CN107122594A - 一种新能源车辆电池的健康预测方法和系统 - Google Patents

Abstract

本发明公开了一种新能源车辆的电池健康预测方法，该方法包括如下步骤：对实时获得的车辆数据进行数据分析处理，得到车辆工况数据；对所述车辆工况数据分别执行数据清洗、数据转换和数据归约处理；基于经过数据预处理的车辆工况数据，采用因子分析的方法，提取影响电池健康程度的数据，再采用监督学习方法，挖掘所述影响电池健康程度的数据与车辆工况数据间的潜在关系，构建初始电池健康预测模型；对所述初始电池健康预测模型进行模型评估和算法优化，得到最优的电池监控预测模型，完成实际工况下的电池健康预测。本发明实现了新能源汽车电池健康状态的动态预测，提高了车辆动力性和经济性，操作简单，易于实现。

Description

一种新能源车辆电池的健康预测方法和系统

技术领域

本发明涉及动力电池领域，具体地说，是涉及一种新能源车辆的电池健康预测方法，能够对动力电池的健康进行预测，有助于车辆动力性与经济性的判断。

背景技术

经济的快速发展使得环境和资源问题越来越严重，为了解决此问题，新能源汽车成为了汽车产业发展的主要前进方向。其中，新能源汽车的关键部件是动力电池，动力电池健康的好坏对车辆的动力性与经济性都有着重大影响，因此能正确对动力电池健康进行预测，可有助于车辆动力性与经济性的判断。

现今，在动力电池领域，为了实现动力电池健康程度的预测，采用搭建电池物理模型的方式，进行电池性能分析与仿真，但是此类方法都是在理想情况下进行试验，需要排除很多外界干扰因素，目前，在现实复杂的道路工况下对车辆动力电池的健康程度预测时，结果并不理想。

发明内容

针对当前新能源电池健康预测的困难性，本发明需要解决的技术问题之一是需要提供一种不仅能够对实时获得的车辆工况数据进行高效的清洗、转换和降维工作，还可以挖掘电池健康数据与车辆工况数据之间的潜在关系，构建与车辆工况数据相关的电池监控健康预测模型，从而不受路况复杂度高的限制，也能实现新能源车辆的电池健康状态的动态预测。

为了解决上述技术问题，本发明提供了一种新能源车辆的电池健康预测方法，该方法包括如下步骤：大数据分析步骤，对实时获得的车辆数据进行数据分析处理，得到车辆工况数据；数据预处理步骤，对所述车辆工况数据分别执行数据清洗、数据转换和数据归约处理；数据挖掘模型搭建步骤，基于经过数据预处理的车辆工况数据，采用因子分析的方法，提取影响电池健康程度的数据，再采用监督学习方法，挖掘所述影响电池健康程度的数据与车辆工况数据间的潜在关系，构建初始电池健康预测模型；电池健康预测步骤，对所述初始电池健康预测模型进行模型评估和算法优化，得到最优的电池监控预测模型，完成实际工况下的电池健康预测。

优选地，在所述数据预处理步骤中，数据清洗处理包括如下步骤：采用描述性统计方法，初步清洗所述车辆工况数据中的脏数据，所述脏数据包括：重复值、空值、无效值和/或异常值；通过对实时获得的车辆数据进行数据分析处理，得到车辆工况数据专家系统对经过初步清洗处理的车辆工况数据进行进一步清洗处理，输出最终的车辆工况数据，记为第一数据集，所述专家系统为基于车辆工况数据变量的物理意义构建的数据清洗工具；利用空值预测模型对所述第一数据集的空值进行预测，得到包括空值预测值在内的第二数据集，其中，空值预测模型采用BP神经网络算法进行训练得到。

优选地，进一步，在所述数据预处理步骤中，采用标准差标准化的方式，完成对所述第二数据集的数据转换处理得到第三数据集；将所述第三数据集进行无关特征向量的删除操作，完成数据的初步降维；通过特征归约中的子集选择的方法完成数据的二次降维。

优选地，在数据挖掘模型搭建步骤中，从经数据预处理后的车辆工况数据中，提取与电池信息相关的数据变量；基于所述与电池信息相关的数据变量，采用因子分析方法，构建电池健康指标评测模型，挖掘影响电池健康程度的数据变量，进而得到影响电池健康的关键因素变量；基于所述影响电池健康的关键因素变量与获得的其它车辆工况数据变量，采用随机森林和RBF神经网络算法，挖掘二者之间的潜在关系，构建预测变量模型，其中所述其他车辆工况数据为不含电池数据变量信息的车辆工况数据；根据所述影响电池健康的关键因素变量与所述影响电池健康程度的数据变量的关系，得到电池健康评分模型，将所述预测变量模型与所述电池健康评分模型相结合得到初始电池健康预测模型。

