CN112505549B - 基于孤立森林算法的新能源汽车电池异常检测方法 - Google Patents

基于孤立森林算法的新能源汽车电池异常检测方法 Download PDF

Info

Publication number
CN112505549B
CN112505549B CN202011343531.2A CN202011343531A CN112505549B CN 112505549 B CN112505549 B CN 112505549B CN 202011343531 A CN202011343531 A CN 202011343531A CN 112505549 B CN112505549 B CN 112505549B
Authority
CN
China
Prior art keywords
battery
itree
data
new energy
isolated
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
Application number
CN202011343531.2A
Other languages
English (en)
Other versions
CN112505549A (zh
Inventor
常建涛
陈改革
马洪波
孔宪光
沈明磊
程帆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN202011343531.2A priority Critical patent/CN112505549B/zh
Publication of CN112505549A publication Critical patent/CN112505549A/zh
Application granted granted Critical
Publication of CN112505549B publication Critical patent/CN112505549B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tests Of Electric Status Of Batteries (AREA)
  • Secondary Cells (AREA)

Abstract

本发明提供了一种基于孤立森林算法的新能源汽车电池异常检测方法，用于解决现有技术中存在的异常检测的准确性和实时性较差的技术问题。实现步骤为：1.获取样本训练样本集合测试样本集；2.构建孤立森林IForest模型；3.获取新能源汽车的电池异常检测结果。本发明通过对多维特征构建IForest模型，对每个特征的异常得分进行判定，解决了只依靠单一维度特征对电池进行异常检测的单一性问题，提高了对新能源汽车电池异常检测的准确性，同时，通过对大量数据进行了预处理工作，降低了构建的孤立森林模型的时间，并且异常阈值是根据异常得分计算公式自动得出的固定值，提高了对新能源汽车电池异常检测的实时性。

