CN116461334A - 车辆预警方法、装置、设备及存储介质 - Google Patents

车辆预警方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN116461334A
CN116461334A CN202310454738.4A CN202310454738A CN116461334A CN 116461334 A CN116461334 A CN 116461334A CN 202310454738 A CN202310454738 A CN 202310454738A CN 116461334 A CN116461334 A CN 116461334A
Authority
CN
China
Prior art keywords
vehicle
time sequence
feature vectors
differential pressure
sequence set
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.)
Pending
Application number
CN202310454738.4A
Other languages
English (en)
Inventor
王贞
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.)
Zhejiang Geely Holding Group Co Ltd
Geely Automobile Research Institute Ningbo Co Ltd
Original Assignee
Zhejiang Geely Holding Group Co Ltd
Geely Automobile Research Institute Ningbo Co 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 Zhejiang Geely Holding Group Co Ltd, Geely Automobile Research Institute Ningbo Co Ltd filed Critical Zhejiang Geely Holding Group Co Ltd
Priority to CN202310454738.4A priority Critical patent/CN116461334A/zh
Publication of CN116461334A publication Critical patent/CN116461334A/zh
Pending legal-status Critical Current

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B60L58/24—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries for controlling the temperature of batteries
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Q—ARRANGEMENT OF SIGNALLING OR LIGHTING DEVICES, THE MOUNTING OR SUPPORTING THEREOF OR CIRCUITS THEREFOR, FOR VEHICLES IN GENERAL
    • B60Q9/00—Arrangement or adaptation of signal devices not provided for in one of main groups B60Q1/00 - B60Q7/00, e.g. haptic signalling
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Human Computer Interaction (AREA)
  • Secondary Cells (AREA)

Abstract

本申请提供一种车辆预警方法、装置、设备及存储介质，涉及车辆预警技术领域，该方法包括：获取各车辆的电池包预警参数时序集合，所述预警参数时序集合包括压差时序集合、温差时序集合和压差熵时序集合；根据所述预警参数时序集合确定所述各车辆对应的特征向量，所述特征向量包括压差维度分量、温差维度分量和压差熵维度分量；将所述各车辆对应的特征向量划分为多个集合，每个集合包括相同电池包类型的车辆对应的特征向量；基于异常检测算法，根据每个集合中的车辆对应的特征向量，确定异常车辆。综合多维度的电池包性能参数评估不同车辆电池包的异常性，考虑更加全面，有助于提高异常电池包识别的精确度，从而提高车辆预警的准确性。

Description

车辆预警方法、装置、设备及存储介质
技术领域
本申请涉及车辆预警技术领域，尤其涉及一种车辆预警方法、装置、设备及存储介质。
背景技术
随着新能源汽车市场爆发式的增长，新能源汽车的安全问题也逐渐成为行业和用户越来越重视的问题。动力电池作为新能源汽车尤其是电动汽车的核心部件，它的安全性直接决定了整车的安全性。
目前，各车辆从单一维度针对自身电池包内不同单体电池之间的差异进行动力电池异常检测，以识别出异常单体电池，车辆可以基于该异常单体电池进行预警。例如云端根据车辆的不同单体电池的电压的变化，采用专家经验、统计学等异常检测算法设计电压阈值，以识别出电压不在阈值范围内的异常单体电池。
然而，这样从单一维度识别异常单体电池，识别精度低，进而导致车辆预警准确性低。
发明内容
本申请提供一种车辆预警方法、装置、设备及存储介质，有助于提高车辆预警的准确度。
第一方面，本申请提供一种车辆预警方法，该方法包括：获取各车辆的电池包预警参数时序集合，预警参数时序集合包括压差时序集合、温差时序集合和压差熵时序集合；
根据预警参数时序集合确定各车辆对应的特征向量，特征向量包括压差维度分量、温差维度分量和压差熵维度分量；
