CN117962619A - 蓄电池亏电预警方法、系统、介质及程序产品 - Google Patents
蓄电池亏电预警方法、系统、介质及程序产品 Download PDFInfo
- Publication number
- CN117962619A CN117962619A CN202410361879.6A CN202410361879A CN117962619A CN 117962619 A CN117962619 A CN 117962619A CN 202410361879 A CN202410361879 A CN 202410361879A CN 117962619 A CN117962619 A CN 117962619A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- data
- power
- battery
- preset
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 230000002159 abnormal effect Effects 0.000 claims abstract description 85
- 230000007812 deficiency Effects 0.000 claims abstract description 83
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 27
- 238000000605 extraction Methods 0.000 claims abstract description 23
- 230000005059 dormancy Effects 0.000 claims description 27
- 230000007958 sleep Effects 0.000 claims description 27
- 230000005611 electricity Effects 0.000 claims description 25
- HEZMWWAKWCSUCB-PHDIDXHHSA-N (3R,4R)-3,4-dihydroxycyclohexa-1,5-diene-1-carboxylic acid Chemical compound O[C@@H]1C=CC(C(O)=O)=C[C@H]1O HEZMWWAKWCSUCB-PHDIDXHHSA-N 0.000 claims description 23
- 230000003068 static effect Effects 0.000 claims description 22
- 230000004622 sleep time Effects 0.000 claims description 21
- 230000001502 supplementing effect Effects 0.000 claims description 19
- 238000003745 diagnosis Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 6
- 230000001960 triggered effect Effects 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 5
- 239000013589 supplement Substances 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 41
- 230000006870 function Effects 0.000 description 18
- 238000001914 filtration Methods 0.000 description 15
- 238000007726 management method Methods 0.000 description 14
- 238000012163 sequencing technique Methods 0.000 description 13
- 230000001186 cumulative effect Effects 0.000 description 12
- 230000008859 change Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 4
- 230000007257 malfunction Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000004617 sleep duration Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