另一方面，提供了一种新能源车辆的电池健康预测系统，该系统包括如下模块：大数据分析模块，其对实时获得的车辆数据进行数据分析处理，得到车辆工况数据；数据预处理模块，其对所述车辆工况数据分别执行数据清洗、数据转换和数据归约处理；数据挖掘模型搭建模块，基于经过数据预处理的车辆工况数据，采用因子分析的方法，提取影响电池健康程度的数据，再采用监督学习方法，挖掘所述影响电池健康程度的数据与车辆工况数据间的潜在关系，构建初始电池健康预测模型；电池健康预测模型：对所述初始电池健康预测模型进行模型评估和算法优化，得到最优的电池监控预测模型，完成实际工况下的电池健康预测。

优选地，在所述数据预处理模块中，数据清洗模块包括如下单元：脏数据初步处理单元，其采用描述性统计方法，初步清洗所述车辆工况数据中的脏数据，所述脏数据包括：重复值、空值、无效值和/或异常值；脏数据二次处理单元，其通过预设的专家系统对经过初步清洗处理的车辆工况数据进行进一步清洗处理，输出最终的车辆工况数据，记为第一数据集，所述专家系统为基于车辆工况数据变量的物理意义构建的数据清洗工具；空值预测模型建立模块，其利用空值预测模型对所述第一数据集的空值进行预测，得到包括空值预测值在内的第二数据集，其中，空值预测模型采用BP神经网络算法进行训练得到。

优选地，在所述数据预处理模块中，数据归约模块包括如下单元：数据初步降维单元：其将所述第三数据集进行无关特征向量的删除操作，完成数据的初步降维；数据二次降维单元，其通过特征归约中的子集选择的方法完成数据的二次降维。

优选地，在所述数据挖掘模型搭建模块中，包括如下单元：数据统计分析单元，其从经数据预处理后的车辆工况数据中，提取与电池信息相关的数据变量；相关性判别分析单元，其基于所述与电池信息相关的数据变量，采用因子分析方法，构建电池健康指标评测模型，挖掘影响电池健康程度的数据变量，进而得到影响电池健康的关键因素变量；线性判别分析单元，其基于所述影响电池健康的关键因素变量与获得的其它车辆工况数据变量，采用随机森林和RBF神经网络算法，挖掘二者之间的潜在关系，构建预测变量模型，其中所述其他车辆工况数据为不含电池数据变量信息的车辆工况数据；电池健康预测模型构建单元，其根据所述影响电池健康的关键因素变量与所述影响电池健康程度的数据变量的关系，得到电池健康评分模型，将所述预测变量模型与所述电池健康评分模型相结合得到初始电池健康预测模型。

优选地，在所述电池健康预测模块中，包括如下两个单元：模型评估单元，其基于获得的初始电池健康预测模型，采用样本数据误差对比分析和测试数据对比验证的方式进行模型评估，输出评估结果；模型优化判定单元，其利用模型评估结果与判定依据，判定初始电池健康预测模型是否需要进行优化操作，完成实际工况下的电池健康预测。

优选地，进一步，所述模型优化判定单元的判定依据为：若所述评估结果满足设计精度要求，则电池健康预测模型可用；若不满足要求，则需要优化算法和重新训练模型。

与现有技术相比，上述方案中的一个或多个实施例可以具有如下优点或有益效果：

本发明既提升了车辆工况数据质量，又提高了数据挖掘的效率与准确性，并且充分利用车辆行驶的工况数据挖掘电池健康数据与车辆工况数据间的规律，实现动态的电池健康状态预测，方便工作人员对电池进行维护，提高车辆动力性和经济性；满足设计简单，易于实现，准确高效，便于操作和实现的特点。

虽然在下文中将结合一些示例性实施及使用方法来描述本发明，但本领域技术人员应当理解，为并不旨在将本发明限制于这些实施例。反之，旨在覆盖包含在所附的权利要求书所定义的本发明的精神与范围内的所有替代品、修正及等效物。