将各车辆对应的特征向量划分为多个集合，每个集合包括相同电池包类型的车辆对应的特征向量；
基于异常检测算法，根据每个集合中的车辆对应的特征向量，确定异常车辆。
在一种可能的实现方式中，获取各车辆的电池包预警参数时序集合，包括：
获取每个车辆的电池包的电池数据，电池数据包括单体电压和探针温度；
根据单体电压计算车辆在各时刻的压差值，得到压差时序集合；
根据探针温度计算车辆在各时刻的温差值，得到温差时序集合；
根据各时刻的压差值，绘制压差曲线，并针对压差曲线，按照预设时间窗口长度进行无覆盖滑动，计算每个窗口内的压差熵，得到压差熵时序集合。
在一种可能的实现方式中，根据预警参数时序集合确定各车辆对应的特征向量，包括：
对预警参数时序集合按照预设算法计算得到特征向量，预设算法包括下述任一个：求单位时间平均值法、求单位时间中位数法。
在一种可能的实现方式中，基于异常检测算法，根据每个集合中的车辆对应的特征向量，确定异常车辆，包括：
基于异常检测算法对每个集合进行离群点识别，离群点为异常车辆对应的特征向量；
输出离群点对应的异常车辆标识。
在一种可能的实现方式中，异常检测算法包括基于密度的噪声应用空间聚类算法，基于异常检测算法对每个集合进行离群点识别，包括：
获取多个参数组，每个参数组包括预设邻域半径范围内的任意一个邻域半径和预设数量范围内的任意一个最少点数目；
针对每个集合，将多个参数组分别输入基于密度的噪声应用空间聚类算法进行计算，确定并存储各参数组在集合中各自对应的异常特征向量和正常特征向量；
根据异常特征向量和正常特征向量确定离群点。
在一种可能的实现方式中，异常检测算法包括孤立森林算法，基于异常检测算法对每个集合进行离群点识别，包括：
针对每个集合，将预设占比值范围内的多个不同的异常数据占比值，分别输入孤立森林算法进行计算，确定并存储集合中的异常特征向量和正常特征向量；
根据异常特征向量和正常特征向量确定离群点。
在一种可能的实现方式中，根据异常特征向量和正常特征向量确定离群点，包括：
计算异常集群和正常集群之间的距离，得到距离参数，异常集群包括异常特征向量，正常集群包括正常特征向量；
以及计算正常集群的半径，得到半径参数；
计算距离参数和半径参数的比值，得到距离因子；
确定距离因子最大时对应的异常特征向量为离群点。
第二方面，本申请提供一种车辆预警装置，该装置包括获取模块、第一确定模块、划分模块和第二确定模块，其中，
获取模块，用于获取各车辆的电池包预警参数时序集合，预警参数时序集合包括压差时序集合、温差时序集合和压差熵时序集合；
第一确定模块，用于根据预警参数时序集合确定各车辆对应的特征向量，特征向量包括压差维度分量、温差维度分量和压差熵维度分量；
划分模块，用于将各车辆对应的特征向量划分为多个集合，每个集合包括相同电池包类型的车辆对应的特征向量；
第二确定模块，用于基于异常检测算法，根据每个集合中的车辆对应的特征向量，确定异常车辆。
在一种可能的实现方式中，获取模块，具体用于：
获取每个车辆的电池包的电池数据，电池数据包括单体电压和探针温度；
根据单体电压计算车辆在各时刻的压差值，得到压差时序集合；
根据探针温度计算车辆在各时刻的温差值，得到温差时序集合；
根据各时刻的压差值，绘制压差曲线，并针对压差曲线，按照预设时间窗口长度进行无覆盖滑动，计算每个窗口内的压差熵，得到压差熵时序集合。
在一种可能的实现方式中，第一确定模块，具体用于：
对预警参数时序集合按照预设算法计算得到特征向量，预设算法包括下述任一个：求单位时间平均值法、求单位时间中位数法。
在一种可能的实现方式中，第二确定模块，具体用于：
基于异常检测算法对每个集合进行离群点识别，离群点为异常车辆对应的特征向量；
输出离群点对应的异常车辆标识。
在一种可能的实现方式中，异常检测算法包括基于密度的噪声应用空间聚类算法，第二确定模块，具体用于：
获取多个参数组，每个参数组包括预设邻域半径范围内的任意一个邻域半径和预设数量范围内的任意一个最少点数目；
针对每个集合，将多个参数组分别输入基于密度的噪声应用空间聚类算法进行计算，确定并存储各参数组在集合中各自对应的异常特征向量和正常特征向量；
根据异常特征向量和正常特征向量确定离群点。
在一种可能的实现方式中，异常检测算法包括孤立森林算法，第二确定模块，具体用于：
针对每个集合，将预设占比值范围内的多个不同的异常数据占比值，分别输入孤立森林算法进行计算，确定并存储集合中的异常特征向量和正常特征向量；
根据异常特征向量和正常特征向量确定离群点。
在一种可能的实现方式中，第二确定模块，具体用于：
计算异常集群和正常集群之间的距离，得到距离参数，异常集群包括异常特征向量，正常集群包括正常特征向量；
以及计算正常集群的半径，得到半径参数；
计算距离参数和半径参数的比值，得到距离因子；
确定距离因子最大时对应的异常特征向量为离群点。
第三方面，本申请提供一种电子设备，包括：处理器和存储器；存储器存储计算机执行指令；处理器执行存储器存储的计算机执行指令，使得处理器执行如第一方面或第一方面的任一种可能的实现方式中描述的车辆预警方法。
第四方面，本申请提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机执行指令，当计算机执行指令被处理器执行时用于实现如第一方面或第一方面的任一种可能的实现方式中描述的车辆预警方法。
第五方面，本申请提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时，实现如第一方面或第一方面的任一种可能的实现方式中描述的车辆预警方法。
本申请中，获取各车辆的电池包预警参数时序集合，预警参数时序集合包括压差时序集合、温差时序集合和压差熵时序集合；根据预警参数时序集合确定各车辆对应的特征向量，特征向量包括压差维度分量、温差维度分量和压差熵维度分量；将各车辆对应的特征向量划分为多个集合，每个集合包括相同电池包类型的车辆对应的特征向量；基于异常检测算法，根据每个集合中的车辆对应的特征向量，确定异常车辆。将不同车辆的表征电池包的压差、温差和压差熵的特征向量集合在一起评估不同车辆电池包的异常性，考虑更加全面，有助于提高异常电池包识别的精确度，从而提高车辆预警的准确性。
