CN113451665A - 一种车辆动力电池保养特征识别方法及装置 - Google Patents

一种车辆动力电池保养特征识别方法及装置 Download PDF

Info

Publication number
CN113451665A
CN113451665A CN202010230957.0A CN202010230957A CN113451665A CN 113451665 A CN113451665 A CN 113451665A CN 202010230957 A CN202010230957 A CN 202010230957A CN 113451665 A CN113451665 A CN 113451665A
Authority
CN
China
Prior art keywords
state
characteristic
sensitivity
state influence
feature
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.)
Granted
Application number
CN202010230957.0A
Other languages
English (en)
Other versions
CN113451665B (zh
Inventor
冯源
张旭
王夏晖
刘梦杰
陈戈
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.)
SAIC Motor Corp Ltd
Original Assignee
SAIC Motor Corp Ltd
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 SAIC Motor Corp Ltd filed Critical SAIC Motor Corp Ltd
Priority to CN202010230957.0A priority Critical patent/CN113451665B/zh
Publication of CN113451665A publication Critical patent/CN113451665A/zh
Application granted granted Critical
Publication of CN113451665B publication Critical patent/CN113451665B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M2220/00—Batteries for particular applications
    • H01M2220/20—Batteries in motive systems, e.g. vehicle, ship, plane
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Secondary Cells (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Tests Of Electric Status Of Batteries (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本申请公开了一种车辆动力电池保养特征识别方法及装置，该方法包括：确定可影响动力电池状态的多个状态影响特征，并构建用于计算状态影响特征对应的敏感度值的敏感度计算模型；获取电池使用状态的样本数据，并根据敏感度计算模型和样本数据，获得全部状态影响特征对应的敏感度值；根据状态影响特征对应的敏感度值，对状态影响特征进行重要度评估，以及对多个状态影响特征进行相关度评估，获得多个特征集合，特征集合中包括至少一个状态影响特征；筛选出至少一个特征集合，并将筛选出的特征集合中包括的状态影响特征确定为车辆动力电池的保养特征。本申请能够依据实际数据，自动化识别出置信度高，实际可操作性高的车辆动力电池的保养特征。