本发明的其他优点、目标，和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书，权利要求书，以及附图中所特别指出的结构来实现和获得。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例共同用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本申请实施例的新能源车辆的电池健康预测系统的模块框图。

图2为本申请实施例的新能源车辆的电池健康预测方法的流程图。

图3为本申请实施例的数据预处理的流程图。

图4为本申请实施例的电池健康预测模型建立流程图。

具体实施方式

以下将结合附图及实施例来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。需要说明的是，只要不构成冲突，本发明中的各个实施例以及各实施例中的各个特征可以相互结合，所形成的技术方案均在本发明的保护范围之内。

另外，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

为了更好的了解本发明的实施例，现对现有技术的缺点进行说明。在现有技术中，一方面采用常规的数学统计类的方法，会使得数据清洗的精准度得不到保证，另一方面，对于电池预测维护，主要从电池数据方面进行考虑并建立模型，并未涉及到车辆运行时其他相关因素，即考虑因素相对单一，这样预测结果会容易产生过拟合现象，不易控制。现有的方法都是在理想情况下进行试验，需要排除很多外界干扰因素，目前，在实现复杂的道路工况下对车辆动力电池的健康程度预测时，结果并不理想。

为了解决上述问题，本申请的实施例中，一方面，对新能源汽车历史数据进行处理、分析，确定用于数据清洗的专家系统和空值预测模型(采用BP神经网络算法计算得到)，提高数据清洗的精准度，并通过特征归约中的子集选择的算法，完成数据归约工作，从而提升车辆数据质量，同时，提高了数据挖掘的效率与准确性。另一方面，采用因子分析、随机森林和RBF神经网络算法，挖掘电池健康数据变量与车辆工况数据间的规律，从而完成电池健康预测模型的构建，实现新能源车辆动态的电池健康状态预测，方便工作人员对电池进行维护，提高车辆动力性和经济性。

图1为本申请实施例的电池健康预测系统的模块框图，下面结合图1对电池健康预测系统的模块组成和功能进行说明，该系统包括下列模块：大数据分析模块11、数据预处理模块、数据挖掘模型搭建模块15和电池健康预测模块16。其中，数据预处理模块包括数据清洗模块12、数据转换模块13和数据归约模块14。大数据分析模块11对实时获得的车辆数据进行数据分析处理，得到车辆工况数据；数据预处理模块对所述车辆工况数据分别执行数据清洗、数据转换和数据归约处理；数据挖掘模型搭建模块15基于经过数据预处理的车辆工况数据，采用因子分析的方法，提取影响电池健康程度的数据，再采用监督学习方法，挖掘所述影响电池健康程度的数据与车辆工况数据间的潜在关系，构建初始电池健康预测模型；电池健康预测模块16对所述初始电池健康预测模型进行模型评估和算法优化，得到最优的电池监控预测模型，完成实际工况下的电池健康预测。具体地，数据清洗模块12将经过大数据分析后得到的车辆工况数据分别通过描述性统计方法(方差、描述性统计、箱图等)和专家系统的方法，实现对脏数据连续两次的清洗，并采用BP神经网络算法搭建的空值预测模型对上述清洗结果进行预测，获得预测值；数据转换模块13将所述预测值进行转换；数据归约模块14将变换后的预测值分别采用无关特征向量删除方法和特征归约中的子集选择法，对所述变换后预测值进行连续两次降维处理，完成数据的归约工作。

如图1所示，数据清洗模块12将经过大数据分析后得到的车辆工况数据分别通过描述性统计方法(方差、描述性统计、箱图等)和专家系统的方法，实现对其中的脏数据连续两次的清洗，并利用空值预测模型对上述清洗结果(第一数据集)进行预测，得到包括空值预测值在内的第二数据集，其中，空值预测模型采用BP神经网络算法进行训练得到。该模块12包含以下三个单元：脏数据初步处理单元121、脏数据二次处理单元122和空值预测模型建立单元123。脏数据初步处理单元121，采用描述性统计方法，初步清洗所述车辆工况数据中的脏数据；脏数据二次处理单元122，通过预设的专家系统对经过初步清洗处理的车辆工况数据进行进一步清洗处理，输出最终的车辆工况数据，记为第一数据集；空值预测模型建立模块123，利用空值预测模型对所述第一数据集的空值进行预测，得到包括空值预测值在内的第二数据集。