附图说明
图1为本申请实施例所适用的场景示意图；
图2为本申请实施例提供的一种车辆预警方法的流程示意图；
图3为本申请实施例提供的又一种车辆预警方法的流程示意图；
图4为本申请实施例提供的一种车辆预警装置的结构示意图；
图5为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请的实施例，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
在本申请实施例中，采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分。例如，第一芯片和第二芯片仅仅是为了区分不同的芯片，并不对其先后顺序进行限定。本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定，并且“第一”、“第二”等字样也并不限定一定不同。
需要说明的是，本申请实施例中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
本申请实施例中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B的情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b，或c中的至少一项(个)，可以表示：a，b，c，a-b，a--c，b-c，或a-b-c，其中a，b，c可以是单个，也可以是多个。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，并且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准，并提供有相应的操作入口，供用户选择授权或者拒绝。
应该理解的是，虽然本申请实施例中的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，图中的至少一部分步骤可以包括至少一个子步骤或者至少一个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
随着动力电池技术的飞速发展，以锂电池作为动力电池的新能源汽车成为汽车产业绿色发展、低碳转型的重要方向。随着新能源汽车市场爆发式的增长，新能源汽车的安全问题也逐渐成为行业和用户越来越重视的问题。
动力电池作为新能源汽车尤其是电动汽车的核心部件，它的安全性直接决定了整车的安全性，因此，对车辆的动力电池包(以下简称电池包)进行全生命周期内的实时故障预警及安全监测具有重要的现实意义。目前采用电池管理系统(battery managementsystem，BMS)实现基于车端监测信号的实时故障报警，基于互联网和大数据等技术实现车云协同，在云端实现电池的实时故障预警及安全监控。对于动力电池，云端监测的电池特性参数可以包括单体电池电压、各探针温度、电流等信号。
车辆的电池包由多个相同型号的单体电池串并联组成，单体电池在电压、内阻、容量方面均存在一定的不一致性，随着使用过程中电池充放电次数的增加，单体电池之间内部参数的差异会逐渐增加，从而导致单体电池的电压、压差、压降速率、温度、温差等参数出现一定的离群现象。
一些实现中，各车辆从单一维度针对自身电池包内不同单体电池之间的差异进行动力电池异常检测，以识别出异常单体电池，车辆可以基于该异常单体电池进行预警。例如云端根据车辆的不同单体电池的电压的变化，采用专家经验、统计学等异常检测算法设计电压阈值，以识别出电压不在阈值范围内的异常单体电池。
然而，在动力电池投入使用初期，各单体电池一致性较好，也就是各单体电池的参数差异不大，这样针对电池包内不同的单体电池之间的差异进行异常检测分析的方法，容易将正常的单体电池中某一个或多个电池单体定义为异常单体电池，也就是误将正常数据判别为异常数据。
而且，采用专家经验设计电池包的参数阈值时，由于不同型号、不同工况等条件下的电池包特性不一致，使得电池包的参数阈值的设计无法做到精细化差别设置。
而将基于统计学的算法应用在压差、温差等动力电池物理监测信号上具有一定的局限性，基于统计学的算法可以包括标准差法、箱线图法等。其中，标准差法要求数据满足正态性分布，但实际单体电池的压差、温差等监测量不满足这一假设前提，其数据形态具有显著的单边、偏峰及长尾特征，导致电池包的参数阈值计算失效；而箱线图法需要结合一定的专家经验进行阈值设计，无法直接使用箱线图进行离群点判定，缺乏从数据自身特点进行离群判定的支撑。
此外，针对车辆电池的电芯老化造成的一致性变差，表征异常的特征参数一般仅从电压或者温度等单一维度考虑，未进行多维度的综合判断，因此，示例性的，假设车辆电池包中各单体电池电压均正常，但存在温度异常的单体电池，此时若是从电压维度判断单体电池是否异常，则无法检测出异常的单体电池，车辆便不会预警，因此，这样从单一维度识别异常单体电池，识别精度低，进而导致车辆预警准确性低。
有鉴于此，本申请实施例提供一种车辆预警方法，该方法针对不同车辆的电池包的电压一致性、电压波动性和温度一致性进行计算分析，以确定异常电池包，进而确定异常的车辆。综合多维度的电池包性能参数评估不同车辆电池包的异常性，考虑更加全面，有助于提高异常电池包识别的精确度，从而提高车辆预警的准确性。
示例性的，图1为本申请实施例所适用的场景示意图。如图1所示，该场景中包括服务器100和多辆汽车200，其中，服务器100可以为云端服务器，汽车200例如可以为安装有动力电池的电动汽车。
可以理解的是，图1中的汽车200的数量仅为示例性说明，实际应用场景中，汽车200的数量可以更多，本申请实施例对此不作具体限定。
多辆汽车200中可以分别提供电池管理系统，各电池管理系统用于监测各汽车200的电池包数据，并实时或定期将电池包数据上传到服务器100中。
服务器100可以基于本申请实施例提供的车辆预警方法实现异常车辆的预警。
