CN108539296A - 一种基于异常点检测的均衡方法 - Google Patents

Abstract

本发明公开了一种基于异常点检测的均衡方法，该方法包括对样本数据集进行数据处理，得到参数关于数据对象分布的关系函数；采集当前时刻电池组各单体电压、SOC、温度等参数作为待检测数据集，通过关系函数自适应地获取领域里邻居个数和阈值这两个参数；对电池组进行异常点检测，识别出需要均衡的异常单体，并对该异常单体执行均衡操作。本发明综合考虑电池电压、SOC、温度等多个因素，无需人为设置参数，能够根据不同数据对象分布情况，自适应地获取不同的参数，对电池组进行精确的均衡检测，有效提高均衡效率，缩短均衡时间，提升电池组实际可用容量，延长使用寿命。

Description

一种基于异常点检测的均衡方法

技术领域

本发明属于电池管理技术领域，特别是涉及一种基于异常点检测的均衡方法。

背景技术

随着不可再生能源的逐渐消耗，新能源的发展至关重要。交通运输作为能源消耗的主要方面，电动车成为新一代的主要交通工具已是必然趋势。锂电池作为电动车的主要动力来源，它的安全性、经济性和动力性是决定电动车未来发展的决定性因素。由于自身内阻、容量、自放电率的不一致、使用环境的不同以及电池老化速度的差异，锂电池在串联成组使用时，电池单体之间往往存在着不一致性问题，而电池组的不一致性问题往往会影响电池的安全性和经济性。电池均衡管理技术作为电池管理技术的核心技术之一，可以有效改善电池单体之间的不一致性。电池均衡管理是通过分析电池组的一致性状态，根据均衡算法结合均衡电路对电池组进行均衡，均衡算法作为电池均衡管理的重要模块，有效的均衡算法对于解决串联电池组的一致性问题、避免电池组过充过放具有决定性作用。

从均衡判断准则角度，均衡算法可分为基于电压的均衡算法、基于SOC的均衡算法和基于容量的均衡算法。但这些均衡判断依据都是依靠电池电压、SOC或者容量等特征参数中的某一个参数。基于电压的均衡算法，由于均衡后的电压一致性并不能真实反映电池组容量状态的一致性，往往造成均衡完成以后电池组一致性依然存在一定的差异；基于SOC的均衡算法需要以准确的SOC值为前提，虽然目前SOC估算的研究已经较为深入，但各方法的预测精度与计算量是成正相关的，不同的SOC预测方法将对均衡策略效果产生不同影响；基于容量的均衡算法同样需要准确的SOC和容量为前提，而在线估算容量仍存在一定困难。

近些年来有学者将基于距离异常点检测算法用于电池均衡检测中，取得了不错的效果，但传统的基于距离异常点检测算法至少需要设置两个参数：领域里邻居个数和阈值，这两个参数的设置将直接影响算法的检测结果，阈值设置过大则容易造成漏检，阈值设置过小则容易造成误判。为了消除人为设置参数的局部性，本发明提出一种基于异常点检测均衡方法，通过对样本数据集进行参数选取，得到参数的关系函数，关系函数可根据不同数据分布自适应地获取不同的参数。

发明内容

针对以上技术背景中的问题，本发明提出了一种基于异常点检测均衡方法。本发明提出的方法，通过对样本数据集进行数据处理，得到参数关于数据对象分布的关系函数，所得到的关系函数根据不同数据分布可自适应地获取合适的参数，并用于异常点检测。

为达到上述目的，本发明采用如下的技术方案：

本发明提出一种基于异常点检测的均衡方法，该方法主要包括：采集电池组中各单体电压、SOC、温度等多个特征参数作为样本数据集，标记出数据集中的异常单体，对样本数据集进行数据处理，获取参数的关系函数；采样当前时刻的电池组中各单体电压、SOC、温度等特征参数作为待检测数据集，运用所得到的关系函数，自适应地获取参数；对待检测数据集进行异常点检测，识别电池组是否存在需要均衡的异常单体，若有，对该异常单体开启均衡，否则，不开启均衡。

所述对样本数据集进行数据处理，得到参数的关系函数，是指在无均衡情况下，在一个完整充放电循环周期中，采集电池组各单体电压、SOC和温度等数据作为样本数据集，对所述样本数据集进行标准化处理，计算标准化处理后的样本数据集的距离矩阵，得到标准化处理后的样本数据集中各数据对象之间的距离极差和方差，计算标准化处理后的样本数据集内异常对象和正常对象的分散度，得到异常对象和正常对象分散度之差最大时所对应的邻域里邻居个数，并计算此时所对应的阈值，保存领域里邻居个数和阈值这两个参数，通过分析所保存参数与数据对象分布的关系，拟合出参数的关系函数。