Landscapes
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明涉及一种蓄电池亏电预警方法、系统、介质及程序产品，涉及蓄电池技术领域，所述方法包括基于预先配置的信号采集需求采集车端原始信号数据；对所述车端原始信号数据中的异常数据进行处理得到车端信号数据；对所述车端信号数据进行特征提取得到特征数据；将所述特征数据输入预设的特征算法得到亏电风险概率。本发明可用于对车载蓄电池进行亏电风险判断及亏电归因分析。
Description
技术领域
本发明涉及蓄电池技术领域，尤其是涉及一种蓄电池亏电预警方法、系统、介质及程序产品。
背景技术
随着电动汽车的普遍使用，电动汽车的问题也凸显出来，其中比较常见的一类故障是蓄电池亏电故障，12V蓄电池是乘用车辆重要的零部件，担负起启动车辆和向一些低压用电器供电的功能，如果蓄电池亏电会造成车辆无法启动行驶，属于非常严重的故障，对车主用车造成了不便利。
目前新能源车一般具有智能补电策略，即当蓄电池电量低于某个阈值时，会发起上高压请求，给蓄电池充电，但是，智能补电策略并不能100%保证蓄电池不会亏电，比如高低压系统故障或动力电池本身就电量不够，都会导致智能补电失败。对于整车蓄电池的亏电情况，目前只有在用户反馈到售后时，才知道整车出现了亏电，对于排查亏电原因主要依赖于用户的主观反馈以及整车的检测，具有成本高以及滞后性的缺陷。
发明内容
鉴于以上所述的现有技术的缺点，本发明提供了一种蓄电池亏电预警方法、系统、介质及程序产品，用于对车载蓄电池进行亏电风险判断及亏电归因分析。
为实现上述目的，本发明采用如下技术方案。
第一方面，本发明提供的一种蓄电池亏电预警方法，采用如下的技术方案：
基于预先配置的信号采集需求采集车端原始信号数据；
对所述车端原始信号数据中的异常数据进行处理得到车端信号数据；
对所述车端信号数据进行特征提取得到特征数据；
将所述特征数据输入预设的特征算法得到亏电风险概率。
进一步的，上述一种蓄电池亏电预警方法中，所述信号采集需求包括信号名、信号采集方式以及信号采集频率；
所述基于预先配置的信号采集需求采集车端原始信号数据，包括：
在车端按照所述信号采集频率，利用预设的信号采集方式，采集所述信号名对应的信号。
进一步的，上述一种蓄电池亏电预警方法中，所述对所述车端原始信号数据中的异常数据进行处理得到车端信号数据，包括：
对所述车端原始信号数据中的异常值序列进行识别，并计算所述异常值序列的持续时长；
将所述异常值序列的持续时长与预设的时长阈值进行比较，保留高于所述时长阈值的异常值序列得到所述车端信号数据。
进一步的，上述一种蓄电池亏电预警方法中，对所述车端原始信号数据中的异常值序列进行识别，包括：
对蓄电池电流不变序列进行识别；和/或
对唤醒/休眠时蓄电池SOC的0值跳变序列进行识别；和/或
对蓄电池SOC跳变序列进行识别；和/或
对蓄电池电压异常值序列识别。
进一步的，上述一种蓄电池亏电预警方法中，所述特征数据包括网络管理异常特征数据、低压系统故障特征数据、高压系统故障特征数据、静态电流特征数据、电池特征数据和/或低电量补电特征数据。
进一步的，上述一种蓄电池亏电预警方法中，所述对所述车端信号数据进行特征提取得到特征数据，包括：
基于所述车端信号数据获取车辆预设第一时间段内网络不休眠时长序列，得到所述网络管理异常特征数据。
进一步的，上述一种蓄电池亏电预警方法中，所述对所述车端信号数据进行特征提取得到特征数据，包括：
基于所述车端信号数据获取车辆预设第二时间段内休眠、唤醒时刻蓄电池SOC差序列，得到所述低压系统故障特征数据和/或所述电池特征数据；和/或
基于所述车端信号数据获取车辆预设第三时间段内蓄电池充电停止时刻SOC序列，得到所述低压系统故障特征数据和/或所述电池特征数据；和/或
基于所述车端信号数据获取车辆预设第四时间段内休眠时刻蓄电池SOC序列，得到所述低压系统故障特征数据和/或所述电池特征数据；和/或
基于所述车端信号数据获取车辆预设第五时间段内休眠时刻蓄电池SOC的平均值和/或最小值，得到所述低压系统故障特征数据和/或所述电池特征数据。
进一步的，上述一种蓄电池亏电预警方法中，所述对所述车端信号数据进行特征提取得到特征数据，包括：
基于所述车端信号数据获取车辆预设第六时间段内DCDC非正常工作持续时长序列，得到所述高压系统故障特征数据；和/或
基于所述车端信号数据获取车辆预设第七时间段内不响应上高压请求次数，得到所述高压系统故障特征数据。
进一步的，上述一种蓄电池亏电预警方法中，所述对所述车端信号数据进行特征提取得到特征数据，包括：
基于所述车端信号数据获取车辆预设第八时间段内的静态电流，得到所述静态电流特征数据。
进一步的，上述一种蓄电池亏电预警方法中，所述对所述车端信号数据进行特征提取得到特征数据，包括：
