CN110457373B - 一种隐性因素的确定方法、装置、存储介质及电子设备 - Google Patents
一种隐性因素的确定方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN110457373B CN110457373B CN201910764787.1A CN201910764787A CN110457373B CN 110457373 B CN110457373 B CN 110457373B CN 201910764787 A CN201910764787 A CN 201910764787A CN 110457373 B CN110457373 B CN 110457373B
- Authority
- CN
- China
- Prior art keywords
- data
- type
- recessive
- factors
- abnormal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
- G06F2216/03—Data mining
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本申请提供了一种电池包异常的隐性因素的确定方法、装置存储介质及电子设备。其中,该方法包括:获取n个数据样本,每个数据样本包括相同的电池包的异常类别和相同的i类隐性因素,所述n和i为正整数;对所述异常类别的原始数据进行预处理以获得对应的异常类别标准数据并对所述i类隐性因素的原始数据进行所述预处理以获得对应的i类隐性因素标准数据;根据所述异常类别标准数据与所述隐性因素标准数据获取所述i类隐性因素与所述异常类别的相关度;确定所述相关度大于预设阈值的隐性因素为与所述异常类别相关的隐性因素。利用本申请提供的方法,能够有效挖掘出与电池包的某种异常类别相关的隐性因素,进而提高电池包以及电动汽车的安全性能。
Description
技术领域
本申请涉及车辆控制技术领域,尤其涉及一种电池包异常的隐性因素的确定方法、装置存储介质及电子设备。
背景技术
随着现代社会能源短缺和环境污染问题的加剧,电动汽车作为新能源汽车一经推出便受到了各界的广泛关注。电动汽车是一种依靠车载的电池包提供的电源为动力,利用电机驱动车轮行驶,并符合道路交通、安全法规各项要求的车辆。
分析造成电池包异常的影响因素之间的联系,有助于车厂提高电池包和电动汽车的安全性能。对于这些影响因素,其中的一部分是显性的,可以直观的发现并收集,例如电池包的使用年限、电池循环次数、电池组成材料等,对这些显性因素的分析往往较为普遍。但也存在部分的影响因素是隐性的,目前往往难以判断某种隐性因素和电池包的某种异常之间是否相关。
发明内容
为了解决现有技术存在的上述技术问题,本申请提供了一种电池包异常的隐性因素的确定方法、装置存储介质及电子设备,能够有效挖掘出与电池包的某种异常类别相关的隐性因素,进而提高电池包以及电动汽车的安全性能。
本申请提供了一种隐性因素的确定方法,所述方法包括:
获取n个数据样本,每个数据样本包括相同的电池包的异常类别和相同的i类隐性因素,所述n和i为正整数;
对所述异常类别的原始数据进行预处理以获得对应的异常类别标准数据并对所述i类隐性因素的原始数据进行所述预处理以获得对应的i类隐性因素标准数据;
根据所述异常类别标准数据与所述隐性因素标准数据获取所述i类隐性因素与所述异常类别的相关度;
确定所述相关度大于预设阈值的隐性因素为与所述异常类别相关的隐性因素。
可选的,所述预处理具体包括:
获取数据类的n个原始数据的平均值;所述数据类为异常类别和第j类隐性因素;所述j=1,2…,i;
确定每个样本的所述数据类的原始数据与所述平均值的比值为所述数据类的标准数据。
可选的,所述根据所述异常类别标准数据与所述隐性因素标准数据获取所述i类隐性因素与所述异常类别的相关度,具体包括:
获取所述异常类别标准数据与所述i类隐性因素标准数据的差序列△j(k),以及所述△j(k)中的最大值△jmax和最小值△jmin;△j(k)=|r0(k)-rj(k)|;r0(k)为第k个样本的异常类别数据;rj(k)为第k个样本的第j类隐性因素标准数据;所述k=1,2…,n;
获取所述i类隐性因素对应的相关序列γj(k);γj(k)=△jmax/[△j(k)+△jmin];
根据所述γj(k)获取所述i类隐性因素与所述异常类别的相关度Γli;
可选的,当所述第j类隐性因素无法通过物理量定量记录时,所述方法还包括:
按照预设映射规则获取所述第j类隐性因素对应的原始数据。
可选的,所述隐性因素的类别至少为以下其中的一种:
车辆行驶路况、充电电费、加/减速踏板平均深度、平均室外温度、天气状况、白天行驶平均时长/距离、夜间行驶平均时长/距离、车主职业、车主年龄、车主驾龄、车主性别、车主驾驶风格、空调平均设定温度、电池材料及制造工艺、驱动电机转速、驱动电机平均温度和每天平均熄火时长。
本申请还提供了一种隐性因素的确定装置,所述装置包括:第一获取单元、预处理单元、第二获取单元和确定单元;
所述第一获取单元,用于获取n个的数据样本,每个数据样本包括相同的电池包的异常类别和相同的i类隐性因素,所述n和i为正整数;
所述预处理单元,用于对所述异常类别的原始数据进行预处理以获得对应的异常类别标准数据并对所述i类隐性因素的原始数据进行所述预处理以获得对应的i类隐性因素标准数据;
所述第二获取单元,用于根据所述异常类别标准数据与所述隐性因素标准数据获取所述i类隐性因素与所述异常类别的相关度;
所述确定单元,用于确定所述相关度大于预设阈值的隐性因素为与所述异常类别相关的隐性因素。
可选的,所述预处理单元具体用于:
获取数据类的n个原始数据的平均值;所述数据类为异常类别和第j类隐性因素;所述j=1,2…,i;
确定每个样本的所述数据类的原始数据与所述平均值的比值为所述数据类的标准数据。
可选的,所述第二获取单元,具体包括:第一获取子单元、第二获取子单元和第三获取子单元;
所述第一获取子单元,用于获取所述异常类别标准数据与所述i类隐性因素标准数据的差序列△j(k),以及所述△j(k)中的最大值△jmax和最小值△jmin;△j(k)=|r0(k)-rj(k)|;r0(k)为第k个样本的异常类别数据;rj(k)为第k个样本的第j类隐性因素标准数据;所述k=1,2…,n;
所述第二获取子单元,用于获取所述i类隐性因素对应的相关序列γj(k);所述γj(k)=△jmax/[△j(k)+△jmin];
可选的,所述第一获取单元还用于:
按照预设映射规则获取所述第j类隐性因素对应的原始数据。
本申请还提供了一种存储介质,所述存储介质包括存储的程序,其中,所述程序执行以上任意一项所述的隐性因素的确定方法。
本申请还提供了一种电子设备,所述电子设备用于运行程序,其中,所述程序运行时执行以上任意一项所述的隐性因素的确定方法。
与现有技术相比,本申请所述方法具有以下优点:
本申请提供了一种隐性因素的确定方法,该方法获取n个车辆的数据样本,每个数据样本包括相同的电池包的异常类别和相同的i类隐性因素,所述n和i为正整数,实际应用时,n和i的值可以取较大数值,以使排除结论的偶然性并且可以充分寻找到与该异常类别相关的隐性因素。对所述异常类别的原始数据进行预处理以获得对应的异常类别标准数据并对所述i类隐性因素的原始数据进行所述预处理以获得对应的i类隐性因素标准数据,一方面,通过预处理使获得的标准数据消除量纲以便进行数学计算;另一方面,当不同的原始数据的数量级相差过大,计算时往往会掩盖掉较小的数据,因此通过预处理能够降低数量级的影响。然后根据所述异常类别标准数据与所述隐性因素标准数据获取所述i类隐性因素与所述异常类别的相关度。确定所述相关度大于预设阈值的隐性因素为与所述异常类别相关的隐性因素。
综上所述,利用本申请提供的确定方法,能够有效挖掘出与电池包的某种异常类别相关的隐性因素,因此可以根据该相关的隐性因素制定和改进应对策略,进而提高电池包以及电动汽车的安全性能。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为本申请实施例一提供的一种隐性因素的确定方法的流程图;
图2为本申请实施例二提供的一种隐性因素的确定装置的示意图。
具体实施方式
随着电动汽车的推广,分析造成电池包异常的影响因素之间的联系,有助于车厂提高电池包和电动汽车的安全性能。对于这些影响因素,其中的一部分是显性的,可以直观的发现并收集,对这些显性因素的分析往往较为普遍。但也存在部分的影响因素是隐性的,目前往往难以判断某种隐性因素和电池包的某种异常之间是否相关。
为了解决现有技术存在的上述技术问题,本申请提供了一种隐性因素的确定方法、装置存储介质及电子设备,通过获取电池包的异常类别的数据与其它类型的隐性因素之间的相关度,相关度越大,表征该类隐性因素与异常类别的联系越紧密,则该类隐性因素对异常类别的影响相应也越大,因此能够有效挖掘出与电池包的某种异常类别相关的隐性因素,可以根据该相关的隐性因素制定改进和应对策略,进而提高电池包以及电动汽车的安全性能
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
实施例一:
本申请实施例一提供了一种电池包异常的隐性因素的确定方法,下面结合附图具体说明。
参见图1,该图为本申请实施例一提供的一种电池包异常的隐性因素的确定方法的流程图。
本申请实施例所述方法包括以下步骤:
S101:获取n个数据样本,每个数据样本包括相同的电池包的异常类别和相同的i类隐性因素,n和i为正整数。
