CN116936978A - 一种蓄电池鼓包智能化监测方法及系统 - Google Patents

Abstract

本发明涉及二次电池维护领域，具体涉及一种蓄电池鼓包智能化监测方法及系统。该方法包括：获取蓄电池中每个单体电池的特征参数的数据序列和形变量的数据序列，其中特征参数包括温度和气体浓度，对单体电池的每个特征参数的数据序列中每个时刻的数据点进行异常分析，获得单体电池的每个特征参数在每个时刻的特征异常度；并根据特征异常度和每个特征参数对形变量的预设影响程度，获得单体电池在每个时刻的目标异常度；结合相同时刻的形变量的数据和目标异常度进行聚类，根据聚类结果对单体电池鼓包进行监测。本发明对蓄电池的鼓包现象进行全面的分析，提高了对蓄电池鼓包监测结果的准确性。

Description

一种蓄电池鼓包智能化监测方法及系统

技术领域

本发明涉及二次电池维护领域，具体涉及一种蓄电池鼓包智能化监测方法及系统。

背景技术

蓄电池是一种能够储存电能并释放出电能的二次电池，它是由多个单体电池组成的电池组，其中每个单体电池都是由正极、负极和电解质组成。在蓄电池的使用过程中，由于蓄电池的过度充放电或内部元件的损坏，会造成蓄电池的单体电池出现变形鼓包的现象，而蓄电池出现鼓包不仅会导致蓄电池运行性能的下降和寿命的缩短，还会导致蓄电池爆炸并引发火灾、污染等安全问题。因此，对蓄电池的鼓包情况进行智能监测，可以尽早地发现问题，并及时地对蓄电池进行维护，防止出现更加严重的安全问题。

现有技术中通常使用电阻应变片采集单体电池的形变量，并根据形变量是否在鼓包区间范围内对单体电池的鼓包情况进行监测，但由于蓄电池在使用过程中存在正常的膨胀现象，仅通过形变量的数据无法对蓄电池的鼓包现象进行全面的分析，会将正常膨胀现象误认为异常鼓包现象，降低对蓄电池鼓包监测结果的准确性。

发明内容

为了解决现有技术中仅通过形变量的数据无法对蓄电池的鼓包现象进行全面的分析，降低对蓄电池鼓包监测结果的准确性的技术问题，本发明的目的在于提供一种蓄电池鼓包智能化监测方法及系统，所采用的技术方案具体如下：

本发明提出了一种蓄电池鼓包智能化监测方法，所述方法包括：

获取蓄电池组中每个单体电池的特征参数序列和形变量序列，特征参数包括温度和气体浓度，所述特征参数序列和所述形变量序列为时序上的数据序列；

将任一特征参数序列中任一数据点作为待测数据点，将与待测数据点相距最近的预设第一数量个数据点作为相邻数据点，所述待测数据点与对应相邻数据点组成局部数据序列；对任意两个单体电池在相同特征参数序列中相同时刻的局部数据序列进行动态时间规整处理，获得差异程度；根据所有所述差异程度获得蓄电池组的每个特征参数在每个时刻的变化异常度；

根据任一单体电池与其他所有单体电池在相同时刻下同一特征参数序列的数据点之间的差异和对应特征参数的差异程度，获得单体电池的每个特征参数在每个时刻的状态异常度；根据所述变化异常度和所述状态异常度获取单体电池的每个特征参数在每个时刻的特征异常度；

确定每个特征参数对形变量的预设影响程度；根据所述特征异常度和所述预设影响程度获得单体电池在每个时刻的目标异常度；

对每个单体电池在每个时刻的形变量序列的数据点和所述目标异常度组成的样本点进行聚类，获得单体电池的聚类结果，根据聚类结果对单体电池的鼓包情况进行监测。

进一步地，所述根据所有所述差异程度获得蓄电池组的每个特征参数在每个时刻的变化异常度包括：

对每个所述差异程度进行负相关映射，获得任意两个单体电池的每个特征参数在每个时刻的变化相似度；

构建蓄电池组的每个特征参数在每个时刻的相似度矩阵，所述相似度矩阵的每行和每列均表示任意一个单体电池，所述相似度矩阵的元素为满足行和列条件的两个单体电池的每个特征参数在相同时刻的所述变化相似度；

获取所述相似度矩阵中非主对角线元素的标准差；

对每个所述相似度矩阵进行奇异值分解处理得到所述相似度矩阵的奇异值，将每个所述相似度矩阵的所有奇异值的平均值作为所述相似度矩阵的初始奇异值；将每个特征参数在所有时刻的所述初始奇异值的平均值，作为整体奇异值；将所述初始奇异值和所述整体奇异值的差值的绝对值作为奇异值偏离度；

将所述标准差和所述奇异值偏离度的乘积值作为蓄电池组的每个特征参数在每个时刻的变化异常度。

进一步地，所述根据任一单体电池与其他所有单体电池在相同时刻下同一特征参数序列的数据点之间的差异和对应特征参数的差异程度，获得单体电池的每个特征参数在每个时刻的状态异常度包括：

将每个单体电池与所有其他单体电池的同一特征参数在相同时刻的差异程度的平均值，作为单体电池的对应特征参数在对应时刻的局部差异值；

将所有单体电池的同一特征参数序列在相同时刻下的数据点的平均值，作为对应特征参数在对应时刻的数据点均值；将每个单体电池的每个特征参数序列在每个时刻的数据点与所述数据点均值之间的差值的绝对值，作为单体电池的每个特征参数在每个时刻的数据点偏离度；对所述数据点偏离度进行归一化处理得到数据点差异值；

将所述局部差异值和所述数据点差异值的乘积值作为单体电池的每个特征参数在每个时刻的状态异常度。

进一步地，所述根据所述变化异常度和所述状态异常度获取单体电池的每个特征参数在每个时刻的特征异常度包括：

将所述变化异常度和所述状态异常度的乘积值作为单体电池的每个特征参数在每个时刻的特征异常度。

进一步地，所述确定每个特征参数对形变量的预设影响程度包括：

获取正常单体电池分别在每个阶段下每个特征参数的正常数据序列和形变量的正常数据序列，所述阶段包括静置阶段、充电阶段和放电阶段；

基于灰色关联分析算法，对相同阶段下每个特征参数的正常数据序列和形变量的正常数据序列进行处理，获得每个特征参数在每个阶段对形变量的初始关联度；

将所有特征参数在每个阶段下对形变量的所述初始关联度进行累加，获得每个阶段的整体关联度；将每个特征参数在每个阶段对形变量的所述初始关联度与对应阶段的所述整体关联度的比值，作为每个特征参数在每个阶段对形变量的标准关联度；