需要说明的是，在本申请实施例中，脏数据包括：重复值、空值、无效值和异常值。专家系统是以经验为导向、车辆工况数据变量的物理意义为基础，所构建的数据清洗工具，其采用CART决策树算法并结合经验规则，是基于规则而建立的，能够完成对所述重复值与所述异常值的清洗。

具体地，专家系统的建立过程如下列步骤所示：1)选择信息完成的车辆信息数据作为训练样本放入决策树的根部；2)将此车辆数据分成两部分，分别为训练组数据和测试组资料；3)用训练样本建立决策树，并以内部每个节点信息论作为分割依据；4)使用测试数据与经验规则共同对决策树修剪，直到决策树每个类都只存在一个节点，从而提升预测能力与速度；5)不断的进行递归1)到4)的操作步骤，直到所有内部节点都是树叶节点。最后从每个分枝的树叶节点得到知识规则，编写程序代码构建专家系统。

数据转换模块13将利用空值预测模型得到的第二数据集(包括空值预测值)进行转换，该转换采用标准差标准化的方式完成数据转换工作，转换后的数据形式方便后续处理。

下面结合图1对数据归约模块14进行说明，数据归约模块14分别采用无关特征向量删除方法和特征归约中的子集选择法，对第三数据集进行连续两次降维处理，完成数据的归约工作。该模块14包括：数据初步降维单元141和数据二次降维单元142。数据初步降维单元141，将第三数据集进行无关特征向量的删除操作，完成数据的初步降维；数据二次降维单元142，通过特征归约中子集选择的方法完成数据的二次降维。

接着，对数据挖掘模型搭建模块15进行说明。数据挖掘模型搭建模块15对经过数据预处理的车辆工况数据，采用因子分析的方法，提取影响电池健康程度的数据，再采用监督类学习方法，挖掘所述影响电池健康程度的数据与车辆工况数据间的潜在关系，构建初始电池健康预测模型。该模块15包含以下四个单元：数据统计分类单元151、相关性判别分析单元152、线性判别分析单元153和电池健康预测模型构建单元154。数据统计分类单元151，从经过数据预处理后的车辆工况数据中，提取与电池信息相关的数据变量；相关性判别分析单元152，基于与电池信息相关的数据变量，采用因子分析方法，构建电池健康指标评测模型，挖掘影响电池健康程度的数据变量，进而得到影响电池健康的关键因素变量；线性判别分析单元153，基于所述影响电池健康的关键因素变量与获得的其它车辆工况数据变量，采用随机森林和RBF神经网络算法，挖掘二者之间的潜在关系，构建预测变量模型，其中所述其他车辆工况数据为不含电池数据变量信息的车辆工况数据；电池健康预测数据模型构建单元154，根据所述影响电池健康的关键因素变量与所述影响电池健康程度的数据变量的关系，得到电池健康评分模型，将所述预测变量模型与所述电池健康评分模型相结合得到初始电池健康预测模型。

电池健康预测模块16，对初始电池健康预测模型进行模型评估和算法优化，得到最优的电池监控预测模型，完成实际工况下的电池健康预测。该模块16由模型评估单元161和模型优化判定单元162组成。模型评估单元161，基于获得的初始电池健康预测模型，采用样本数据误差对比分析和测试数据对比验证的方式进行模型评估，输出评估结果；模型优化判定单元162，利用模型评估结果与判定依据，判定初始电池健康预测模型是否需要进行优化操作，从而完成实际工况下的电池健康预测。

需要说明的是，模型优化判定单元162的判定依据为：若所述评估结果满足设计精度要求，则初始电池健康预测模型可用，得到的电池监控预测模型即为初始电池健康预测模型；若不满足要求，则需要优化算法和重新训练模型。

具体地，算法优化的具体实施过程如下列步骤所示：a.增加车辆数据训练样本和测试样本；b.修改随机森林中的终止条件，通过训练重新生成新的随机森林；c.修改RBF神经网络中隐藏层的层数，通过训练重新生成RBF神经网络；d.测试样本通过新的随机森林与新的RBF神经网络，结果满足要求；e.算法优化完成。