本申请实施例中每个数据样本包括两部分:电池包的异常类别和隐性因素。
其中,隐性因素指可能引发电池包的出现异常的非直观显现因素,即不是常规用于分析电池包性能的因素。本实施例所述隐性因素可以为以下类别:
车辆行驶路况、充电电费、加/减速踏板平均深度、每日平均室外温度、天气状况、白天行驶平均时长/距离、夜间行驶平均时长/距离、车主职业、车主年龄、车主驾龄、车主性别、车主驾驶风格、空调平均设定温度、电池材料及制造工艺、驱动电机转速、驱动电机平均温度和每天平均熄火时长等。
电池包的异常类别即电池包出现的异常的类型,例如充电异常、续航时间异常、供电电压异常等。本申请实施例所述方法的目的就是挖掘发现可能引起电池包出现某类型异常的隐性因素。
在一种可能的实现方式中,可以以n个车辆对应的相关数据作为数据样本。
本实施例所述的n个数据样本具有相同的电池包的异常类别和相同的i类隐性因素,例如n个数据样本均包括的异常类别为续航时间异常,并且均包括相同的两类隐性数据:车辆行驶路况和平均室外温度。
本申请实施例对n和i的具体取值不作限定,但在实际应用中,n和i可以尽量取较大数值,以使排除结论的偶然性并且可以充分寻找到与该异常类别相关的隐性因素。
S102:对异常类别的原始数据进行预处理以获得对应的异常类别标准数据并对i类隐性因素的原始数据进行预处理以获得对应的i类隐性因素标准数据。
由于获取的n个原始样本的数据包括了异常类别和i类隐性因素,可以涵盖不同类型的原始数据,而不同类型的原始数据的量纲可能不同,例如和时间有关的原始数据的量纲可能为秒、分钟等,和距离有关的原始数据的量纲可能为米、千米等,不同量纲的数据之间进行数学运算通常没有意义。另一方面,不同类型的原始数据的数量级不同,当不同类型的原始数据的数量级相差过大时,计算时往往会掩盖掉较小的数据,影响结论的准确性。
为了解决上述技术问题,本申请对对异常类别的原始数据进行预处理以获得对应的异常类别标准数据,对i类隐性因素的原始数据进行预处理以获得对应的i类隐性因素标准数据。通过预处理能够将原始数据转化为标准数据,消除量纲以便进行数学计算并且还能够降低数量级的影响。
进一步的,所述预处理包括以下步骤:
S102a:获取数据类的n个原始数据的平均值;所述数据类为异常类别和第j类隐性因素,其中j=1,2…,i。
S102b:确定每个样本的所述数据类的原始数据与平均值的比值为所述数据类的标准数据。
为了方便理解,下面以数据类为隐性因素且具体为每日平均室外温度为例说明预处理的过程,具体的原始数据可以参见表1所示。
表1每日平均室外温度原始数据表
此时,获取数据类的n个原始数据的平均值即获取每日平均室外温度的平均值,该平均值=(20+15+25)/3=20℃。
确定每个样本的所述数据类的原始数据与平均值的比值为所述数据类的标准数据,此时样本1的每日平均室外温度的标准数据=20/20=1;样本2的每日平均室外温度的标准数据=15/20=0.75;样本3的每日平均室外温度的标准数据=25/20=1.25。可见通过上述标准化的过程,消除了原始数据的量纲,以便于后续对数据进行计算处理。
再以数据类为隐性因素且具体为每日平均行驶距离为例说明预处理的过程,具体的原始数据可以参见表2所示。
表2每日平均行驶距离原始数据表
此时,获取数据类的n个原始数据的平均值即获取每日平均行驶距离的平均值,该平均值=(200+150+250)/3=200km。
此时样本1的每日平均行驶距离的标准数据=200/200=1;样本2的每日平均行驶距离的标准数据=150/200=0.75;样本3的每日平均行驶距离的标准数据=250/200=1.25。
与上例每日平均室外温度的标准数据对比可以发现,尽管每日平均行驶距离的原始数据比每日平均室外温度的原始数据大一个数量级,而预处理后获取的标准数据却在同一个数量级,由此可见本申请所述方法的预处理步骤能够降低不同类型的原始数据数量级不同带来的影响避免掩盖掉较小的数据。
进一步的,考虑到实际存在某些类别的隐性因素无法通过物理量定量记录,例如天气状况和车主驾驶风格等隐性因素难以用一个物理量来描述,为了充分发掘这些类别的隐性因素与异常类别之间的联系,本申请实施例所述方法按照预设映射规则获取这些隐性因素对应的原始数据。
不同类型的隐性因素对应的预设规则可以不同,本申请对预设规则不作具体限定,通过预设规则能够将该类隐性因素映射到相应的原始数据,以便于后续的分析处理。
下面以隐性因素类型为天气状况为例说明该映射过程。
首先建立预设映射规则,按照天气状况由好至坏进行分类,例如可以分为:晴天、阴天、雾天、雨天和雪天。分别将不同的天气映射到不同的数值,例如可以将晴天映射到5、阴天映射到4、雾天映射到3、雨天映射到2、雪天映射到1。