Description

基于孤立森林算法的新能源汽车电池异常检测方法
技术领域
本发明属于电池技术领域，涉及一种新能源汽车电池异常检测方法，具体涉及一种基于孤立森林算法的新能源汽车电池异常检测方法。
背景技术
新能源纯电动汽车以其环境污染小、能源利用率高等一系列优点受到了广泛的重视并得以应用。随着新能源车保有量的持续增长，动力电池的需求量也随之加大。在动力电池需求量增加的同时，伴随着动力电池制造工艺水平和车辆运行工况不确定的因素，动力电池在运行中不可避免会出现电压过高或过低，电流过大或过小，温度过高或过低等状态，近而导致相关故障的发生，尤其在汽车运行中出现电池安全异常问题时，常由于监控系统无法及时准确识别异常电池位置及异常模式，导致电池出现严重安全故障，危及人身财产安全。所以，为保证电池在实际运行中的安全性，支撑电动汽车高效可靠的运行，避免电池在运行中受环境的影响出现重大异常，及时、全面和准确的监控电池状态、判断电池故障并报警，并据此进一步的实现对电池故障原因的分析，可以有效提高电池使用寿命与质量，减少损失。
异常检测是通过各种能够检查和测试的方法，对系统出现的异常情况进行判断，确定异常。新能源汽车电池异常检测，主要分为基于等效电路模型的异常检测、基于统计学方法的异常检测和基于数据驱动的智能算法模型进行异常检测。基于等效电路模型的异常检测方法主要是通过建立电池的双阶RC模型，建立电池开路电压与荷电状态SOC值的关联关系，最终使用卡尔曼滤波法对电池的SOC值进行估计，该方法收敛时间在15秒至40秒之间，实时性差。基于统计学方法的异常检测是通过将数理统计学中样本标准差S和极差R的概念用于度量电池组电压的离散程度，通过计算标准偏差和电压极差判别整组电池内单体电压离散程度和电池组中的最大电压差，并通过设置一组变化的阈值最终判定电池异常，该方法需要不断对阈值进行更新，准确性差。
随着机器学习技术的发展，基于数据驱动的智能算法为研究新能源汽车电池的异常检测提供了新思路。相比较基于等效电路模型的异常检测方法和基于统计学方法的异常检测方法，基于数据驱动的智能算法为研究新能源汽车电池的异常检测方法在检测的实时性和准确性方面都有较大的提升，例如，申请公布号为CN109765490A，名称为“一种基于高维数据诊断的动力电池故障检测方法及系统”的专利申请，公开了一种新能源汽车电池异常检测方法，该方法通过对电池单体的电压数据进行预处理，得到电压矩阵，即将一维的电压数据构造成高维矩阵，降低了数据处理的复杂度，然后利用聚类算法对电压数据矩阵进行聚类处理，得到聚类结果，然后根据聚类结果计算电池单体的电压异常值得分，比较异常值分数与阈值的大小从而判定电池单体是否发生故障。该方法虽然能提高数据处理速度，提高检测效率，但是只根据电池单体的电压就对新能源汽车电池进行故障判别，评价方式比较单一，不能对电池状态作出全面的评价，可能导致漏检误检的情况，影响了故障检测的准确率，且阈值的设定需要根据环境变化重新进行人工设定，实时性较差。
发明内容
本发明目的在于克服上述现有技术存在的缺陷，提出一种基于孤立森林IForest的新能源汽车电池异常检测方法，旨在保证检测效率的同时，提高新能源汽车电池异常检测的准确率和实时性。
为实现上述目的，本发明采取的技术方案包括如下步骤：
(1)获取训练样本集X1和测试样本集X2；
(1a)选取数据库中一辆新能源汽车运行过程中的M条维度为14的电池模组运行状态数据集
Figure GDA0003154722450000021
其中，M≥5000，xm表示第m条包括14个特征的电池模组运行状态数据：电池模组运行实时数据时间、单体电池电压最高值、单体电池电压最低值、单体电池最高温度值、单体电池最低温度值、总电压、总电流、剩余电量SOC、电池充电状态、车速、电池模组累计运行时长、DC-DC状态、档位和绝缘电阻；
(1b)对xm中的每个数据进行缺失值填充后再进行标准化处理，得到预处理后的数据集
Figure GDA0003154722450000022
并将X″中的H条数据作为训练样本集X1，将其余的M-H条数据作为测试样本集X2，其中xm″表示xm的预处理结果，H＞M/2；
(2)构建孤立森林IForest模型：
(2a)设孤立森林IForest模型包括T棵孤立树iTree＝{iTreet|1≤t≤T}，其中，iTreet表示第t棵孤立树，10≤T≤50，iTreet的高度为ct，最大高度为Ct，Ct≤ln(H)，ln(H)表示H的对数，并令t＝1，ct＝1；
(2b)从训练样本集X1中无放回地随机选取n个样本作为孤立树iTreet的根结点，其中，n≥200；
(2c)随机选取iTreet根结点中维度为k的样本，并比较该样本的值p与其余n-1个相同维度的样本的值q，若q＞p，将q所在的样本作为iTreet的根结点的左子结点，若q＜p，将q所在的样本作为iTreet的根结点的右子结点，否则，q所在的样本不划分到任何子结点，得到包含l个样本的左子结点和包含r个样本的右子结点，其中l＜n，r＜n；
(2d)判断c＝C是否成立，若是，得到构建好的孤立树iTreet，并执行步骤(2e)，否则，分别将左子结点和右子结点作为根结点，并令c＝c+1，并执行步骤(2c)；
(2e)判断t＝T是否成立，若是，得到由T棵孤立树iTree构成的孤立森林IForest模型，否则，令t＝t+1，并执行步骤(2b)；
(3)获取新能源汽车的电池异常检测结果：
(3a)估算每个测试样本中的数据s在孤立森林IForest模型中每一棵孤立树iTreet中的路径长度h(st)，h(st)＝et+Ct(n)，其中et表示st从iTreet的根结点到叶子结点过程中经过的边的数目,Ct(n)表示iTreet中从根结点到叶子结点的平均路径长度，
Figure GDA0003154722450000031
H(n-1)表示调和数，H(n-1)＝ln(n-1)+ξ，ξ表示欧拉常数，ξ＝0.5772156649；
(3b)计算s在T棵孤立树iTree中的平均路径长度E(h(st))，并根据E(h(st))计算st的异常得分Score(s,n)，
Figure GDA0003154722450000032
Score(s,n)∈[0,1]；
(3c)判断Score>0.5是否成立，若是，则s为异常数据，否则，则s为正常。