Description

一种车辆动力电池保养特征识别方法及装置
技术领域
本申请实施例涉及电动汽车技术领域，尤其涉及一种车辆动力电池保养特征识别方法及装置。
背景技术
电动车辆以车载电源为能源，以电机驱动车轮行驶，在行驶过程中没有尾气排放。因此，电动车辆相比于传统汽车对环境影响较小，具有很好的发展前景。在电动车辆的整车价值中，动力电池的价值接近整车价值的一半。所以对动力电池的保养十分重要。而确定影响电池寿命的相关特征，是制定动力电池的保养策略的前置工作。并且相关特征的置信度和可行性直接影响动力电池的保养策略的置信度和可行性。
目前，确定相关特征的方法主要包括，根据电池的物理特性、电化学特性等推断出影响电池状态的相关特征；在实验室中，根据少量测试样本测量出影响电池的相关特征。但是，这些相关特征均不是来自于车辆使用过程中的实际数据，由此导致依据这些相关特征制定的动力电池保养策略的置信度不高，可行性差。因此，目前亟需解决的问题是如何获得实际可操作车辆动力电池的保养特征。
发明内容
基于上述问题，本申请提供一种车辆动力电池保养特征识别方法及装置，以获得实际可操作车辆动力电池的保养特征。
本申请实施例提供了一种车辆动力电池保养特征识别方法，包括：确定可影响动力电池状态的多个状态影响特征，并构建用于计算所述状态影响特征对应的敏感度值的敏感度计算模型；获取所述电池使用状态的样本数据，并根据所述敏感度计算模型和所述样本数据，获得全部所述状态影响特征对应的敏感度值；根据所述状态影响特征对应的所述敏感度值，对所述状态影响特征进行重要度评估，以及对多个所述状态影响特征进行相关度评估，获得多个特征集合，所述特征集合中包括至少一个所述状态影响特征；筛选出至少一个所述特征集合，并将筛选出的所述特征集合中包括的所述状态影响特征确定为车辆动力电池的保养特征。
可选的，在本申请的任一实施例中，所述根据所述敏感度计算模型和所述样本数据，获得全部所述状态影响特征对应的敏感度值包括：获取每个样本数据对应的一个所述状态影响特征的特征值；根据所述特征值对所述样本数据进行排名，并确定排名前N位的所述样本数据；根据排名前N位的所述样本数据对应的所述特征值，利用所述敏感度计算模型计算所述状态影响特征对应的敏感度值。
可选的，在本申请的任一实施例中，所述样本数据包括至少200辆车辆的电池使用状态数据。
可选的，在本申请的任一实施例中，所述获取所述电池使用状态的样本数据，并根据所述敏感度计算模型和所述样本数据，获得全部所述状态影响特征对应的敏感度值之后，还包括：根据全部所述状态影响特征对应的敏感度值，新确定至少一个所述状态影响特征；根据所述敏感度计算模型和所述样本数据，获得新确定的所述状态影响特征对应的敏感度值。
可选的，在本申请的任一实施例中，所述根据全部所述状态影响特征对应的所述敏感度值，对所述状态影响特征进行重要度评估包括：利用设定的特征选择算法，对所述状态影响特征进行筛查；对筛查获得的所述状态影响特征进行重要度评估。
可选的，在本申请的任一实施例中，所述根据全部所述状态影响特征对应的所述敏感度值，对所述状态影响特征进行重要度评估包括：根据设定的加权投票算法，对所述状态影响特征进行排序。
可选的，在本申请的任一实施例中，所述对多个所述状态影响特征进行相关度评估，获得多个特征集合包括：使用预设的相关度计算模型计算所述状态影响特征之间的相关度值；并根据所述相关度值，获得多个特征集合。
可选的，在本申请的任一实施例中，所述根据所述相关度值，获得多个特征集合包括：选取一个所述状态影响特征确定为背景特征，并计算其他所述状态影响特征与所述背景特征之间的相关度差值；根据所述相关度差值，确定一个所述特征集合。
可选的，在本申请的任一实施例中，所述筛选出至少一个所述特征集合包括：根据设定的贪心算法模型，从全部所述特征集合中筛选出一个所述特征集合。
本申请实施例还提供一种车辆动力电池保养特征识别装置，包括：模型构建模块，用于确定可影响动力电池状态的多个状态影响特征，并构建用于计算所述状态影响特征对应的敏感度值的敏感度计算模型；敏感度计算模块，用于获取所述电池使用状态的样本数据，并根据所述敏感度计算模型和所述样本数据，获得全部所述状态影响特征对应的敏感度值；特征集合生成模块，用于根据所述状态影响特征对应的所述敏感度值，对所述状态影响特征进行重要度评估，以及对多个所述状态影响特征进行相关度评估，获得多个特征集合，所述特征集合中包括至少一个所述状态影响特征；筛选模块，用于筛选出至少一个所述特征集合，并将筛选出的所述特征集合中包括的所述状态影响特征确定为车辆动力电池的保养特征。