基于所述车端信号数据获取车辆预设第九时间段内低电量连续补电次数，得到所述低电量补电特征数据；和/或
基于所述车端信号数据获取车辆预设第十时间段内低电量补电功能不触发持续时长序列，得到所述低电量补电特征数据。
进一步的，上述一种蓄电池亏电预警方法中，所述将所述特征数据输入预设的特征算法得到亏电风险概率，包括：
基于所述特征数据判断所述蓄电池是否有符合预设电流阈值要求且稳态的静态电流；
若有，则基于预设的静态电流亏电高风险算法获取第一亏电风险概率；
若无，则判断所述特征数据中是否有睡眠/唤醒序列，有则基于SOC差序列算法获取第二亏电风险概率，无则基于连续补电序列算法获取第三亏电风险概率；
基于所述第一亏电风险概率、第二亏电风险概率和/或第三亏电风险概率得到所述亏电风险概率。
进一步的，上述一种蓄电池亏电预警方法中，还包括：
基于所述特征数据计算所述亏电风险概率高于预设的第一风险阈值车辆的亏电因素指标，得到亏电归因分析结果。
进一步的，上述一种蓄电池亏电预警方法中，所述亏电因素指标包括蓄电池平均SOC、网络不休眠次数、平均不休眠时长、DCDC非正常工作的次数、上高压请求响应失败的次数、低电量补电功能不触发的次数和/或平均静态电流。
进一步的，上述一种蓄电池亏电预警方法中，还包括：
将所述亏电风险概率高于预设的第二风险阈值的车辆数据推送至预设的应用服务。
第二方面，本发明提供的一种蓄电池亏电预警系统，采用如下技术方案：
信号数据摄取模块，至少用于基于预先配置的信号采集需求采集车端原始信号数据；
信号数据处理模块，至少用于对所述车端原始信号数据中的异常数据进行处理得到车端信号数据；
亏电诊断及预警模块，至少用于对所述车端信号数据进行特征提取得到特征数据，以及将所述特征数据输入预设的特征算法得到亏电风险概率。
进一步的，上述一种蓄电池亏电预警系统中，还包括：
亏电车辆判别模块，至少用于判断高于预设第一风险阈值和/或第二风险阈值的风险车辆；
所述亏电诊断及预警模块还用于将所述风险车辆的车辆数据发送至预设的应用服务。
第三方面，本发明提供的一种可读存储介质，采用如下的技术方案：
所述可读存储介质存储有计算机指令，所述计算机指令被处理器执行时实现如上述第一方面中任一项所述的一种蓄电池亏电预警方法。
第四方面，本发明提供的一种计算机程序产品，采用如下的技术方案：
所述计算机程序产品包括计算机指令，所述计算机指令被处理器执行时实现如上述第一方面中任一项所述的一种蓄电池亏电预警方法。
综上所述，与现有技术相比，本发明包括以下至少一种有益技术效果：
1、通过采集车辆信号数据和分析亏电因素指标，本发明能够准确判断车辆的亏电风险，并提供针对性的预警和诊断。与传统的故障诊断方法相比，该发明能够更精准地识别潜在的亏电问题，有效降低了误报率和漏报率，提升了预警的准确性和及时性；
2、本发明结合了多种亏电因素指标，包括蓄电池SOC、网络不休眠次数、DCDC非正常工作次数等，从多个角度全面分析车辆的亏电情况。相比单一因素分析，综合考虑多种因素可以更全面地了解车辆的亏电状况，有助于制定更有效的应对措施；
3、本发明能够实时监测车辆的信号数据，并将高风险车辆数据推送至预设的应用服务，如售后系统和用户app。这种集成服务能够及时提供警报通知和解决方案，使车主和相关服务机构能够快速响应并采取必要的措施，从而有效减少亏电风险带来的损失，并提升车辆运行的安全性和可靠性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，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他的附图。
图1是本发明一种蓄电池亏电预警方法的一具体实施例的流程框图。
图2是本发明一种蓄电池亏电预警方法中信号采集时间戳一具体实施例的示意图。
图3是本发明一种蓄电池亏电预警方法的一具体实施例的流程图。
图4是本发明一种蓄电池亏电预警方法的另一具体实施例的流程框图。
图5是本发明一种蓄电池亏电预警方法的另一具体实施例的流程框图。
图6是本发明一种蓄电池亏电预警系统的一具体实施例的网络结构图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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，本领域技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。此外，应当理解的是，此处所描述的具体实施方式仅用于说明和解释本申请，并不用于限制本申请。
需要说明的是，以下实施例的描述顺序不作为对本申请实施例优选顺序的限定。且在以下实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。