然后按照预设的映射规则获取天气状况的原始数据,例如当天气状况为晴天时,对应获取的原始数据为5;当天气状况为雪天时,对应获取的原始数据为1。因此实现了将无法通过物理量定量记录的隐性因素进行了量化。
可以理解的是,上例仅为方便说明而进行的简单举例,实际建立预设规则时可以设定更多的映射条件,例如可以根据降雨量或风力等级等条件进一步建立更详细的预设规则,本申请实施例在此不再赘述。
S103:根据异常类别标准数据与隐性因素标准数据获取i类隐性因素与异常类别的相关度。
本申请实施例通过相关度表征不同类别的隐性因素与异常类别的相关度,具体的,首先获取异常类别标准数据与所述i类隐性因素标准数据的差序列△j(k),差序列△j(k)可以通过下式确定:
△j(k)=|r0(k)-rj(k)| (1)
式(1)中r0(k)为第k个样本的异常类别数据,rj(k)为第k个样本的第j类隐性因素标准数据。其中k=1,2…,n。
然后获取差序列△j(k)中的最大值△jmax和最小值△jmin。
进一步获取i类隐性因素对应的相关序列γj(k),相关序列γj(k)可以通过下式确定:
γj(k)=△jmax/[△j(k)+△jmin] (2)
根据式(2)获取的γj(k)进一步获取i类隐性因素与异常类别的相关度Γli,相关度Γli可以通过下式确定:
S104:确定相关度大于预设阈值的隐性因素为与异常类别相关的隐性因素。
本申请实施例对预设阈值的大小不作具体限定,可以根据实际情况设定。可以理解的是,当所有i类的隐性因素的相关度均小于所述预设阈值时,确定所有i类的隐性因素与异常类别无关。
利用本申请实施例提供的确定方法,首先获取n个数据样本,每个数据样本包括相同的电池包的异常类别和相同的i类隐性因素。然后对所述异常类别的原始数据进行预处理以获得对应的异常类别标准数据并对所述i类隐性因素的原始数据进行所述预处理以获得对应的i类隐性因素标准数据,一方面,通过预处理使获得的标准数据消除量纲以便进行数学计算;另一方面,通过预处理能够降低不同类别的隐性因素对应的原始数据的数量级不同的影响。然后根据所述异常类别标准数据与所述隐性因素标准数据获取所述i类隐性因素与所述异常类别的相关度。确定所述相关度大于预设阈值的隐性因素为与所述异常类别相关的隐性因素。
因此利用本申请提供的确定方法,能够有效挖掘出与电池包的某种异常类别相关的隐性因素,用户和车厂可以根据该相关的隐性因素制定和改进应对策略,进而提高电池包以及电动汽车的安全性能。
实施例二:
基于上述实施例提供的电池包异常的隐性因素的确定方法,本申请实施例二还提供了一种电池包异常的隐性因素的确定装置,下面结合附图具体说明。可以理解的是,本申请实施例所述的“第一”、“第二”等词仅是为了方便描述,并不构成对于本申请的限定。
参见图2,该图为本申请实施例二提供的一种隐性因素的确定装置的示意图。
本申请实施例所述装置包括:第一获取单元201、预处理单元202、第二获取单元203和确定单元204。
第一获取单元201,用于获取n个的数据样本,每个数据样本包括相同的电池包的异常类别和相同的i类隐性因素,n和i为正整数。
本申请实施例对n和i的具体取值不作限定,但在实际应用中,n和i可以尽量取较大数值,以使排除结论的偶然性并且可以充分寻找到与该异常类别相关的隐性因素。
进一步的,考虑到实际存在某些类别的隐性因素无法通过物理量定量记录,例如天气状况和车主驾驶风格等隐性因素难以用一个物理量来描述,为了充分发掘这些类别的隐性因素与异常类别之间的联系,第一获取单元201还用于按照预设映射规则获取所述第j类隐性因素对应的原始数据。
预处理单元202,用于对异常类别的原始数据进行预处理以获得对应的异常类别标准数据并对i类隐性因素的原始数据进行预处理以获得对应的i类隐性因素标准数据。
进一步的,预处理单元202具体用于:
获取数据类的n个原始数据的平均值;数据类为异常类别和第j类隐性因素;所述j=1,2…,i;
确定每个样本的数据类的原始数据与平均值的比值为数据类的标准数据。
预处理单元202能够将原始数据转化为标准数据,消除量纲以便进行数学计算并且还能够降低数量级的影响。
第二获取单元203,用于根据异常类别标准数据与隐性因素标准数据获取i类隐性因素与所述异常类别的相关度。
进一步的,第二获取单元203具体包括:第一获取子单元、第二获取子单元和第三获取子单元。
第一获取子单元,用于获取所述异常类别标准数据与所述i类隐性因素标准数据的差序列△j(k),以及△j(k)中的最大值△jmax和最小值△jmin。
其中,△j(k)=|r0(k)-rj(k)|。
r0(k)为第k个样本的异常类别数据,rj(k)为第k个样本的第j类隐性因素标准数据,k=1,2…,n。
第二获取子单元,用于获取所述i类隐性因素对应的相关序列γj(k);所述γj(k)=△jmax/[△j(k)+△jmin]。