本申请实施例的技术方案中车辆动力电池保养特征识别方法包括：确定可影响动力电池状态的多个状态影响特征，并构建用于计算所述状态影响特征对应的敏感度值的敏感度计算模型；获取所述电池使用状态的样本数据，并根据所述敏感度计算模型和所述样本数据，获得全部所述状态影响特征对应的敏感度值；根据所述状态影响特征对应的所述敏感度值，对所述状态影响特征进行重要度评估，以及对多个所述状态影响特征进行相关度评估，获得多个特征集合，所述特征集合中包括至少一个所述状态影响特征；筛选出至少一个所述特征集合，并将筛选出的所述特征集合中包括的所述状态影响特征确定为车辆动力电池的保养特征。本申请基于车辆使用过程中的实际数据，应用敏感度分析、重要度评估、相关度评估等数据分析评估方法从实际数据中选取出对电池使用状态有直接影响，并且可具体实施的特征集合，并将特征集合中的状态影响特征作为车辆动力电池的保养特征。本申请能够依据实际数据，自动化识别出置信度高，实际可操作性高的车辆动力电池的保养特征，为智能化电池保养策略的制定提供了参考和数据支持。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例一所示的车辆动力电池保养特征识别方法的流程示意图；
图2为本申请实施例二所示的车辆动力电池保养特征识别方法的流程示意图；
图3为本申请实施例三所示的车辆动力电池保养特征识别装置的结构示意图；
图4为本申请实施例四所示的车辆动力电池保养特征识别装置的结构示意图。
具体实施方式
实施本申请实施例的任一技术方案必不一定需要同时达到以上的所有优点。
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
实施例一
参见图1，该图为本申请实施例一所示的车辆动力电池保养特征识别方法的流程示意图。
如图1所示，本实施例提供的车辆动力电池保养特征识别方法，包括：
步骤S101、确定可影响动力电池状态的多个状态影响特征，并构建用于计算所述状态影响特征对应的敏感度值的敏感度计算模型。
本实施例中，动力电池状态也可称为电池使用状态(Section Of Health，SOH)，其是动力电池健康状态的总和表征因子。SOH的值为动力电池充满时的电容量相对于额定容量的比值，如，全新的动力电池的SOH为100％，完全报废的动力电池的SOH为0％。状态影响特征可以为电动车辆在真实路测情况下的温度，用户使用习惯、数据测量误差等。状态影响特征对应的敏感度值用于表示动力电池状态对该状态特征的变化的敏感程度。
其中，电池使用状态可以根据动力电池的参数和相关计算方法确定。动力电池的参数可以为电池电压、电池电流、电池使用时间等。
其中，敏感度计算模型可以根据差分法构建。当然，敏感度计算模型还可根据其他任意可行的方式构建，本申请对此不作限定。
步骤S102、获取所述电池使用状态的样本数据，并根据所述敏感度计算模型和所述样本数据，获得全部所述状态影响特征对应的敏感度值。
本实施例中，状态影响特征对应的敏感度值用于表示该状态影响特征对动力电池状态SOH值的影响程度。将样本数据输入到敏感度计算模型中，可得到全部所述状态影响特征对应的敏感度值的输出。
其中，样本数据包括车辆的标识码VIN，车辆在运行过程中状态影响特征的数值，以及车辆的SOH值等。样本数据包括多个车辆的数据，通过标识码VIN可区分多个车辆的数据。
步骤S103、根据所述状态影响特征对应的所述敏感度值，对所述状态影响特征进行重要度评估，以及对多个所述状态影响特征进行相关度评估，获得多个特征集合，所述特征集合中包括至少一个所述状态影响特征。
本实施例中，通过重要度评估、相关度评估对全部状态影响特征进行聚类分析，可获得对电池使用状态直接有关的特征集合。当特征集合中包括多个状态影响特征时，状态影响特征的属性不同。
其中，重要度用于表示评价各个状态影响特征对电池使用状态变化的影响大小的尺度。重要度评估可以为根据所述状态影响特征对应的敏感度值，对进而各个状态影响特征排序。例如，可以是状态影响特征对应的重要度越高，状态影响特征的排序位置越靠前。根据该状态影响特征的排序可剔除重要度低的特征，以减少后续处理的计算量。根据状态影响特征的排序可选择重要度高的特征，以作为计算特征集合的基础。
其中，相关度用于表示两个状态影响特征存在相互联系的概率，其可用百分比的形式表示。由此根据状态影响特征的相关度，从全部状态影响特征中可能存在组合的状态影响特征，并将这些状态影响特征划分为特征集合。当然，也可以从状态影响特征排序中选取重要度高的状态影响特征作为背景特征，根据背景特征的相关度确定该状态影响特征可形成的特征集合，以使这些特征集合与电池使用状态之间的关联性更强。
步骤S104、筛选出至少一个所述特征集合，并将筛选出的所述特征集合中包括的所述状态影响特征确定为车辆动力电池的保养特征。
本实施例中，根据设定的规则，综合考虑特征集合中状态影响特征与电池使用状态的重要度，以及这些状态影响特征的实际可操作性，从多个特征集合中选取出一个特征集合，将该特征集合中包括的状态影响特征作为车辆动力电池的保养特征。车辆动力电池的保养特征可以为最终的输出特征，其可以作为制定动力电池保养策略的基础。
由以上本发明实施例可见，本申请基于车辆使用过程中的实际数据，应用敏感度分析、重要度评估、相关度评估等数据分析评估方法从实际数据中选取出对电池使用状态有直接影响，并且可具体实施的特征集合，并将特征集合中的状态影响特征作为车辆动力电池的保养特征。本申请能够依据实际数据，自动化识别出置信度高，实际可操作性高的车辆动力电池的保养特征，为智能化电池保养策略的制定提供了参考和数据支持。
基于前述实施例提供的车辆动力电池保养特征识别方法，本申请还提供另一种车辆动力电池保养特征识别方法。下面结合附图和实施例对该方法的具体实现进行描述。
实施例二
参见图2，该图为本申请实施例提供的另一种车辆动力电池保养特征识别方法的流程示意图。
如图2所示，本实施例提供的车辆动力电池保养特征识别方法，包括：
步骤S201、确定可影响动力电池状态的多个状态影响特征，并构建用于计算所述状态影响特征对应的敏感度值的敏感度计算模型。
本实施例中，状态影响特征可以为电动车辆在真实路测情况下的温度，用户使用习惯、数据测量误差等。如，用户使用习惯可包括车辆行驶时间、车辆行驶速度、车辆停放时间等。
其中，敏感度计算模型可以根据差分法构建。
步骤S202、获取每个样本数据对应的一个所述状态影响特征的特征值；根据所述特征值对所述样本数据进行排名，并确定排名前N位的所述样本数据；根据排名前N位的所述样本数据对应的所述特征值，利用所述敏感度计算模型计算所述状态影响特征对应的敏感度值。
本实施例中，样本数据包括车辆的标识码VIN，车辆在运行过程中状态影响特征的数值，以及车辆的SOH值等。
其中，样本数据包括多个车辆的数据，通过标识码VIN可区分多个车辆。每个车辆具有多个状态影响特征的特征值。
其中，车辆的SOH值为状态影响特征处于样本数据中的特征值共同作用的结果。所以SOH值与每个样本数据的状态影响特征的特征值具有相关性。
可选的，所述样本数据包括至少200辆车辆的电池使用状态数据，以确保根据样本数据确定的数据处理结果过的可靠性。
其中，根据所述特征值对所述样本数据进行排名，并确定排名前N位的所述样本数据，以对样本数据进行分段采样，减少敏感度计算模型的计算量。进而将选取的样本数据对应的特征值输入到敏感度计算模型中，以计算出状态影响特征对应的敏感度值。
例如，根据差分法构建的敏感度计算模型计算状态影响特征对应的敏感度值。状态影响特征可以为车辆行驶时间、车辆行驶速度、车辆停放时间等。为方便说明，以A、B、C、D等表示不同属性的状态影响特征。在进行计算时，需要对状态影响特征进行数值化处理，为便于说明，以A、B、C、D的特征区间为(0,100)。其中，特征区间也可称为特征值区间
从全部的状态影响特征选定一个特征，如从状态影响特征A、B、C、D中选定A。从样本数据中确定车辆的状态影响特征A的特征值、VIN标识号、SOH值等。
对每个选定状态影响特征做等间距切分，以生成特征区间，如，将状态影响特征A的数值区间且分为(0,20)(20,40)，(40,60)，(60,80)，(80,100)五个特征区间。
样本数据中车辆的状态影响特征A的特征值X，根据特征值X将车辆分别放入五个特征区间内。并根据A的特征值的大小，对车辆进行排序。此外，车辆的SOH值用Y表示。
选取每个特征区间的前top N的VIN标识号，通过VIN标识号可唯一确定对应的车辆。其中，N可以为5。
计算每个特征区间中前top N车辆中A特征值的平均值
Figure BDA0002429267320000081
以及这些车辆的SOH值的平均值
Figure BDA0002429267320000082
根据每个特征区间对应的A特征值的平均值以及SOH值的平均值，计算每个特征区间的差分△X，△Y，并根据差分的数值确定状态影响特征A的特征区间的敏感度。
同样，对B、C、D等状态影响特征进行相同的数据处理，以确定每一个状态影响特征敏感度。
步骤S203、根据全部所述状态影响特征对应的敏感度值，新确定至少一个所述状态影响特征；根据所述敏感度计算模型和所述样本数据，获得新确定的所述状态影响特征对应的敏感度值。
本实施例中，为了更精确的确定状态影响特征对应的敏感度值，需要根据敏感度值对该状态影响特征进行拆分，新确定至少一个所述状态影响特征。进而根据将行的特征带入敏感度计算模型，获得新确定的所述状态影响特征对应的敏感度值。
例如，对于状态影响特征A，根据状态影响特征A每个特征区间对应的敏感度值，新确定的状态影响特征A1、A2、A3等状态影响特征。假设新确定的状态影响特征A1的数值区间为(60,80)。
将状态影响特征A1的特征区间切分为(60,65)(65,70)，(70,75)，(75,80)四个特征区间。
如步骤S202所述，计算每个特征区间对应的A1特征值的平均值、SOH值的平均值、A1特征值的差分、SOH值的差分等，进而根据这些值确定该状态影响特征A1的敏感度值。
同样，对于剩余A2、A3等状态影响特征也进行上述同样的数据处理。
步骤S204、利用设定的特征选择算法，对所述状态影响特征进行筛查。对筛查获得的所述状态影响特征进行重要度评估。
本实施例中，根据特征选择算法，对状态影响特征筛查，以去除与SOH状态之间相关影响度小的状态影响特征，从而减少后续步骤的数据计算量。
其中，所述设定的特征选择算法可以为embeded和/或wapper算法。
其中，重要度用于表示评价各个状态影响特征对电池使用状态变化的影响大小的尺度。重要度评估可以为根据所述状态影响特征对应的敏感度值，对各个状态影响特征排序。由此，根据状态影响特征的排序可选择重要度高的特征，以作为计算特征集合的基础。
例如，状态影响特征的排序位置越靠前，状态影响特征对应的重要度越高。
步骤S205、根据设定的加权投票算法，对所述状态影响特征进行排序。
本实施例中，加权投票算法可以根据状态影响特征的重要度，敏感度等因素进行投票。进而根据状态影响特征获得的总票数进行特征的排序。
其中，加权投票算法可采用任意合适的计算模型，本申请对此不作限定。
步骤S206、使用预设的相关度计算模型计算所述状态影响特征之间的相关度值；并根据所述相关度值，获得多个特征集合，所述特征集合中包括至少一个所述状态影响特征。
本实施例中，相关度用于表示两个状态影响特征存在相互联系的概率，其可用百分比的形式表示。根据状态影响特征的相关度，可从全部状态影响特征中可能存在组合的状态影响特征，并将这些状态影响特征聚类为特征集合。
其中，预设的相关度计算模型可以为filter模型，用于计算出状态影响特征之间的相关度的数值。
可选的，选取一个所述状态影响特征确定为背景特征，并计算其他所述状态影响特征与所述背景特征之间的相关度差值。根据所述相关度差值，确定一个所述特征集合。
本实施例中，根据状态影响特征的重要度的数值，或者根据加权投票算法得到的状态影响特征排序，计算出背景特征。根据背景特征和其他状态影响特征之间相关度的差值，确定一个以该背景特征为核心的特征集合。
此外，还可以选用合适的模型确定特征集合，本申请对此不作限定。
步骤S207、根据设定的贪心算法模型，从全部所述特征集合中筛选出一个所述特征集合，并将筛选出的所述特征集合中包括的所述状态影响特征确定为车辆动力电池的保养特征。
本实施例中，采用贪心算法可从多个特征集合中选取出最优的特征组合。其中，贪心算法模型可以为wapper模型。
由以上本发明实施例可见，本申请基于车辆使用过程中的实际数据，应用敏感度分析、重要度评估、相关度评估等数据分析评估方法从实际数据中选取出对电池使用状态有直接影响，并且可具体实施的特征集合，并将特征集合中的状态影响特征作为车辆动力电池的保养特征。本申请能够依据实际数据，自动化识别出置信度高，实际可操作性高的车辆动力电池的保养特征，为智能化电池保养策略的制定提供了参考和数据支持。
基于前述实施例提供的车辆动力电池保养特征识别方法，相应地，本申请还提供一种车辆动力电池保养特征识别装置。下面结合附图和实施例对该装置的具体实现进行描述。
实施例三
参见图3，该图为本申请实施例提供的一种车辆动力电池保养特征识别装置的结构示意图。
如图3所示，本实施例提供的车辆动力电池保养特征识别装置，包括：
模型构建模块301，用于确定可影响动力电池状态的多个状态影响特征，并构建用于计算所述状态影响特征对应的敏感度值的敏感度计算模型。
敏感度计算模块302，用于获取所述电池使用状态的样本数据，并根据所述敏感度计算模型和所述样本数据，获得全部所述状态影响特征对应的敏感度值。
特征集合生成模块303，用于根据所述状态影响特征对应的所述敏感度值，对所述状态影响特征进行重要度评估，以及对多个所述状态影响特征进行相关度评估，获得多个特征集合，所述特征集合中包括至少一个所述状态影响特征。
筛选模块304，用于筛选出至少一个所述特征集合，并将筛选出的所述特征集合中包括的所述状态影响特征确定为车辆动力电池的保养特征。
由以上本发明实施例可见，本申请基于车辆使用过程中的实际数据，应用敏感度分析、重要度评估、相关度评估等数据分析评估方法从实际数据中选取出对电池使用状态有直接影响，并且可具体实施的特征集合，并将特征集合中的状态影响特征作为车辆动力电池的保养特征。本申请能够依据实际数据，自动化识别出置信度高，实际可操作性高的车辆动力电池的保养特征，为智能化电池保养策略的制定提供了参考和数据支持。
基于前述实施例提供的车辆动力电池保养特征识别方法，相应地，本申请还提供另一种车辆动力电池保养特征识别装置。下面结合附图和实施例对该装置的具体实现进行描述。
实施例四
参见图4，该图为本申请实施例提供的一种车辆动力电池保养特征识别装置的结构示意图。
如图4所示，本实施例提供的车辆动力电池保养特征识别装置，包括：
模型构建模块401，用于确定可影响动力电池状态的多个状态影响特征，并构建用于计算所述状态影响特征对应的敏感度值的敏感度计算模型。
敏感度计算模块402，用于获取所述电池使用状态的样本数据，并根据所述敏感度计算模型和所述样本数据，获得全部所述状态影响特征对应的敏感度值。
特征集合生成模块403，用于根据所述状态影响特征对应的所述敏感度值，对所述状态影响特征进行重要度评估，以及对多个所述状态影响特征进行相关度评估，获得多个特征集合，所述特征集合中包括至少一个所述状态影响特征。
筛选模块404，用于筛选出至少一个所述特征集合，并将筛选出的所述特征集合中包括的所述状态影响特征确定为车辆动力电池的保养特征。
可选的，所述敏感度计算模块402包括：
获取单元，用于获取每个样本数据对应的一个所述状态影响特征的特征值；
排序单元，用于根据所述特征值对所述样本数据进行排名，并确定排名前N位的所述样本数据；
敏感度值确定单元，用于根据排名前N位的所述样本数据对应的所述特征值，利用所述敏感度计算模型计算所述状态影响特征对应的敏感度值。
可选的，还包括：特征衍生模块405，用于根据全部所述状态影响特征对应的敏感度值，新确定至少一个所述状态影响特征。
其中，敏感度计算模块还用于根据所述敏感度计算模型和所述样本数据，获得新确定的所述状态影响特征对应的敏感度值。
可选的，所述特征集合生成模块403包括：
重要度评估单元，用于利用设定的特征选择算法，对所述状态影响特征进行筛查；对筛查获得的所述状态影响特征进行重要度评估。
加权投票单元，用于根据设定的加权投票算法，对所述状态影响特征进行排序。
相关度评估单元，用于使用预设的相关度计算模型计算所述状态影响特征之间的相关度值。
特征集合生成单元，用于选取一个所述状态影响特征确定为背景特征，并计算其他所述状态影响特征与所述背景特征之间的相关度差值；根据所述相关度差值，确定一个所述特征集合。
可选的，所述筛选模块404包括：
贪心筛选单元，用于根据设定的贪心算法模型，从全部所述特征集合中筛选出一个所述特征集合。
由以上本发明实施例可见，本申请基于车辆使用过程中的实际数据，应用敏感度分析、重要度评估、相关度评估等数据分析评估方法从实际数据中选取出对电池使用状态有直接影响，并且可具体实施的特征集合，并将特征集合中的状态影响特征作为车辆动力电池的保养特征。本申请能够依据实际数据，自动化识别出置信度高，实际可操作性高的车辆动力电池的保养特征，为智能化电池保养策略的制定提供了参考和数据支持。
需要说明的是，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，对于设备及系统实施例而言，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。以上所描述的设备及系统实施例仅仅是示意性的，其中作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块提示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部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，仅为本申请的一种具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (10)

1.一种车辆动力电池保养特征识别方法，其特征在于，包括：
确定可影响动力电池状态的多个状态影响特征，并构建用于计算所述状态影响特征对应的敏感度值的敏感度计算模型；
获取所述电池使用状态的样本数据，并根据所述敏感度计算模型和所述样本数据，获得全部所述状态影响特征对应的敏感度值；
根据所述状态影响特征对应的所述敏感度值，对所述状态影响特征进行重要度评估，以及对多个所述状态影响特征进行相关度评估，获得多个特征集合，所述特征集合中包括至少一个所述状态影响特征；
筛选出至少一个所述特征集合，并将筛选出的所述特征集合中包括的所述状态影响特征确定为车辆动力电池的保养特征。
2.根据权利要求1所述的方法，其特征在于，所述根据所述敏感度计算模型和所述样本数据，获得全部所述状态影响特征对应的敏感度值包括：
获取每个样本数据对应的一个所述状态影响特征的特征值；
根据所述特征值对所述样本数据进行排名，并确定排名前N位的所述样本数据；
根据排名前N位的所述样本数据对应的所述特征值，利用所述敏感度计算模型计算所述状态影响特征对应的敏感度值。
3.根据权利要求2所述的方法，其特征在于，所述样本数据包括至少200辆车辆的电池使用状态数据。
4.根据权利要求1所述的方法，其特征在于，所述获取所述电池使用状态的样本数据，并根据所述敏感度计算模型和所述样本数据，获得全部所述状态影响特征对应的敏感度值之后，还包括：
根据全部所述状态影响特征对应的敏感度值，新确定至少一个所述状态影响特征；
根据所述敏感度计算模型和所述样本数据，获得新确定的所述状态影响特征对应的敏感度值。
5.根据权利要求1所述的方法，其特征在于，所述根据全部所述状态影响特征对应的所述敏感度值，对所述状态影响特征进行重要度评估包括：
利用设定的特征选择算法，对所述状态影响特征进行筛查；
对筛查获得的所述状态影响特征进行重要度评估。
6.根据权利要求1所述的方法，其特征在于，所述根据全部所述状态影响特征对应的所述敏感度值，对所述状态影响特征进行重要度评估包括：
根据设定的加权投票算法，对所述状态影响特征进行排序。
7.根据权利要求1所述的方法，其特征在于，所述对多个所述状态影响特征进行相关度评估，获得多个特征集合包括：
使用预设的相关度计算模型计算所述状态影响特征之间的相关度值；
并根据所述相关度值，获得多个特征集合。
8.根据权利要求7所述的方法，其特征在于，所述根据所述相关度值，获得多个特征集合包括：
选取一个所述状态影响特征确定为背景特征，并计算其他所述状态影响特征与所述背景特征之间的相关度差值；
根据所述相关度差值，确定一个所述特征集合。
9.根据权利要求1所述的方法，其特征在于，所述筛选出至少一个所述特征集合包括：
根据设定的贪心算法模型，从全部所述特征集合中筛选出一个所述特征集合。
10.一种车辆动力电池保养特征识别装置，其特征在于，包括：
模型构建模块，用于确定可影响动力电池状态的多个状态影响特征，并构建用于计算所述状态影响特征对应的敏感度值的敏感度计算模型；
敏感度计算模块，用于获取所述电池使用状态的样本数据，并根据所述敏感度计算模型和所述样本数据，获得全部所述状态影响特征对应的敏感度值；
特征集合生成模块，用于根据所述状态影响特征对应的所述敏感度值，对所述状态影响特征进行重要度评估，以及对多个所述状态影响特征进行相关度评估，获得多个特征集合，所述特征集合中包括至少一个所述状态影响特征；
筛选模块，用于筛选出至少一个所述特征集合，并将筛选出的所述特征集合中包括的所述状态影响特征确定为车辆动力电池的保养特征。
CN202010230957.0A 2020-03-27 2020-03-27 一种车辆动力电池保养特征识别方法及装置 Active CN113451665B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010230957.0A CN113451665B (zh) 2020-03-27 2020-03-27 一种车辆动力电池保养特征识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010230957.0A CN113451665B (zh) 2020-03-27 2020-03-27 一种车辆动力电池保养特征识别方法及装置