本发明与现有技术相比，具有以下优点：
本发明通过对多维特征构建孤立森林IForest模型，计算多维特征在所有孤立树iTree中的平均路径长度进而得到每一个特征的异常值得分，对每个特征的异常得分进行判定，解决了只依靠单一维度特征对电池进行异常检测的单一性问题，在保证检测效率的前提下，提高了对新能源汽车电池异常检测的准确性，同时，通过对获取的数据集进行了预处理工作，降低了构建的孤立森林模型的复杂度，并且异常阈值根据异常得分计算公式自动计算的固定值，不需要被动的根据电池工作环境的变化而不断进行人为改变，提高了对新能源汽车电池异常检测的实时性。
附图说明
图1是本发明的实现流程图。
具体实施方式
下面结合附图和具体实施例，对本发明作进一步详细描述。
参照图1，本发明包括如下步骤：
步骤1)获取训练样本集X1和测试样本集X2；
步骤1a)本实施例的数据来自杭州萧山公交公司，720公交线路中编号为17-9666新能源车辆的实际采集的电池模组运行状态数据，数据量总计有M条，构成数据集
Figure GDA0003154722450000041
每条数据的维度是14，即特征数是14，包含的特征具体为：电池模组运行实时数据时间、单体电池电压最高值、单体电池电压最低值、单体电池最高温度值、单体电池最低温度值、总电压、总电流、剩余电量SOC、电池充电状态、车速、电池模组累计运行时长、DC-DC状态、档位和绝缘电阻，其中，xm表示第m条电池模组运行状态数据，本实施例中M＝6000；
步骤1b)原始数据集X中包含部分缺失数据，对xm中的缺失值使用均值法进行填充可以提高数据完整性，对缺失值填充后的xm采用max-min标准化处理，具体公式为：
Figure GDA0003154722450000042
其中，x″为xm中的每个数据的标准化处理结果，xmax和xmin分别为xm中所有数据的最大值和最小值。数据的标准化是将数据按比例缩放，使之落入[0,1]区间，去除数据的单位限制，将其转化为无量纲的纯数值，便于不同单位或量级的特征能够进行比较和加权，最终得到预处理后的数据集
Figure GDA0003154722450000051
并将X″中的H条数据作为训练样本集X1，将其余的M-H条数据作为测试样本集X2，其中xm″表示xm的预处理结果，H＞M/2，本实施例中H＝5400，M-H＝600；
(2)构建孤立森林IForest模型：
(2a)孤立森林IForest由多棵孤立树iTree共同组成，并且iTree的构建过程是完全随机的一个过程，设孤立森林IForest模型包括T棵孤立树iTree＝{iTreet|1≤t≤T}，其中，iTreet表示第t棵孤立树，10≤T≤50，iTreet的高度为ct，最大高度为Ct，Ct≤ln(H)，ln(H)表示H的对数，并令t＝1，ct＝1，在本实施例中，iTree的数量T超出50棵对本模型的效果提升较小，设置T＝30，Ct＝8；
(2b)从训练样本集X1中无放回地随机选取n个样本作为孤立树iTreet的根结点，其中，n≥100，当n≥256时，模型效果提升较小，n越大会使模型计算时间增加，在本实施例中n＝180；
(2c)随机选取iTreet根结点中维度为k的样本，并比较该样本的值p与其余n-1个相同维度的样本的值q，若q＞p，将q所在的样本作为iTreet的根结点的左子结点，若q＜p，将q所在的样本作为iTreet的根结点的右子结点，否则，q所在的样本不划分到任何子结点，得到包含l个样本的左子结点和包含r个样本的右子结点，其中l＜n，r＜n；
(2d)判断ct＝Ct是否成立，若是，得到构建好的孤立树iTreet，并执行步骤(2e)，否则，分别将左子结点和右子结点作为根结点，并令ct＝ct+1，并执行步骤(2c)；
(2e)判断t＝30是否成立，若是，得到由30棵孤立树iTree构成的孤立森林IForest模型，否则，令t＝t+1，并执行步骤(2b)；
(3)获取新能源汽车的电池异常检测结果：
(3a)估算每个测试样本中的数据s在孤立森林IForest模型中每一棵孤立树iTreet中的路径长度h(st)，h(st)＝et+Ct(n)，其中et表示st从iTreet的根结点到叶子结点过程中经过的边的数目,Ct(n)表示iTreet中从根结点到叶子结点的平均路径长度，
Figure GDA0003154722450000061
H(n-1)表示调和数，H(n-1)＝ln(n-1)+ξ，ξ表示欧拉常数，ξ＝0.5772156649；
(3b)计算s在T棵孤立树iTree中的平均路径长度E(h(st))，并根据E(h(st))计算st的异常得分Score(s,n)，
Figure GDA0003154722450000062
Score(s,n)∈[0,1]；
(3c)判断Score>0.5是否成立，若是，则s为异常数据，否则，则s为正常。
本发明的异常检测结果如表1所示，根据表1的结果进行报警，结果如表2所示：
表1
Figure GDA0003154722450000063
Figure GDA0003154722450000071
表2
Figure GDA0003154722450000072
以下结合进行仿真实验，对本发明的技术效果作详细说明。
1.仿真条件和内容：
在中央处理器为Intel(R)Core(TM)i5-7500 3.40GHZ、内存16G、WINDOWS7操作系统上，运用python3.6软件对本发明与现有的“一种基于高维数据诊断的动力电池故障检测方法及系统”的检测准确率进行对比仿真，其结果如表3所示。
2.仿真结果分析：
表3中的检测准确率ACC的计算公式为：
Figure GDA0003154722450000081
式中，Nright表示被正确检测的样本数，Ntest表示被检测样本总数。
表3
ACC
现有技术 79.28％
本发明 88.14％
根据表3可以看出，本发明中模型准确率为88.14％。与现有技术相比，异常检测准确率有显著提高。
以上描述仅是本发明的一个具体实例，不构成对本发明的任何限制。对于本领域的专业人员来说，在了解了本发明内容和原理后，都可能在不背离本发明原理、结构的情况下，进行形式和细节上的各种修正和改变，但是这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围之内。