将每个特征参数在所有阶段对形变量的所述标准关联度的平均值作为每个特征参数对形变量的所述预设影响程度。

进一步地，所述根据所述特征异常度和所述预设影响程度获得单体电池在每个时刻的目标异常度包括：

将每个特征参数对形变量的所述预设影响程度，作为对应特征参数在每个时刻的所述特征异常度的权重；

基于特征异常度的权重对所述特征异常度进行加权求和后并进行归一化处理，获得单体电池在每个时刻的所述目标异常度。

进一步地，所述对每个单体电池在每个时刻的形变量序列的数据点和所述目标异常度组成的样本点进行聚类，获得单体电池的聚类结果包括：

以所述形变量作为所述坐标图的横轴，以所述目标异常度作为所述坐标图的纵轴，建立坐标图，所述坐标图中包括每个单体电池的所有所述样本点；

根据所述坐标图中的所述样本点的分布，对所述样本点进行聚类，获得单体电池的聚类结果。

进一步地，所述聚类结果包括不同的聚类簇，每个聚类簇具有一个聚类中心，所述根据聚类结果对单体电池的鼓包情况进行监测包括：

将聚类中心的形变量的值大于预设形变量阈值并且目标异常度小于预设异常度阈值的聚类簇，作为正常性鼓包聚类簇；

将聚类中心的形变量的值大于预设形变量阈值并且目标异常度不小于预设异常度阈值的聚类簇，作为异常性鼓包聚类簇；

在所述正常性鼓包聚类簇中存在至少预设第二数量的连续时刻的样本点时，则生成一级警报信号；在所述异常性鼓包聚类簇中存在至少预设第二数量的连续时刻的样本点时，则生成二级警报信号；其中，二级的紧急程度高于一级。

进一步地，所述对任意两个单体电池在相同特征参数序列中相同时刻的局部数据序列进行动态时间规整处理，获得差异程度包括：

基于动态时间规整算法，对任意两个单体电池在相同特征参数序列中相同时刻的局部数据序列进行处理，获得两个局部数据序列的累积距离，并将累积距离作为所述差异程度。

本发明还提出了一种蓄电池鼓包智能化监测系统，所述系统包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现任意一项一种蓄电池鼓包智能化监测方法的步骤。

本发明具有如下有益效果：

本发明获取每个单体电池内部的温度和气体浓度这两个特征参数序列，以及每个单体电池形变量序列，为后续的分析特征参数的异常度提供大量的数据支持；考虑到蓄电池在使用过程中会出现正常性鼓包现象和异常性鼓包现象，而特征参数序列中每个时刻的数据点表现出的异常程度能够反映出不同的鼓包现象，因此首先获取任意两个单体电池的每个特征参数在每个时刻的差异程度，差异程度能够反映出任意两个单体电池的每个特征参数在每个时刻的局部数据序列的差异性；由于蓄电池组的每个特征参数在不同时刻发生异常的可能性不同，所以可通过所有的差异程度获得蓄电池组的每个特征参数在每个时刻的变化异常度，变化异常度越大说明蓄电池组的特征参数在该时刻越可能发生异常；而单体电池的每个特征参数在每个时刻的状态异常度能够反映单体电池的特征参数在每个时刻出现异常的可能性，所以可结合变化异常度和状态异常度获取单体电池的每个特征参数在每个时刻的特征异常度，可通过特征异常度对单体电池的每个特征参数在每个时刻的异常变化进行准确分析；由于单体电池形变量的变化对不同特征参数的敏感程度不同，所以可并结合特征异常度和预设影响程度确定单体电池在每个时刻的目标异常度，通过目标异常度评估单体电池发生异常性鼓包的可能性，并提高后续聚类结果的准确性；进而根据聚类结果对单体电池的鼓包情况进行监测，使得能够准确的区分出单体电池的正常性鼓包现象和异常性鼓包现象，提高对鼓包监测结果的准确性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，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的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本发明一个实施例所提供的一种蓄电池鼓包智能化监测方法流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种蓄电池鼓包智能化监测方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

一种蓄电池鼓包智能化监测方法及系统实施例：

下面结合附图具体的说明本发明所提供的一种蓄电池鼓包智能化监测方法及系统的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种蓄电池鼓包智能化监测方法流程图，该方法包括：

步骤S1：获取蓄电池组中每个单体电池的特征参数序列和形变量序列，特征参数包括温度和气体浓度，特征参数序列和形变量序列为时序上的数据序列。

本发明实施例监测的是由多个单体电池组成的蓄电池组的鼓包现象，蓄电池组的鼓包现象主要由单体电池内部的温度和气体浓度的异常变化所引起的，因此在本发明实施例中将温度和气体浓度作为产生鼓包现象的两个特征参数，通过在每个单体电池的负极柱上安装温度传感器，用于采集单体电池在使用过程中内部的温度数据，在每个单体电池盖板上安装氧气传感器和氢气传感器，用于采集单体电池在使用过程中产生的氧气和氢气的浓度数据，当单体电池出现鼓包现象时，单体电池表面的形状会发生一定程度的变化，因此可在每个单体电池的相邻侧面安装两个电阻应变片，用于采集单体电池横向和纵向上的形变量数据。在本发明的一个实施例中监测的蓄电池组中包含的单体电池的数量记为，每个电阻应变片以及各个传感器采集的数据量均记为/>，相邻两次数据采集的时间间隔记为/>，其中单体电池的数量/>设置为24，采集的数据量/>设置为300，采集的时间间隔/>设置为1秒，具体的单体电池的数量/>、采集的数据量/>以及采集的时间间隔/>可由实施者根据实施场景自行设置，在此不做限定。