图2为本申请实施例的电池健康预测方法流程步骤图，如图2所示，电池健康预测方法包括以下步骤：大数据分析步骤S210、数据预处理步骤S220、数据挖掘模型搭建步骤S230以及电池健康预测步骤S240。在步骤S210中，对实时获得的无序的车辆数据进行处理，得到有序的车辆工况数据；在步骤S220中，对车辆工况数据分别执行数据清洗、数据转换和数据归约处理；在步骤S230中，基于经过数据预处理的车辆工况数据，采用因子分析的方法，提取影响电池健康程度的数据，再采用监督学习方法，挖掘所述影响电池健康程度的数据与车辆工况数据间的潜在关系，构建初始电池健康预测模型；在步骤S240中，对初始电池健康预测模型进行模型评估和算法优化，得到最优的电池监控预测模型，完成实际工况下的电池健康预测。

在本例中，“无序的车辆数据”是指未进行分类处理的并且以二进制方式显示的车辆数据，“有序的车辆工况数据”是指进行分类处理并且转换为易读的数据格式的数据。参考图2，在步骤S210中，具体地，通过车载终端将实时获取到的未进行分类处理的并且以二进制方式显示的无序车辆报文数据上传到大数据平台，该平台基于数据接口单元、数据解析单元、数据统计单元、系统管理单元、文件管理单元和数据透传单元，完成对无序车辆工况数据进行解析、统计、分类管理等处理工作，从而获得经过分类处理并且转换为易读的数据格式的车辆工况数据。其中，数据接口单元，其与车载终端数据进行数据对接；数据解析单元，其对二进制数据的车辆数据按照解析协议进行解析，转换成易读常用的数据格式；数据统计单元，其将不同变量的数据按照不同类别进行归类统计；系统管理单元，其对车载运行系统与平台监控系统进行管理；文件管理单元，其建立车联网数据库，对不同的车辆编入不同的库文件中；数据透传单元：其将大数据平台数据上传或下发到不同平台中。

由于经过大数据分析模块11处理过的车辆数据具有维度高的特点，并且会存在部分异常值、空值和重复值等干扰的杂乱信息，使得车辆数据质量显著下降，因此为了提高数据挖掘的质量，本申请实施例对车辆工况数据进行数据清洗、数据转换以及数据归约等处理，提供质量较高的数据信息，如图2中步骤S220所示。

具体数据预处理步骤请参考图3所示的流程图，如图3所示，在数据清洗阶段，对脏数据A[A₁,A₂,A₃...A_n](其中A_i＝(a_i1,a_i2,a_i3…null...a_in)表示包含于脏数据中的脏数据向量)中的重复值、空值、无效值和异常值，通过描述性统计方法完成对脏数据的初步处理；然后，通过预先训练完成的专家系统实现对脏数据的进一步清洗，完成了数据变量中错误值与重复值的删除工作，其输出结果为A_i＝(a_i1,a_i2,a_i3…null...a_im)(记为第一数据集)，其中，m<n，m表示异常值处理后数据向量A_i包含的数据个数。

接着，以数据A_i变量中的空值为预测目标，采用空值预测模型，对A_i中的空值进行预测，通过预测后其结果为A_i＝(a_i1,a_i2,a_i3...a′_ik...a_im)(记为第二数据集)，其中，a′_ik表示预测值。

其中，空值预测模型采用BP神经网络算法进行预先训练得到的。如图3所示，针对空值预测模型的搭建过程如下：首先筛选大数据平台车辆数据中完整的样本数据Y＝(y₁,y₂,y₃…,y_n)，对Y进行训练，利用BP神经网络算法搭建空值预测模型，其实现过程如下列步骤所示：1)筛选A_i＝(a_i1,a_i2,a_i3...null...a_im)中空值变量X＝(X₁,X₂,X₃…X_n)，并将数据Y分为测试样本与训练样本；2)以训练样本数据Y中X目标变量，其它为因变量，作为神经网络的输入节点；3)建立多层感知器结构，利用BP算法对神经网络进行训练，直到预测值与样本值的误差足够小为止；4)将测试样本数据带入到经过BP算法训练的神经网络中，进行预测，如果预测结果不满足要求，继续重复步骤3)的操作，如果结果满足要求，即BP神经网络模型已完成，从而输出最终的BP神经网络模型。

而后，为了消除不同量纲对数据变量的影响，采用标准差标准化的方式进行数据变换，输出结果为A_i'(记为第三数据集)。

接下来，进行数据归约的操作，首先删除第三数据集中与目标变量无关的特性向量，初步完成数据降维；再利用特征选择中的子集选择方法，对所有特征集进行搜索，得到最优子集，最终的降维结果为A'[A′₁,A'₂,A′₃...A'_k]，其中，k<n，k表示数据降维后的数据所包含的向量个数，从而实现数据质量的提升，提高后续数据挖掘工作的效率与准确性。