示例性的，该车辆预警方法可以包括：获取各车辆的电池包预警参数时序集合，预警参数时序集合包括压差时序集合、温差时序集合和压差熵时序集合；根据预警参数时序集合确定各车辆对应的特征向量，特征向量包括压差维度分量、温差维度分量和压差熵维度分量；将各车辆对应的特征向量划分为多个集合，每个集合包括相同电池包类型的车辆对应的特征向量；基于异常检测算法，根据每个集合中的车辆对应的特征向量，确定异常车辆。将不同车辆的表征电池包的压差、温差和压差熵的特征向量集合在一起评估不同车辆电池包的异常性，考虑更加全面，有助于提高异常电池包识别的精确度，从而提高车辆预警的准确性。
下面，通过具体实施例对本申请所示的技术方案进行详细说明。需要说明的是，下面几个实施例可以独立存在，也可以相互结合，对于相同或显示的内容，在不同的实施例中不再重复说明。
示例性的，图2示出了本申请实施例提供的一种车辆预警方法的流程示意图。本申请实施例的执行主体可以为图1中的服务器100，具体执行主体可以根据实际应用场景确定。如图2所示，该方法可以包括：
S201：获取各车辆的电池包预警参数时序集合，预警参数时序集合包括压差时序集合、温差时序集合和压差熵时序集合。
其中，压差时序集合中的压差表征电池包中单体电池的最大不一致性，压差熵时序集合中的压差熵表征该最大不一致性的无序程度。
本申请实施例中，各车辆的电池包压差时序集合和压差熵时序集合，可以通过各电池包中各单体电池的电压，以及各单体电池的电压对应的时间戳确定；各车辆的电池包温差时序集合，可以通过各电池包中各单体电池的探针温度，以及各单体电池的探针温度对应的时间戳确定。
S202：根据预警参数时序集合确定各车辆对应的特征向量，特征向量包括压差维度分量、温差维度分量和压差熵维度分量。
其中，特征向量用于表征对应车辆的电池包整体特征。
示例性的，云端服务器分别对单辆车辆的电池包压差时序集合中的各压差、温差时序集合中的各温差、压差熵时序集合中的各压差熵进行计算，对应得到该车辆的电池包在压差维度的值、温差维度的值、压差熵维度的值，该压差维度的值、温差维度的值、压差熵维度的值即为该车辆对应的特征向量中压差维度分量、温差维度分量、压差熵维度分量。
可以理解的是，云端服务器确定各车辆对应的特征向量的方式相同。
S203：将各车辆对应的特征向量划分为多个集合，每个集合包括相同电池包类型的车辆对应的特征向量。
示例性的，假设S1，S2，S3……Sk分别为车辆1，车辆2，车辆3……车辆k对应的特征向量，按照预设划分逻辑将S1，S2，S3……Sk划分为多个集合，预设划分逻辑可以包括相同电池包类型、相同车辆类型、相同电池包串并联类型、相同地区车辆和相同季节车辆等。例如按照电池包类型将S1，S2，S3……Sk划分为多个集合，则每个集合中包括相同电池包类型的车辆对应的特征向量。由于不同工况下的车辆的电池数据不同，因此，按预设划分逻辑将相同工况的车辆的电池数据进行对比，便于后续为相同工况下的车辆的电池数据设置阈值，以实现电池包异常的精确判断的效果。
假设k为10，按照相同电池包类型划分时，S1，S2，S3……S10被划分为了3个集合：{S1,S2,S7}l，{S3,S5,S10}l+1，{S4,S6,S8,S9}l+2，则第l个集合中的S1、S2和S7三个特征向量对应的车辆的电池包类型相同，第l+1个集合中的S3、S5和S10三个特征向量对应的车辆的电池包类型相同，第l+2个集合中的S4、S6、S8和S9四个特征向量对应的车辆的电池包类型相同，也就是每个集合包括相同电池包类型的车辆对应的特征向量。其中，l为集合序号。
S204：基于异常检测算法，根据每个集合中的车辆对应的特征向量，确定异常车辆。
其中，异常检测算法可以包括K邻近(K-nearest neighbor)算法、基于密度的噪声应用空间聚类(density-based spatial clustering of applications with noise，DBSCAN)算法、孤立森林(isolation forest，IForest)算法和局部离群因子(localoutlier factor，LOF)算法等。
可能的实现中，基于异常检测算法对每个集合中的车辆对应的特征向量进行处理，确定离群特征向量，从而确定离群特征向量对应的异常车辆。
本申请实施例中，获取各车辆的电池包预警参数时序集合，预警参数时序集合包括压差时序集合、温差时序集合和压差熵时序集合；根据预警参数时序集合确定各车辆对应的特征向量，特征向量包括压差维度分量、温差维度分量和压差熵维度分量；将各车辆对应的特征向量划分为多个集合，每个集合包括相同电池包类型的车辆对应的特征向量；基于异常检测算法，根据每个集合中的车辆对应的特征向量，确定异常车辆。将不同车辆的表征电池包的压差、温差和压差熵的特征向量集合在一起评估不同车辆电池包的异常性，考虑更加全面，有助于提高异常电池包识别的精确度，从而提高车辆预警的准确性。
在上述实施例的基础上，为了更清楚的描述本申请的技术方案，示例性的，请参照图3，图3示出了本申请实施例提供的又一种车辆预警方法的流程示意图。本申请实施例的执行主体可以为图1中的服务器100，具体执行主体可以根据实际应用场景确定。如图3所示，该方法可以包括：
S301：获取每个车辆的电池包的电池数据，电池数据包括单体电压和探针温度；根据单体电压计算车辆在各时刻的压差值，得到压差时序集合；根据探针温度计算车辆在各时刻的温差值，得到温差时序集合；根据各时刻的压差值，绘制压差曲线，并针对压差曲线，按照预设时间窗口长度进行无覆盖滑动，计算每个窗口内的压差熵，得到压差熵时序集合。
本申请实施例中，云端服务器可以实时从各车辆的电池管理系统获取电池管理系统采集的电池包数据，并对采集的电池包数据进行清洗，清洗可以包括剔除异常值、处理缺失值、数据格式转化等步骤。电池包数据可以包括单体电池的单体电压、探针温度等数据。
云端服务器按预设采样周期对清洗后的电池包数据进行采样，以得到各车辆的电池包的电池数据，预设采样周期例如可以为10秒。
可以理解的是，云端服务器从各车辆的电池管理系统获取的电池包数据中的各数据携带有对应的时间戳，因此，各车辆的电池包的电池数据也携带有对应的时间戳。
可能的实现中，基于各单体电压及对应的时间戳确定对应的压差时序集合和压差熵时序集合，基于各探针温度及对应的时间戳确定对应的温差时序集合。