Claims (2)

1.一种基于孤立森林IForest的新能源汽车电池异常检测方法，其特征在于包括如下步骤：
(1)获取训练样本集X1和测试样本集X2；
(1a)选取数据库中一辆新能源汽车运行过程中的M条维度为14的电池模组运行状态数据集
Figure FDA0003154722440000011
其中，M≥5000，xm表示第m条包括14个特征的电池模组运行状态数据：电池模组运行实时数据时间、单体电池电压最高值、单体电池电压最低值、单体电池最高温度值、单体电池最低温度值、总电压、总电流、剩余电量SOC、电池充电状态、车速、电池模组累计运行时长、DC-DC状态、档位和绝缘电阻；
(1b)对xm中的每个数据进行缺失值填充后再进行标准化处理，得到预处理后的数据集
Figure FDA0003154722440000012
并将X″中的H条数据作为训练样本集X1，将其余的M-H条数据作为测试样本集X2，其中xm″表示xm的预处理结果，H＞M/2；
(2)构建孤立森林IForest模型：
(2a)设孤立森林IForest模型包括T棵孤立树iTree＝{iTreet|1≤t≤T}，其中，iTreet表示第t棵孤立树，10≤T≤50，iTreet的高度为ct，最大高度为Ct，Ct≤ln(H)，ln(H)表示H的对数，并令t＝1，ct＝1；
(2b)从训练样本集X1中无放回地随机选取n个样本作为孤立树iTreet的根结点，其中，n≥200；
(2c)随机选取iTreet根结点中维度为k的样本，并比较该样本的值p与其余n-1个相同维度的样本的值q，若q＞p，将q所在的样本作为iTreet的根结点的左子结点，若q＜p，将q所在的样本作为iTreet的根结点的右子结点，否则，q所在的样本不划分到任何子结点，得到包含l个样本的左子结点和包含r个样本的右子结点，其中l＜n，r＜n；
(2d)判断ct＝Ct是否成立，若是，得到构建好的孤立树iTreet，并执行步骤(2e)，否则，分别将左子结点和右子结点作为根结点，并令ct＝ct+1，并执行步骤(2c)；
(2e)判断t＝T是否成立，若是，得到由T棵孤立树iTree构成的孤立森林IForest模型，否则，令t＝t+1，并执行步骤(2b)；
(3)获取新能源汽车的电池异常检测结果：
(3a)估算每个测试样本中的数据s在孤立森林IForest模型中每一棵孤立树iTreet中的路径长度h(st)，h(st)＝et+Ct(n)，其中et表示st从iTreet的根结点到叶子结点过程中经过的边的数目，Ct(n)表示iTreet中从根结点到叶子结点的平均路径长度，
Figure FDA0003154722440000021
H(n-1)表示调和数，H(n-1)＝ln(n-1)+ξ，ξ表示欧拉常数，ξ＝0.5772156649；
(3b)计算s在T棵孤立树iTree中的平均路径长度E(h(st))，并根据E(h(st))计算st的异常得分Score(s,n)，
Figure FDA0003154722440000022
Score(s,n)∈[0,1]；
(3c)判断Score>0.5是否成立，若是，则s为异常数据，否则，则s为正常。
2.根据权利要求1所述的基于孤立森林IForest的新能源汽车电池异常检测方法，其特征在于，步骤(1b)中所述的对xm中的每个数据进行缺失值填充后再进行标准化处理，其中缺失值填充采用均值法，标准化处理采用max-min标准化方法，标准化处理的公式为：
Figure FDA0003154722440000023
其中，x″为xm中的每个数据的标准化处理结果，xmax和xmin分别为xm中所有数据的最大值和最小值。
CN202011343531.2A 2020-11-26 2020-11-26 基于孤立森林算法的新能源汽车电池异常检测方法 Active CN112505549B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011343531.2A CN112505549B (zh) 2020-11-26 2020-11-26 基于孤立森林算法的新能源汽车电池异常检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011343531.2A CN112505549B (zh) 2020-11-26 2020-11-26 基于孤立森林算法的新能源汽车电池异常检测方法