得到各个单体电池的横向形变量和纵向形变量序列、温度的数据序列以及氧气浓度和氢气浓度的数据序列，由于在数据的采集和传输过程中会出现数据缺失的情况，因此在本发明的一个实施例中采用均值填充法对各个数据序列中的缺失值分别进行填充，需要说明的是，均值填充法为本领域技术人员熟知的技术手段，在此不做赘述。将填充后的每个单体电池的横向形变量和纵向形变量序列对应时刻的数据点的值相加，作为每个单体电池的形变量序列，同时将填充后的各个单体电池的氧气浓度和氢气浓度的数据序列对应时刻的数据点的值相加，作为每个单体电池的气体浓度的数据序列。

由于形变量、温度和气体浓度三者之间的量纲不同，因此对每个单体电池的形变量、温度和气体浓度的数据序列分别进行归一化的去量纲处理，从而消除数据之间量纲不同带来的影响。在本发明的一个实施例中，归一化处理可以具体例如为最大最小值归一化处理，并且，后续步骤中的归一化均可以采用最大最小值归一化处理，在本发明的其他实施例中可以根据数值具体范围选择其他归一化方法，对此不再赘述。

获取到每个单体电池的温度、气体浓度和形变量序列后，便可为后续的分析提供大量的数据支持。

需要说明的是，在后续对每个单体电池的温度的数据序列和气体浓度的数据序列进行分析的过程完全相同，因此后续不再针对单体电池具体的温度的数据序列或气体浓度的数据序列单独进行分析，而是用特征参数代表温度或气体浓度。

步骤S2：将任一特征参数序列中任一数据点作为待测数据点，将与待测数据点相距最近的预设第一数量个数据点作为相邻数据点，待测数据点与对应相邻数据点组成局部数据序列；对任意两个单体电池在相同特征参数序列中相同时刻的局部数据序列进行动态时间规整处理，获得差异程度；根据所有差异程度获得蓄电池组的每个特征参数在每个时刻的变化异常度。

对于同一个蓄电池组，在正常情况下，其各个单体电池所处的环境和充放电状态是相同的，因此各个单体电池内部的电化学反应的进程也是接近的，使得温度数据以及气体浓度数据在各个单体电池之间是较为近似的，各个单体电池之间的形变量数据也是较为接近的，而当蓄电池组中的一些单体电池出现异常时，会导致这些单体电池每个特征参数的数据出现较明显的异常，与其余正常的单体电池之间有较大的差异，例如一些单体电池出现电解液失水过多、充电电流过大或者充电时间过长等异常状态时，这些单体电池的电解液的反应速率就会比其他单体电池快很多，不仅会造成这些单体电池内部产生过多的气体，还会导致电解液温度迅速升高，进而引起单体电池内部气体的膨胀，造成单体电池表面出现较大程度的形变，从而使得单体电池出现异常性鼓包现象。所以可首先获取每个特征参数序列中数据点所在时刻的局部数据序列，并对任意两个单体电池的每个特征参数序列中每个时刻的局部数据序列进行动态时间规整处理，获得任意两个单体电池的每个特征参数在每个时刻的差异程度，差异程度能够反映出任意两个单体电池的每个特征参数在每个时刻的局部数据序列中变化的差异性，为后续分析蓄电池组的变化异常度以及单体电池的状态异常度提供数据支持，在本发明的一个实施例中预设第一数量设置为20，需要说明的是，预设第一数量的具体数值可根据实施场景由实施者具体设置，在此不做限定。

优选地，在本发明的一个实施例中任意两个单体电池的每个特征参数在每个时刻的差异程度的获取方法具体包括：

基于动态时间规整算法，对任意两个单体电池的每个特征参数序列中每个时刻的局部数据序列进行处理，获得两个局部数据序列的累积距离，并将累积距离作为差异程度，由于通过动态时间规整算法可获取两个时间数据序列之间的累积距离，而累积距离能够评估两个数据序列之间的相似程度，所以可通过动态时间规整算法获取两个数据序列之间的累积距离，并累积距离作为任意两个单体电池的每个特征参数在每个时刻的差异程度。需要说明的是，动态时间规整算法是本领域技术人员熟知的技术手段，在此不再赘述。

由于蓄电池组的每个特征参数在不同时刻发生异常的可能性不同，而差异程度能够反映任意两个单体电池的每个特征参数在每个时刻对应的局部数据序列的差异性，所以可通过所有差异程度获得蓄电池组的每个特征参数在每个时刻的变化异常度，变化异常度能够反映蓄电池组的每个特征参数在每个时刻发生异常的可能性，每个特征参数在每个时刻的变化异常度越大，说明蓄电池组的每个特征参数在该时刻发生异常的可能性就越大。

优选地，在本发明的一个实施例中蓄电池组的每个特征参数在每个时刻的变化异常度的获取方法具体包括：

对每个差异程度进行负相关映射，获得任意两个单体电池的每个特征参数在每个时刻的变化相似度；构建每个特征参数在每个时刻的相似度矩阵，相似度矩阵的每行和每列均表示任意一个单体电池，相似度矩阵的元素为满足行和列条件的两个单体电池的每个特征参数在每个时刻的变化相似度；获取相似度矩阵中非主对角线元素的标准差；对每个相似度矩阵进行奇异值分解处理得到相似度矩阵的奇异值，将每个相似度矩阵的所有奇异值的平均值作为相似度矩阵的初始奇异值；将每个特征参数在所有时刻的相似度矩阵的初始奇异值的平均值，作为整体奇异值；将初始奇异值和整体奇异值的差值的绝对值作为奇异值偏离度；将标准差和奇异值偏离度的乘积值作为蓄电池组的每个特征参数在每个时刻的变化异常度。需要说明的是，奇异值分解处理是本领域技术人员熟知的技术手段，在此不再赘述。

在本发明的一个实施例中变化相似度的表达式可以具体例如为：

其中，表示第/>个和第/>个单体电池的每个特征参数在第/>个时刻的变化相似度；/>表示第/>个和第/>个单体电池的每个特征参数在第/>个时刻的差异程度；/>表示第一调参系数，用于防止分母为0，在本发明的一个实施例中/>设置为1；需要说明的是，其中的每个特征参数代表的是温度或气体浓度。

在任意两个单体电池的每个特征参数在每个时刻的变化相似度的获取过程中，表示第/>个和第/>个单体电池的每个特征参数在第/>个时刻的差异程度，差异程度越小，说明在该时刻这两个单体电池的每个特征参数的变化越相似，则这两个单体电池的每个特征参数在该时刻的变化相似度/>越大，因此在本发明的一个实施例中对每个差异程度/>进行负相关映射，获得对应的变化相似度/>。

