CN114779086A - 基于gsp的电动自行车电池异常检测方法 - Google Patents

Abstract

本发明公开了基于GSP的电动自行车电池异常检测方法，包括：通过电池管理系统(BMS)采集电动自行车的里程、SOC、总电压数据，按时间顺序对数据进行排序；充放电事件识别，应用采集的SOC数据将电动自行车电池数据划分成独立的充电事件和放电事件；求解电动自行车放电过程中的SOC‑距离特征、SOC‑电压特征、U/SOC特征；将图信号处理的概念运用于电动自行车放电特征集，通过对得到的特征进行聚类来实现异常检测；将GSP聚类结果中元素个数小于阈值的类聚合为一类，作为存在电池异常的事件集合，其余的作为电池正常的事件集合。本发明可以仅通过BMS收集的总电压、里程、SOC数据，对电动自行车电池的电压异常进行准确识别，降低电动自行车电池火灾隐患。

Description

基于GSP的电动自行车电池异常检测方法

技术领域

本发明涉及电动自行车电池异常检测领域，具体涉及基于GSP的电动自行车电池异常检测方法。

背景技术

电动自行车(EB)是目前中国流行的短途交通工具，具有灵活便利的特征。数据显示，截至2020年11月，中国电动自行车数量已接近3亿。此类电动自行车起火通常是由于电动自行车在充电和放电过程中的电池故障引起的，包括过充电、过放电、电池故障和短路。电动自行车可以由铅酸电池供电，这种电池既便宜又安全，可以在很宽的温度范围内工作，然而，由于其能量密度低、重量大，铅酸电池不适用于轻质电动自行车。与铅酸电池相比，锂离子电池具有更高的能量密度和更长的循环寿命，并且随着锂离子电池价格的下降，锂离子电池在电动自行车上的利用率大幅提高。此外，结合两种电池优势的复合电池也引起了关注。因此，提前识别异常电池对于警告电动自行车用户、预防相关火灾以及进一步对电池单元进行故障定位、改造和寿命评估具有巨大的好处。

图信号处理(GSP)是利用图信号表示数据的一种算法。图是通用数据表示形式，可用于描述许多应用中数据域的几何结构，与图中每条边相关的权重通常表示它所连接的两个顶点之间的相关性或相似性，边的权重取决于问题的物理特性或者由数据推断。数据可以可视化为有限的样本集合，每个顶点都表示一个样本，这些样本就被称为图形信号。

目前，针对电动自行车电池异常检测的研究主要有以下两方面：一是基于电压、电流、电阻等电信号特征用于电池异常的检测；二是通过增设传感器收集气体压力、气体的异常产生和电池表面温度等特征对电池异常进行检测。等效电路法是常用于电池异常检测的方法。本发明将GSP和电动自行车电池异常检测相结合，以期更准确地识别出电动自行车电池存在单体电压降低的异常，对用户进行预警，降低由电池引起的火灾的可能性。

发明内容

考虑到现有技术存在的不足，为进一步提高电动自行车电池故障检测的准确性，本发明结合图信号处理概念，提出了一种基于GSP的电动自行车电池异常检测方法，旨在更为准确地识别出单个家庭电动汽车充电负荷。此发明旨在仅通过BMS收集的电压、里程、SOC数据，对电动自行车电池的电压异常进行准确识别，降低电动自行车电池火灾隐患。

为了解决上述技术问题，本发明提出的一种基于GSP的电动自行车电池异常检测方法，其特征在于，包括以下步骤：

步骤1、针对电动自行车运行数据集，通过电池管理系统BMS采集电动自行车的运行数据，所述运行数据包括电动自行车的里程、SOC数值和总电压，按采样时间顺序对所述的电动自行车的里程、SOC数值和总电压分别进行排序；