确定单元204,用于确定相关度大于预设阈值的隐性因素为与异常类别相关的隐性因素。
综上所述,利用本申请实施例提供的确定装置,能够有效挖掘出与电池包的某种异常类别相关的隐性因素,因此可以根据该相关的隐性因素制定和改进应对策略,进而提高电池包以及电动汽车的安全性能。
所述隐性因素的确定装置包括处理器和存储器,上述第一获取单元、预处理单元、第二获取单元和确定单元等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来确定与电池包的异常类别相关的隐性因素。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
本申请实施例还提供了一种存储介质,其上存储有程序,该程序被处理器执行时实现实施例一所述的隐性因素的确定方法。
进一步的,本申请实施例还提供了一种电子设备,所述电子设备用于运行程序,其中,所述程序运行时执行实施例一所述的隐性因素的确定方法
该电子设备可以包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现以下步骤:
获取n个数据样本,每个数据样本包括相同的电池包的异常类别和相同的i类隐性因素,所述n和i为正整数;
对所述异常类别的原始数据进行预处理以获得对应的异常类别标准数据并对所述i类隐性因素的原始数据进行所述预处理以获得对应的i类隐性因素标准数据;
根据所述异常类别标准数据与所述隐性因素标准数据获取所述i类隐性因素与所述异常类别的相关度;
确定所述相关度大于预设阈值的隐性因素为与所述异常类别相关的隐性因素。
本申请实施例中的电子设备可以是服务器、PC、PAD、手机等,本申请实施例对此不作具体限定。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有如下方法步骤的程序:(方法权项的步骤,独权+从权)。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元及模块可以是或者也可以不是物理上分开的。另外,还可以根据实际的需要选择其中的部分或者全部单元和模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述仅是本申请的具体实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (5)
1.一种隐性因素的确定方法,其特征在于,所述方法包括:
获取n个数据样本,每个数据样本包括相同的电池包的异常类别和相同的i类隐性因素,所述n和i为正整数;
对所述异常类别的原始数据进行预处理以获得对应的异常类别标准数据并对所述i类隐性因素的原始数据进行所述预处理以获得对应的i类隐性因素标准数据;
根据所述异常类别标准数据与所述隐性因素标准数据获取所述i类隐性因素与所述异常类别的相关度;
确定所述相关度大于预设阈值的隐性因素为与所述异常类别相关的隐性因素;
所述根据所述异常类别标准数据与所述隐性因素标准数据获取所述i类隐性因素与所述异常类别的相关度,具体包括:
获取所述异常类别标准数据与所述i类隐性因素标准数据的差序列△j(k),以及所述△j(k)中的最大值△jmax和最小值△jmin;△j(k)=|r0(k)-rj(k)|;r0(k)为第k个样本的异常类别数据;rj(k)为第k个样本的第j类隐性因素标准数据;所述k=1,2…,n;
获取所述i类隐性因素对应的相关序列γj(k);γj(k)=△jmax/[△j(k)+△jmin];
所述预处理具体包括:获取数据类的n个原始数据的平均值;所述数据类为异常类别和第j类隐性因素;所述j=1,2…,i;确定每个样本的所述数据类的原始数据与所述平均值的比值为所述数据类的标准数据;
当所述第j类隐性因素无法通过物理量定量记录时,所述方法还包括:按照预设映射规则获取所述第j类隐性因素对应的原始数据。
2.根据权利要求1所述的确定方法,其特征在于,所述隐性因素的类别至少为以下其中的一种:
车辆行驶路况、充电电费、加/减速踏板平均深度、平均室外温度、天气状况、白天行驶平均时长/距离、夜间行驶平均时长/距离、车主职业、车主年龄、车主驾龄、车主性别、车主驾驶风格、空调平均设定温度、电池材料及制造工艺、驱动电机转速、驱动电机平均温度和每天平均熄火时长。
3.一种隐性因素的确定装置,其特征在于,所述装置包括:第一获取单元、预处理单元、第二获取单元和确定单元;
所述第一获取单元,用于获取n个的数据样本,每个数据样本包括相同的电池包的异常类别和相同的i类隐性因素,所述n和i为正整数;
所述预处理单元,用于对所述异常类别的原始数据进行预处理以获得对应的异常类别标准数据并对所述i类隐性因素的原始数据进行所述预处理以获得对应的i类隐性因素标准数据;
