CN117491813A - 新能源汽车动力电池系统绝缘异常检测方法 - Google Patents

Abstract

本发明涉及动力电池技术领域，具体为一种新能源汽车动力电池系统绝缘异常检测方法，包括：获取原始报文，进行解析，提取电池信号数据，并进行数据清洗以及归一化处理；对电池信号数据，进行特征选取，选取和绝缘状态相关的绝缘电阻、电压、电流和温度，作为特征数据；求取绝缘电阻、电压、电流和温度的前k个众数作为初始值；基于k‑means聚类算法对特征数据进行分类，获取k类分类特征；使用轮廓系数对不同k获得的聚类结果的聚类效果进行评价；选取聚类效果最好的k，分析不同类别的异常程度；根据k类分类特征不同的差异性判断绝缘异常情况。本方案具有较强的抗干扰能力，有利于稳定获取精准度更高的检测结果，以便于更及时的采取措施处理。

Description

新能源汽车动力电池系统绝缘异常检测方法

技术领域

本发明涉及动力电池技术领域，具体为一种新能源汽车动力电池系统绝缘异常检测方法。

背景技术

新能源汽车动力电池系统绝缘异常检测旨在监测和检测动力电池系统中的绝缘状况，以确保电池系统的安全性和可靠性，是一种重要的安全措施，旨在防止电池的高压电与车辆底盘之间的短路，从而避免可能引发的火灾或其他安全事故。

一般来说，检测电池绝缘异常的方法包括测量电池与车辆底盘之间的电阻值，正常状态下，这个电阻值会非常高，表示绝缘效果良好，如果这个电阻值下降，就可能表示电池与车辆底盘之间存在短路，此时应立即停用车辆并联系维修；

但是，现有技术存在的一些问题或缺陷：

1、部分绝缘异常检测方法可能对环境变化和干扰较为敏感，可能会导致误报或漏报，抗干扰能力低，导致后续分析结果的精准度受到影响。

2、绝缘状态受多种因素影响，如温度、湿度、电流、电压等，仅依靠单一参数可能难以准确判断绝缘状态，导致分析结果的精准度低。

3、绝缘异常检测方法需要设置阈值来判断绝缘状态是否异常，但如何设置合适的阈值仍然是一个挑战，需要综合考虑多个因素，现有技术中依靠经验和历史数据，设置的阈值，不一定最适用当前情况，导致分析结果的精准度下降。

因此，现在急需一种新能源汽车动力电池系统绝缘异常检测方法，具有较强的抗干扰能力，有利于稳定获取精准度更高的检测结果，以便于更及时的采取措施处理。

发明内容

本发明意在提供一种新能源汽车动力电池系统绝缘异常检测方法，具有较强的抗干扰能力，有利于稳定获取精准度更高的检测结果，以便于更及时的采取措施处理。

本发明提供如下基础方案：新能源汽车动力电池系统绝缘异常检测方法，包括如下内容：

S1、获取原始报文，对报文进行解析，提取电池信号数据，其中电池信号数据，包括：绝缘电阻、电压、电流和温度；

S2、对电池信号数据进行数据清洗以及归一化处理；

S3、对电池信号数据，进行特征选取，选取和绝缘状态相关的绝缘电阻、电压、电流和温度，作为特征数据；

S4、求取绝缘电阻、电压、电流和温度的前k个众数作为初始值；

S5、基于k-means聚类算法对特征数据进行分类，获取k类分类特征，作为聚类结果；

S6、使用轮廓系数对不同k获得的聚类结果的聚类效果进行评价；

S7、选取聚类效果最好的k，分析不同类别的异常程度；

S8、根据k类分类特征不同的差异性判断绝缘异常情况。

进一步，所述S2，包括：

删除无效数据；

处理异常值，采用滑动中位数填充，使得电池信号数据在一定程度上平滑化；

删除不合理的电池信号数据；

对电池信号数据，进行数据归一化处理。

进一步，所述S4，包括：对每一绝缘电阻，均先求每一取绝缘电阻中的前k个众数，然后分别求取该绝缘电阻值下的电压、电流和温度的众数，从而获取到k个点作为k-means聚类算法的初始值，记为：