基于任意两个单体电池的每个特征参数在每个时刻的变化相似度构建蓄电池组的每个特征参数在每个时刻的相似度矩阵，相似度矩阵表达式可以具体例如为：

其中，表示蓄电池组的每个特征参数在第/>个时刻的相似度矩阵；/>表示单体电池的数量；相似度矩阵中的每个元素表示任意两个单体电池的每个特征参数在第/>个时刻的变化相似度，例如/>表示第/>个和第1个单体电池的每个特征参数在第/>个时刻的变化相似度；需要说明的是，其中的每个特征参数代表的是温度或气体浓度。

在本发明的一个实施例中变化异常度的表达式可以具体例如为：

其中，表示蓄电池组的每个特征参数在第/>个时刻的变化异常度；/>表示蓄电池组的每个特征参数在第/>个时刻的相似度矩阵的初始奇异值；/>表示蓄电池组每个特征参数在所有时刻的相似度矩阵的初始奇异值的平均值，即整体奇异值；/>表示蓄电池组的每个特征参数在第/>个时刻的相似度矩阵中非主对角元素的标准差；/>表示蓄电池组的每个特征参数在第/>个时刻的相似度矩阵的第/>个奇异值；/>表示蓄电池组的每个特征参数在第个时刻的相似度矩阵的奇异值的数量；/>表示采集时刻的数量，也可理解为单体电池的每个特征参数序列中数据点的数量，在本发明的一个实施例中/>设置为300。需要说明的是，其中的每个特征参数代表的是温度或气体浓度。

在蓄电池组的每个特征参数在每个时刻的变化异常度的获取过程中，为蓄电池组的每个特征参数在第/>个时刻的相似度矩阵中非主对角元素的标准差，标准差/>越小，说明各个单体电池之间每个特征参数的变化越相似，进而说明蓄电池组的各个单体电池的每个特征参数在该时刻越不可能出现异常，则蓄电池组的每个特征参数在该时刻的变化异常度/>就越小，对于同一个蓄电池组，在正常情况下，其各个单体电池在每一个时刻所处的环境和充放电状态是相同的，使得每个单体电池内部的电化学反应的进程在每个时刻都是较接近的，即每个特征参数在各个时刻的相似度矩阵中的元素的值也是较接近的，而矩阵的奇异值能反应矩阵的主要信息，所以各个时刻的相似度矩阵对应的奇异值也是较接近的，考虑到每个相似度矩阵存在多个奇异值，因此在本发明的一个实施例中将每个相似度矩阵所有的奇异值/>的平均值/>作为每个相似度矩阵的初始奇异值/>，将每个特征参数在所有时刻的相似度矩阵的初始奇异值的平均值/>，作为整体奇异值/>，将初始奇异值/>和整体奇异值/>的差值的绝对值作为奇异值偏离度/>，奇异值偏离度越小，说明蓄电池组的各个单体电池的每个特征参数在该时刻越不可能出现异常，则蓄电池组的每个特征参数在该时刻的变化异常度/>就越小。

变化异常度反映的是蓄电池组的每个特征参数在每个时刻出现异常的可能性，即蓄电池组的每个特征参数在每个时刻的变化异常度越大，则蓄电池组的该特征参数在该时刻出现异常的可能性就越大，其中的特征参数为温度或气体浓度，在后续中可结合单体电池的状态异常度对特征异常度进行分析。

步骤S3：根据任一单体电池与其他所有单体电池在相同时刻下同一特征参数序列的数据点之间的差异和对应特征参数的差异程度，获得单体电池的每个特征参数在每个时刻的状态异常度；根据变化异常度和状态异常度获取单体电池的每个特征参数在每个时刻的特征异常度。

单体电池发生异常性鼓包现象时，会伴随着每个特征参数的异常变化，即若单体电池的形变量在某一时刻出现异常时，其每个特征参数在该时刻也出现了异常变化，则该单体电池在该时刻越可能出现异常性鼓包现象，而当每个单体电池与其他单体电池的每个特征参数在每个时刻的差异程度越大时，说明该单体电池的每个特征参数在该时刻越可能出现异常，并且当每个单体电池与其他单体电池的每个特征参数序列在相同时刻的数据点之间的差异越大，说明该单体电池的每个特征参数在该时刻越可能出现异常，因此可根据每个单体电池与其他单体电池的每个特征参数在每个时刻的差异程度，以及所有单体电池的每个特征参数序列在相同时刻的数据点之间的差异，获得单体电池的每个特征参数在每个时刻的状态异常度，状态异常度能够反映单体电池的每个特征参数在每个时刻的异常程度，状态异常度越大，说明该单体电池的每个特征参数在该时刻的越异常。

优选地，在本发明的一个实施例中单体电池的每个特征参数在每个时刻的状态异常度的获取方法具体包括：

将每个单体电池与所有其他单体电池的同一特征参数在相同时刻的差异程度的平均值，作为单体电池的对应特征参数在对应时刻的局部差异值；将所有单体电池的同一特征参数序列在相同时刻下的数据点的平均值，作为对应特征参数在对应时刻的数据点均值；将每个单体电池的每个特征参数序列在每个时刻的数据点与数据点均值之间的差值的绝对值，作为单体电池的每个特征参数在每个时刻的数据点偏离度；对数据点偏离度进行归一化处理得到数据点差异值；将局部差异值和数据点差异值的乘积值作为单体电池的每个特征参数在每个时刻的状态异常度。状态异常度的表达式可以具体例如为：

其中，表示第/>个单体电池的每个特征参数在第/>个时刻的状态异常度；表示第/>个单体电池的每个特征参数在第/>个时刻的局部差异值；/>表示第/>个单体电池的每个特征参数在第/>个时刻的数据点差异值；/>表示第/>个和第/>个单体电池的每个特征参数在第/>个时刻的差异程度；/>表示单体电池的数量，/>表示除第/>个单体电池之外所有其他单体电池的数量，在本发明实施例中，蓄电池组有多个单体电池，则；/>表示第/>个单体电池的每个特征参数序列在第/>个时刻的数据点；/>表示所有单体电池的每个特征参数序列在第/>个时刻的数据点的平均值，即数据点均值；/>表示第二调参系数，用于防止分母为0，在本发明的一个实施例中/>设置为1。需要说明的是，其中的每个特征参数代表的是温度或气体浓度。