本发明实施例中所述的方法步骤，其执行顺序可以按照具体实施方式中所述的顺序执行，也可以根据实际需要，在能够解决技术问题的前提下，调整各步骤的执行顺序，在此不一一列举。
以下结合附图1-6对本发明作进一步详细说明。
参照图1，一种蓄电池亏电预警方法，包括：
S1，基于预先配置的信号采集需求采集车端原始信号数据；
S2，对所述车端原始信号数据中的异常数据进行处理得到车端信号数据；
S3，对所述车端信号数据进行特征提取得到特征数据；
S4，将所述特征数据输入预设的特征算法得到亏电风险概率。
具体的，本发明首先基于预先配置的信号采集需求，在车端采集原始信号数据。其次，针对采集到的车端原始信号数据，进行异常数据处理。这一步骤旨在识别并处理原始信号中的异常数据，以获得清洗后的车端信号数据，确保数据质量。然后，对清洗后的车端信号数据进行特征提取。在这一阶段，从车端信号数据中提取出各种特征，例如网络管理异常、低压系统故障、高压系统故障、静态电流等相关特征。这些特征的提取包括信号时间序列的分析、统计特征的计算等。最后，将提取得到的特征数据输入到预设的特征算法中。这些特征算法可能是针对不同的亏电风险因素设计的，例如考虑了静态电流、SOC亏电特征、连续补电特征等因素。通过这些特征算法的运算，得到了针对该车辆的亏电风险概率。这一概率值可以反映出车辆的亏电风险程度，以便进一步的预警和处理。
进一步的，作为本发明的一种实施方式，所述信号采集需求包括信号名、信号采集方式以及信号采集频率；步骤S1，基于预先配置的信号采集需求采集车端原始信号数据，包括：在车端按照所述信号采集频率，利用预设的信号采集方式，采集所述信号名对应的信号。
具体的，车端需要抓取上传的信号采集需求如下表所示：
示例性的，在车端按照信号采集频率1000ms，利用周期采集的方式，采集collect_unixtime对应的信号采集时间戳，一种信号采集时间戳如图2所示，其中t1指车辆休眠时刻，t2指车辆唤醒时刻，vin为车辆唯一标识符，collect_unixtime_t1车辆休眠时最后一个信号的unix时间戳，collect_unixtime_t2为车辆唤醒时第一个信号的unix时间戳，lvbat_soc_t1为辆休眠时蓄电池SOC，lvbat_soc_t2为车辆唤醒时蓄电池SOC，hvbat_soc_t1为车辆休眠时动力电池SOC，hvbat_soc_t2为车辆唤醒时动力电池SOC。
进一步的，作为本发明的一种实施方式，步骤S2，对所述车端原始信号数据中的异常数据进行处理得到车端信号数据，包括：
对所述车端原始信号数据中的异常值序列进行识别，并计算所述异常值序列的持续时长；
将所述异常值序列的持续时长与预设的时长阈值进行比较，保留高于所述时长阈值的异常值序列得到所述车端信号数据。
具体的，识别原始信号数据中的异常值序列，可通过比较当前数据与前一时刻的数据差异来识别异常值；随后，针对识别出的异常值序列，计算其持续时长，即异常数据持续的时间长度。接着，将计算得到的异常值序列的持续时长与预设的时长阈值进行比较。如果某个异常值序列的持续时长高于预设的时长阈值，则保留该异常值序列，否则将其舍弃。最终，经过这一处理过程，得到了经过异常数据处理后的车端信号数据，其中已经剔除了持续时长低于阈值的异常值序列。
进一步的，作为本发明的一种实施方式，对所述车端原始信号数据中的异常值序列进行识别，包括：对蓄电池电流不变序列进行识别；和/或对唤醒/休眠时蓄电池SOC的0值跳变序列进行识别；和/或对蓄电池SOC跳变序列进行识别；和/或对蓄电池电压异常值序列识别。
具体的，对蓄电池电流不变序列进行识别包括：
1)、将数据按vin分组，组内按信号采集时间戳排序；
2)、针对每组：对信号采集时间戳做差分计算，如果时间差大于10（可标定）分钟，则为1，否则为0，记为变量diff_ct_flag;
3)、针对每组：对蓄电池电流做差分计算，如果差分值<0.001,则为0，否则为1，记为变量 diff_crnt_flag；
4)、针对每组：对diff_ct_flag做累积求和操作，记为变量seq_ct_id;
5)、针对每组：对diff_crnt_flag变量做累积求和操作，记为变量seq_crnt_id；
6)、选取diff_crnt_flag值为0的记录，并将数据按vin、seq_ct_id、seq_crnt_id分组，获取组内最大、最小的信号采集时间戳，此时异常序列识别完毕，保存这些数据。
在上述对蓄电池电流不变序列进行识别的实施例中，首先，将原始数据按车辆识别码（VIN）分组，并在每个组内按照信号采集时间戳进行排序。然后，针对每个分组，通过计算信号采集时间戳之间的差值，判断是否大于预设的时间间隔（例如10分钟），若大于则标记为1，否则标记为0，记为差分时间标志（diff_ct_flag）。接下来，对蓄电池电流数据进行差分计算，若差分值小于0.001，则标记为0，否则标记为1，记为差分电流标志（diff_crnt_flag）。继而，对差分时间标志进行累积求和操作，得到序列ID（seq_ct_id）。对差分电流标志进行累积求和操作，得到电流序列ID（seq_crnt_id）。最后，选取电流标志值为0的记录，并按照VIN、差分时间标志序列ID、差分电流序列ID进行分组，获取组内的最大和最小信号采集时间戳，从而完成对异常序列的识别。