需要说明的是，针对数据的二次降维过程，在本实施例中，该过程利用特征选择中ReliefF算法对特征子集进行选择，从而获得最优子集。接着，采用filter函数进行评价，对特征子集的好坏进行判断，从而输出最终的降维结果，获取车辆数据集。需要说明的是，车辆数据集是经过数据预处理后得到的车辆工况数据。

当数据预处理工作完成后，为了得到车辆工况数据与电池健康数据的关系，需要对经过数据预处理后得到的车辆数据集，采用监督学习方法，挖掘数据之间的潜在关系，最终搭建初始电池健康预测模型，从而完成数据挖掘模型搭建阶段的工作，如图2中步骤S230所示。

图4为本申请实施例的电池健康预测模型建立流程图，下面结合图4对图2中数据挖掘模型搭建步骤S230的算法流程进行详细说明。

如图4所示，首先，基于经过数据预处理后的车辆工况数据，提取与电池信息相关的数据变量，得到其变量为B[B₁,B₂,B₃...B_n']，其中，n'<n，B_i＝(b_i1,b_i2,b_i3...b_in)表示包含于所提取的电池相关数据中的电池相关数据向量，具体地，

然后，对B_i进行因子分析，搭建电池健康指标评测模型，挖掘影响电池健康程度的因子变量C[C₁,C₂,C₃...C_n”]，其中，n”<n'，利用B_i在C上的投影值的大小，来提取B_i中影响电池健康的关键数据变量，需要说明的是，为了方便区分，将此变量设为K＝[K₁,K₂,K₃...K_n”']，其中，n”'<n”。

需要说明的是，针对电池健康指标评测模型的搭建过程，该过程的构建步骤如下所示：1)采用KMO和Bartlett的球形度检验，检测矩阵变量B_i是否适合因子分析；2)利用主成分析算法选择抽取特征值大于1的因子；3)利用因子旋转方法，进行最大方差旋转；4)对生成的因子变量按大小排序，并将因子负荷小于α的值不显示；5)对生成的共同因子进行命名，设为新的变量C；6)利用Bartlett估计法对因子分析模型进行评价，评价矩阵变量B_i中每个变量对C的影响，最终，得到影响电池健康程度的因子变量C。

接下来，采用监督学习方法，以变量K表示目标因变量，其它车辆工况数据变量N[N₁,N₂,N₃…N_n]表示自变量，探究变量N与变量K的潜在关系，并利用变量N对变量K的值进行预测。其中，其它车辆工况数据N表示不含电池数据变量信息的车辆工况数据，这些信息与电池信息不存在直接的耦合关系。

需要说明的是，本实施例采用随机森林与RBF神经网络算法进行数据的线性判别分析，探究变量N与变量K的潜在关系，并利用变量N对变量K的值进行预测，建立预测变量模型，具体地，模型建立过程如下列步骤所示：1)确定随机森林的数量为t，每棵树的深度为d，每个节点使用的特征数量f，终止条件：节点最少样本数s，节点最少的信息增益为e；2)采用有放回的方式对N进行采样,将样本N作为决策树的根节点，K为目标变量；3)从每个样本M个属性中选择m个属性，满足条件为m<<M，然后从m个属性中采用信息增益的策略选择1个属性作为分裂节点，一直分裂到不能分裂为止；4)重复步骤2和步骤3，建立大量的决策树，形成随机森林，筛选影响变量K的数据变量m1；5)将变量m1分为训练样本与测试样本，将训练样本作为RBF神经网络的输入层，变量K为训练网络的输出层；6)设置RBF神经网络隐藏层中心点个数位m2，且m2>m1，对RBF神经网络进行训练，建立预测变量模型；7)使用测试数据对预测模型进行测试和进一步训练，直到预测值的准确度达到90％以上，表明预测变量模型已完成。

需要说明的是，虽然本申请在数据挖掘模型构建过程中，采用随机森林与RBF神经网络算法进行数据挖掘，探究电池健康与车辆工况数据之间的潜在关系，但本发明不限定于上述方法，也可以采用其他监督学习方法来实现。

最后，基于影响电池健康的关键数据变量K与影响电池健康程度的变量C间存在相互作用的关系，得到因子变量C通过回归因子方法得到各个因子得分系数M[M₁,M₂,M₃...M_n]，从而获得电池健康评分模型，利用如下表达式表示电池健康评分模型：