Publications (2)

Publication Number Publication Date
CN112505549A CN112505549A (zh) 2021-03-16
CN112505549B true CN112505549B (zh) 2021-09-03

Family

ID=74966330

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011343531.2A Active CN112505549B (zh) 2020-11-26 2020-11-26 基于孤立森林算法的新能源汽车电池异常检测方法

Country Status (1)

Country Link
CN (1) CN112505549B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113030726A (zh) * 2021-03-24 2021-06-25 河南中烟工业有限责任公司 基于数据驱动的电机状态监测方法及系统
CN113344352A (zh) * 2021-05-28 2021-09-03 重庆长安汽车股份有限公司 一种基于机器学习算法的蓄电池馈电风险识别方法
CN113344057A (zh) * 2021-05-31 2021-09-03 江苏海基新能源股份有限公司 一种储能系统电池插箱异常检测方法
CN113641772B (zh) * 2021-08-12 2024-01-12 亿景智联(苏州)科技有限公司 一种海量地理数据异常检测场景中的检测方法
CN114462537A (zh) * 2022-02-09 2022-05-10 国网宁夏电力有限公司吴忠供电公司 一种数据集样本的筛选方法及系统
CN114677254A (zh) * 2022-03-17 2022-06-28 北京中交兴路信息科技有限公司 一种货车事故识别方法、装置、存储介质及程序产品
CN114580580B (zh) * 2022-05-07 2022-08-16 深圳索信达数据技术有限公司 一种智能运维异常检测方法及装置
CN115267541A (zh) * 2022-07-29 2022-11-01 中国汽车工程研究院股份有限公司 一种基于对抗学习的新能源汽车电池异常检测方法
CN115457414B (zh) * 2022-09-15 2023-05-05 西华大学 一种基于改进残差网络的无人机异常行为识别方法
CN116047313B (zh) * 2023-03-30 2023-07-21 苏州时代华景新能源有限公司 一种用于锂电池储能箱的质量检测和维护方法及系统
CN117113453B (zh) * 2023-08-28 2024-04-26 上海智租物联科技有限公司 基于3d与大数据技术的电池问题诊断方法及存储介质
CN117421687B (zh) * 2023-12-18 2024-03-15 圣道天德电气(山东)有限公司 一种数字化电力环网柜运行状态监测方法
CN117970168B (zh) * 2024-03-29 2024-05-28 国网山东省电力公司莱芜供电公司 一种双电源转换装置的监测数据高效处理方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018092613A (ja) * 2016-12-06 2018-06-14 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 情報処理装置、情報処理方法及びプログラム
CN109345137A (zh) * 2018-10-22 2019-02-15 广东精点数据科技股份有限公司 一种基于农业大数据的异常值检测方法
CN109976930A (zh) * 2017-12-28 2019-07-05 腾讯科技（深圳）有限公司 异常数据的检测方法、系统及存储介质
CN110149258A (zh) * 2019-04-12 2019-08-20 北京航空航天大学 一种基于孤立森林的汽车can总线网络数据异常检测方法
CN110806546A (zh) * 2019-10-28 2020-02-18 腾讯科技（深圳）有限公司 电池健康评估方法、装置、存储介质及电子设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018092613A (ja) * 2016-12-06 2018-06-14 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 情報処理装置、情報処理方法及びプログラム
CN109976930A (zh) * 2017-12-28 2019-07-05 腾讯科技（深圳）有限公司 异常数据的检测方法、系统及存储介质
CN109345137A (zh) * 2018-10-22 2019-02-15 广东精点数据科技股份有限公司 一种基于农业大数据的异常值检测方法
CN110149258A (zh) * 2019-04-12 2019-08-20 北京航空航天大学 一种基于孤立森林的汽车can总线网络数据异常检测方法
CN110806546A (zh) * 2019-10-28 2020-02-18 腾讯科技（深圳）有限公司 电池健康评估方法、装置、存储介质及电子设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Anomaly Detection of Storage Battery Based on Isolation Forest and Hyperparameter Tuning;Chun-Hsiang Lee 等;《ICMAI 2020: Proceedings of the 2020 5th International Conference on Mathematics and Artificial Intelligence》;20200410;第229-233页 *
Unsupervised anomaly detection in unmanned aerial vehicles;Samir Khan 等;《Applied Soft Computing Journal》;20190725;第1-15页 *
电动汽车动力电池充电能量的预测方法;胡杰等;《机械科学与技术》;20200630;第39卷(第06期);第926-936页 *

