CN115366683A - 一种新能源汽车动力电池多维模型融合的故障诊断策略 - Google Patents

Abstract

本发明提供了一种新能源汽车动力电池多维模型融合的故障诊断策略，充分利用了新能源汽车实车大数据，并全面考虑了不同地域、季节、工况、里程等多种因素，通过融合模型与分类分析实现特征参数标准值的准确提取，从而可确定出有利于训练神经网络的多个关键特征。通过神经网络与逻辑回归函数耦合搭建和训练，可以实现对实际运行车辆动力电池风险的精确评估和故障诊断。本发明在构建训练数据集中以样本扩充的方法还有效解决了样本正反例数量级差别过大的问题，显著提高了模型的收敛速度和收敛程度。

Description

一种新能源汽车动力电池多维模型融合的故障诊断策略

技术领域

本发明属于新能源汽车动力电池故障诊断技术领域，具体涉及一种利用多维模型融合实现的动力电池故障诊断策略。

背景技术

电池故障诊断和风险评估技术对于动力电池产品的安全使用以及新能源相关产业的安全高效运行，具有十分重要的意义。现有针对新能源汽车动力电池的故障诊断技术尚局限于对某种特定的故障或某个异常单体的定位和诊断，无法针对潜在安全风险给出比较全局性的评价，因而仅仅适用于某些工况或者某些车型。并且大多诊断策略的是从算法设计的角度出发，缺乏对故障诊断问题的基本理解，使得诊断结果鲁棒性较差。现有技术仅着眼于某一种参数、某一种工况、某一个现象评估的方式显然已不能满足实际需求，真实故障的发生并不会只在某一个特征上体现。由此可见，车用动力电池的风险评估和故障诊断应该是一个整体的评估，有必要在模型、参数、工况之间建立协同诊断和统筹分析，方能达到新能源汽车安全性的要求。

发明内容

有鉴于此，针对上述本领域中存在的技术问题，本发明提供了一种新能源汽车动力电池多维模型融合的故障诊断策略，具体包括以下步骤：

步骤一、利用新能源汽车车载终端和传感器设备采集车辆使用中的动力电池组及组内单体的全生命周期数据，并上传至大数据平台，譬如中国新能源汽车国家平台；大数据平台对数据执行去重、平滑以及去极端值的预处理后得到原始数据；对原始数据依次执行数据归一化后，选取一定数量车辆的数据样本构建包括训练集、验证集及测试集的数据集，并利用SMOTE合成少数类过采样技术对所述数据集进行数据样本扩充；

步骤二、对数据集分别建立用于反映单体电压离群异常的熵值模型、用于反映单体电压波动异常的波动一致性诊断模型以及用于反映单体压降异常的压降一致性诊断模型，并针对各模型分别提取表征熵值、波动一致性及压降一致性的本征特征数据；

步骤三、利用步骤二中建立的三个模型分别对数据集中的数据样本进行单独诊断；对诊断出的异常单体分别取交集或并集得到相应的统计数据；并根据诊断结果回溯各单体全生命周期中的异常事件，得到相应的单体异常率指标；

步骤四、针对车辆实际使用中的若干高风险场景，利用步骤二中建立的三个模型对满足这些场景的运行片段进行统计，分别得到发生熵值异常、波动一致性异常时与超出阈值距离、发生频次相关的统计数据；

将步骤二中提取的本征特征数据、步骤三和步骤四得到的统计数据与指标作为风险特征，共同构建风险特征数据库；

步骤五、对风险特征数据库中的各风险特征，通过观察数据分布、执行相关性分析以及计算方差阈值的方式综合筛选，剔除对融合三种模型以及神经网络训练无意义的特征，将保留的多个风险特征用于后续步骤；

步骤六、以步骤五中保留的多个风险特征作为输入，以车辆是否存在故障的诊断结果以及基于Sigmoid(非线性激活)函数输出的故障车和非故障车权重值作为输出，对神经网络进行训练；

步骤七、将实车采集并上传大数据平台的风险特征数据输入训练好的神经网络，得到车辆动力电池的故障诊断结果。

进一步地，步骤一中具体采用Z-score标准化方法对原始数据执行归一化处理，使处理后的数据符合均值为0标准差为1的标准正态分布；

所述利用SMOTE合成少数类过采样技术对所述数据集进行数据样本扩充具体包括以下步骤：

a.对于数据集的少数类中每一个样本x，以欧氏距离为标准计算它到少数类样本集中所有样本的距离，得到其k近邻；

b.对于每一个少数类样本x，从其k近邻中随机选择若干个样本，假设选择出的近邻为x_n；

c.对于每一个随机选出的近邻x_n，分别与原样本x按照如下的公式构建新的样本x_new：

x_new＝x+randon(0,1)×(x_n-x)

其中，randon(0,1)为0～1的随机数。

进一步地，步骤二中所述的熵值模型具体基于数据集中单体电压的香农信息熵和Z分数建立，用于识别异常单体电压数据的数值离群特征以及趋势离散特征；熵值本征特征具体选取异常单体的Z分数值的极值、均值与方差；

所述波动一致性诊断模型具体基于数据集中单体电压窗口的方差和中位数建立，用于识别单体电压波动一致性故障；所述波动一致性具体选取异常单体电压窗口方差值的极值、均值与方差；

所述压降一致性诊断模型具体基于单体电压连续帧中的短时瞬变与瞬变的极值建立，用于识别异常单体的内阻累积与突增的临界点或内短路故障；所述压降一致本征特征具体选取异常单体电压瞬变前后帧的压差值的极值、均值与方差。

进一步地，步骤三具体对诊断出的异常单体依次执行以下统计，并对结果取交集或并集操作来得到相应的数据：

C1、统计三个模型共同识别异常单体个数；

C2、排除C1结果后，统计熵值和波动一致性模型共同识别的异常单体个数；

C3、排除C1结果后，统计熵值和压降一致性模型共同识别的异常单体个数；

C4、排除C1结果后，统计波动一致性和压降一致性模型共同识别的异常单体个数；

C5、排除C1～C4结果后，统计熵值模型单独识别的异常单体个数；

C6、排除C1～C4结果后，统计波动一致性模型单独识别的异常单体个数；

C7、排除C1～C4结果后，统计压降一致性模型单独识别异常单体个数；

对诊断出的异常单体按照熵值、波动一致性以及压降一致性异常分别回溯全生命周期中异常单体的异常率，并计算异常率的均值和极值作为单体异常率指标。

进一步地，步骤四中所述的高风险场景具体包括：

a、高SOC充电或回馈场景，对应SOC≥90％、倍率≥0.5C的使用片段；

b、高温高SOC运行场景，对应60％≤SOC≤100％、温度≥30℃的使用片段；

c、频繁高功率充放电场景，对应20％≤SOC≤90％、倍率≥0.5C的使用片段；

d、低SOC大功率放电场景，对应SOC≤20％、倍率≥0.5C的使用片段；

e、温差大场景，对应温差≥8℃，对应倍率≤0.5C的使用片段；

利用熵值诊断模型对符合以上场景条件的使用片段统计以下异常结果：

Z1—对符合条件的所有片段及片段中超出阈值的所有单体进行统计，所有单体超出阈值的距离加和即为Z1；

Zmax1—对符合条件的所有片段及片段中超出阈值的所有单体进行统计，超出阈值距离最大的单体对应的距离即为Zmax1；

X总1—对符合条件的所有片段及片段中超出阈值的所有单体进行统计，所有单体出现的异常总频次加和即为X总1；

Xmax1—对符合条件的所有片段及片段中超出阈值的所有单体进行统计，对比各片段的异常频次，选取的最大异常频次即为Xmax1；

X总/片段总时间1—对符合条件的所有片段及片段中超出阈值的所有单体进行统计，取单位时间内的异常频次即为X总/片段总时间1；

X总/片段数1—对符合条件的所有片段及片段中超出阈值的所有单体进行统计，取单位片段内的异常频次即为X总/片段数1；

利用波动一致性诊断模型对符合以上场景条件的使用片段统计以下异常结果：

Z2—对符合条件的所有片段及片段中超出阈值的所有单体进行统计，所有单体超出阈值的距离加和即为Z2；

Zmax2—对符合条件的所有片段及片段中超出阈值的所有单体进行统计，超出阈值距离最大的单体对应的距离即为Zmax2；

X总2—对符合条件的所有片段及片段中超出阈值的所有单体进行统计，所有单体出现的异常总频次加和即为X总2；

Xmax2—对符合条件的所有片段及片段中超出阈值的所有单体进行统计，对比各片段的异常频次，选取的最大异常频次即为Xmax2；

X总/片段总时间2—对符合条件的所有片段及片段中超出阈值的所有单体进行统计，取单位时间内的异常频次即为X总/片段总时间2；

X总/片段数2—对符合条件的所有片段及片段中超出阈值的所有单体进行统计，取单位片段内的异常频次即为X总/片段数2。

进一步地，步骤五中对各风险特征执行综合筛选具体包括：

数据分布筛选：对各风险特征分别绘制对应的核密度曲线、分布直方图以及正态拟合曲线，观察各个风险特征的数据分布情况，对于在数据上分布相对集中且离散、对于融合模型搭建及训练无意义的特征进行剔除；

相关性分析筛选：对经过数据分布筛选后保留的风险特征利用Pearson(皮尔森)相关系数进行计算得到两两对应的相关系数矩阵，筛选出相关性绝对值大于0.8的特征，对两者相关性较高的特征参量进行取舍；

方差阈值筛选：对经过相关性分析筛选后保留的各风险特征，分别计算标准差并选取大于0.1的作为最终保留用于后续训练的风险特征。

进一步地，步骤六具体建立由一个输入层、两个隐藏层和一个输出层构成的神经网络；在训练中，由输入层负责接收经步骤五得到的多个风险特征及对应车辆是否为故障车的权重值，并且所述输入层、隐藏层和输出层均允许神经网络忘记或将新信息写入记忆细胞；在隐藏层和输出层之间通过以下Sigmoid函数进行非线性变换：

其中，x表示上一层的输入结果，Sigmoid函数结果为下一层的输入；

在每次前向通过结束时，将神经网络的预测结果(是否是故障车)与实际权重值相对比，并利用以下交叉熵损失函数来修正神经网络：

其中，p为结果的真实分布，q为结果的预测分布，i为结果可能的值；H(p,q)的结果越小表示神经网络训练地越好。

进一步地，在神经网络训练中对Sigmoid函数结果利用Softmax(逻辑回归)函数执行以下概率转换：

其中，i表示第i个Sigmoid函数得到的权重值，j表示所有Sigmoid函数结果；

基于以上Softmax函数结果转换得到车辆的安全概率p，再基于以下公式计算得到风险评分结果Score：

score＝(1-p)·100％；

训练好的神经网络利用实车采集的与筛选的风险特征相应的数据，预测得到包含具体单体潜在风险情况与风险评分的耦合输出结果。

进一步地，对训练好的神经网络基于准确率accuracy、精确率precision以及召回率recall来评价训练结果：

其中，TN是实际为正类预测也为正类的个数，FP是实际为正类预测为负类的个数，FN是实际为负类预测为正类的个数，TP是实际为负类预测也为负类的个数。

上述本发明所提供的新能源汽车动力电池多维模型融合的故障诊断策略，充分利用了新能源汽车实车大数据，全面考虑了不同地域、季节、工况、里程等多种因素，通过融合模型与分类分析实现特征参数标准值的准确提取，从而可确定出有利于训练神经网络的多个关键特征。通过神经网络与逻辑回归函数耦合搭建和训练，可以实现对实际运行车辆动力电池风险的精确评估和故障诊断。本发明在构建训练数据集中以样本扩充的方法还有效解决了样本正反例数量级差别过大的问题，显著提高了模型的收敛速度和收敛程度。

附图说明

图1为本发明所提供策略的流程框架示意图；

图2为基于本发明的实例中经筛选后得到的11种风险特征；

图3为基于本发明对神经网络训练的数据量与准确率关系图；

图4为基于本发明对神经网络训练的迭代次数与准确率关系图；

图5为本发明中所采用的Softmax算法流程图。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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。

本发明所提供的一种新能源汽车动力电池多维模型融合的故障诊断策略，如图1中的流程框架所示，具体包括以下步骤：

步骤一、利用新能源汽车车载终端和传感器设备采集车辆使用中的动力电池组及组内单体的全生命周期数据，并上传至大数据平台；大数据平台对数据执行去重、平滑以及去极端值的预处理后得到原始数据；对原始数据依次执行数据归一化后，选取一定数量车辆的数据样本构建包括训练集、验证集及测试集的数据集，并利用SMOTE合成少数类过采样技术对所述数据集进行数据样本扩充；

步骤二、对数据集分别建立用于反映单体电压离群异常的熵值模型、用于反映单体电压波动异常的波动一致性诊断模型以及用于反映单体压降异常的压降一致性诊断模型，并针对各模型分别提取表征熵值、波动一致性及压降一致性的本征特征数据；

步骤三、利用步骤二中建立的三个模型分别对数据集中的数据样本进行单独诊断；对诊断出的异常单体分别取交集或并集得到相应的统计数据；并根据诊断结果回溯各单体全生命周期中的异常事件，得到相应的单体异常率指标；

步骤四、针对车辆实际使用中的若干高风险场景，利用步骤二中建立的三个模型对满足这些场景的运行片段进行统计，分别得到发生熵值异常、波动一致性异常时与超出阈值距离、发生频次相关的统计数据；

将步骤二中提取的本征特征数据、步骤三和步骤四得到的统计数据与指标作为风险特征，共同构建风险特征数据库；

步骤五、对风险特征数据库中的各风险特征，通过观察数据分布、执行相关性分析以及计算方差阈值的方式综合筛选，剔除对融合三种模型以及神经网络训练无意义的特征，将保留的多个风险特征用于后续步骤；

步骤六、以步骤五中保留的多个风险特征作为输入，以车辆是否存在故障的诊断结果以及基于Sigmoid(非线性激活)函数输出的故障车和非故障车权重值作为输出，对神经网络进行训练；

步骤七、将实车采集并上传大数据平台的风险特征数据输入训练好的神经网络，得到车辆动力电池的故障诊断结果。

在本发明的一个优选实施方式中，步骤一中具体采用Z-score标准化方法对原始数据执行归一化处理，使处理后的数据符合均值为0标准差为1的标准正态分布；

对于如下表1所示的500辆车的数据集：

表1数据集划分

其中只有21辆是故障车，有多达479辆车是非故障车，整体数据集的样本分布极不平衡，因此针对样本数据极度不平衡的问题，利用SMOTE合成少数类过采样技术对所述数据集进行数据样本扩充。它是基于随机过采样算法的一种改进方案，是对少数类样本进行分析并根据少数类样本人工合成新样本添加到数据集中。样本扩充具体包括以下步骤：

a.对于数据集的少数类中每一个样本x，以欧氏距离为标准计算它到少数类样本集中所有样本的距离，得到其k近邻；

b.对于每一个少数类样本x，从其k近邻中随机选择若干个样本，假设选择出的近邻为x_n；

c.对于每一个随机选出的近邻x_n，分别与原样本x按照如下的公式构建新的样本x_new：

x_new＝x+randon(0,1)×(x_n-x)

其中，randon(0,1)为0～1的随机数。

通过SMOTE的样本扩充，扩充后的训练样本一共包含958个样本，其中故障车和非故障车均为479辆，样本相比于之前的21：479而言比例更加均衡。

在本发明的一个优选实施方式中，步骤二中基于熵值的安全预警模型、基于波动性检测的故障诊断模型、基于压降一致性的故障诊断模型，从其输出结果中筛选可以表征电池安全风险的特征。其中基于熵值的安全预警模型、基于波动性检测的故障诊断模型、基于压降一致性的故障诊断模型的技术解释如下：

(1)熵值模型

结合香农信息熵和Z分数理论，构建了长时间维度下的动力电池单体电压一致性的安全预警模型。该模型可以有效识别异常单体电压数据的数值离群特征以及趋势离散特征，进而基于变异系数的安全阈值范围实现新能源汽车安全风险的预警和判定。

(2)基于波动性检测的故障诊断模型

基于电化学中的失效单体在电压波动中的异常表征，结合方差理论和中位数去趋势化方法，提取了电压波动一致性的故障辨识参数，从而实现电压波动的定量评估和车辆安全风险预警。

(3)基于压降一致性的故障诊断模型

当电池内阻累积或突增到临界点时导致的电池单体“跳水”，或者异物刺穿隔膜造成的内部短路，电压则会存在短时瞬变特征，该模型利用电压响应值的变化幅度结合数据极值，提取电压数据的短时瞬变特征，实现单体电压短时瞬变性维度的安全风险有效预警。

由此提取出以下如表2所示的本征特征：

表2模型本征特征值

在本发明的一个优选实施方式中，步骤三具体对诊断出的异常单体依次执行以下表3所示的统计，并对结果取交集或并集操作来得到相应的数据：

表3三个模型单独诊断所得的异常单体结果交并集统计量

表中C2～C4为排除C1识别单体后的结果；C5～C7为排除C1～C4识别单体后的结果。

对诊断出的异常单体按照熵值、波动一致性以及压降一致性异常分别回溯全生命周期中异常单体的异常率，并计算异常率的均值和极值作为单体异常率指标。

在本发明的一个优选实施方式中，步骤四中所述的高风险场景及对应的片段具体如下表4所示：

表4五个高风险场景

利用熵值诊断模型对符合以上场景条件的使用片段统计以下表5所示的异常结果：

表5熵值模型异常结果统计

利用波动一致性诊断模型对符合以上场景条件的使用片段统计以下表6所示的异常结果：

表6波动一致性模型异常结果统计

在本发明的一个优选实施方式中，步骤五中对各风险特征执行综合筛选具体包括：

数据分布筛选：对各风险特征分别绘制对应的核密度曲线、分布直方图以及正态拟合曲线，观察各个风险特征的数据分布情况，对于在数据上分布相对集中且离散、对于融合模型搭建及训练无意义的特征进行剔除；

相关性分析筛选：对经过数据分布筛选后保留的风险特征利用Pearson(皮尔森)相关系数进行计算得到两两对应的相关系数矩阵，筛选出相关性绝对值大于0.8的特征，对两者相关性较高的特征参量进行取舍；

方差阈值筛选：对经过相关性分析筛选后保留的各风险特征，分别计算标准差并选取大于0.1的作为最终保留用于后续训练的风险特征。本发明的实例中经过上述步骤最终筛选出图2框中的11个特征作为后续研究模型的输入。

在本发明的一个优选实施方式中，步骤六具体建立由一个输入层、两个隐藏层和一个输出层构成的神经网络；在训练中，由输入层负责接收经步骤五得到的多个风险特征及对应车辆是否为故障车的权重值，并且所述输入层、隐藏层和输出层均允许神经网络忘记或将新信息写入记忆细胞；在隐藏层和输出层之间通过以下Sigmoid函数进行非线性变换：

其中，x表示上一层的输入结果，Sigmoid函数结果为下一层的输入；

在每次前向通过结束时，将神经网络的预测结果(是否是故障车)与实际权重值相对比，并利用以下交叉熵损失函数来修正神经网络：

其中，p为结果的真实分布，q为结果的预测分布，i为结果可能的值；H(p,q)的结果越小表示神经网络训练地越好。

模型的准确性和训练时间往往是一个模型能否应用于工程的重要指标之一。神经网络模型的准确程度和训练时间受模型模型训练方式的影响极大，因此为了提高模型的准确率和训练速度，本发明针对每次参与训练的数据个数、训练迭代次数这两个训练参数对模型训练方式进行了优化。

首先先将训练迭代次数固定为1500次，从模型训练集中有放回地随机抽取100至600个的数据进行训练，将验证集输入到训练得到的模型中，以100次迭代为步长，计算每100次迭代之后模型的准确率并绘制成曲线。从图3中可以看出，每次训练500个数据模型准确率最高，达到了96％的准确率，因此将模型每次训练数据的个数定为500个。

接着将每次训练数据的个数固定为500个，同样以每次迭代100个数据为步长，绘制在每次训练500个数据的情况下，输入验证集数据，绘制模型迭代次数和准确率的关系曲线。从图4中可以看出，在训练迭代次数到1000次时模型准确率连续3次达到了96％，因此认为在模型训练迭代次数到达1000次时，模型已经收敛。为了减少模型运算时间并且防止模型过拟合，模型训练次数定为1000次。至此，模型训练完成，对于每一行数据，该模型输出了两个结果，其一是该车是否是故障车，其二是通过Sigmoid(非线性激活)函数输出的故障车和非故障车的权重值。

在本发明的一个优选实施方式中，在神经网络训练中对Sigmoid函数结果利用Softmax(逻辑回归)函数执行如图5所示的概率转换：

其中，i表示第i个Sigmoid函数得到的权重值，j表示所有Sigmoid函数结果。以上计算的本质就是将原来输入的是否故障车权重映射成为(0,1)的值，而这些值的累和为1，即满足概率的性质，从而可以将其视为是故障车的概率，进而通过数值转换得到所需要的风险评分系统的输出评分。基于以上Softmax函数结果转换得到车辆的安全概率p，再基于以下公式计算得到风险评分结果Score：

score＝(1-S_i)·100％；

训练好的神经网络利用实车采集的与筛选的风险特征相应的数据，预测得到包含具体单体潜在风险情况与风险评分的耦合输出结果。

对训练好的神经网络基于准确率accuracy、精确率precision以及召回率recall来评价训练结果：

其中，TN是实际为正类预测也为正类的个数，FP是实际为正类预测为负类的个数，FN是实际为负类预测为正类的个数，TP是实际为负类预测也为负类的个数。

应理解，本发明实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (9)

1.一种新能源汽车动力电池多维模型融合的故障诊断策略，其特征在于：具体包括以下步骤：

步骤一、利用新能源汽车车载终端和传感器设备采集车辆使用中的动力电池组及组内单体的全生命周期数据，并上传至大数据平台；大数据平台对数据执行去重、平滑以及去极端值的预处理后得到原始数据；对原始数据依次执行数据归一化后，选取一定数量车辆的数据样本构建包括训练集、验证集及测试集的数据集，并利用SMOTE合成少数类过采样技术对所述数据集进行数据样本扩充；

步骤二、对数据集分别建立用于反映单体电压离群异常的熵值模型、用于反映单体电压波动异常的波动一致性诊断模型以及用于反映单体压降异常的压降一致性诊断模型，并针对各模型分别提取表征熵值、波动一致性及压降一致性的本征特征数据；

步骤三、利用步骤二中建立的三个模型分别对数据集中的数据样本进行单独诊断；对诊断出的异常单体分别取交集或并集得到相应的统计数据；并根据诊断结果回溯各单体全生命周期中的异常事件，得到相应的单体异常率指标；

步骤四、针对车辆实际使用中的若干高风险场景，利用步骤二中建立的三个模型对满足这些场景的运行片段进行统计，分别得到发生熵值异常、波动一致性异常时与超出阈值距离、发生频次相关的统计数据；

将步骤二中提取的本征特征数据、步骤三和步骤四得到的统计数据与指标作为风险特征，共同构建风险特征数据库；

步骤五、对风险特征数据库中的各风险特征，通过观察数据分布、执行相关性分析以及计算方差阈值的方式综合筛选，剔除对融合三种模型以及神经网络训练无意义的特征，将保留的多个风险特征用于后续步骤；

步骤六、以步骤五中保留的多个风险特征作为输入，以车辆是否存在故障的诊断结果以及基于Sigmoid函数输出的故障车和非故障车权重值作为输出，对神经网络进行训练；

步骤七、将实车采集并上传大数据平台的风险特征数据输入训练好的神经网络，得到车辆动力电池的故障诊断结果。

2.如权利要求1所述的策略，其特征在于：步骤一中具体采用Z-score标准化方法对原始数据执行归一化处理，使处理后的数据符合均值为0标准差为1的标准正态分布；

所述利用SMOTE合成少数类过采样技术对所述数据集进行数据样本扩充具体包括以下步骤：

a.对于数据集的少数类中每一个样本x，以欧氏距离为标准计算它到少数类样本集中所有样本的距离，得到其k近邻；

b.对于每一个少数类样本x，从其k近邻中随机选择若干个样本，假设选择出的近邻为x_n；

c.对于每一个随机选出的近邻x_n，分别与原样本x按照如下的公式构建新的样本x_new：

x_new＝x+randon(0,1)×(x_n-x)

其中，randon(0,1)为0～1的随机数。

3.如权利要求1所述的策略，其特征在于：步骤二中所述的熵值模型具体基于数据集中单体电压的香农信息熵和Z分数建立，用于识别异常单体电压数据的数值离群特征以及趋势离散特征；熵值本征特征具体选取异常单体的Z分数值的极值、均值与方差；

所述波动一致性诊断模型具体基于数据集中单体电压窗口的方差和中位数建立，用于识别单体电压波动一致性故障；所述波动一致性本征特征具体选取异常单体电压窗口方差值的极值、均值与方差；

所述压降一致性诊断模型具体基于单体电压连续帧中的短时瞬变与瞬变的极值建立，用于识别异常单体的内阻累积与突增的临界点或内短路故障；所述压降一致本征特征具体选取异常单体电压瞬变前后帧的压差值的极值、均值与方差。

4.如权利要求1所述的策略，其特征在于：步骤三具体对诊断出的异常单体依次执行以下统计，并对结果取交集或并集操作来得到相应的数据：

C1、统计三个模型共同识别异常单体个数；

C2、排除C1结果后，统计熵值和波动一致性模型共同识别的异常单体个数；

C3、排除C1结果后，统计熵值和压降一致性模型共同识别的异常单体个数；

C4、排除C1结果后，统计波动一致性和压降一致性模型共同识别的异常单体个数；

C5、排除C1～C4结果后，统计熵值模型单独识别的异常单体个数；

C6、排除C1～C4结果后，统计波动一致性模型单独识别的异常单体个数；

C7、排除C1～C4结果后，统计压降一致性模型单独识别异常单体个数；

对诊断出的异常单体按照熵值、波动一致性以及压降一致性异常分别回溯全生命周期中异常单体的异常率，并计算异常率的均值和极值作为单体异常率指标。

5.如权利要求1所述的策略，其特征在于：步骤四中所述的高风险场景具体包括：

a、高SOC充电或回馈场景，对应SOC≥90％、倍率≥0.5C的使用片段；

b、高温高SOC运行场景，对应60％≤SOC≤100％、温度≥30℃的使用片段；

c、频繁高功率充放电场景，对应20％≤SOC≤90％、倍率≥0.5C的使用片段；

d、低SOC大功率放电场景，对应SOC≤20％、倍率≥0.5C的使用片段；

e、温差大场景，对应温差≥8℃，对应倍率≤0.5C的使用片段；

利用熵值诊断模型对符合以上场景条件的使用片段统计以下异常结果：

Z1—对符合条件的所有片段及片段中超出阈值的所有单体进行统计，所有单体超出阈值的距离加和即为Z1；

Zmax1—对符合条件的所有片段及片段中超出阈值的所有单体进行统计，超出阈值距离最大的单体对应的距离即为Zmax1；

X总1—对符合条件的所有片段及片段中超出阈值的所有单体进行统计，所有单体出现的异常总频次加和即为X总1；

Xmax1—对符合条件的所有片段及片段中超出阈值的所有单体进行统计，对比各片段的异常频次，选取的最大异常频次即为Xmax1；

X总/片段总时间1—对符合条件的所有片段及片段中超出阈值的所有单体进行统计，取单位时间内的异常频次即为X总/片段总时间1；

X总/片段数1—对符合条件的所有片段及片段中超出阈值的所有单体进行统计，取单位片段内的异常频次即为X总/片段数1；

利用波动一致性诊断模型对符合以上场景条件的使用片段统计以下异常结果：

Z2—对符合条件的所有片段及片段中超出阈值的所有单体进行统计，所有单体超出阈值的距离加和即为Z2；

Zmax2—对符合条件的所有片段及片段中超出阈值的所有单体进行统计，超出阈值距离最大的单体对应的距离即为Zmax2；

X总2—对符合条件的所有片段及片段中超出阈值的所有单体进行统计，所有单体出现的异常总频次加和即为X总2；

Xmax2—对符合条件的所有片段及片段中超出阈值的所有单体进行统计，对比各片段的异常频次，选取的最大异常频次即为Xmax2；

X总/片段总时间2—对符合条件的所有片段及片段中超出阈值的所有单体进行统计，取单位时间内的异常频次即为X总/片段总时间2；

X总/片段数2—对符合条件的所有片段及片段中超出阈值的所有单体进行统计，取单位片段内的异常频次即为X总/片段数2。

6.如权利要求1所述的策略，其特征在于：步骤五中对各风险特征执行综合筛选具体包括：

数据分布筛选：对各风险特征分别绘制对应的核密度曲线、分布直方图以及正态拟合曲线，观察各个风险特征的数据分布情况，对于在数据上分布相对集中且离散、对于融合模型搭建及训练无意义的特征进行剔除；

相关性分析筛选：对经过数据分布筛选后保留的风险特征利用Pearson相关系数进行计算得到两两对应的相关系数矩阵，筛选出相关性绝对值大于0.8的特征，对两者相关性较高的特征参量进行取舍；

方差阈值筛选：对经过相关性分析筛选后保留的各风险特征，分别计算标准差并选取大于0.1的作为最终保留用于后续训练的风险特征。

7.如权利要求6所述的策略，其特征在于：步骤六具体建立由一个输入层、两个隐藏层和一个输出层构成的神经网络；在训练中，由输入层负责接收经步骤五得到的多个风险特征及对应车辆是否为故障车的权重值，并且所述输入层、隐藏层和输出层均允许神经网络忘记或将新信息写入记忆细胞；在隐藏层和输出层之间通过以下Sigmoid函数进行非线性变换：

其中，x表示上一层的输入结果，Sigmoid函数结果为下一层的输入；

在每次前向通过结束时，将神经网络的预测结果与实际权重值相对比，并利用以下交叉熵损失函数来修正神经网络：

其中，p为结果的真实分布，q为结果的预测分布，i为结果可能的值；H(p,q)的结果越小表示神经网络训练地越好。

8.如权利要求7所述的策略，其特征在于：在神经网络训练中对Sigmoid函数结果利用Softmax函数执行以下概率转换：

其中，i表示第i个Sigmoid函数得到的权重值，j表示所有Sigmoid函数结果；

基于以上Softmax函数结果转换得到车辆的安全概率p，再基于以下公式计算得到风险评分结果Score：

score＝(1-p)·100％；

训练好的神经网络利用实车采集的与筛选的风险特征相应的数据，预测得到包含具体单体潜在风险情况与风险评分的耦合输出结果。

9.如权利要求1所述的策略，其特征在于：对训练好的神经网络基于准确率accuracy、精确率precision以及召回率recall来评价训练结果：

其中，TN是实际为正类预测也为正类的个数，FP是实际为正类预测为负类的个数，FN是实际为负类预测为正类的个数，TP是实际为负类预测也为负类的个数。

Images