步骤2、应用步骤1排序后的SOC数据，根据SOC数据的上升和下降将运行数据划分成独立的充电事件和放电事件；

步骤3、建立电动自行车放电特征集，包括：

通过对放电事件中每一个SOC数值所对应的距离进行线性拟合，求解电动自行车的 SOC-距离特征；

通过对放电事件中每一个SOC数值所对应的电压进行二次拟合，求解电动自行车的 SOC-电压特征；

通过计算放电事件中每一个SOC数值和所对应的电压的比值，求解电动自行车的电压 /SOC特征；

步骤4、通过对步骤3得到的电动自行车放电特征集中的特征进行基于图信号处理GSP 的聚类；

步骤5、针对步骤4的聚类，将元素个数小于元素个数阈值的类聚合为一个事件集合，该事件集合的所有事件均为异常的放电事件，从而实现电动自行车电池异常检测。

进一步讲，本发明检测方法中，步骤1中所述电池管理系统BMS平均采样间隔为50s；所述的电动自行车的里程是指电动自行车从投入使用以来行驶的总路程；所述的总电压数据是指多个电芯串联后的电芯电压之和。

步骤2中，所述SOC数据的变化范围是从0到100％，当电动自行车充电时，SOC数据以1％为步长上升，当电动自行车行驶时，SOC数据以-1％为步长下降。

步骤3中，在求解电动自行车的SOC-距离特征时，所述距离是指该放电事件中电动自行车行驶的路程，其数值为该放电事件中的所有里程值减去该放电事件初始时刻的里程值；放电事件中某个SOC数值对应的距离取为具有相同SOC数值的采样点的距离的平均值。

在求解电动自行车的电池荷电状态SOC-电压特征时，放电事件中某个SOC数值对应的电压取为具有相同SOC数值的采样点的电压的平均值。

在求解电动自行车的电压/SOC特征时，放电事件中某个SOC数值对应的电压取为具有相同SOC数值的采样点的电压的平均值。

步骤3中，设放电事件有

个，建立电动自行车放电特征集，包括：

3-1)求解电动自行车的SOC-距离特征：对于每一个放电事件

求解每一个SOC 数值所对应的里程的平均值

然后通过线性回归，表示出每一个放电事件中平均里程和 SOC间的关系，如下：

式(1)中，K^m表示第m个放电事件对应的回归直线的斜率，B^m表示第m个放电事件对应的回归直线的节距；

表示第m个放电事件中具有相同SOC数值采样点的SOC数值，

表示第m个放电事件的起始时刻电动自行车的里程；

将

个放电事件对应的回归直线的斜率和节距分别组成的向量K和向量B作为SOC- 距离特征；

3-2)求解电动自行车的SOC-电压特征：对于每一个放电事件

求解每一个SOC 的值所对应的电压的平均值

然后通过二次回归，表示出每一个放电事件中平均电压和 SOC间的关系，如下：

式(2)中，a^m、b^m和c^m分别为二次项系数、一次项系统是常数项系数；

将

个放电事件对应的二次回归曲线的二次项系数、一次项系数和常数项系数分别组成的向量a、向量b和向量c作为SOC-电压特征；

3-3)求解电动自行车的电压/SOC特征：对于每一个放电事件

求解电压和SOC 比值的平均值，如下：

式(3)中，

和

分别表示第m个放电事件中的第i个采样点处电池管理系统BMS 记录的电压和SOC数值，N表示第m个放电事件包含的采样点数，

将

个放电事件中所有采样点每一个放电事件的电压和SOC比值的平均值组成的向量 r作为U/SOC特征；

3-4)建立电动自行车放电特征集，第m个放电事件的电动自行车放电特征集 f_m＝[K^m，B^m，a^m，b^m，c^m，r^m]，

个放电事件的电动自行车放电特征集为

本发明中，所述元素个数阈值为10。

与现有技术相比，本发明的有益效果是：

本发明将聚类方法应用于电动自行车电池异常检测，基于GSP聚类方法，建立了基于 GSP的电动自行车电池异常检测方法，能够在仅收集到电动自行车行驶里程、总电压和SOC 的情况下，提取电动自行车运行特征，实现对于电动自行车电池的异常检测。这一方法不但可以对用户进行预警，对火灾进行预防，并且有助于对元电池的进一步故障定位、改造和生命周期评估，而且无需为每个元电池安装电压传感器，降低了成本，同时，大大减少了采样点的数据量。