示例性的，在t时刻，电池包的压差值ΔUt为电池包最大的单体电压Umax和最小的单体电压Umin的差值，各时刻的压差值ΔUt组成压差时序集合{ΔUt}；根据各时刻的压差值ΔUt，绘制压差曲线，并针对压差曲线，按照预设时间窗口长度进行无覆盖滑动，计算每个窗口i内的压差熵
其中，Pij为压差值ΔUt在第i个滑动窗口内不同电压区间的概率值，电压区间为N个，N为大于0的整数，
其中，Cij为压差值ΔUt在第i个滑动窗口内落入压差区间j的样本数。
电池包的温差值ΔTt为电池包最大的探针温度Tmax和最小的探针温度Tmin的差值，各时刻的温差值ΔTt组成温差时序集合{ΔTt}。
本申请实施例中，从压差、温差、压差熵多维度表征电池包的异常特征，相比于单一维度，可以更丰富的体现电池包的特征，有助于提高异常电池包的识别精度，从而提高异常电池包对应的车辆的预警准确度。
S302：对预警参数时序集合按照预设算法计算得到特征向量，预设算法包括下述任一个：求单位时间平均值法、求单位时间中位数法。
可能的实现中，针对各车辆的电池包，按照预设算法分别计算每个维度的单位时间特征，得到压差维度分量、温差维度分量和压差熵维度分量。
示例性的，假设预设算法为求单位时间平均值法，且单位时间为日，针对车辆k的电池包，对压差时序集合中某一日对应的所有压差求平均值，得到压差维度分量v1，对温差时序集合中该日对应的所有温差求平均值，得到温差维度分量v2，对压差时序集合中该日对应的所有压差熵求平均值，得到压差熵维度分量v3，则该车辆k对应的特征向量Sk＝[v1，v2，v3]。
S303：将各车辆对应的特征向量划分为多个集合，每个集合包括相同电池包类型的车辆对应的特征向量。
该步骤与上述步骤S203相似或相同，在此不再赘述。
S304：基于异常检测算法对每个集合进行离群点识别，离群点为异常车辆对应的特征向量；输出离群点对应的异常车辆标识。
示例性的，特征向量Sk＝[v1，v2，v3]可以理解为是三维空间中的坐标点，基于异常检测算法对每个集合进行离群点识别，也就是通过异常检测算法为这些坐标点标记上标签，标签可以包括异常点和正常点，异常点即为离群点，也就是异常车辆对应的特征向量，识别出离群点后，输出离群点对应的异常车辆标识，供后续车辆的电池管理系统预警时调用。
本申请实施例中，将不同车辆的表征电池包的压差、温差和压差熵的特征向量集合在一起评估不同车辆电池包的异常性，考虑更加全面，有助于提高异常电池包识别的精确度，从而提高车辆预警的准确性。
下面对不同异常检测算法识别离群点的具体实现进行介绍。
在一种可能的实现方式中，异常检测算法包括基于密度的噪声应用空间聚类算法，基于异常检测算法对每个集合进行离群点识别，包括：
获取多个参数组，每个参数组包括预设邻域半径范围内的任意一个邻域半径和预设数量范围内的任意一个最少点数目；针对每个集合，将多个参数组分别输入基于密度的噪声应用空间聚类算法进行计算，确定并存储各参数组在集合中各自对应的异常特征向量和正常特征向量；根据异常特征向量和正常特征向量确定离群点。
其中，预设邻域半径范围为邻域半径的取值范围，预设数量范围为最少点数目的取值范围，预设邻域半径范围和预设数量范围可以根据实际应用场景设定，本申请实施例对此不做具体限定。
可能的实现中，基于密度的噪声应用空间聚类算法的输入参数为参数组，该参数组中可以包括邻域半径和最少点数目。云端服务器中可以存储有预设邻域半径范围和预设数量范围，取预设邻域半径范围中任意一个邻域半径和预设数量范围中任意一个最少点数目作为一个参数组，可以得到多个参数组。
针对每个集合，将该多个参数组分别输入基于密度的噪声应用空间聚类算法进行计算，得到各参数组在集合中各自对应的异常特征向量和正常特征向量。
示例性的，假设预设邻域半径范围内，包括M种取值的邻域半径，预设数量范围内，包括N种取值的最少点数目，则基于密度的噪声应用空间聚类算法的存在M×N个参数组，将每个参数组输入基于密度的噪声应用空间聚类算法对每个集合进行计算，得到每个参数组在集合中对应的异常特征向量和正常特征向量，并为每种参数组对应的异常特征向量标注异常标签，为正常特征向量标注正常标签。例如对集合L和集合L+1进行计算，将M×N个参数组分别输入基于密度的噪声应用空间聚类算法对集合L进行计算，得到各参数组在集合L中各自对应的异常特征向量和正常特征向量，也就是得到M×N组异常特征向量和正常特征向量；将M×N个参数组分别输入基于密度的噪声应用空间聚类算法对集合L+1进行计算，得到各参数组在集合L+1中各自对应的异常特征向量和正常特征向量，也就是得到M×N组异常特征向量和正常特征向量。
可以理解的是，每一个参数组对应一组异常特征向量和正常特征向量，不同的参数组对应的异常特征向量不同，不同的参数组对应的正常特征向量也不同。
进一步的，综合集合L中不同的邻域半径和最少点数目的参数组对应的异常特征向量和正常特征向量，确定该集合L中的离群点。
示例性的，针对每一个参数组对应的异常特征向量和正常特征向量，可以通过距离因子、方差或标准差等数值评估其优劣，评估为最佳的一组异常特征向量和正常特征向量中的异常特征向量为该集合L中的离群点。
本申请实施例中，通过DBSCAN算法识别异常的车辆的电池包对应的特征向量，避免了对专家经验的单一依赖，且对电池数据的分布没有太多限制。
在一种可能的实现方式中，异常检测算法包括孤立森林算法，基于异常检测算法对每个集合进行离群点识别，包括：
针对每个集合，将预设占比值范围内的多个不同的异常数据占比值，分别输入孤立森林算法进行计算，确定并存储集合中的异常特征向量和正常特征向量；根据异常特征向量和正常特征向量确定离群点。
其中，预设占比值范围也就是异常数据占比值的合理取值范围，预设占比值范围可以预设在云端服务器中，示例性的，预设占比值范围可以为0至0.3之间。在一些可能的实现中，在云端服务器中预设异常数据占比值的取值范围时，可以根据结合实际场景缩小异常数据占比值的取值范围，以减少异常数据占比值输入孤立森林算法进行计算的次数，从而快速确定优选的异常数据占比值，进而根据优选的异常数据占比值得到对应的异常特征向量和正常特征向量，以准确确定离群点。