F＝∑M_i

其中，

需要说明的是，将上述获得的预测变量模型与所述电池健康评分模型进行结合，得到初始电池健康预测模型。

当数据挖掘模型搭建工作完成后，需要对电池的健康进行预测。下面结合图2和图4对电池健康预测步骤S240进行说明。在本发明实施例中，通过模型评估和算法优化的方法，得到最终的电池监控预测模型，从而提高预测精度，完成实际工况下的电池健康预测。

参考图2和图4，需要说明的是，在初始电池健康预测模型构建完成后，为了验证此模型的准确性，在本发明实施例中采用样本数据误差对比分析和测试数据对比验证的方式进行模型评估，如果评估的结果满足设计精度要求，说明模型评估成功，模型可用，电池监控预测模型即为搭建的初始电池健康预测模型；如果不满足要求，则需要优化算法和重新训练模型，直到输出结果满足要求为止，从而得到最终的电池监控预测模型。

在本实施例中，针对模型的评估和模型的优化判别过程，按照所示下列步骤进行实施：1)从大数据平台筛选部分正常车辆数据，并从此数据中进行随机抽样，进一步的筛选测试样本数据；2)将样本数据带入到电池健康预测模型中进行预测，分析对比真实值与预测值之间的误差；3)如果误差值小于10％以上，并且满足电池健康参照评估标准，表明模型构建成功；4)如果测试结果不能同时满足步骤3)，说明需要重新对随机森林与RBF神经网络算法进行优化，直到测试结果满足要求为止。

本实施例通过对获得的新能源汽车的实时车辆数据执行大数据分析处理，一方面，采用专家系统和BP神经网络算法实现数据清洗，提高数据清洗的精准度，并通过特征归约中子集选择的算法，完成数据归约工作，从而提高车辆数据质量和数据挖掘的效率与准确性。另一方面，采用因子分析、随机森林和RBF神经网络算法，挖掘电池健康数据变量与车辆工况数据之间的潜在关系，并得到电池健康评分模型，从而完成初始电池健康预测模型的构建，进而得到电池监控预测模型，实现对新能源车辆电池健康程度的动态预测。

本申请充分利用车辆行驶的工况数据，并挖掘电池与车辆工况数据间的规律，可以用于动态的电池健康状态预测，方便工作人员对电池进行维护，提高车辆动力性和经济性；同时，满足设计简单，易于实现，准确高效，便于操作和实现的特点。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人员在本发明所揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (10)

1.一种新能源车辆的电池健康预测方法，其特征在于，该方法包括如下步骤：

大数据分析步骤：对实时获得的车辆数据进行数据分析处理，得到车辆工况数据；

数据预处理步骤：对所述车辆工况数据分别执行数据清洗、数据转换和数据归约处理；

数据挖掘模型搭建步骤：基于经过数据预处理的车辆工况数据，采用因子分析的方法，提取影响电池健康程度的数据，再采用监督学习方法，挖掘所述影响电池健康程度的数据与车辆工况数据间的潜在关系，构建初始电池健康预测模型；

电池健康预测步骤：对所述初始电池健康预测模型进行模型评估和算法优化，得到最优的电池监控预测模型，完成实际工况下的电池健康预测。

2.根据权利要求1中所述的方法，其特征在于，在所述数据预处理步骤中，数据清洗处理包括如下步骤：

采用描述性统计方法，初步清洗所述车辆工况数据中的脏数据，所述脏数据包括：重复值、空值、无效值和/或异常值；

通过预设的专家系统对经过初步清洗处理的车辆工况数据进行进一步清洗处理，输出最终的车辆工况数据，记为第一数据集，所述专家系统为基于车辆工况数据变量的物理意义构建的数据清洗工具；