进一步的，对唤醒/休眠时蓄电池SOC的0值跳变序列进行识别包括：
1)、将数据按vin分组，组内按信号采集时间戳排序；
2)、针对每组：计算每条记录的索引，从1开始，记为变量row_id；
3)、针对每组：对信号采集时间戳做差分计算，如果时间差大于10（可标定）分钟，则为1，否则为0，记为变量diff_ct_flag；
4)、针对每组：对蓄电池SOC做差分计算，并取绝对值，记为变量diff_soc_flag；
5)、针对每组：获取当前记录上一条记录的SOC值，如当前记录为首条记录则取当前值，记为变量lag_soc；
6)、针对每组：获取当前记录下一条记录的SOC值，如当前记录为末条记录则取当前值，记为变量lead_soc；
7)、针对每组：对diff_ct_flag做累积求和操作，记为变量seq_ct_id；
8)、针对每组：对diff_soc_flag做累积求和操作，记为变量seq_soc_id；
9)、针对每组：对信号采集时间按倒叙排序，计算每条记录的索引，从1开始，记为变量r_row_id；
10)、选取蓄电池SOC值为0的记录，并将数据按vin、seq_ct_id、seq_soc_id 分组；
11)、选取max(lag_soc)>8（可标定）&& min(r_row_id)=1 || max(lead_soc)>8(可标定) && min(row_id)=1的组；
12)、获取组内最大、最小的信号采集时间戳，此时异常序列识别完毕，保存这些数据。
在上述对唤醒/休眠时蓄电池SOC的0值跳变序列进行识别的实施例中，首先，将原始数据按车辆识别码（VIN）分组，并在每个组内按照信号采集时间戳进行排序。然后，对每个分组中的记录进行索引计算，从1开始，记为row_id。接着，通过计算信号采集时间戳之间的差值，判断是否大于预设的时间间隔（例如10分钟），若大于则标记为1，否则标记为0，记为差分时间标志（diff_ct_flag）。继而，对蓄电池SOC数据进行差分计算，并取绝对值，得到差分SOC标志（diff_soc_flag）。随后，获取当前记录的上一条和下一条记录的SOC值，若当前记录为首条或末条记录，则取当前值，记为lag_soc和lead_soc。进而，对差分时间标志和差分SOC标志进行累积求和操作，得到序列ID（seq_ct_id）和SOC序列ID（seq_soc_id）。在此基础上，按照信号采集时间的倒序排序，并计算每条记录的索引，记为r_row_id。最后，选取蓄电池SOC值为0的记录，并按照VIN、差分时间标志序列ID、差分SOC序列ID进行分组。进一步筛选满足条件的组，即max(lag_soc)大于预设值8且min(r_row_id)等于1，或者max(lead_soc)大于预设值8且min(row_id)等于1，获取组内的最大和最小信号采集时间戳，完成异常序列的识别，并保存相应数据。
进一步的，对蓄电池SOC跳变序列进行识别包括：
1)、将数据按vin分组，组内按信号采集时间戳排序；
2)、针对每组：对信号采集时间戳做差分计算，如果时间差大于10（可标定）分钟，则为1，否则为0，记为变量、diff_ct_flag；
3)、针对每组：对蓄电池SOC做差分计算，并取绝对值并除以时间差分，记为变量delt_soc；
4)、针对每组：对diff_ct_flag做累积求和操作，记为变量seq_ct_id；
5)、将数据按vin、seq_ct_id分组，并选取max(delt_soc)>5（可标定）的组；
6)、获取组内最大、最小的信号采集时间戳，此时异常序列识别完毕，保存这些数据。
在上述对蓄电池SOC跳变序列进行识别的实施例中，首先，将原始数据按车辆识别码（VIN）分组，并在每个组内按照信号采集时间戳进行排序。然后，针对每个分组中的记录，计算相邻两条记录之间的时间差，若时间差大于预设值（例如10分钟），则标记为1，否则标记为0，记为时间差标志（diff_ct_flag）。接着，对蓄电池SOC数据进行差分计算，并取绝对值，再除以时间差分，得到SOC变化率（delt_soc）。随后，对时间差标志进行累积求和操作，得到序列ID（seq_ct_id）。在此基础上，将数据按照VIN和序列ID分组，并选取SOC变化率大于预设阈值（例如5）的组。最后，获取每个组内的最大和最小信号采集时间戳，完成异常序列的识别，并保存相应数据。
进一步的，对蓄电池电压异常值序列识别包括：
1)、将数据按vin分组，组内按信号采集时间戳排序；