附图说明

图1是本发明基于GSP的电动自行车电池异常检测流程图；

图2是本发明中涉及到的基于GSP的聚类算法流程图；

图3是采用电压测量装置检测出的一次电动自行车异常放电事件的各个元电池电压波形示例。

具体实施方式

下面结合附图及具体实施例对本发明做进一步的说明，但下述实施例绝非对本发明有任何限制。

本发明提出的一种基于GSP的电动自行车电池异常检测方法，其流程图如图1所示，主要有以下步骤：

步骤1、针对电动自行车运行数据集，通过电池管理系统BMS采集电动自行车的运行数据，所述运行数据包括电动自行车的里程、SOC数值和总电压，所述电池管理系统BMS平均采样间隔为50s；所述的电动自行车的里程是指电动自行车从投入使用以来行驶的总路程；所述的总电压数据是指多个电芯串联后的电芯电压之和。按采样时间顺序对所述的电动自行车的里程、SOC数值和总电压分别进行排序；同时采集元电池电压数据，用于后续验证算法的准确性。

步骤2：应用步骤1排序后的SOC数据，根据SOC数据的上升和下降将运行数据划分成独立的充电事件和放电事件；由于BMS定间隔时间采样，而SOC变化的步长是1％或者 -1％，所以当放电事件发生时，相邻采样点间ΔSOC是0或者-1％，而当充电事件发生时，相邻采样点间ΔSOC为0或者1％，即当电动自行车充电时，SOC数据以1％为步长上升，当电动自行车行驶时，SOC数据以-1％为步长下降。应用步骤1排序后的SOC数据作为依据，并根据SOC数据的上升和下降将运行数据分割成若干独立的充电事件和放电事件。

从第一个采样点开始，找到第一个ΔSOC为1％或者-1％的采样点，将这个采样点作为该段事件的起点，若该点ΔSOC为-1％，那么该段放电事件的终点为起点后第一个ΔSOC崩于0 或者-1％的点；同理，若该点ΔSOC为1％，那么该段放电事件的终点为起点后第一个ΔSOC不等于0或者1％的采样点。每识别出一个事件，就将第一个采样点至该事件的终点从数据中剔除。然后重复上述操作直至所有事件被找出，记放电事件有

个。

但是，相邻事件的分割点可能是由于电动自行车换电、电动自行车放电转充电、电动自行车充电转放电或者数据缺失造成的，其中数据缺失是异常情况，为了对正常情况和异常情况加以区别。如果在该分割点里程发生增长，则说明该点发生数据缺失，否则就是其他三种情况之一。

步骤3：由于SOC变化的步长是1％，对于每一个放电事件

通过对放电事件中每一个SOC数值所对应的距离进行线性拟合，求解电动自行车的SOC-距离特征，所述距离是指该放电事件中电动自行车行驶的路程，其数值为该放电事件中的所有里程值减去该放电事件初始时刻的里程值；某个SOC数值对应的距离取为具有相同SOC数值的采样点的距离的平均值。求解每一个SOC的值所对应的里程的平均值