利用空值预测模型对所述第一数据集的空值进行预测，得到包括空值预测值在内的第二数据集，其中，所述空值预测模型采用BP神经网络算法进行训练得到。

3.根据权利要求1或2中所述的方法，其特征在于，进一步，在所述数据预处理步骤中，

采用标准差标准化的方式，完成对所述第二数据集的数据转换处理得到第三数据集；

将所述第三数据集进行无关特征向量的删除操作，完成数据的初步降维；

通过特征归约中的子集选择的方法完成数据的二次降维。

4.根据权利要求1中所述的方法，其特征在于，在数据挖掘模型搭建步骤中，

从经数据预处理后的车辆工况数据中，提取与电池信息相关的数据变量；

基于所述与电池信息相关的数据变量，采用因子分析方法，构建电池健康指标评测模型，挖掘影响电池健康程度的数据变量，进而得到影响电池健康的关键因素变量。

5.根据权利要求1～4中任一项所述的方法，其特征在于，进一步，在数据挖掘模型搭建步骤中，

基于所述影响电池健康的关键因素变量与获得的其它车辆工况数据变量，采用随机森林和RBF神经网络算法，挖掘二者之间的潜在关系，构建预测变量模型，其中所述其他车辆工况数据为不含电池数据变量信息的车辆工况数据；

根据所述影响电池健康的关键因素变量与所述影响电池健康程度的数据变量的关系，得到电池健康评分模型，将所述预测变量模型与所述电池健康评分模型相结合得到初始电池健康预测模型。

6.一种新能源车辆的电池健康预测系统，其特征在于，该系统包括如下模块：

大数据分析模块：其对实时获得的车辆数据进行数据分析处理，得到车辆工况数据；

数据预处理模块：其对所述车辆工况数据分别执行数据清洗、数据转换和数据归约处理；

数据挖掘模型搭建模块：基于经过数据预处理的车辆工况数据，采用因子分析的方法，提取影响电池健康程度的数据，再采用监督学习方法，挖掘所述影响电池健康程度的数据与车辆工况数据间的潜在关系，构建初始电池健康预测模型；

电池健康预测模型：对所述初始电池健康预测模型进行模型评估和算法优化，得到最优的电池监控预测模型，完成实际工况下的电池健康预测。

7.根据权利要求6中所述的系统，其特征在于，在所述数据预处理模块中，数据清洗模块包括如下单元：

脏数据初步处理单元：其采用描述性统计方法，初步清洗所述车辆工况数据中的脏数据，所述脏数据包括：重复值、空值、无效值和/或异常值；

脏数据二次处理单元：其通过预设的专家系统对经过初步清洗处理的车辆工况数据进行进一步清洗处理，输出最终的车辆工况数据，记为第一数据集，所述专家系统为基于车辆工况数据变量的物理意义构建的数据清洗工具；

空值预测模型建立模块：其利用空值预测模型对所述第一数据集的空值进行预测，得到包括空值预测值在内的第二数据集，其中，空值预测模型采用BP神经网络算法进行训练得到。

8.根据权利要求6中所述的系统，其特征在于，在所述数据预处理模块中，数据归约模块包括如下单元：

数据初步降维单元：其将所述第三数据集进行无关特征向量的删除操作，完成数据的初步降维；

数据二次降维单元：其通过特征归约中的子集选择的方法完成数据的二次降维。

9.根据权利要求6中所述的系统，其特征在于，在所述数据挖掘模型搭建模块中，包括如下单元：

数据统计分析单元：其从经数据预处理后的车辆工况数据中，提取与电池信息相关的数据变量；

相关性判别分析单元：其基于所述与电池信息相关的数据变量，采用因子分析方法，构建电池健康指标评测模型，挖掘影响电池健康程度的数据变量，进而得到影响电池健康的关键因素变量；

线性判别分析单元：基于所述影响电池健康的关键因素变量与获得的其它车辆工况数据变量，采用随机森林和RBF神经网络算法，挖掘二者之间的潜在关系，构建预测变量模型，其中所述其他车辆工况数据为不含电池数据变量信息的车辆工况数据；

电池健康预测模型构建单元：其根据所述影响电池健康的关键因素变量与所述影响电池健康程度的数据变量的关系，得到电池健康评分模型，将所述预测变量模型与所述电池健康评分模型相结合得到初始电池健康预测模型。

10.根据权利要求6中所述的系统，其特征在于，在所述电池健康预测模块中，包括如下两个单元：

模型评估单元：其基于获得的初始电池健康预测模型，采用样本数据误差对比分析和测试数据对比验证的方式进行模型评估，输出评估结果；

模型优化判定单元：其利用模型评估结果与判定依据，判定初始电池健康预测模型是否需要进行优化操作，完成实际工况下的电池健康预测；

进一步，所述模型优化判定单元的判定依据为：若所述评估结果满足设计精度要求，则电池健康预测模型可用；若不满足要求，则需要优化算法和重新训练模型。