Publications (2)

Publication Number Publication Date
CN113451665A true CN113451665A (zh) 2021-09-28
CN113451665B CN113451665B (zh) 2022-12-06

Family

ID=77807854

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010230957.0A Active CN113451665B (zh) 2020-03-27 2020-03-27 一种车辆动力电池保养特征识别方法及装置

Country Status (1)

Country Link
CN (1) CN113451665B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150326601A1 (en) * 2014-05-10 2015-11-12 Informatica Corporation Assessment type-variable enterprise security impact analysis
CN107219463A (zh) * 2017-05-12 2017-09-29 浙江工业大学 基于电瓶车状态数据的电池使用寿命预测方法
CN108732510A (zh) * 2018-07-19 2018-11-02 哈尔滨工业大学 基于内部特征的锂离子电池一致性筛选分组方法
CN109031153A (zh) * 2018-10-16 2018-12-18 北京交通大学 一种锂离子电池的健康状态在线估计方法
CN109061506A (zh) * 2018-08-29 2018-12-21 河海大学常州校区 基于神经网络优化ekf的锂离子动力电池soc估计方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150326601A1 (en) * 2014-05-10 2015-11-12 Informatica Corporation Assessment type-variable enterprise security impact analysis
CN107219463A (zh) * 2017-05-12 2017-09-29 浙江工业大学 基于电瓶车状态数据的电池使用寿命预测方法
CN108732510A (zh) * 2018-07-19 2018-11-02 哈尔滨工业大学 基于内部特征的锂离子电池一致性筛选分组方法
CN109061506A (zh) * 2018-08-29 2018-12-21 河海大学常州校区 基于神经网络优化ekf的锂离子动力电池soc估计方法
CN109031153A (zh) * 2018-10-16 2018-12-18 北京交通大学 一种锂离子电池的健康状态在线估计方法

Also Published As

Publication number Publication date
CN113451665B (zh) 2022-12-06

Similar Documents

Publication Publication Date Title
CN111090047B (zh) 一种基于多模型融合的锂电池健康状态估计方法
CN112433169B (zh) 一种云端动力电池健康度评估系统及方法
CN109100655B (zh) 一种动力电池的数据处理方法和装置
CN113158947B (zh) 一种动力电池健康评分方法、系统及存储介质
KR102106775B1 (ko) 딥러닝을 이용한 전지 진단 방법
CN112818602B (zh) 基于大数据分析的电池数字孪生控制方法及装置
CN113109729B (zh) 基于加速老化试验与实车工况的车用动力电池soh评估方法
CN113696786B (zh) 电池均衡方法及系统
CN108957331B (zh) 电池性能检测方法及电池性能检测系统
CN112904219A (zh) 一种基于大数据的动力电池健康状态的预测方法
CN111191824B (zh) 一种动力电池容量衰减预测方法及系统
CN114818831B (zh) 基于多源感知的双向锂离子电池故障检测方法及系统
CN113158345A (zh) 一种新能源车辆动力电池容量预测方法及系统
CN115508711B (zh) 一种基于深度网络模型的电动汽车动力锂电剩余寿命预测方法
CN115219903A (zh) 基于车联网数据分析的电池自放电率异常判断方法及装置
JP2021124419A (ja) バッテリ劣化判定装置、バッテリ劣化判定方法、及びバッテリ劣化判定プログラム
CN116125289A (zh) 基于局部电压片段和集成学习的锂电池健康状态估计方法
CN108957347B (zh) 一种电池组soc的高精度动态估计方法和系统
CN114879070A (zh) 一种电池状态评估方法及相关设备
CN114646888A (zh) 一种动力电池容量衰减的评估方法及系统
CN112836967B (zh) 新能源汽车电池安全风险评估系统
CN113139583A (zh) 电池分选参数的选取方法、装置、计算机设备和存储介质
CN113451665B (zh) 一种车辆动力电池保养特征识别方法及装置
CN112731160A (zh) 电池滞回模型训练方法、估算电池soc的方法和装置
CN112765726A (zh) 一种寿命预测方法及装置

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