然后通过线性回归，表示出每一个放电事件中平均里程和SOC间的关系，如下：

式(1)中，K^m表示第m个放电事件对应的回归直线的斜率，B^m表示第m个放电事件对应的回归直线的节距；

表示第m个放电事件中具有相同SOC数值采样点的SOC数值，

表示第m个放电事件的起始时刻电动自行车的里程。

以此类推，求解出每一个放电事件的K^m和B^m，将

个放电事件对应的回归直线的斜率和节距分别组成的向量K和向量B作为SOC-距离特征。

电动自行车电池是一个由多个元电池串联组成的电池包，BMS系统测量的电压是电池总电压，即多个元电池的电压之和。对于每一个放电事件

通过对放电事件中每一个 SOC数值所对应的电压进行二次拟合，求解电动自行车的SOC-电压特征；对于每一个放电事件

求解每一个SOC的值所对应的电压的平均值

然后通过二次回归，表示出每一个放电事件中平均电压和SOC间的关系，如下：

式(2)中，a^m、b^m和c^m分别为二次项系数、一次项系统是常数项系数。

以此类推，求解出每一个放电事件的a^m、b^m和c^m，将

个放电事件对应的二次回归曲线的二次项系数、一次项系数和常数项系数分别组成的向量a、向量b和向量c作为SOC-电压特征。

通过计算放电事件中每一个SOC数值和所对应的电压的比值，求解电动自行车的电压 /SOC特征。对于每一个放电事件

求解电压和SOC比值的平均值，放电事件中某个 SOC数值对应的电压取为具有相同SOC数值的采样点的电压的平均值。如下：

式(3)中，

和

分别表示第m个放电事件中的第i个采样点处电池管理系统BMS 记录的电压和SOC数值，N表示第m个放电事件包含的采样点数，

以此类推，将

个放电事件中所有采样点每一个放电事件的电压和SOC比值的平均值组成的向量r作为U/SOC特征。

经过上述三步，得到第m个放电事件的电动自行车放电特征集f_m＝[K^m，B^m，a^m，b^m，c^m，r^m]，

以此类推，可以建立

个放电事件的电动自行车放电特征集为

步骤4、通过对步骤3得到的电动自行车放电特征集中的特征进行基于图信号处理GSP 的聚类。

GSP被认为是处理海量、复杂和高维数据的有用工具。本方法中异常检测中应用GSP，定义了一个无向图

其中

是图中的一组节点，作为

中获得的一组特征的映射。 N×N邻接矩阵A由高斯核函数加权：

其中ρ是比例因子，A_i，j是节点v_i和v_j之间的边在底层图中的权重，反映了它们的相关性和相似性。图信号s被定义为一个向量，其中包含对应于每个图节点的元素，其中s₁＝1，其余为零。图信号的分段平滑度越高，其全局平滑度越小，信号全局平滑度可以定义为：

其中

是一组带有连接到v_i的边的节点。定义N×N的对角矩阵D，其中D_i，i＝∑_jA_i，j，

得到图的拉普拉斯矩阵L＝D-A。当p＝2时，拉普拉斯二次形式如下所示：

S₂(s)＝∑_i，jA_i，j(s_i-s_j)²/2＝s^TLs (6)

由于当s分段平滑时s^TLs通常较小，所以问题从搜索最平滑的图信号转向解决

上式有闭式解：

其中(.)^#表示伪逆矩阵。

基于上述原理，运用GSP实现电动自行车电池的异常检测，流程图如图2所示，具体为：设置图信号阈值h₁＝0.5，相对标准差阈值h₂＝0.3，比例因子ρ＝0.1。

本发明中，通过对电动自行车放电特征集中的特征进行基于图信号处理GSP的聚类过程是：

首先，基于M个放电事件的电动自行车放电特征集

生成图信号s，根据图信号s利用式(4)计算邻接矩阵A，定义对角矩阵D后，根据邻接矩阵A和对角矩阵D得到拉普拉斯矩阵L，图信号s的第一个值为s₁＝1。根据式(7)计算s^*，将s^*大于h₁的所有放电事件的事件编号和第一个事件的事件编号放入向量π后，将π存入集合Π中并把这些放电事件相应的电动自行车放电特征集f_m从电动自行车放电特征集

中移除，然后将π重置为空向量。重复上述过程直至

中没有元素剩余，从而得到了正常电池和异常电池的初步分类。

使用相对标准差(RSD)来衡量上一步分类的质量，对于集合Π中第p个向量π_p，用R_p＝|σ_p/μ_p|计算其RSD，其中σ_p表示标准差，μ_p表示向量π_p中每个电动自行车放电特征的平均值。

当R_p≤h₂时，说明在这一类中，放电事件间具有较高的相似性，所以这一类就被保留作为最终的聚类结果，存入集合ε中；

对于R_p＞h₂的事件，将向量π_p中放电事件的电动自行车放电特征合并得到新的特征集

并将比例因子ρ变成上一次迭代的一半。

重复上述GSP的聚类过程，直至

和Π均为空集，结束迭代，至此，集合ε中包括所有聚类结果。

步骤5、针对步骤4的聚类，将元素个数小于元素个数阈值的类聚合为一个事件集合，该事件集合的所有事件均为异常的放电事件，从而实现电动自行车电池异常检测。

设置所述元素个数阈值h₃＝10，e_i时集合ε中第i个向量，其中元素表示被聚类在同一类中的放电事件的编号，将集合ε中所长度小于h₃的向量e_i中的放电事件标记为异常事件，即可以得到所有异常的放电事件。

研究材料：

使用深圳猛犸出行科技有限公司提供数据集中2020至2021年中24台电动自行车的数据进行实验，数据平均采样间隔为50s，电动自行车电池包由14块元电池串联组成。为了验证结果的准确性，事先在电池包中每个元电池上安装了包括有电压传感器和电池管理系统(BMS)的电压测量装置。以车辆编号为1的电动自行车为例，通过本发明的检测方法检测出该车在第119次放电事件中存在异常，为了验证实验结果，提取出元电池的电压测量装置在第119次放电事件记录的元电池电压数据，图3示出了电压测量装置识别出来的电池异常情况，可以看出第二块元电池(图3中第一行第二列所示位置)电压小于0.2V，远低于其他元电池的电压，说明了该放电事件中存在电池异常，利用本发明检测方法得到的检测结果与之一致。为了说明本发明的普适性，利用本发明提供的检测方法对数据集中 24辆车2020至2021年的数据进行实验，并使用F1-score来评价本发明检测方法所得结果的精确性，见表1，Pr＝TP/(TP+FP)，Re＝TP/(TP+FN)，F1-score＝2Pr·Re/(Pr+Re)，TP指被正确识别为异常的事件，FP指被错误识别为异常的正常事件，FN指被错误识别为正常的异常事件。同时采用AUC来衡量本发明检测方法中所用基于图信号处理GSP的聚类方法对正常放电事件和异常放电事件分类的性能[T.Fawcett.An introduction to ROC analysis.]。

表1

根据表1所示数据，可以得出对于所有电动自行车，Pr的值都等于1，这说明没有正常的放电事件被错误识别为了异常事件，同时F1-score和AUC的值都接近于1，说明本发明的方法准确性高，可以准确分类对正常放电事件和异常放电事件。

利用现有技术中传统的电压测量装置，虽然可以识别异常电池，其数据冗余度较高，并且需要在每个元电池均安装电压传感器，不经济。以上述实施例为例，但对于每个采样点需要记录电动自行车的里程、SOC数值和14个元电池的电压数据，采用本发明检测方法无需为每个元电池安装电压传感器，而且在仅收集电动自行车行驶里程、总电压和SOC的情况下，提取电动自行车运行特征，实现对于电动自行车电池的异常检测。从而更加经济的实现了对电动自行车电池的电压异常进行准确识别，降低电动自行车电池火灾隐患。

尽管上面结合附图对本发明进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨的情况下，还可以做出很多变形，这些均属于本发明的保护之内。

Claims (8)

1.一种基于GSP的电动自行车电池异常检测方法，其特征在于，包括以下步骤：

步骤1、针对电动自行车运行数据集，通过电池管理系统BMS采集电动自行车的运行数据，所述运行数据包括电动自行车的里程、SOC数值和总电压，按采样时间顺序对所述的电动自行车的里程、SOC数值和总电压分别进行排序；