所述运用所得到的关系函数，自适应地获取参数，是指采集当前时刻电池组各单体电压、SOC和温度等参数作为待检测数据集，对所述待检测数据集进行标准化处理，计算标准化处理后的待检测数据集的距离矩阵，得到标准化处理后的待检测数据集内各数据对象之间的距离极差和方差，将所得到的距离极差和方差输入到所述参数关系函数中，可实现自适应地获取领域里邻居个数和阈值。不同的数据对象分布，获得参数不同。数据分布越密集，参数取值越小；数据分布越分散，参数取值越大。

所述对待检测数据集进行异常点检测，是指根据所获取的领域里邻居个数，计算待检测数据集内各数据对象的分散度，并将待检测数据集内各数据对象的分散度与所获取的阈值进行比较大小，若有数据对象的分散度大于所述阈值，则对其对应的电池单体开启均衡，否则不开启均衡。

本发明能够达到的有益效果如下：

(1)在电池均衡管理过程中所用判断依据不再是依靠单一电池特征参数，而是同时利用电压、SOC和温度多个参数来进行判断，提高均衡判断准确性，改善均衡效果。

(2)本发明通过对样本数据集进行数据处理，得到参数关于数据分布的关系函数，该函数可根据不同的数据分布获取不同的参数，避免人为设置参数的盲目性和局部性，本方法所获取参数更加合理。

附图说明

图1是基于异常点检测的均衡方法流程图；

图2是对样本数据集进行数据处理的一个具体例子的流程图；

图3是利用关系函数自适应获取参数的流程图；

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本发明公开的示例性实施例，然而应当理解，可以以各种形式实现本发明公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明的技术方案，并且能够将本发明公开的范围完整的传达给本领域的技术人员。

在一个具体实施例中，本发明提供了一种基于异常点检测的均衡方法，该方法的流程如图1所示，图1中的方法主要包括：步骤S10、步骤S20以及步骤S30，下面对本实施例的方法所包括的各步骤分别进行详细说明：

S10、对样本数据集进行数据处理，得到参数的关系函数。

作为示例，本实施例中电池组是由M个电池单体串联组成，该电池组在无均衡状态下，进行一个完整的充放电循环，采样电池组各电池单体电压、温度和SOC等多个特征参数作为样本数据集Y，并对样本数据集Y进行数据处理，得到参数关于数据对象分布的关系函数，具体过程如图2所示，包括以下步骤：

S101、采集样本数据集Y，对象个数为M，对数据集Y进行标准化处理，处理后数据集记为Y^*。

作为示例，本实施例中样本数据集Y中数据对象个数为电池组中电池单体个数M。一般地，数据对象的不同属性间的值域不同，有些值域范围较大，而有些值域却非常小；同时特定的数据有特定的单位，不同的单位度量对距离的计算结果会产生影响。为使异常点检测不受值域和单位量纲的影响，首先对样本数据集Y进行标准化处理，本实施例采用z-score标准化处理法，设Y＝{Y_i|Y_i＝(Y_i1，Y_i2，...，Y_ik，...，Y_im)，i＝1，2，...，n；k＝1，2，...，m}，Y_i表示数据集Y中的第i个对象，Y_ik表示第i个对象的第k个属性值，则标准化处理后的数据集为Y^*＝{Y^* _i|Y^* _i＝(Y^*i₁，Y^*i₂，...，Y^* _ik，...，Y^* _im)，i＝1，2，...，n；k＝1，2，...，m}。标准化公式如式(1)所示：

式中，和σ_j分别为第k个属性的均值和标准差，计算公式如(2)，(3)所示：

S102、计算数据集Y^*中对象的距离矩阵得到数据对象之间的距离极差和方差。

作为示例，本实施例对数据集Y^*内各数据对象进行距离计算，通过距离公式计算数据集Y^*中任意两个对象的距离，组成数据集Y^*的距离矩阵得到数据对象之间距离极差和方差并保存，距离公式如(4)所示：

S103、任取一异常数据对象和一正常数据对象，计算异常对象和正常对象的分散度，两者进行减运算，获取最大差值所对应的领域里邻居个数k值。

作为示例，本实施例在数据集Y^*中任取一个异常数据对象和一正常数据对象，令k值从1遍历到M，运用分散度公式分别计算这异常数据对象的分散度和正常数据对象的分散度，对两个对象的分散度进行减运算，获取差值达到最大时所对应的领域里邻居个数k值即最优k值，保存该k值，分散度公式如(5)、(6)、(7)所示：