Also Published As

Publication number Publication date
CN112505549A (zh) 2021-03-16

Similar Documents

Publication Publication Date Title
CN112505549B (zh) 基于孤立森林算法的新能源汽车电池异常检测方法
CN112858919B (zh) 一种基于聚类分析的电池系统在线故障诊断方法和系统
CN110018425B (zh) 一种动力电池故障诊断方法及系统
CN107422266B (zh) 一种大容量电池储能系统的故障诊断方法及装置
CN112485747A (zh) 一种电容式电压互感器误差状态评估方法
CN107742053A (zh) 风电机组异常识别方法及装置
CN113406524B (zh) 一种动力电池系统的不一致性故障诊断方法及系统
CN114559819A (zh) 一种基于信号处理的电动汽车电池安全预警方法
CN113866642A (zh) 一种基于梯度提升树的锂离子电池故障诊断方法
CN113791350B (zh) 电池故障预测方法
CN111273125A (zh) 基于rst-cnn的电力电缆沟道故障诊断方法
CN115409131A (zh) 基于spc过程管控系统的生产线异常检测方法
CN113674105A (zh) 一种电能质量在线监测数据质量评估方法
CN113459894A (zh) 一种电动汽车电池安全预警方法及系统
CN117113232A (zh) 一种电动汽车锂离子电池组热失控风险识别方法
CN112417763A (zh) 输电线路的缺陷诊断方法、装置、设备及存储介质
CN112183606A (zh) 基于c4.5算法的电力系统故障识别分类方法及系统
CN110443481B (zh) 基于混合k-近邻算法的配电自动化终端状态评价系统及方法
CN111641236A (zh) 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
CN114325433A (zh) 基于电化学阻抗谱测试的锂离子电池故障检测方法和系统
CN117491813A (zh) 新能源汽车动力电池系统绝缘异常检测方法
CN112149731A (zh) 基于id3算法的电力系统故障分类方法及系统
CN111628195A (zh) 一种基于逻辑推理的燃料电池电堆实时状态识别方法
CN116151799A (zh) 一种基于bp神经网络的配电线路多工况故障率快速评估方法
CN115128468A (zh) 一种化学储能电池phm欠压故障预测方法

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