示例性的，针对每个集合，例如针对集合L，将不同的异常数据占比值分别输入孤立森林算法对集合L进行计算，得到各异常数据占比值各自对应的异常特征向量和正常特征向量，并为每个异常数据占比值对应的异常特征向量标注异常标签，为正常特征向量标注正常标签。
可以理解的是，每一个异常数据占比值对应一组异常特征向量和正常特征向量，不同的异常数据占比值对应的异常特征向量不同，不同的异常数据占比值对应的正常特征向量也不同。
进一步的，综合集合L中不同的异常数据占比值对应的异常特征向量和正常特征向量，确定集合中的离群点。
示例性的，针对每一个异常数据占比值对应的异常特征向量和正常特征向量，可以通过距离因子、方差或标准差等数值评估其优劣，评估为最佳的一组异常特征向量和正常特征向量中的异常特征向量为该集合L中的离群点。
本申请实施例中，通过孤立森林算法识别异常的车辆的电池包对应的特征向量，避免了对专家经验的单一依赖，且对电池数据的分布没有太多限制。
在一种可能的实现方式中，根据异常特征向量和正常特征向量确定离群点，包括：
计算异常集群和正常集群之间的距离，得到距离参数，异常集群包括异常特征向量，正常集群包括正常特征向量；以及计算正常集群的半径，得到半径参数；计算距离参数和半径参数的比值，得到距离因子；确定距离因子最大时对应的异常特征向量为离群点。
其中，距离因子用于评估异常检测算法计算结果的优劣，距离因子越大，表征异常检测算法计算结果越佳，距离因子可以为大于0的浮点数。
示例性的，假设按照预设划分逻辑划分后得到集合{S1,S2……S10}，且假设通过输入参数为第一参数组的异常检测算法对该集合进行计算后，得到异常特征向量为S1和S2，正常特征向量为S3至S10，则该第一参数组对应的异常特征向量S1和S2组成异常集群，正常特征向量S3至S10组成正常集群，计算正常集群的中心点和异常集群的中心点之间的距离，得到距离参数，其中，距离可以为欧氏距离；计算正常集群的半径，得到半径参数；计算距离参数和半径参数的比值，得到异常检测算法的输入参数为第一参数组时的距离因子。
假设通过输入参数为第二参数组的异常检测算法对该集合进行计算后，得到异常特征向量为S1、S2和S8，正常特征向量为S3至S7以及S9至S10，则该第二参数组对应的异常特征向量S1、S2和S8组成异常集群，正常特征向量S3至S7以及S9至S10组成正常集群，计算正常集群的中心点和异常集群的中心点之间的距离，得到距离参数；计算正常集群的半径，得到半径参数；计算距离参数和半径参数的比值，得到异常检测算法的输入参数为第二参数组时的距离因子。
类似的，当输入参数为第三参数组、第四参数组......第M参数组时，也可以分别基于对应的异常特征向量和正常特征向量得到各自的距离因子。
可以理解的是，上述第一参数组、第二参数组......第M参数组均在异常检测算法的输入参数阈值范围内。
进一步的，确定得到的距离因子中最大的距离因子对应的参数组为异常检测算法的优选输入参数，存储该优选输入参数，该优选输入参数被输入异常检测算法对该集合进行计算后得到的异常特征向量为离群点。
本申请实施例中，针对异常检测算法的输入参数，根据判断异常检测算法结果的距离因子动态搜索优选输入参数，实现了异常判断阈值的动态搜索，有助于提高异常车辆识别的准确度，满足了不同型号的电池包，不同使用工况下对异常检测算法输入参数的不同需求，提升了方法的鲁棒性，且基于车辆自身的电池数据识别异常的车辆，避免了对专家经验的单一依赖。
图4为本申请实施例提供的一种车辆预警装置的结构示意图，如图4所示，该车辆预警装置40包括：获取模块401、第一确定模块402、划分模块403和第二确定模块404，其中，
获取模块401，用于获取各车辆的电池包预警参数时序集合，预警参数时序集合包括压差时序集合、温差时序集合和压差熵时序集合；
第一确定模块402，用于根据预警参数时序集合确定各车辆对应的特征向量，特征向量包括压差维度分量、温差维度分量和压差熵维度分量；
划分模块403，用于将各车辆对应的特征向量划分为多个集合，每个集合包括相同电池包类型的车辆对应的特征向量；
第二确定模块404，用于基于异常检测算法，根据每个集合中的车辆对应的特征向量，确定异常车辆。
在一种可能的实现方式中，获取模块401，具体用于：
获取每个车辆的电池包的电池数据，电池数据包括单体电压和探针温度；
根据单体电压计算车辆在各时刻的压差值，得到压差时序集合；
根据探针温度计算车辆在各时刻的温差值，得到温差时序集合；
根据各时刻的压差值，绘制压差曲线，并针对压差曲线，按照预设时间窗口长度进行无覆盖滑动，计算每个窗口内的压差熵，得到压差熵时序集合。
在一种可能的实现方式中，第一确定模块402，具体用于：
对预警参数时序集合按照预设算法计算得到特征向量，预设算法包括下述任一个：求单位时间平均值法、求单位时间中位数法。
在一种可能的实现方式中，第二确定模块404，具体用于：
基于异常检测算法对每个集合进行离群点识别，离群点为异常车辆对应的特征向量；
输出离群点对应的异常车辆标识。
在一种可能的实现方式中，异常检测算法包括基于密度的噪声应用空间聚类算法，第二确定模块404，具体用于：
获取多个参数组，每个参数组包括预设邻域半径范围内的任意一个邻域半径和预设数量范围内的任意一个最少点数目；
针对每个集合，将多个参数组分别输入基于密度的噪声应用空间聚类算法进行计算，确定并存储各参数组在集合中各自对应的异常特征向量和正常特征向量；
根据异常特征向量和正常特征向量确定离群点。
在一种可能的实现方式中，异常检测算法包括孤立森林算法，第二确定模块404，具体用于：
针对每个集合，将预设占比值范围内的多个不同的异常数据占比值，分别输入孤立森林算法进行计算，确定并存储集合中的异常特征向量和正常特征向量；
根据异常特征向量和正常特征向量确定离群点。
在一种可能的实现方式中，第二确定模块404，具体用于：
计算异常集群和正常集群之间的距离，得到距离参数，异常集群包括异常特征向量，正常集群包括正常特征向量；
以及计算正常集群的半径，得到半径参数；
计算距离参数和半径参数的比值，得到距离因子；