Q＝{q|q∈X，dist(p，q)＜k-distance}U{nn_k(p)}； (7)

其中，公式(5)中X_k(p)为对象p的分散度，为k-近邻内部距离和，Q为k-近邻邻居集，k为q领域里邻居个数。

S104、根据所获取的领域里邻居个数k值，计算阈值θ。

作为示例，本实施例利用所获取的k值，运用阈值公式对数据集Y^*进行分析，获取对应阈值θ并保存，阈值公式如(8)所示：

其中，为异常数据对象分散度均值，为正常对象分散度均值。

S105、拟合获得参数关于数据对象分布的关系函数。

作为示例，本实施例利用所获取的k值和对应的阈值θ，结合对各数据对象之间距离极差和方差的分析，分布拟合出k值关于数据对象之间距离极差和方差的关系函数、阈值θ关于数据对象之间距离极差和方差的关系函数。

S20、采集待检测数据集，利用关系函数自适应地获取参数。

作为示例，本实施例实时采样当前时刻电池组各电池单体电压、SOC和温度等多个特征参数作为待检测数据集X，并对数据集X进行处理，利用所述关系函数获得参数，具体流程如图3所示，包括以下步骤：

S201、采集待检测数据集X，对数据集X进行标准化处理，处理后数据集记为X*。

作为示例，本实施例利用公式(1)、(2)、(3)对数据集X进行标准化处理，标准化后的数据集记为X^*。

S202、计算数据集X*中对象的距离矩阵得到数据对象之间的距离极差和方差。

作为示例，本实施例利用公式(4)计算数据集X^*中各数据对象的距离，组成距离矩阵计算得到各数据对象之间距离极差和方差。

S203、将距离极差和方差放入关系函数中，获取对应的领域里邻居个数k值和阈值θ。

作为示例，本实施例将得到各的距离极差和方差输入到所述参数的关系函数中，获取其对应的k值和阈值θ，不同的数据分布输入到关系函数中，可得到不同的参数，数据分布越集中，参数取值越小，数据分布越分散，参数取值越大。

S30、对待检测数据集进行异常点检测，执行相应均衡操作。

作为示例，本实施例利用所获取的k值，运用公式(5)、(6)、(7)计算数据集X^*的各数据对象的分散度，即求取每个单体的分散度，通过判断每个单体的分散度与所获取的阈值θ的大小，若电池组中有需要均衡的异常单体，则对该异常单体开启均衡，否则，不开启均衡。

Claims (4)

1.一种基于异常点检测的均衡方法，其特征在于，所述方法包括：

A.对样本数据集进行数据处理，得到参数的关系函数；

B.采集待检测数据集，利用关系函数自适应地获取参数；

C.对待检测数据集进行异常点检测，执行相应均衡操作。

2.根据权利要求1所述的一种基于异常点检测的均衡方法，其特征在于：对样本数据集进行数据处理，得到参数的关系函数的步骤包括：

在无均衡状态下，对电池组进行一个完整周期充放电循环操作，采样各单体电压、SOC和温度等多个特征参数作为样本数据集，标记电池组中的异常单体，对所述样本数据集进行标准化处理，计算标准化后数据集内数据对象的距离矩阵，得到各数据对象之间的距离极差和方差；

计算异常对象和正常对象的分散度，对两者的分散度进行减运算，得到最大差值所对应的领域里邻居个数，计算此时所对应的阈值，保存领域里邻居个数和阈值这两个参数；

分析所保存参数与数据对象分布的关系，得到参数关于数据对象分布的关系函数。

3.根据权利要求1所述的一种基于异常点检测的均衡方法，其特征在于：所述采集待检测数据集，利用关系函数自适应地获取参数的步骤包括：

采集当前时刻电池组各单体电压、SOC和温度等特征参数，作为待检测数据集，对待检测数据集进行标准化处理，得到标准化待检测数据集；

计算标准化待检测数据集内数据对象的距离矩阵，得到标准化后待检测数据集内各数据对象之间的距离极差和距离方差；

将所得到的距离极差和距离方差输入到参数的关系函数中，获取领域里邻居个数和阈值这两个参数。

4.根据权利要求1所述的一种基于异常点检测的均衡方法，其特征在于：所述对待检测数据集进行异常点检测的步骤包括：

根据所获取的邻域里邻居个数，计算标准化后待检测数据集内数据对象的分散度，并与所获取的阈值进行比较，电池组中若检测出需要均衡的异常单体，则对该异常单体开启均衡，否则不开启均衡。