2)、针对每组：对信号采集时间戳做差分计算，如果时间差大于10（可标定）分钟，则为1，否则为0，记为变量diff_ct_flag；
3)、针对每组：对蓄电池电压做差分计算，如果差分值<0.001,则为0，否则为1，记为变量diff_soc_flag；
4)、针对每组：对diff_ct_flag做累积求和操作，记为变量seq_ct_id；
5)、针对每组：对diff_soc_flag 变量做累积求和操作，记为变量seq_soc_id；
6)、选取蓄电池电压为3（可标定）的记录，并将数据按vin、seq_ct_id、seq_soc_id分组, 获取组内最大、最小的信号采集时间戳，此时异常序列识别完毕，保存这些数据。
在上述对蓄电池电压异常值序列识别的实施例中，首先，将原始数据按车辆识别码（VIN）分组，并在每个组内按照信号采集时间戳进行排序。然后，针对每个分组中的记录，计算相邻两条记录之间的时间差，若时间差大于预设值（例如10分钟），则标记为1，否则标记为0，记为时间差标志（diff_ct_flag）。接着，对蓄电池电压数据进行差分计算，若差分值小于预设阈值（例如0.001），则标记为0，否则标记为1，记为电压差分标志（diff_soc_flag）。随后，对时间差标志和电压差分标志进行累积求和操作，得到相应的序列ID（seq_ct_id和seq_soc_id）。在此基础上，选取蓄电池电压为预设值（例如3）的记录，并将数据按照VIN、序列ID分组，获取每组内的最大和最小信号采集时间戳，完成异常序列的识别，并保存相应数据。
进一步的，针对上述实施例中每个异常序列，首先检查其持续时间是否小于10分钟，若是，则将该序列删除；反之，若持续时间大于10分钟，则保留该异常序列，用于后续的异常模式识别、健康状态评估、性能优化、故障诊断与修复以及预警和报警等分析。
进一步的，作为本发明的一种实施方式，所述特征数据包括网络管理异常特征数据、低压系统故障特征数据、高压系统故障特征数据、静态电流特征数据、电池特征数据和/或低电量补电特征数据。
具体的，作为本发明的一种实施方式，所述特征数据涵盖了多个方面，其中包括网络管理异常特征数据、低压系统故障特征数据、高压系统故障特征数据、静态电流特征数据、电池特征数据和/或低电量补电特征数据。网络管理异常特征数据指的是通过监测网络通信状态、数据传输延迟等指标来识别车辆网络通信异常的特征信息。低压系统故障特征数据则主要关注低压系统的故障状态，包括电池电压异常、电路短路等问题。高压系统故障特征数据则针对高压系统的异常情况，例如电池SOC异常、充电过程中的异常变化等。静态电流特征数据则关注车辆在休眠状态下的电流消耗情况，用于评估电池自放电情况。电池特征数据涉及电池的各种参数，如电压、电流、温度等，用于分析电池的状态和性能。最后，低电量补电特征数据则是指车辆低电量状态下的补电行为，如补电频率、补电持续时长等信息。综合利用这些特征数据可以全面评估车辆的运行状态和健康状况，为车辆管理和维护提供重要参考依据。
进一步的，作为本发明的一种实施方式，步骤S3，对所述车端信号数据进行特征提取得到特征数据，包括：基于所述车端信号数据获取车辆预设第一时间段内网络不休眠时长序列，得到所述网络管理异常特征数据。
具体的，所述基于所述车端信号数据获取车辆预设第一时间段内网络不休眠时长序列，得到所述网络管理异常特征数据，包括：
1)、选取当天的信号数据，并将数据按vin分组，组内按信号采集时间戳排序；
2)、针对每组：对信号采集时间戳做差分计算，如果时间差大于10（可标定）分钟，则为1，否则为0，记为变量diff_ct_flag；
3)、针对每组：如果当前记录的整车电源模式=0（OFF） && 上高压请求=0（无上高压请求） && 车辆门锁状态=3（外锁） && 蓄电池电流小于负1.5A && 蓄电池电流大于负150A && DCDC状态为非buck，则取值为0，否则取值1，记为变量dns_flag；
4)、针对每组：对变量dns_flag求差分，记为变量diff_dns_flag；
5)、针对每组：对diff_ct_flag做累积求和操作，记为变量seq_ct_id；
6)、针对每组：对diff_dns_flag的绝对值做累积求和操作，记为变量seq_dns_id；
7)、选取dns_flag=0的记录，将数据按vin、seq_ct_id、seq_dns_id分组,计算每组的持续时长，并过滤掉持续时长小于15（可标定）分钟的记录。
针对上述获取网络管理异常特征数据的实施例中，首先根据相邻信号采集时间戳之间的时间差，标记出可能存在不休眠情况的时间段。接着根据车辆状态及信号数据判断网络不休眠情况，并将结果进行标记。这些标记值经过差分处理后，得到异常变化情况，即可能存在网络管理异常的情况。通过累积求和操作，可以得到每个时段内的累积值，进一步揭示网络管理异常的持续时间。最终，选取网络不休眠情况为0的记录，并按照VIN、时间标记、异常标记分组，计算每组的持续时长，以过滤掉持续时长小于15分钟的记录。这些持续时长的数据可以作为网络管理异常特征数据的一部分，用于后续的分析和预测。
进一步的，作为本发明的一种实施方式，对所述车端信号数据进行特征提取得到特征数据，包括：
基于所述车端信号数据获取车辆预设第二时间段内休眠、唤醒时刻蓄电池SOC差序列，得到所述低压系统故障特征数据和/或所述电池特征数据；和/或
基于所述车端信号数据获取车辆预设第三时间段内蓄电池充电停止时刻SOC序列，得到所述低压系统故障特征数据和/或所述电池特征数据；和/或
基于所述车端信号数据获取车辆预设第四时间段内休眠时刻蓄电池SOC序列，得到所述低压系统故障特征数据和/或所述电池特征数据；和/或
基于所述车端信号数据获取车辆预设第五时间段内休眠时刻蓄电池SOC的平均值和/或最小值，得到所述低压系统故障特征数据和/或所述电池特征数据。
具体的，基于所述车端信号数据获取车辆预设第二时间段内休眠、唤醒时刻蓄电池SOC差序列，得到所述低压系统故障特征数据和/或所述电池特征数据，包括：
1)、选取当天的信号数据，并将数据按vin分组，组内按信号采集时间戳排序；
2)、针对每组：对信号采集时间戳做差分计算，如果当前时间同上条记录时间差大于10（可标定）分钟，则当前记录时间戳定义为唤醒时间，如果当前时间同下条记录时间差大于10分钟，则当前记录时间戳定义为睡醒时间；
3)、针对每组：选取所有的休眠、唤醒时刻的数据，休眠时刻的蓄电池SOC-唤醒时刻的蓄电池SOC得到休眠、唤醒SOC差，定义为变量 SW_SOC_diff；
4)、过滤变量SW_SOC_diff中，休眠时刻、唤醒时刻在异常序列时间范围内的记录。
在上述休眠、唤醒时刻蓄电池SOC差序列的实施例中，首先，针对每辆车辆，将当天的信号数据按照VIN分组，并且在每组内按照信号采集时间戳排序。接着，针对每组数据，通过对信号采集时间戳进行差分计算，可以确定出车辆的唤醒和休眠时刻。这些唤醒和休眠时刻是低压系统故障特征数据的重要指标之一，因为它们反映了车辆的使用状态和能量消耗情况。然后，针对每组数据，选取所有的休眠和唤醒时刻的数据，并计算其蓄电池SOC的差值，即休眠时刻的SOC减去唤醒时刻的SOC，得到了休眠和唤醒SOC差，定义为变量SW_SOC_diff。这个差值可以作为电池特征数据的一部分，用于分析车辆在休眠和唤醒状态下的电池消耗情况。最后，通过过滤变量SW_SOC_diff中休眠和唤醒时刻在异常序列时间范围内的记录，可以排除异常情况下的数据，确保所得到的特征数据的准确性和可靠性。
进一步的，所述基于所述车端信号数据获取车辆预设第三时间段内蓄电池充电停止时刻SOC序列，得到所述低压系统故障特征数据和/或所述电池特征数据，包括：
1)、选取当天的信号数据，并将数据按vin分组，组内按信号采集时间戳排序；
2)、针对每组：对信号采集时间戳做差分计算，如果时间差大于10（可标定）分钟，则为1，否则为0，记为变量 diff_ct_flag；
3)、针对每组：针对每条记录，如果当前记录蓄电池电流上条记录蓄电池电流>=0,则记为0，否则记为1，定义为变量crnt_flag；
4)、针对每组：对diff_ct_flag做累积求和操作，记为变量seq_ct_id；
5)、针对每组：对crnt_flag 变量做累积求和操作，记为变量seq_crnt_id；
6)、选取蓄电池电流大于0的记录，将数据按 vin、seq_ct_id、seq_crnt_id分组，过滤每组持续时长小于3分钟以及每组开始或结束时间在异常序列中的组；
7)、选择每组最后一条记录的蓄电池SOC及其它信号。
在上述计算蓄电池充电停止时刻SOC序列的实施例中，首先，对于每辆车辆，从当天的信号数据中选取，并按照VIN分组，然后在每组内按照信号采集时间戳排序。接着，针对每组数据，通过对信号采集时间戳进行差分计算，确定相邻信号采集时间之间的时间差，如果时间差大于预先设定的阈值（10分钟），则标记为1，否则为0，形成变量diff_ct_flag。随后，针对每条记录，通过比较当前记录的蓄电池电流与上条记录的蓄电池电流，如果当前记录的电流大于等于上条记录的电流，则记为0，否则记为1，定义为变量crnt_flag。然后，对每组的时间标记和电流变化标记进行累积求和操作，分别得到变量seq_ct_id和seq_crnt_id。接着，选取蓄电池电流大于0的记录，并将数据按VIN、seq_ct_id、seq_crnt_id分组，然后过滤掉每组持续时长小于3分钟以及每组开始或结束时间在异常序列中的组。最后，选择每组数据中的最后一条记录，获取其蓄电池SOC及其他信号信息。这些处理步骤可以用来捕获低压系统故障特征数据和电池特征数据，如电池充电状态和电流变化情况，为后续的分析提供数据基础。
进一步的，所述基于所述车端信号数据获取车辆预设第四时间段内休眠时刻蓄电池SOC序列，得到所述低压系统故障特征数据和/或所述电池特征数据，包括：