确定距离因子最大时对应的异常特征向量为离群点。本申请实施例提供的车辆预警装置40可以执行上述车辆预警方法实施例所示的技术方案，其实现原理以及有益效果类似，此次不再进行赘述。
图5为本申请实施例提供的一种电子设备的结构示意图。请参见图5，电子设备50包括：存储器501、处理器502、通信部件503以及总线504。其中，存储器501、处理器502、通信部件503通过总线504实现彼此之间的通信连接。
存储器501存储计算机执行指令；
处理器502执行存储器501存储的计算机执行指令，使得处理器502执行上述车辆预警方法；
通信部件503可以适用但不限于收发器一类的收发设备，来实现电子设备50与其他设备或通信网络之间的通信；
总线504可以包括在电子设备50各个部件(例如，存储器501、处理器502、通信部件503)之间传送信息的通路。
电子设备50可以为芯片、模组、集成开发环境(integrated developmentenvironment，IDE)等。
图5所示实施例所示的电子设备50可以执行上述车辆预警方法实施例所示的技术方案，其实现原理以及有益效果类似，此处不再进行赘述。
本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，当计算机执行指令被处理器执行时用于实现上述车辆预警方法。
本申请实施例还提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时，可实现上述车辆预警方法。
本申请实施例的计算机可读存储介质及计算机程序产品，可执行上述的车辆预警方法，其具体的实现过程及有益效果参见上述，在此不再赘述。
实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一可读取存储器中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储器(存储介质)包括：只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、快闪存储器、硬盘、固态硬盘、磁带(magnetictape)、软盘(floppy disk)、光盘(optical disc)及其任意组合。
本申请实施例是根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理单元以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理单元执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本申请实施例进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请实施例的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (10)

1.一种车辆预警方法，其特征在于，包括：
获取各车辆的电池包预警参数时序集合，所述预警参数时序集合包括压差时序集合、温差时序集合和压差熵时序集合；
根据所述预警参数时序集合确定所述各车辆对应的特征向量，所述特征向量包括压差维度分量、温差维度分量和压差熵维度分量；
将所述各车辆对应的特征向量划分为多个集合，每个集合包括相同电池包类型的车辆对应的特征向量；
基于异常检测算法，根据每个集合中的车辆对应的特征向量，确定异常车辆。
2.根据权利要求1所述的方法，其特征在于，所述获取各车辆的电池包预警参数时序集合，包括：
获取每个车辆的电池包的电池数据，所述电池数据包括单体电压和探针温度；
根据所述单体电压计算所述车辆在各时刻的压差值，得到所述压差时序集合；
根据所述探针温度计算所述车辆在各时刻的温差值，得到所述温差时序集合；
根据各时刻的压差值，绘制压差曲线，并针对压差曲线，按照预设时间窗口长度进行无覆盖滑动，计算每个窗口内的压差熵，得到所述压差熵时序集合。
3.根据权利要求2所述的方法，其特征在于，根据所述预警参数时序集合确定所述各车辆对应的特征向量，包括：
对所述预警参数时序集合按照预设算法计算得到所述特征向量，所述预设算法包括下述任一个：求单位时间平均值法、求单位时间中位数法。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述基于异常检测算法，根据每个集合中的车辆对应的特征向量，确定异常车辆，包括：
基于异常检测算法对每个所述集合进行离群点识别，所述离群点为异常车辆对应的特征向量；
输出所述离群点对应的异常车辆标识。
5.根据权利要求4所述的方法，其特征在于，所述异常检测算法包括基于密度的噪声应用空间聚类算法，所述基于异常检测算法对每个所述集合进行离群点识别，包括：
获取多个参数组，每个所述参数组包括预设邻域半径范围内的任意一个邻域半径和预设数量范围内的任意一个最少点数目；
针对每个所述集合，将所述多个参数组分别输入所述基于密度的噪声应用空间聚类算法进行计算，确定并存储各所述参数组在所述集合中各自对应的异常特征向量和正常特征向量；
根据所述异常特征向量和所述正常特征向量确定离群点。
6.根据权利要求4所述的方法，其特征在于，所述异常检测算法包括孤立森林算法，所述基于异常检测算法对每个所述集合进行离群点识别，包括：
针对每个所述集合，将预设占比值范围内的多个不同的异常数据占比值，分别输入所述孤立森林算法进行计算，确定并存储所述集合中的异常特征向量和正常特征向量；
根据所述异常特征向量和所述正常特征向量确定离群点。
7.根据权利要求5或6所述的方法，其特征在于，所述根据所述异常特征向量和所述正常特征向量确定离群点，包括：
计算异常集群和正常集群之间的距离，得到距离参数，所述异常集群包括所述异常特征向量，所述正常集群包括所述正常特征向量；
以及计算所述正常集群的半径，得到半径参数；
计算所述距离参数和所述半径参数的比值，得到距离因子；
确定所述距离因子最大时对应的异常特征向量为离群点。
8.一种车辆预警装置，其特征在于，所述装置包括获取模块，第一确定模块，划分模块和第二确定模块，其中，
所述获取模块，用于获取各车辆的电池包预警参数时序集合，所述预警参数时序集合包括压差时序集合、温差时序集合和压差熵时序集合；
所述第一确定模块，用于根据所述预警参数时序集合确定所述各车辆对应的特征向量，所述特征向量包括压差维度分量、温差维度分量和压差熵维度分量；
所述划分模块，用于将所述各车辆对应的特征向量划分为多个集合，每个集合包括相同电池包类型的车辆对应的特征向量；
所述第二确定模块，用于基于异常检测算法，根据每个集合中的车辆对应的特征向量，确定异常车辆。
9.一种电子设备，其特征在于，包括：处理器、存储器；
所述存储器存储计算机执行指令；所述处理器执行所述存储器存储的计算机执行命令，使得所述处理器执行如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，当所述计算机执行指令被处理器执行时用于实现权利要求1-7任一项所述的方法。
CN202310454738.4A 2023-04-25 2023-04-25 车辆预警方法、装置、设备及存储介质 Pending CN116461334A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310454738.4A CN116461334A (zh) 2023-04-25 2023-04-25 车辆预警方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310454738.4A CN116461334A (zh) 2023-04-25 2023-04-25 车辆预警方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN116461334A true CN116461334A (zh) 2023-07-21

Family

ID=87178702

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310454738.4A Pending CN116461334A (zh) 2023-04-25 2023-04-25 车辆预警方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN116461334A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117341476A (zh) * 2023-12-04 2024-01-05 湖南行必达网联科技有限公司 一种电池压差故障预警方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117341476A (zh) * 2023-12-04 2024-01-05 湖南行必达网联科技有限公司 一种电池压差故障预警方法及系统
CN117341476B (zh) * 2023-12-04 2024-02-27 湖南行必达网联科技有限公司 一种电池压差故障预警方法及系统

Similar Documents

Publication Publication Date Title
WO2022151819A1 (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
Wang et al. Voltage fault diagnosis and prognosis of battery systems based on entropy and Z-score for electric vehicles
CN108089133B (zh) 储能系统电池组一致性检测方法及检测装置
CN105021994B (zh) 一种检测电池组内单体电池一致性的方法和装置
CN107037370A (zh) 基于监控数据的电动汽车剩余电量计算方法
CN112904219B (zh) 一种基于大数据的动力电池健康状态的预测方法
CN114236393B (zh) 基于大数据的在线检测电池异常的方法及系统
CN112906744A (zh) 一种基于孤立森林算法的故障单体电池识别方法
CN116461334A (zh) 车辆预警方法、装置、设备及存储介质
CN112083346B (zh) 基于lstm的并联电池组内部电流分布估计方法及系统
CN113064089A (zh) 动力电池的内阻检测方法、装置、介质以及系统
CN115372828A (zh) 基于充电片段数据和无监督算法的电芯一致性评估方法
CN116482540A (zh) 电池电压不一致性的分析预测方法、装置及系统
CN115453366A (zh) 一种动力电池的健康评估系统、方法及电子设备
CN116559667A (zh) 模型训练方法及装置、电池检测方法及装置、设备、介质
CN114646888A (zh) 一种动力电池容量衰减的评估方法及系统
CN117233622A (zh) 一种新能源汽车动力锂电池性能检测测试方法
CN116842464A (zh) 一种电池系统soc估计方法
CN111159251A (zh) 一种异常数据的确定方法及装置
Savargaonkar et al. Sparse autoencoded long short-term memory network for state-of-charge estimations
CN116224127A (zh) 基于大数据分析的电池健康状态估算方法
CN115972982A (zh) 热失控预警方法、装置、设备及可读存储介质
CN114300763B (zh) 基于车云协调的电池内阻异常监测方法、设备及存储介质
RamPrakash et al. Performance comparison of fcn, lstm and gru for state of charge estimation
CN111143160B (zh) 一种系统全链路监控方法及装置

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