进一步，所述S5，包括：

S501、初始的k个中心点为S4中选择的k个初始值；

S502、定义损失函数为各个样本点距离所属类别的中心点的误差平方和：

其中x_i为第i个样本，c_i是x_i所属的类别，为所属的类别对应的中心点，M是样本总数；

S503、分别计算样本点与每个类别的样本中心的距离，并分类为距离最近的样本中心的类别；

S504、对于分类完毕的所有样本点再按类别计算出新的聚类中心，作为新的样本中心；

S505、判断损失函数是否收敛，若是，则执行S506，若否，则执行S503；

S506、停止迭代并获得聚类结果。

进一步，所述轮廓系数为：

其中为类别内不相似度，n为本类别内样本点数；

b(i)＝min{b₁(i),b₂(i),…,b_m(i)}，其中为类别间不相似度，n为l类别内样本点数；

每个样本点的轮廓系数的平均值即为聚类结果的轮廓系数S，轮廓系数的取值在[-1，1]之间，越趋近于1表示聚度和分离度都相对较优，轮廓系数为：

其中为类别内不相似度，n为本类别内样本点数；

b(i)＝min{b₁(i),b₂(i),…,b_m(i)}，其中为类别间不相似度，n为l类别内样本点数；

每个样本点的轮廓系数的平均值即为聚类结果的轮廓系数S，轮廓系数的取值在[-1，1]之间，越趋近于1表示聚度和分离度都相对较优，聚类效果越好。

本方案的有益效果：绝缘异常可能表现在动力电池系统的多个方面，其中一些常见的表现包括：绝缘电阻下降、电容值增加、电压降增大、温度升高、电流异常、绝缘阻抗变化、频繁故障报警、电池组性能下降、充电异常等，不同的绝缘异常情况可能导致不同的反应。

因此仅依靠单一参数可能难以准确判断绝缘状态，相对于现有技术中依靠单一参数指标进行检测，本方案综合分析多个参数指标(绝缘电阻、电压、电流和温度)，从原始报文进行解析提取，不需要额外设置采集监测系统和检测技术，降低了成本，并且动力电池系统由众多电池模块组成，模块之间的互相影响可能会导致绝缘异常的复杂性增加，难以准确分辨异常的来源，通过原始报文多参数指标分析可以定位到异常的来源；在对电池信号数据进行数据清洗以及归一化处理，降低后续分析的数据处理量，然后基于k-means聚类算法，进行绝缘异常检测，能更准确地判断绝缘状态是否异常，同时多参数指标的抗干扰能力也更强，有利于稳定获取精准度更高的检测结果，以便于更及时的采取措施处理。

此外，本方案能在不同环境和工况下进行验证，确保其在各种情况下的可靠性和准确性。

附图说明

图1为本发明新能源汽车动力电池系统绝缘异常检测方法实施例的流程示意图。

具体实施方式

下面通过具体实施方式进一步详细说明：

实施例基本如附图1所示：新能源汽车动力电池系统绝缘异常检测方法，包括如下内容：

S1、获取原始报文，对报文进行解析，提取电池信号数据，其中原始报文为符合GB32960国标的原始报文；电池信号数据，包括：绝缘电阻、电压、电流和温度；

S2、对电池信号数据进行数据清洗以及归一化处理；具体地，为了保障后续分析的准确性，删除无效数据，如NAN、空格等；同时，处理异常值，采用滑动中位数填充的方法，使得数据在一定程度上平滑化，从而降低异常值的影响；另外，删除不合理的数据，例如：对于电压的数据，可能存在一些不合理的值，比如电压大于6V或小于1V的情况，这些数据需要进行删除，以确保分析的可靠性；为了消除指标之间的量纲影响，进行数据归一化处理；原始数据经过数据归一化处理后，各指标处于同一数量级，从而消除奇异样本数据导致的不良影响。

S3、对电池信号数据，进行特征选取，选取和绝缘状态相关的绝缘电阻、电压、电流和温度，作为特征数据；具体地，对于进行数据清洗以及归一化处理后的电池信号数据，进行特征选取，选取和绝缘状态相关的绝缘电阻INSULATION_RESISTANCE、电压SUM_VOLT、电流SUM_CURRENT和温度SUM_TEMP，通过选取的电池信号数据进行绝缘异常检测。

S4、求取绝缘电阻、电压、电流和温度的前k个众数作为初始值；

具体地，对每一绝缘电阻，均先求每一取绝缘电阻中的前k个众数，然后分别求取该绝缘电阻值下的电压、电流和温度的众数，从而获取到k个点作为k-means聚类算法的初始值，记为：传统的k-means聚类算法采取的是随机选择k个中心的做法，但是这可能导致不同的中心点距离很近，就需要更多的迭代次数才能收敛。如果在选择初始中心点时能让不同的中心尽可能远离，效果往往更好。而且分类的思想与众数的思想某种程度上是近似的，因此本方案中通过观测特征数据后按顺序求取绝缘电阻、电压和、电流与温度和数据的前k个众数，以便于后续迭代过程中快速收敛，更快获取结果。

S5、基于k-means聚类算法对特征数据进行分类，获取k类分类特征；

具体地，S5，包括：

S501、初始的k个中心点为S4中选择的k个初始值；

S502、定义损失函数为各个样本点距离所属类别的中心点的误差平方和：

其中x_i为第i个样本，c_i是x_i所属的类别，为所属的类别对应的中心点，M是样本总数；

S503、分别计算样本点与每个类别的样本中心(中心点)的距离，并分类为距离最近的样本中心的类别；

S504、对于分类完毕的所有样本点再按类别计算出新的聚类中心，作为新的样本中心；

S505、判断损失函数是否收敛，若是，则执行S506，若否，则执行S503；

S506、停止迭代并获得聚类结果。

S6、使用轮廓系数对不同k获得的聚类结果的聚类效果进行评价；

具体地，轮廓系数为：

其中为类别内不相似度，n为本类别内样本点数；

b(i)＝min{b₁(i),b₂(i),…,b_m(i)}，其中为类别间不相似度，n为l类别内样本点数。

每个样本点的轮廓系数的平均值即为聚类结果的轮廓系数S，轮廓系数的取值在[-1，1]之间，越趋近于1表示聚度和分离度都相对较优，即聚类效果越好。

S7、选取聚类效果最好的k，分析不同类别的异常程度；例如若k＝2，则意味着将样本点分为两类，即：异常和正常；

S8、根据k类分类特征不同的差异性判断绝缘异常情况；例如给某个测试点进行分类，即通过分别计算该测试点与k类类别中心的距离结合S7给出的不同分类类别对该测试点进行分类。

以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本申请给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。

Claims (5)

1.新能源汽车动力电池系统绝缘异常检测方法，其特征在于，包括如下内容：

S1、获取原始报文，对报文进行解析，提取电池信号数据，其中电池信号数据，包括：绝缘电阻、电压、电流和温度；

S2、对电池信号数据进行数据清洗以及归一化处理；

S3、对电池信号数据，进行特征选取，选取和绝缘状态相关的绝缘电阻、电压、电流和温度，作为特征数据；

S4、求取绝缘电阻、电压、电流和温度的前k个众数作为初始值；

S5、基于k-means聚类算法对特征数据进行分类，获取k类分类特征，作为聚类结果；

S6、使用轮廓系数对不同k获得的聚类结果的聚类效果进行评价；

S7、选取聚类效果最好的k，分析不同类别的异常程度；

S8、根据k类分类特征不同的差异性判断绝缘异常情况。

2.根据权利要求1所述的新能源汽车动力电池系统绝缘异常检测方法，其特征在于，所述S2，包括：

删除无效数据；

处理异常值，采用滑动中位数填充，使得电池信号数据在一定程度上平滑化；

删除不合理的电池信号数据；

对电池信号数据，进行数据归一化处理。

3.根据权利要求1所述的新能源汽车动力电池系统绝缘异常检测方法，其特征在于，所述S4，包括：对每一绝缘电阻，均先求每一取绝缘电阻中的前k个众数，然后分别求取该绝缘电阻值下的电压、电流和温度的众数，从而获取到k个点作为k-means聚类算法的初始值，记为：

4.根据权利要求3所述的新能源汽车动力电池系统绝缘异常检测方法，其特征在于，所述S5，包括：

S501、初始的k个中心点为S4中选择的k个初始值；

S502、定义损失函数为各个样本点距离所属类别的中心点的误差平方和：

其中x_i为第i个样本，c_i是x_i所属的类别，为所属的类别对应的中心点，M是样本总数；

S503、分别计算样本点与每个类别的样本中心的距离，并分类为距离最近的样本中心的类别；

S504、对于分类完毕的所有样本点再按类别计算出新的聚类中心，作为新的样本中心；

S505、判断损失函数是否收敛，若是，则执行S506，若否，则执行S503；

S506、停止迭代并获得聚类结果。

5.根据权利要求4所述的新能源汽车动力电池系统绝缘异常检测方法，其特征在于，所述轮廓系数为：

其中为类别内不相似度，n为本类别内样本点数；

b(i)＝min{b₁(i),b₂(i),…,b_m(i)}，其中为类别间不相似度，n为l类别内样本点数；

每个样本点的轮廓系数的平均值即为聚类结果的轮廓系数S，轮廓系数的取值在[-1，1]之间，越趋近于1表示聚度和分离度都相对较优，轮廓系数为：

其中为类别内不相似度，n为本类别内样本点数；

b(i)＝min{b₁(i),b₂(i),…,b_m(i)}，其中为类别间不相似度，n为l类别内样本点数；

每个样本点的轮廓系数的平均值即为聚类结果的轮廓系数S，轮廓系数的取值在[-1，1]之间，越趋近于1表示聚度和分离度都相对较优，聚类效果越好。