所述第二获取单元,用于根据所述异常类别标准数据与所述隐性因素标准数据获取所述i类隐性因素与所述异常类别的相关度;
所述确定单元,用于确定所述相关度大于预设阈值的隐性因素为与所述异常类别相关的隐性因素;
所述第二获取单元,具体包括:第一获取子单元、第二获取子单元和第三获取子单元;
所述第一获取子单元,用于获取所述异常类别标准数据与所述i类隐性因素标准数据的差序列△j(k),以及所述△j(k)中的最大值△jmax和最小值△jmin;△j(k)=|r0(k)-rj(k)|;r0(k)为第k个样本的异常类别数据;rj(k)为第k个样本的第j类隐性因素标准数据;所述k=1,2…,n;
所述第二获取子单元,用于获取所述i类隐性因素对应的相关序列γj(k);所述γj(k)=△jmax/[△j(k)+△jmin];
所述预处理单元具体用于:获取数据类的n个原始数据的平均值;所述数据类为异常类别和第j类隐性因素;所述j=1,2…,i;确定每个样本的所述数据类的原始数据与所述平均值的比值为所述数据类的标准数据;
所述第一获取单元还用于:按照预设映射规则获取所述第j类隐性因素对应的原始数据。
4.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,所述程序执行权利要求1至2任意一项所述的隐性因素的确定方法。
5.一种电子设备,其特征在于,所述电子设备用于运行程序,其中,所述程序运行时执行权利要求1至2中任意一项所述的隐性因素的确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910764787.1A CN110457373B (zh) | 2019-08-19 | 2019-08-19 | 一种隐性因素的确定方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910764787.1A CN110457373B (zh) | 2019-08-19 | 2019-08-19 | 一种隐性因素的确定方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110457373A CN110457373A (zh) | 2019-11-15 |
CN110457373B true CN110457373B (zh) | 2022-08-05 |
Family
ID=68487633
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910764787.1A Active CN110457373B (zh) | 2019-08-19 | 2019-08-19 | 一种隐性因素的确定方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110457373B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111159237B (zh) * | 2019-12-25 | 2023-07-14 | 中国平安财产保险股份有限公司 | 系统数据分发方法、装置、存储介质及电子设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105914257A (zh) * | 2016-04-26 | 2016-08-31 | 苏州阿特斯阳光电力科技有限公司 | 一种基于数据分析的晶体硅电池生产过程监控方法 |
CN108357361A (zh) * | 2018-05-07 | 2018-08-03 | 中国科学技术大学 | 一种电动汽车动力电池安全监控装置及方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5838998B2 (ja) * | 2013-05-24 | 2016-01-06 | 株式会社デンソー | 異常診断システム |
CN105576305A (zh) * | 2016-03-11 | 2016-05-11 | 宁德时代新能源科技股份有限公司 | 电池包安全管理系统 |
JP6846991B2 (ja) * | 2016-07-05 | 2021-03-24 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカPanasonic Intellectual Property Corporation of America | 異常検知電子制御ユニット、車載ネットワークシステム及び異常検知方法 |