在单体电池的每个特征参数在每个时刻的状态异常度的获取过程中，表示第/>个和第/>个单体电池的每个特征参数在第/>个时刻的差异程度，差异程度/>越大，说明每个单体电池与其他单体电池的每个特征参数在每个时刻的局部数据序列的差异越大，则该单体电池的每个特征参数在每个时刻的局部差异值/>越大，进而单体电池的每个特征参数在每个时刻的状态异常度/>越大；/>表示单体电池的每个特征参数在每个时刻的数据点偏离度，/>为所有单体电池的每个特征参数在每个时刻的数据点偏离度的累加值，用于对数据点偏离度/>进行归一化，数据点偏离度越大，说明该单体电池的每个特征参数在每个时刻的数据点与相同时刻下其他单体电池的数据点之间的差异越大，则该单体电池的每个特征参数在每个时刻的数据点差异值/>越大，进而单体电池的每个特征参数在每个时刻的状态异常度/>越大，所以在本发明的一个实施例中将局部差异值/>和数据点差异值/>的乘积值，作为单体电池的每个特征参数在每个时刻的状态异常度/>。

蓄电池组的每个特征参数在该时刻的变化异常度反映的是蓄电池组的每个特征参数在每个时刻出现异常的可能性，而单体电池的每个特征参数在每个时刻的状态异常度能够反映单体电池的每个特征参数在每个时刻的异常程度，所以可结合变化异常度和状态异常度获得单体电池的每个特征参数在每个时刻的特征异常度，特征异常度能够更加准确的反映单体电池的每个特征参数在每个时刻的异常程度，在后续中可根据异常程度对单体电池在每个时刻的目标异常度进行分析，提高获取到的目标异常度的准确性。

优选地，在本发明的一个实施例中单体电池的每个特征参数在每个时刻的特征异常度的获取方法具体包括：

将变化异常度和状态异常度的乘积值作为单体电池的每个特征参数在每个时刻的特征异常度。特征异常度的表达式可以具体例如为：

其中，表示第/>个单体电池的每个特征参数在第/>个时刻的特征异常度；/>表示蓄电池组的每个特征参数在第/>个时刻的变化异常度；/>表示第/>个单体电池的每个特征参数在第/>个时刻的状态异常度。需要说明的是，其中的每个特征参数代表的是温度或气体浓度。

在单体电池的每个特征参数在每个时刻的特征异常度的获取过程中，表示蓄电池组的每个特征参数在第/>个时刻的变化异常度，变化异常度/>越大，说明蓄电池组的每个特征参数在每个时刻出现异常的可能性越大，则单体电池的每个特征参数在该时刻的特征异常度/>就越大；/>表示第/>个单体电池的每个特征参数在第/>个时刻的状态异常度，状态异常度/>越大，说明单体电池的每个特征参数在每个时刻越异常，则单体电池的每个特征参数在该时刻的特征异常度/>就越大，所以在本发明的一个实施例中将变化异常度/>和状态异常度/>的乘积值作为单体电池的每个特征参数在每个时刻的特征异常度，使得特征异常度能够更加准确的反映单体电池的每个特征参数在每个时刻的异常程度。

获取到单体电池的每个特征参数在每个时刻的特征异常度之后，便可在后续中根据特征异常度对单体电池在每个时刻的目标异常度进行分析。

步骤S4：确定每个特征参数对形变量的预设影响程度；根据特征异常度和预设影响程度获得单体电池在每个时刻的目标异常度。

对于蓄电池组中的每个单体电池，在正常情况下，单体电池内部温度的变化以及气体浓度的变化，均会影响单体电池内部的气体压强，进而造成单体电池表面发生形变，由于不同的特征参数对单体电池的形变量的影响程度不同，可能是温度的变化更容易导致单体电池的形变量发生变化，也可能是气体浓度的变化更容易导致单体电池的形变量的发生变化，因此可首先确定每个特征参数对形变量的预设影响程度，预设影响程度能够反映出单体电池的形变量对不同特征参数的敏感度，例如若温度对形变量的影响程度更大，说明单体电池的形变对温度的变化更加敏感，即温度的变化更易引起单体电池表面发生形变。

优选地，在本发明的一个实施例中每个特征参数对形变量的预设影响程度的获取方法具体包括：

获取正常单体电池分别在每个阶段下每个特征参数的正常数据序列和形变量的正常数据序列，阶段包括静置阶段、充电阶段和放电阶段；基于灰色关联分析算法，对相同阶段下每个特征参数的正常数据序列和形变量的正常数据序列进行处理，获得每个特征参数在每个阶段对形变量的初始关联度；将所有特征参数在每个阶段下对形变量的初始关联度进行累加，获得每个阶段的整体关联度；将每个特征参数在每个阶段对形变量的初始关联度与对应阶段的整体关联度的比值，作为每个特征参数在每个阶段对形变量的标准关联度；将每个特征参数在所有阶段对形变量的标准关联度的平均值作为每个特征参数对形变量的预设影响程度。需要说明的是，灰色关联分析是本领域技术人员熟知的技术手段，在此不再赘述。每个特征参数对形变量的影响程度的表达式可以具体例如为：

其中，表示第/>类特征参数对形变量的预设影响程度；/>表示正常单体电池在第个阶段的整体关联度；/>表示正常单体电池的第/>类特征参数在第/>个阶段对形变量的初始关联度；/>表示所有阶段的数量，在本发明的中共有3个阶段，即静置阶段、充电阶段和放电阶段；/>表示所有特征参数的数量，在本发明实施例中有两个特征参数，即温度和气体浓度。

在每个特征参数对形变量的预设影响程度的获取过程中，本发明是基于灰色关联分析法获得每个特征参数在不同阶段对形变量的初始关联度，初始关联度/>越大，说明该特征参数在该阶段与形变量之间的关联性越强，则该特征参数对形变量的预设影响程度/>越大；/>为正常单体电池在第/>个阶段的整体关联度，作用在于对初始关联度/>进行归一化并保证所有的特征参数对形变量的预设影响程度/>相加为1，并将初始关联度与整体关联度/>的比值作为每个特征参数在每个阶段对形变量的标准关联度/>，考虑到在不同阶段下，每个特征参数对形变量的标准关联度存在差异，所以在本发明的一个实施例中将每个特征参数在所有阶段对形变量的标准关联度平均值作为每个特征参数对形变量的预设影响程度/>，预设影响程度/>越大，说明该特征参数更容易导致单体电池的形变量发生变化，也即该特征参数的异常变化更易引起单体电池表面发生形变。

获取到单体电池的每个特征参数在每个时刻的特征异常度以及每个特征参数对形变量的预设影响程度以后，便可结合特征异常度和预设影响程度获得单体电池在每个时刻的目标异常度，目标异常度能够评估单体电池在每个时刻发生异常性鼓包的可能性，目标异常度越大，说明单体电池在该时刻越可能出现异常性鼓包。

优选地，在本发明的一个实施例中单体电池在每个时刻的目标异常度的获取方法具体包括：

将每个特征参数对形变量的预设影响程度，作为对应特征参数在每个时刻的特征异常度的权重；基于特征异常度的权重对特征异常度进行加权求和后并进行归一化处理，获得单体电池在每个时刻的目标异常度。目标异常度的表达式可以具体例如为：

其中，表示第/>个单体电池在第/>个时刻的目标异常度；/>表示第/>个单体电池的温度在第/>个时刻的特征异常度；/>表示第/>个单体电池的气体浓度在第/>个时刻的特征异常度；/>表示温度对形变量的预设影响程度；/>表示气体浓度对形变量的预设影响程度；/>表示归一化函数。

在单体电池在每个时刻的目标异常度的获取过程中，为第/>个单体电池的温度在第/>个时刻的特征异常度，/>为第/>个单体电池的气体浓度在第/>个时刻的特征异常度，单体电池的温度和气体浓度在每个时刻的特征异常度越大，说明单体电池越可能发生异常形变，由于温度和气体浓度对单体电池形变量的影响程度不同，因此将温度对单体电池形变量的预设影响程度/>作为单体电池的温度在每个时刻的特征异常度/>的权重，将气体浓度对单体电池形变量的预设影响程度/>作为单体电池的气体浓度在每个时刻的特征异常度/>的权重，对/>和/>进行加权求和后并归一化处理，获得单体电池在每个时刻的目标异常度/>，目标异常度/>越大，说明单体电池在该时刻越可能出现异常性鼓包。

获取到单体电池在每个时刻的目标异常度后，便可在后续中根据单体电池在每个时刻的目标异常度和形变量进行聚类，提高聚类结果的准确性，进而可提高对单体电池鼓包监测的准确性。

步骤S5：对每个单体电池的形变量序列中每个时刻的数据点和对应时刻的目标异常度组成的样本点进行聚类，获得单体电池的聚类结果，根据聚类结果对单体电池的鼓包情况进行监测。

每个单体电池的形变量序列在每个时刻的数据点的值越大，说明该单体电池在该时刻越可能发生鼓包现象，并且该单体电池在该时刻的目标异常度越大，说明该单体电池在该时刻发生的鼓包越可能为异常性鼓包，所以可对每个单体电池的形变量序列中每个时刻的数据点和对应时刻的目标异常度组成的样本点进行聚类，获得单体电池的聚类结果。

优选地，在本发明的一个实施例中单体电池的聚类结果的获取方法具体包括：

以形变量作为坐标图的横轴，以目标异常度作为坐标图的纵轴，建立坐标图，坐标图中包括每个单体电池的所有样本点；根据坐标图中的样本点的分布，对样本点进行聚类，获得单体电池的聚类结果。在本发明的一个实施例中使用OPTICS聚类算法进行聚类操作，其中以样本点之间的欧式距离作为OPTICS算法中的距离度量，OPTICS算法中的参数MinPts设置为4，需要说明的是，在本发明的其他实施例中也可使用例如DBSCAN算法、K-means算法等聚类算法进行聚类，在此不做限定。

聚类完成后，可得到多个聚类簇，每个聚类簇中各样本点之间的形变量和目标异常度的值都是近似的，所以可根据聚类结果对单体电池的鼓包情况进行监测。

优选地，在本发明的一个实施例中根据聚类结果对单体电池的鼓包情况进行监测包括：

聚类结果包括不同的聚类簇，并且每个聚类簇都有一个聚类中心，将聚类中心的形变量大于预设形变量阈值并且目标异常度小于预设异常度阈值的聚类簇，作为正常性鼓包聚类簇；将聚类中心的形变量大于预设形变量阈值并且目标异常度不小于预设异常度阈值的聚类簇，作为异常性鼓包聚类簇；其中，预设形变量阈值为基于最大类间方差法对所有单体电池的形变量序列在所有时刻的数据点进行处理的结果，预设异常度阈值为基于最大类间方差法对所有单体电池在所有时刻的目标异常度进行处理的结果，需要说明的是，最大类间方差法是本领域技术人员熟知的技术手段，在此不再赘述；由于单体电池的表面发生鼓包现象时，其表面的形变过程一般不是瞬时完成的，通常会持续较短的一段时间，因此需要设置一个阈值，若正常性鼓包聚类簇中存在至少预设第二数量的连续时刻的样本点，则生成一级警报信号，说明该单体电池表面出现了正常性鼓包；若异常性鼓包聚类簇中存在至少预设第二数量的连续时刻的样本点，则生成二级警报信号，说明该单体电池表面出现了异常性鼓包，在本发明的一个实施例中预设第二数量设置为5，需要说明的是，预设第二数量的具体数值可根据具体实施场景由实施者自行设置，在此不做限定。

其中，二级警报相比于一级警报更加严重，发出一级警报后便可提醒相关人员对该单体电池进行检查，发出二级警报后便可提醒相关人员对该单体电池进行修复或更换，以免发生安全事故。

本发明一个实施例提供了一种蓄电池鼓包智能化监测系统，该系统包括存储器、处理器和计算机程序，其中存储器用于存储相应的计算机程序，处理器用于运行相应的计算机程序，计算机程序在处理器中运行时能够实现步骤S1~S5所描述的方法。

综上所述，本发明实施例首先获取每个单体电池的特征参数序列和形变量序列，并将与每个特征参数序列中每个数据点所在时刻相距最近的预设第一数量的数据点，作为每个数据点的参考数据点，将每个数据点以及对应的参考数据点按时间顺序组成的序列作为每个数据点所在时刻的局部数据序列；然后对任意两个单体电池的每个特征参数序列中每个时刻的局部数据序列进行动态时间规整处理，获得任意两个单体电池的每个特征参数在每个时刻的差异程度，进而获取任意两个单体电池的每个特征参数在每个时刻的变化相似度，并根据所有的变化相似度构建蓄电池组的每个特征参数在每个时刻的相似度矩阵，根据相似度矩阵中非对角元素的标准差和相似度矩阵的奇异值获得蓄电池组的每个特征参数在每个时刻的变化异常度；根据每个单体电池与其他单体电池的每个特征参数在每个时刻的差异程度，以及所有单体电池的每个特征参数序列在相同时刻的数据点之间的差异，获得单体电池的每个特征参数在每个时刻的状态异常度；进而结合变化异常度和状态异常度获得单体电池的每个特征参数在每个时刻的特征异常度；基于灰色关联分析，获得每个特征参数对形变量的影响程度，根据单体电池的每个特征参数在每个时刻的特征异常度和对应特征参数对形变量的影响程度，获得单体电池在每个时刻的目标异常度；根据目标异常度和单体电池在每个时刻的形变量的数据点进行聚类，根据聚类结果对单体电池的鼓包情况进行监测。本发明实施例通过对每个特征参数序列在每个时刻表现出的特征异常度进行分析，并结合每个特征参数对形变量的影响程度确定单体电池在每个时刻的目标异常度，从而可提高后续聚类结果的准确性，根据聚类结果对单体电池的鼓包情况进行监测，使得能够准确的区分出单体电池的正常性鼓包现象和异常性鼓包现象，提高了对鼓包现象监测的准确性。

一种蓄电池异常鼓包判定方法实施例：

现有技术中通常是直接使用压力传感器或电阻应变片采集蓄电池鼓包时的形变量数据，根据所有采集的形变量数据是否超过预设阈值对鼓包的异常程度进行分析，但由于蓄电池在使用过程中存在正常的膨胀现象，仅通过形变量的数据无法对蓄电池的鼓包现象进行全面的分析，对异常鼓包判定的准确性较低。

为了解决该问题，本实施例提供了一种蓄电池异常鼓包判定方法，包括：

步骤S1：获取蓄电池组中每个单体电池的特征参数序列和形变量序列，特征参数包括温度和气体浓度，特征参数序列和形变量序列为时序上的数据序列。

步骤S2：将任一特征参数序列中任一数据点作为待测数据点，将与待测数据点相距最近的预设第一数量个数据点作为相邻数据点，待测数据点与对应相邻数据点组成局部数据序列；对任意两个单体电池在相同特征参数序列中相同时刻的局部数据序列进行动态时间规整处理，获得差异程度；根据所有差异程度获得蓄电池组的每个特征参数在每个时刻的变化异常度。

步骤S3：根据任一单体电池与其他所有单体电池在相同时刻下同一特征参数序列的数据点之间的差异和对应特征参数的差异程度，获得单体电池的每个特征参数在每个时刻的状态异常度；根据变化异常度和状态异常度获取单体电池的每个特征参数在每个时刻的特征异常度。

步骤S4：确定每个特征参数对形变量的预设影响程度；根据特征异常度和预设影响程度获得单体电池在每个时刻的目标异常度。

其中，步骤S1~S4在上述一种蓄电池鼓包智能化监测方法及系统实施例实施例中已给出了详细说明，在此不再赘述。

本实施例带来的有益效果为：发明考虑到单体电池发生鼓包现象主要由单体电池内部的温度和气体浓度的异常变化所引起的，通过获取每个单体电池内部的温度和气体浓度这两个特征参数序列，以及每个单体电池形变量序列，为后续的分析提供大量的数据支持；考虑到蓄电池在使用过程中会出现正常性鼓包现象和异常性鼓包现象，而特征参数序列中每个时刻的数据点的异常程度能够反映出不同的鼓包现象，因此首先获取每个特征参数序列中每个数据点所在时刻的局部数据序列，并通过动态时间规整处理，获得任意两个单体电池的每个特征参数在每个时刻的差异程度，差异程度能够反映出任意两个单体电池的每个特征参数在每个时刻的局部数据序列的差异性，为后续分析蓄电池组的变化异常度以及单体电池的状态异常度提供数据支持；由于蓄电池组的每个特征参数在不同时刻发生异常的可能性不同，所以可通过所有的差异程度获得蓄电池组的每个特征参数在每个时刻的变化异常度，变化异常度越大说明蓄电池组的特征参数在该时刻越可能发生异常；而单体电池的每个特征参数在每个时刻的状态异常度能够反映单体电池的特征参数在每个时刻出现异常的可能性，所以可结合变化异常度和状态异常度获取单体电池的每个特征参数在每个时刻的特征异常度，提高对单体电池的每个特征参数在每个时刻的异常分析的准确性；由于单体电池形变量的变化对不同特征参数的敏感程度不同，所以可并结合特征异常度和预设影响程度确定单体电池在每个时刻的目标异常度，通过目标异常度评估单体电池发生异常性鼓包的可能性，提高对蓄电池异常鼓包判定的准确性。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

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。

Claims (10)

1.一种蓄电池鼓包智能化监测方法，其特征在于，所述方法包括：

获取蓄电池组中每个单体电池的特征参数序列和形变量序列，特征参数包括温度和气体浓度，所述特征参数序列和所述形变量序列为时序上的数据序列；

将任一特征参数序列中任一数据点作为待测数据点，将与待测数据点相距最近的预设第一数量个数据点作为相邻数据点，所述待测数据点与对应相邻数据点组成局部数据序列；对任意两个单体电池在相同特征参数序列中相同时刻的局部数据序列进行动态时间规整处理，获得差异程度；根据所有所述差异程度获得蓄电池组的每个特征参数在每个时刻的变化异常度；

根据任一单体电池与其他所有单体电池在相同时刻下同一特征参数序列的数据点之间的差异和对应特征参数的差异程度，获得单体电池的每个特征参数在每个时刻的状态异常度；根据所述变化异常度和所述状态异常度获取单体电池的每个特征参数在每个时刻的特征异常度；

确定每个特征参数对形变量的预设影响程度；根据所述特征异常度和所述预设影响程度获得单体电池在每个时刻的目标异常度；

对每个单体电池在每个时刻的形变量序列的数据点和所述目标异常度组成的样本点进行聚类，获得单体电池的聚类结果，根据聚类结果对单体电池的鼓包情况进行监测。

2.根据权利要求1所述的一种蓄电池鼓包智能化监测方法，其特征在于，所述根据所有所述差异程度获得蓄电池组的每个特征参数在每个时刻的变化异常度包括：

对每个所述差异程度进行负相关映射，获得任意两个单体电池的每个特征参数在每个时刻的变化相似度；

构建蓄电池组的每个特征参数在每个时刻的相似度矩阵，所述相似度矩阵的每行和每列均表示任意一个单体电池，所述相似度矩阵的元素为满足行和列条件的两个单体电池的每个特征参数在相同时刻的所述变化相似度；

获取所述相似度矩阵中非主对角线元素的标准差；

对每个所述相似度矩阵进行奇异值分解处理得到所述相似度矩阵的奇异值，将每个所述相似度矩阵的所有奇异值的平均值作为所述相似度矩阵的初始奇异值；将每个特征参数在所有时刻的所述初始奇异值的平均值，作为整体奇异值；将所述初始奇异值和所述整体奇异值的差值的绝对值作为奇异值偏离度；

将所述标准差和所述奇异值偏离度的乘积值作为蓄电池组的每个特征参数在每个时刻的变化异常度。

3.根据权利要求1所述的一种蓄电池鼓包智能化监测方法，其特征在于，所述根据任一单体电池与其他所有单体电池在相同时刻下同一特征参数序列的数据点之间的差异和对应特征参数的差异程度，获得单体电池的每个特征参数在每个时刻的状态异常度包括：

将每个单体电池与所有其他单体电池的同一特征参数在相同时刻的差异程度的平均值，作为单体电池的对应特征参数在对应时刻的局部差异值；

将所有单体电池的同一特征参数序列在相同时刻下的数据点的平均值，作为对应特征参数在对应时刻的数据点均值；将每个单体电池的每个特征参数序列在每个时刻的数据点与所述数据点均值之间的差值的绝对值，作为单体电池的每个特征参数在每个时刻的数据点偏离度；对所述数据点偏离度进行归一化处理得到数据点差异值；

将所述局部差异值和所述数据点差异值的乘积值作为单体电池的每个特征参数在每个时刻的状态异常度。

4.根据权利要求1所述的一种蓄电池鼓包智能化监测方法，其特征在于，所述根据所述变化异常度和所述状态异常度获取单体电池的每个特征参数在每个时刻的特征异常度包括：

将所述变化异常度和所述状态异常度的乘积值作为单体电池的每个特征参数在每个时刻的特征异常度。

5.根据权利要求1所述的一种蓄电池鼓包智能化监测方法，其特征在于，所述确定每个特征参数对形变量的预设影响程度包括：

获取正常单体电池分别在每个阶段下每个特征参数的正常数据序列和形变量的正常数据序列，所述阶段包括静置阶段、充电阶段和放电阶段；

基于灰色关联分析算法，对相同阶段下每个特征参数的正常数据序列和形变量的正常数据序列进行处理，获得每个特征参数在每个阶段对形变量的初始关联度；

将所有特征参数在每个阶段下对形变量的所述初始关联度进行累加，获得每个阶段的整体关联度；将每个特征参数在每个阶段对形变量的所述初始关联度与对应阶段的所述整体关联度的比值，作为每个特征参数在每个阶段对形变量的标准关联度；

将每个特征参数在所有阶段对形变量的所述标准关联度的平均值作为每个特征参数对形变量的所述预设影响程度。

6.根据权利要求1所述的一种蓄电池鼓包智能化监测方法，其特征在于，所述根据所述特征异常度和所述预设影响程度获得单体电池在每个时刻的目标异常度包括：

将每个特征参数对形变量的所述预设影响程度，作为对应特征参数在每个时刻的所述特征异常度的权重；

基于特征异常度的权重对所述特征异常度进行加权求和后并进行归一化处理，获得单体电池在每个时刻的所述目标异常度。

7.根据权利要求1所述的一种蓄电池鼓包智能化监测方法，其特征在于，所述对每个单体电池在每个时刻的形变量序列的数据点和所述目标异常度组成的样本点进行聚类，获得单体电池的聚类结果包括：

以所述形变量作为横轴，以所述目标异常度作为纵轴，建立坐标图，所述坐标图中包括每个单体电池的所有所述样本点；

根据所述坐标图中的所述样本点的分布，对所述样本点进行聚类，获得单体电池的聚类结果。

8.根据权利要求1所述的一种蓄电池鼓包智能化监测方法，其特征在于，所述聚类结果包括不同的聚类簇，每个聚类簇具有一个聚类中心，所述根据聚类结果对单体电池的鼓包情况进行监测包括：

将聚类中心的形变量的值大于预设形变量阈值并且目标异常度小于预设异常度阈值的聚类簇，作为正常性鼓包聚类簇；

将聚类中心的形变量的值大于预设形变量阈值并且目标异常度不小于预设异常度阈值的聚类簇，作为异常性鼓包聚类簇；

在所述正常性鼓包聚类簇中存在至少预设第二数量的连续时刻的样本点时，则生成一级警报信号；在所述异常性鼓包聚类簇中存在至少预设第二数量的连续时刻的样本点时，则生成二级警报信号；其中，二级的紧急程度高于一级。

9.根据权利要求1所述的一种蓄电池鼓包智能化监测方法，其特征在于，所述对任意两个单体电池在相同特征参数序列中相同时刻的局部数据序列进行动态时间规整处理，获得差异程度包括：

基于动态时间规整算法，对任意两个单体电池在相同特征参数序列中相同时刻的局部数据序列进行处理，获得两个局部数据序列的累积距离，并将累积距离作为所述差异程度。

10.一种蓄电池鼓包智能化监测系统，所述系统包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1~9任意一项所述方法的步骤。