S6
:按不同的所述时序间隔划分训练集数据
、
选定不同的所述频率值和
/
或设定不同的所述间隔时长,重复步骤
S2
‑
S5
,获取多个神经网络支持向量机模型;
S7
:通过所述测试集测试,选取准确率最高的所述神经网络支持向量机模型作为最优神经网络支持向量机模型
。2.
根据权利要求1所述的预警方法,其特征在于:所述步骤
S1
中,所述时间序列数据需进行清洗,去除异常数据和空数据
。3.
根据权利要求1所述的预警方法,其特征在于:所述步骤
S2
中,所述过压阈值根据电池品牌和出厂参数设定
。4.
根据权利要求1所述的预警方法,其特征在于:所述步骤
S3
中,各条所述窗口数据经所述间隔时长后的测量单体电压若超过所述过压阈值,则对应所述窗口数据打上异常类标签
label
=1,否则打上正常类标签
label
=
0。5.
根据权利要求4所述的预警方法,其特征在于,所述步骤
S4
具体为:
S4.1
:将所述窗口数据中的数据变量归纳计算为特征变量,所述特征变量包括测量单体最高电压平均值,测量单体最高电压方差,测量单体最高电压变化斜率,测量单体最高电压信息熵,测量单体电压极差最大值,测量单体电压极差平均值,电池温度均值,电池电流均值,测量单体最高温度均值,测量单体最高温度方差;
S4.2
:按照时间窗口
T
计算后,
N
条所述时间序列数据变为条数据,且每条数据有
C
个变量维度,则所述特征变量数据集然后对数据进行归一化处理,其公式为:其中,
X
max
和
X
min
分别表示变量数据的最大值和最小值
。6.
根据权利要求5所述的预警方法,其特征在于,所述步骤
S5
具体为:
S5.1
:将输入到全连接神经网络,其公式为:
Z
=
X
*
·
W+B
,其中,权重偏置
D
为设定的输出维度参数;
S5.2
:将全连接神经网络的输出
Z
和...
【专利技术属性】
技术研发人员:刘瑶秋,赵苗苗,刘静,黄萍,
申请(专利权)人:扬州亚星客车股份有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。