JP6833642B2 (ja) * | 2017-08-10 | 2021-02-24 | 株式会社東芝 | 要因分析装置、要因分析方法、およびプログラム |
CN109815042B (zh) * | 2019-01-21 | 2022-05-27 | 南方科技大学 | 异常因素的定位方法、装置、服务器和存储介质 |
-
2019
- 2019-08-19 CN CN201910764787.1A patent/CN110457373B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105914257A (zh) * | 2016-04-26 | 2016-08-31 | 苏州阿特斯阳光电力科技有限公司 | 一种基于数据分析的晶体硅电池生产过程监控方法 |
CN108357361A (zh) * | 2018-05-07 | 2018-08-03 | 中国科学技术大学 | 一种电动汽车动力电池安全监控装置及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110457373A (zh) | 2019-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110091751B (zh) | 基于深度学习的电动汽车续航里程预测方法、设备及介质 | |
CN111806239B (zh) | 电动车辆续航里程测量方法、电子设备及存储介质 | |
CN110288096B (zh) | 预测模型训练及预测方法、装置、电子设备、存储介质 | |
US9157383B2 (en) | System, method and computer program for simulating vehicle energy use | |
Tannahill et al. | Driver alerting system using range estimation of electric vehicles in real time under dynamically varying environmental conditions | |
CN111038334A (zh) | 一种电动汽车续驶里程预测方法及装置 | |
CN112224089A (zh) | 基于能耗的行程规划方法、装置、电子设备及存储介质 | |
DE102011117218A1 (de) | Elektrischer Fahrreichweitenrechner | |
CN110457373B (zh) | 一种隐性因素的确定方法、装置、存储介质及电子设备 | |
JP2023063233A (ja) | 作業条件識別に基づく一車用エアコンのエネルギー消費量の予測方法および予測装置 | |
CN104859483A (zh) | 电动汽车的扭矩修正系数计算和扭矩解析的方法及系统 | |
CN114817371A (zh) | 一种基于XGBoost的车辆行驶工况识别方法 | |
CN115339355A (zh) | 电动汽车实时充电决策方法、系统、介质、设备及终端 | |
CN110789396A (zh) | 电池组荷电状态数据检测方法、装置、介质、终端及汽车 | |
US10808634B2 (en) | Method, device and mobile user terminal for adapting an energy utilization process of a motor vehicle | |
CN111896264B (zh) | 增程器用发动机的试验工况生成方法、装置及电子设备 | |
CN112277651A (zh) | 一种电动车辆里程验证方法及相关设备 | |
CN117400948A (zh) | 一种汽车能耗预测方法、装置、电子设备及存储介质 | |
CN117114654A (zh) | 一种配置化的车辆保养实现方法、存储介质及装置 | |
CN114074660A (zh) | 一种预见性巡航节油控制方法、装置及存储介质 | |
CN110837979A (zh) | 基于随机森林的安全驾驶风险预测方法及装置 | |
CN114426025A (zh) | 驾驶辅助方法、装置、计算机设备和存储介质 | |
CN108268678A (zh) | 驾驶行为分析方法、装置及系统 | |
CN116338460B (zh) | 基于多参数分析的新能源汽车电池余量鉴定系统 | |
CN111348045A (zh) | 用于混合动力车辆的碳排放量的量化展示方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |