CN115684939A - 基于机器学习的电池充电异常状态监测方法及监测系统 - Google Patents

Abstract

本发明公开了一种基于机器学习的电池充电异常状态监测方法及监测系统，属于重卡充电站技术领域，其特征在于，包括如下步骤：S1：搜集电池的历史充电数据；S2、对历史充电数据进行预处理；S3、构建特征集；S4、对特征集进行数据正规化处理，将所有数值缩放到[0，1]范围；S5、利用PCA算法降维，将特征集从2N+6降至K维；S6、利用KNN算法拟合降维后的特征集，得到训练后的聚类模型以及聚类中心点；S7、将降维后的特征集输入到聚类模型，输出得到每个特征点到聚类中心点的欧式距离，欧式距离值越大，则表示该特征点的异常度越高。本发明通过对充电历史大数据的分析，能够实现对电池异常状态的智能化分析。

Description

基于机器学习的电池充电异常状态监测方法及监测系统

技术领域

本发明属于重卡充电站技术领域，尤其涉及一种基于机器学习的电池充电异常状态监测方法及监测系统。

背景技术

近年来，随着新能源技术的快速发展，重卡换电站的数量越来越多，与传统家用汽车充电站不同的是，重卡换电站是对重卡汽车的电池包拆卸后进行集中充电，在充电的过程中，一旦发生火灾类不安全事故，很可能导致整个重卡换电站毁坏，因此，重卡换电站的充电安全问题需要极其关注。目前，现有的重卡换电站架载机在给电池充电的过程中，监测异常的方式主要分为两大类：

1、站与BMS通信，实时获取电池电流、温度、电压等值，与提前设定的阈值进行比较，若超出阈值则进行告警，如温度过高、电流过大、电压过高等；

2、站与BMS通信，实时获取BMS系统产生告警数据。

通过实践发现：以上两类方法某种程度上可以监测出电池异常，但仍然存在局限性。首先，这类方式只能监测事先确定的异常类型，对一些未知的潜在异常(比如电压电流相关性)，由于未提前设定，无法监测；其次，监测的标准缺少个性化，并未对电池进行区分，比如对新旧程度不同的电池使用的是相同的异常监测阈值。

发明内容

针对现有技术的缺陷，本发明提供一种基于机器学习的电池充电异常状态监测方法及监测系统，通过对充电历史大数据的分析，实现对电池异常状态的智能化分析。

本发明所采用的具体技术方案为：

本专利的第一发明目的是提供一种基于机器学习的电池充电异常状态监测方法，包括如下步骤：

S1：搜集电池的历史充电数据：具体为：根据数据采样频率，提取M行数据字段，每行数据字段包括电池箱编码、温度、电压、电流、soc、开始充电时间、数据时间戳；M为大于1的自然数；

S2、对历史充电数据进行预处理，具体为：

S2.1、通过电池箱编码，开始充电时间，进行数据分组，每组历史充电数据表示一块电池一次充电过程的所有数据；

S2.2、按时间戳将每组历史充电数据从低到高排序；

S2.3、筛选出起始soc小于40，结束soc大于98的数据组；

S2.4、每组历史充电数据，筛选出soc从40到98这个时间段的数据行；

S3、构建特征集；具体为：

S3.1、针对每组历史充电数据，构建如下特征：电流值标准差、电流曲线单点波动数量、电流曲线阶梯波动数量、插值电流序列I′_N、插值电压序列U′_N、温度最高值、温度最低值和温度平均值；

S3.2、通过特征的构建，将每组充电历史数据转化为一个1×(2N+6)的特征行；得到m×(2N+6)的特征集，m为数据预处理之后的数据组数；

S4、对特征集进行数据正规化处理，将所有数值缩放到[0，1]范围；

S5、利用PCA算法降维，将特征集从2N+6降至K维；

S6、利用KNN算法拟合降维后的特征集，得到训练后的聚类模型以及聚类中心点；

S7、将降维后的特征集输入到训练后的聚类模型，输出得到每个特征点到聚类中心点的欧式距离，欧式距离值越大，则表示该特征点的异常度越高。其中：每个特征点代表s3.2的一行特征数据。

进一步：所述数据采样频率为每分钟6次。

进一步：在S3.1中：

所述电流值标准差的获取公式为：

取本组数据中电流序列I_n，本组数据数量为n，则电流平均值I_μ为：

电流标准差I_σ为：

电池充电某一时刻电流值为I_i，前一时刻电流值为I_i-1，后一时刻电流值为I_i+1，设定阈值为T；

所述电流曲线单点波动数量的获取过程为：若(I_i-1-I_i>T)&(I_i+1-I_i>T)，则将I_i判定为电流曲线单点波动，计数为1，对每组历史充电数据，求出总数量，计为m₁；

所述电流曲线阶梯波动数量的获取过程为：若(|I_i-1-I_i|≤T)&(|I_i+1-I_i|≤T)，则将I_i判定连续变化点；去除单点波动点之后，去除连续变化点，对剩余的点，如果

(I_i-I_i+1>T)&(|I_i+1-I_i+2|≤T)&(I_i+3-I_i+2>T)，则将I_i判定为电流曲线阶梯波动，计数为1，对每组历史充电数据，求出其总数量，计为n₂；

插值电流序列I′_N，插值电压序列U′_N取每组历史充电数据的电流序列I_n、电压序列U_n、数据时间戳序列Time_n，首先计算每个时间点到起始时间点的差，得到秒计数时间序列：

t_i＝Time_i-Time₁(1≤i≤n,i∈Z)；

取插值数量N，求出插值时间序列：

则插值电流序列为：

则插值电压序列为：

进一步：在S3.2中：对每组历史充电数据执行S3.1，最终得到m×(2N+6)的特征集，m为原始数据预处理之后的数据组数，2N+6为每组历史充电数据构建出的特征数量；对特征集的每列f_i进行如下正规化处理：

f_max＝max{f_i}(1≤i≤m,i∈Z)；

f_min＝min{f_i}(1≤i≤m,i∈Z)；

f_i＝(f_i-f_min)/(f_max-f_min)(1≤i≤m,i∈Z)；

得到最终特征集F。

本专利的第二发明目的是提供一种基于机器学习的电池充电异常状态监测系统，包括：

基础数据搜集模块：搜集电池的历史充电数据：具体为：根据数据采样频率，提取M行数据字段，每行数据字段包括电池箱编码、温度、电压、电流、soc、开始充电时间、数据时间戳；M为大于1的自然数；

预处理模块：对历史充电数据进行预处理，具体为：

S2.1、通过电池箱编码，开始充电时间，进行数据分组，每组历史充电数据表示一块电池一次充电过程的所有数据；

S2.2、按时间戳将每组历史充电数据从低到高排序；

S2.3、筛选出起始soc小于40，结束soc大于98的数据组；

S2.4、每组历史充电数据，筛选出soc从40到98这个时间段的数据行；

构建模块：构建特征集；具体为：

S3.1、针对每组历史充电数据，构建如下特征：电流值标准差、电流曲线单点波动数量、电流曲线阶梯波动数量、插值电流序列I′_N、插值电压序列U′_N、温度最高值、温度最低值和温度平均值；

S3.2、通过特征的构建，将每组充电历史数据转化为一个1×(2N+6)的特征行；得到m×(2N+6)的特征集，m为数据预处理之后的数据组数；

正规化处理模块：对特征集进行数据正规化处理，将所有数值缩放到[0，1]范围；

降维模块：利用PCA算法降维，将特征集从2N+6降至K维；

模型构建模块：利用KNN算法拟合降维后的特征集，得到训练后的聚类模型以及聚类中心点；

异常分析模块：将降维后的特征集输入到聚类模型，输出得到。

进一步：所述数据采样频率为每分钟6次。

进一步：在S3.1中：

所述电流值标准差的获取公式为：

取本组数据中电流序列I_n，本组数据数量为n，则电流平均值I_μ为：

电流标准差I_σ为：

电池充电某一时刻电流值为I_i，前一时刻电流值为I_i-1，后一时刻电流值为I_i+1，设定阈值为T；

所述电流曲线单点波动数量的获取过程为：若(I_i-1-I_i>T)&(I_i+1-I_i>T)，则将I_i判定为电流曲线单点波动，计数为1，对每组历史充电数据，求出其总数量，计为n₁；

所述电流曲线阶梯波动数量的获取过程为：若(|I_i-1-I_i|≤T)&(|I_i+1-I_i|≤T)，则将I_i判定连续变化点；去除单点波动点之后，去除连续变化点，对剩余的点，如果

(I_i-I_i+1>T)&(|I_i+1-I_i+2|≤T)&(I_i+3-I_i+2>T)，则将I_i判定为电流曲线阶梯波动，计数为1，对每组历史充电数据，求出其总数量，计为n₂；

插值电流序列I′_N，插值电压序列U′_N取每组历史充电数据的电流序列I_n、电压序列U_n、数据时间戳序列Time_n，首先计算每个时间点到起始时间点的差，得到秒计数时间序列：

t_i＝Time_i-Time₁(1≤i≤n,i∈Z)；

取插值数量N，求出插值时间序列：

则插值电流序列为：

则插值电压序列为：

进一步：在S3.2中：对每组历史充电数据执行S3.1，最终得到m×(2N+6)的特征集，m为原始数据预处理之后的数据组数，(2N+6)为每组历史充电数据构建出的特征数量；对特征集的每列f_i进行如下正规化处理：

f_max＝max{f_i}(1≤i≤m,i∈Z)；

f_min＝min{f_i}(1≤i≤m,i∈Z)；

f_i＝(f_i-f_min)/(f_max-f_min)(1≤i≤m,i∈Z)；

得到最终特征集F。

本专利的第三发明目的是提供一种实现上述基于机器学习的电池充电异常状态监测方法的计算机程序。

本专利的第四发明目的是提供一种实现上述基于机器学习的电池充电异常状态监测方法的信息数据处理终端。

本专利的第五发明目的是提供一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行上述的基于机器学习的电池充电异常状态监测方法。

本发明的优点及积极效果为：

通过采用上述技术方案，本发明具有如下的技术效果：

本发明通过对充电历史大数据的分析，输入数据包含本次充电整个过程中的电压、温度、电流、soc等信息，模型在进行异常判定时，不仅仅能识别出常见的异常类型，比如温度过高，电压过大等；还能够识别出基于这些数据的未事先定义的异常。

本发明针对新旧程度不同的电池在充电过程中，电压、温度、电流、soc会有不同的变化模式以及相关性模式，由于这些数据都输入到模型中，判定异常时会将电池的差异性信息作为影响因素之一，准确度更高。

附图说明

图1为本发明优选实施例的流程图；

图2为本发明优选实施例中电流曲线单点波动数量的示意图；

图3为本发明优选实施例中电流曲线阶梯波动数量的示意图。

具体实施方式

为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下。

下面结合附图1至图3对本发明的技术方案作详细的描述。

一种基于机器学习的电池充电异常状态监测方法，包括如下步骤：

1、采集换电站所有电池历史充电数据，具体如下：

1.1数据字段：充电过程电池箱编码、温度、电压、电流、soc、开始充电时间、数据时间戳；

1.2数据频率：每10秒一条数据(含上述所有字段)

2、数据预处理，具体如下：

2.1通过电池箱编码，开始充电时间两个字段，为数据分组，每组表示一块电池一次充电过程的所有数据；

2.2每组历史充电数据按时间戳从低到高排序；

2.3筛选出起始soc小于40，结束soc大于98的数据组；

2.4每组历史充电数据，筛选出soc从40到98这个时间段的数据行。

3、对预处理之后的每组历史充电数据，构建如下特征：

3.1电流值标准差

3.2电流曲线单点波动数量

3.3电流曲线阶梯波动数量

3.4插值法得出的N个电流值

3.5插值法得出的N个电压值

3.6温度最高值

3.7温度最低值

3.8温度平均值

通过特征的构建，将每组充电历史数据转化为一个1×(2N+6)的特征行。得到m×(2N+6)的特征集，m为数据预处理之后的数据组数。

4、特征集进行数据正规化处理，所有数值缩放到[0，1]范围；

5、PCA算法降维将特征集从2N+6降至K维；

KNN算法拟合降维之后的特征集，得到聚类中心点，计算每个点到聚类中心点的欧式距离，距离值越大这异常度越高。其中：

步骤1和2中：每组历史充电数据示例及预处理过程为：

1.1对原始数据集按电池箱编码，开始充电时间分组、按数据时间戳排序之后，取一组数据示例如下：

表1为原始数据采样表

1.2对该组数据截取soc从40到100时间段的数据之后示例如下：

表2为筛选后的表

2、基于1.1、1.2的处理之后的数据，每组历史充电数据量表示为n，构建如下特征：

2.1电流标准差I_σ

取本组数据电流序列I_n，本组数据数量为n，则电流平均值为：

电流标准差为：

2.2电流曲线单点波动数量n₁；

电池充电某一时刻电流值为I_i，前一时刻电流值为I_i-1，后一时刻电流值为I_i+1，设定阈值为T为5A，若(I_i-1-I_i>T)&(I_i+1-I_i>T)，则将I_i判定为电流曲线单点波动，计数为1，对每组历史充电数据，求出其总数量，计为n₁。如图2所示电流随之间变化图，其单点波动数量为3。

2.3电流曲线阶梯波动数量n₂

电池充电某一时刻电流值为I_i，前一时刻电流值为I_i-1，后一时刻电流值为I_i+1，设定阈值为T为5A，若(|I_i-1-I_i|≤T)&(|I_i+1-I_i|≤T)，则将I_i判定连续变化点。

去除单点波动点之后，去除连续变化点，对剩余的点，如果

(I_i-I_i+1>T)&(|I_i+1-I_i+2|≤T)&(I_i+3-I_i+2>T)；

则将I_i判定为电流曲线阶梯波动，计数为1，对每组历史充电数据，求出其总数量，计为n₂。如图3所示电流随时间变化图，其阶梯波动数量为3。

2.4插值电流序列I′_N，插值电压序列U′_N；

取每组历史充电数据的电流序列I_n、电压序列U_n、数据时间戳序列Time_n，首先计算每个时间点到起始时间点的差，得到秒计数时间序列：

t_i＝Time_i-Time₁(1≤i≤n,i∈Z)；

取插值数量N为300，求出插值时间序列：

则插值电流序列为：

则插值电压序列为：

2.5温度最高T_max、最低T_min、平均值T_mean；

取数据的温度序列T_i(1≤i≤n,i∈Z)，最高值为：

T_max＝max{T_i}(1≤i≤n,i∈Z)；

最低值为：

T_min＝min{T_i}(1≤i≤n,i∈Z)；

平均值为：

3.对每组历史充电数据执行2.1-2.5的特征构建，最终得到(m×606)的特征集，m为原始数据预处理之后的数据组数，606为每组历史充电数据构建出的特征数量。对特征集的每列f_i进行如下正规化处理：

f_max＝max{f_i}(1≤i≤m,i∈Z)；

f_min＝min{f_i}(1≤i≤m,i∈Z)；

f_i＝(f_i-f_min)/(f_max-f_min)(1≤i≤m,i∈Z)；

得到最终特征集F(m×606)；

4.使用PCA算法对特征集进行降维之后，使用KNN算法拟合降维之后的数据，得到聚类中心点，求出每个特征点X_i(1≤i≤606,i∈Z)到其所属聚类中心点C_i(1≤i≤606,i∈Z)的欧式距离：

将所有特征点按L从大到小排列，前0.5％定义为异常特征点，其对应的充电组次即为异常充电组。

一种基于机器学习的电池充电异常状态监测系统，包括：

基础数据搜集模块：搜集电池的历史充电数据：具体为：根据数据采样频率，提取M行数据字段，每行数据字段包括电池箱编码、温度、电压、电流、soc、开始充电时间、数据时间戳；M为大于1的自然数；

预处理模块：对历史充电数据进行预处理，具体为：

S2.1、通过电池箱编码，开始充电时间，进行数据分组，每组历史充电数据表示一块电池一次充电过程的所有数据；

S2.2、按时间戳将每组历史充电数据从低到高排序；

S2.3、筛选出起始soc小于40，结束soc大于98的数据组；

S2.4、每组历史充电数据，筛选出soc从40到98这个时间段的数据行；

构建模块：构建特征集；具体为：

S3.1、针对每组历史充电数据，构建如下特征：电流值标准差、电流曲线单点波动数量、电流曲线阶梯波动数量、插值电流序列I′_N、插值电压序列U′_N、温度最高值、温度最低值和温度平均值；

S3.2、通过特征的构建，将每组充电历史数据转化为一个1×(2N+6)的特征行；得到m×(2N+6)的特征集，m为数据预处理之后的数据组数；

正规化处理模块：对特征集进行数据正规化处理，将所有数值缩放到[0，1]范围；

降维模块：利用PCA算法降维，将特征集从2N+6降至K维；

模型构建模块：利用KNN算法拟合降维后的特征集，得到训练后的聚类模型以及聚类中心点；

异常分析模块：将降维后的特征集输入到聚类模型，输出得到每个特征点到聚类中心点的欧式距离，欧式距离值越大，则表示该特征点的异常度越高。

进一步：所述数据采样频率为每分钟6次。

进一步：在S3.1中：

所述电流值标准差的获取公式为：

取本组数据中电流序列I_n，本组数据数量为n，则电流平均值I_μ为：

电流标准差I_σ为：

电池充电某一时刻电流值为I_i，前一时刻电流值为I_i-1，后一时刻电流值为I_i+1，设定阈值为T；

所述电流曲线单点波动数量的获取过程为：若(I_i-1-I_i>T)&(I_i+1-I_i>T)，则将I_i判定为电流曲线单点波动，计数为1，对每组历史充电数据，求出其总数量，计为n₁；

所述电流曲线阶梯波动数量的获取过程为：若(|I_i-1-I_i|≤T)&(|I_i+1-I_i|≤T)，则将I_i判定连续变化点；去除单点波动点之后，去除连续变化点，对剩余的点，如果

(I_i-I_i+1>T)&(|I_i+1-I_i+2|≤T)&(I_i+3-I_i+2>T)，则将I_i判定为电流曲线阶梯波动，计数为1，对每组历史充电数据，求出其总数量，计为n₂；

插值电流序列I′_N，插值电压序列U′_N取每组历史充电数据的电流序列I_n、电压序列U_n、数据时间戳序列Time_n，首先计算每个时间点到起始时间点的差，得到秒计数时间序列：

t_i＝Time_i-Time₁(1≤i≤n,i∈z)；

取插值数量N，求出插值时间序列：

则插值电流序列为：

则插值电压序列为：

进一步：在S3.2中：对每组历史充电数据执行S3.1，最终得到m×(2N+6)的特征集，m为原始数据预处理之后的数据组数，(2N+6)为每组历史充电数据构建出的特征数量；对特征集的每列f_i进行如下正规化处理：

f_max＝max{f_i}(1≤i≤m,i∈Z)；

f_min＝min{f_i}(1≤i≤m,i∈Z)；

f_i＝(f_i-f_min)/(f_max-f_min)(1≤i≤m,i∈Z)；

得到最终特征集F。

一种实现上述优选实施例中基于机器学习的电池充电异常状态监测方法的计算机程序。

一种实现上述优选实施例中基于机器学习的电池充电异常状态监测方法的信息数据处理终端。

一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行上述优选实施例中的基于机器学习的电池充电异常状态监测方法。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘SolidStateDisk(SSD))等。

以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。

Claims (10)

1.一种基于机器学习的电池充电异常状态监测方法，其特征在于，包括如下步骤：

S1：搜集电池的历史充电数据：具体为：根据数据采样频率，提取M行数据字段，每行数据字段包括电池箱编码、温度、电压、电流、soc、开始充电时间、数据时间戳；M为大于1的自然数；

S2、对历史充电数据进行预处理，具体为：

S2.1、通过电池箱编码，开始充电时间，进行数据分组，每组历史充电数据表示一块电池一次充电过程的所有数据；

S2.2、按时间戳将每组历史充电数据从低到高排序；

S2.3、筛选出起始soc小于40，结束soc大于98的数据组；

S2.4、每组历史充电数据，筛选出soc从40到98这个时间段的数据行；

S3、构建特征集；具体为：

S3.1、针对每组历史充电数据，构建如下特征：电流值标准差、电流曲线单点波动数量、电流曲线阶梯波动数量、插值电流序列I′_N、插值电压序列U′_N、温度最高值、温度最低值和温度平均值；

S3.2、通过特征的构建，将每组充电历史数据转化为一个1×(2N+6)的特征行，得到m×(2N+6)的特征集，m为数据预处理之后的数据组数；

S4、对特征集进行数据正规化处理，将所有数值缩放到[0，1]范围；

S5、利用PCA算法降维，将特征集从2N+6降至K维；

S6、利用KNN算法拟合降维后的特征集，得到训练后的聚类模型以及聚类中心点；

S7、将降维后的特征集输入到聚类模型，输出得到每个特征点到聚类中心点的欧式距离，欧式距离值越大，则表示该特征点的异常度越高。

2.根据权利要求1所述的基于机器学习的电池充电异常状态监测方法，其特征在于：所述数据采样频率为每分钟6次。

3.根据权利要求1所述的基于机器学习的电池充电异常状态监测方法，其特征在于：在S3.1中：

所述电流值标准差的获取公式为：

取本组数据中电流序列I_n，本组数据数量为n，则电流平均值I_μ为：

电流标准差I_σ为：

电池充电某一时刻电流值为I_i，前一时刻电流值为I_i-1，后一时刻电流值为I_i+1，设定阈值为T；

所述电流曲线单点波动数量的获取过程为：若(I_i-1-I_i＞T)&(I_i+1-I_i＞T)，则将I_i判定为电流曲线单点波动，计数为1，对每组历史充电数据，求出总数量，计为n₁；

所述电流曲线阶梯波动数量的获取过程为：若(|I_i-1-I_i|≤T)&(|I_i+1-I_i|≤T)，则将I_i判定连续变化点；去除单点波动点之后，去除连续变化点，对剩余的点，如果

(I_i-I_i+1＞T)&(|I_i+1-I_i+2|≤T)&(I_i+3-I_i+2＞T)，则将I_i判定为电流曲线阶梯波动，计数为1，对每组历史充电数据，求出其总数量，计为n₂；

插值电流序列I′_N，插值电压序列U′_N取每组历史充电数据的电流序列I_n、电压序列U_n、数据时间戳序列Time_n，首先计算每个时间点到起始时间点的差，得到秒计数时间序列：

t_i＝Time_i-Time₁(1≤i≤n，i∈z)；

取插值数量N，求出插值时间序列：

则插值电流序列为：

则插值电压序列为：

4.根据权利要求3所述的基于机器学习的电池充电异常状态监测方法，其特征在于：在S3.2中：对每组历史充电数据执行S3.1，最终得到m×(2N+6)的特征集，m为原始数据预处理之后的数据组数，2N+6为每组历史充电数据构建出的特征数量；对特征集的每列f_i进行如下正规化处理：

f_max＝max{f_i}(1≤i≤m，i∈Z)；

f_min＝min{f_i}(1≤i≤m，i∈Z)；

f_i＝(f_i-f_min)/(f_max-f_min)(1≤i≤m，i∈Z)；

得到最终特征集F。

5.一种基于机器学习的电池充电异常状态监测系统，其特征在于，包括：

基础数据搜集模块：搜集电池的历史充电数据：具体为：根据数据采样频率，提取M行数据字段，每行数据字段包括电池箱编码、温度、电压、电流、soc、开始充电时间、数据时间戳；M为大于1的自然数；

预处理模块：对历史充电数据进行预处理，具体为：

S2.1、通过电池箱编码，开始充电时间，进行数据分组，每组历史充电数据表示一块电池一次充电过程的所有数据；

S2.2、按时间戳将每组历史充电数据从低到高排序；

S2.3、筛选出起始soc小于40，结束soc大于98的数据组；

S2.4、每组历史充电数据，筛选出soc从40到98这个时间段的数据行；

构建模块：构建特征集；具体为：

S3.1、针对每组历史充电数据，构建如下特征：电流值标准差、电流曲线单点波动数量、电流曲线阶梯波动数量、插值电流序列I′_N、插值电压序列U′_N、温度最高值、温度最低值和温度平均值；

S3.2、通过特征的构建，将每组充电历史数据转化为一个1×(2N+6)的特征行；得到m×(2N+6)的特征集，m为数据预处理之后的数据组数；

正规化处理模块：对特征集进行数据正规化处理，将所有数值缩放到[0，1]范围；

降维模块：利用PCA算法降维，将特征集从2N+6降至K维；

模型构建模块：利用KNN算法拟合降维后的特征集，得到训练后的聚类模型以及聚类中心点；

异常分析模块：将降维后的特征集输入到聚类模型，输出得到每个特征点到聚类中心点的欧式距离，欧式距离值越大，则表示该特征点的异常度越高。

6.根据权利要求5所述的基于机器学习的电池充电异常状态监测系统，其特征在于：所述数据采样频率为每分钟6次。

7.根据权利要求5所述的基于机器学习的电池充电异常状态监测系统，其特征在于：在S3.1中：

所述电流值标准差的获取公式为：

取本组数据中电流序列I_n，本组数据数量为n，则电流平均值I_μ为：

电流标准差I_σ为：

电池充电某一时刻电流值为I_i，前一时刻电流值为I_i-1，后一时刻电流值为I_i+1，设定阈值为T；

所述电流曲线单点波动数量的获取过程为：若(I_i-1-I_i＞T)&(I_i+1-I_i＞T)，则将I_i判定为电流曲线单点波动，计数为1，对每组历史充电数据，求出其总数量，计为n₁；

所述电流曲线阶梯波动数量的获取过程为：若(|I_i-1-I_i|≤T)&(|I_i+1-I_i|≤T)，则将I_i判定连续变化点；去除单点波动点之后，去除连续变化点，对剩余的点，如果

(I_i-I_i+1＞T)&(|I_i+1-I_i+2|≤T)&(I_i+3-I_i+2＞T)，则将I_i判定为电流曲线阶梯波动，计数为1，对每组历史充电数据，求出其总数量，计为n₂；

插值电流序列I′_N，插值电压序列U′_N取每组历史充电数据的电流序列I_n、电压序列U_n、数据时间戳序列Time_n，首先计算每个时间点到起始时间点的差，得到秒计数时间序列：

t_i＝Time_i-Time₁(1≤i≤n，i∈Z)；

取插值数量N，求出插值时间序列：

则插值电流序列为：

则插值电压序列为：

8.根据权利要求7所述的基于机器学习的电池充电异常状态监测系统，其特征在于：在S3.2中：对每组历史充电数据执行S3.1，最终得到m×(2N+6)的特征集，m为原始数据预处理之后的数据组数，(2N+6)为每组历史充电数据构建出的特征数量；对特征集的每列f_i进行如下正规化处理：

f_max＝max{f_i}(1≤i≤m，i∈Z)；

f_min＝min{f_i}(1≤i≤m，i∈Z)；

f_i＝(f_i-f_min)/(f_max-f_min)(1≤i≤m，i∈Z)；

得到最终特征集F。

9.一种电池充电异常状态监测方法的信息数据处理终端，其特征在于：用于实现权利要求1-4任一项所述基于机器学习的电池充电异常状态监测方法。

10.一种计算机可读存储介质，其特征在于：包括指令，当其在计算机上运行时，使得计算机执行如权利要求1-4任一项所述的基于机器学习的电池充电异常状态监测方法。

Images