步骤2、应用步骤1排序后的SOC数据，根据SOC数据的上升和下降将运行数据划分成独立的充电事件和放电事件；

步骤3、建立电动自行车放电特征集，包括：

通过对放电事件中每一个SOC数值、所对应的距离进行线性拟合，求解电动自行车的SOC-距离特征；

通过对放电事件中每一个SOC数值所对应的电压进行二次拟合，求解电动自行车的SOC-电压特征；

通过计算放电事件中每一个SOC数值和所对应的电压的比值，求解电动自行车的电压/SOC特征；

步骤4、通过对步骤3得到的电动自行车放电特征集中的特征进行基于图信号处理GSP的聚类；

步骤5、针对步骤4的聚类，将元素个数小于元素个数阈值的类聚合为一个事件集合，该事件集合的所有事件均为异常的放电事件，从而实现电动自行车电池异常检测。

2.根据权利要求1所述的基于GSP的电动自行车电池异常检测方法，其特征在于，步骤1中，所述电池管理系统BMS平均采样间隔为50s；所述的电动自行车的里程是指电动自行车从投入使用以来行驶的总路程；所述的总电压数据是指多个电芯串联后的电芯电压之和。

3.根据权利要求1所述的基于GSP的电动自行车电池异常检测方法，其特征在于，步骤2中，所述SOC数据的变化范围是从0到100％，当电动自行车充电时，SOC数据以1％为步长上升，当电动自行车行驶时，SOC数据以-1％为步长下降。

4.根据权利要求3所述的基于GSP的电动自行车电池异常检测方法，其特征在于，步骤3中，在求解电动自行车的SOC-距离特征时，所述距离是指该放电事件中电动自行车行驶的路程，其数值为该放电事件中的所有里程值减去该放电事件初始时刻的里程值；放电事件中某个SOC数值对应的距离取为具有相同SOC数值的采样点的距离的平均值。

5.根据权利要求3所述的基于GSP的电动自行车电池异常检测方法，其特征在于，步骤3中，在求解电动自行车的电池荷电状态SOC-电压特征时，放电事件中某个SOC数值对应的电压取为具有相同SOC数值的采样点的电压的平均值。

6.根据权利要求3所述的基于GSP的电动自行车电池异常检测方法，其特征在于，步骤3中，在求解电动自行车的电压/SOC特征时，放电事件中某个SOC数值对应的电压取为具有相同SOC数值的采样点的电压的平均值。

7.根据权利要求3所述的基于GSP的电动自行车电池异常检测方法，其特征在于，步骤3中，设放电事件有

个，建立电动自行车放电特征集，包括：

3-1)求解电动自行车的SOC-距离特征：对于每一个放电事件

求解每一个SOC数值所对应的里程的平均值

然后通过线性回归，表示出每一个放电事件中平均里程和SOC间的关系，如下：

式(1)中，K^m表示第m个放电事件对应的回归直线的斜率，B^m表示第m个放电事件对应的回归直线的节距；

表示第m个放电事件中具有相同SOC数值采样点的SOC数值，

表示第m个放电事件的起始时刻电动自行车的里程；

将

个放电事件对应的回归直线的斜率和节距分别组成的向量K和向量B作为SOC-距离特征；

3-2)求解电动自行车的SOC-电压特征：对于每一个放电事件

求解每一个SOC的值所对应的电压的平均值

然后通过二次回归，表示出每一个放电事件中平均电压和SOC间的关系，如下：

式(2)中，a^m、b^m和c^m分别为二次项系数、一次项系统是常数项系数；

将

个放电事件对应的二次回归曲线的二次项系数、一次项系数和常数项系数分别组成的向量a、向量b和向量c作为SOC-电压特征；

3-3)求解电动自行车的电压/SOC特征：对于每一个放电事件

求解电压和SOC比值的平均值，如下：

式(3)中，

和

分别表示第m个放电事件中的第i个采样点处电池管理系统BMS记录的电压和SOC数值，N表示第m个放电事件包含的采样点数，

将

个放电事件中所有采样点的每一个放电事件的电压和SOC比值的平均值组成的向量r作为U/SOC特征；

3-4)建立电动自行车放电特征集，第m个放电事件的电动自行车放电特征集f_m＝[K^m，B^m，a^m，b^m，c^m，r^m]，

个放电事件的电动自行车放电特征集为

8.根据权利要求1所述的基于GSP的电动自行车电池异常检测方法，其特征在于，步骤5中，所述元素个数阈值为10。

Images