1)、选取当天信号数据，将数据按vin分组，组内按信号采集时间戳排序；
2)、针对每组：对信号采集时间戳做差分计算，如果时间差大于10（可标定）分钟，则为1，否则为0，记为变量diff_ct_flag；
3)、针对每组：对diff_ct_flag做累积求和操作，记为变量seq_ct_id；
4)、将数据按vin、seq_ct_id分组，选取每组最后一条记录的SOC，记为raw_sleep_soc，并过滤掉时间在异常序列的数据或动力电池SOC<10的记录；
5)、选取历史最近6天的SOC序列，并同当天的raw_sleep_soc做并集；
6)、计算raw_sleep_soc的内距IQR，令：第一四分位数Q1-3*IQR 为SOC范围下限，记为lower_sleep_soc；
7)、选取raw_sleep_soc中大于lower_sleep_soc的所有记录，记为sleep_soc，并将该数据覆盖到历史SOC序列表中。
在上述计算休眠时刻蓄电池SOC序列的实施例中，首先，从当天的信号数据中选取，并按照车辆VIN分组，然后在每组内按照信号采集时间戳排序。接着，针对每组数据，通过对信号采集时间戳进行差分计算，确定相邻信号采集时间之间的时间差，如果时间差大于预先设定的阈值（10分钟），则标记为1，否则为0，形成变量diff_ct_flag。随后，对每组的时间标记进行累积求和操作，得到变量seq_ct_id。然后，将数据按VIN和seq_ct_id分组，选取每组数据中的最后一条记录的动力电池SOC值，记为raw_sleep_soc，并根据一定的条件过滤掉时间在异常序列中的数据或动力电池SOC小于10的记录。接着，从历史最近6天的SOC序列中获取数据，并与当天的raw_sleep_soc做并集。随后，计算raw_sleep_soc的内距IQR，并根据计算结果确定动力电池SOC的范围下限，记为lower_sleep_soc。最后，从raw_sleep_soc中选择大于lower_sleep_soc的所有记录，记为sleep_soc，并将这些数据添加到历史SOC序列中，以便后续的分析和处理。
进一步的，所述基于所述车端信号数据获取车辆预设第五时间段内休眠时刻蓄电池SOC的平均值和/或最小值，得到所述低压系统故障特征数据和/或所述电池特征数据，包括：
选取车辆最近7天休眠时刻蓄电池SOC序列，计算出平均SOC、最小SOC。
车辆休眠、唤醒时刻蓄电池SOC差序列、车辆蓄电池充电停止时刻SOC序列、车辆休眠时刻蓄电池SOC序列以及车辆休眠时刻蓄电池SOC的平均值和最小值是从车辆信号数据中提取的特征数据，用于描述车辆的电池状态和充电行为。这些数据与低压系统故障特征数据和电池特征数据密切相关，反映了车辆电池的充电情况、SOC的变化趋势以及休眠时电池的状态。通过对这些特征数据的分析，可以评估电池的健康状况和系统的运行状态，进而识别可能存在的低压系统故障或电池问题。因此，这些特征数据提供了重要的线索和信息，有助于全面了解车辆电池的性能和系统的运行情况，为故障诊断和预防提供支持。
进一步的，作为本发明的一种实施方式，步骤S3，对所述车端信号数据进行特征提取得到特征数据，包括：
基于所述车端信号数据获取车辆预设第六时间段内DCDC非正常工作持续时长序列，得到所述高压系统故障特征数据；和/或
基于所述车端信号数据获取车辆预设第七时间段内不响应上高压请求次数，得到所述高压系统故障特征数据。
具体的，所述基于所述车端信号数据获取车辆预设第六时间段内DCDC非正常工作持续时长序列，得到所述高压系统故障特征数据，包括：
1)、选取当天的信号数据，并将数据按vin分组，组内按信号采集时间戳排序；
2)、针对每组：对信号采集时间戳做差分计算，如果时间差大于10（可标定）分钟，则为1，否则为0，记为变量diff_ct_flag；
3)、针对每组：如果信号高压建立状态=已建立 && 蓄电池电流<-1.5A ,则为0，否则为1，记为变量dcdc_flag；
4)、针对每组：对dcdc_flag 做差分计算，记为变量diff_dcdc_flag；
5)、针对每组：对diff_ct_flag做累积求和操作，记为变量seq_ct_id；
6)、针对每组：对diff_dcdc_flag的绝对值做累积求和操作，记为变量seq_dcdc_id；
7)、选取 dcdc_flag 为0的记录，按vin、seq_ct_id、seq_dcdc_id 分组，则每组的持续时长为DCDC非正常工作持续时长（过滤掉持续时长小于5分钟的记录）。
在上述计算DCDC非正常工作持续时长序列的实施例中，首先，针对当天的信号数据，按照车辆VIN进行分组，并按照信号采集时间戳排序。然后，针对每组数据，计算相邻时间戳的差分，标记时间间隔大于10分钟的数据点。接着，根据信号中的高压建立状态和蓄电池电流情况，确定DCDC工作状态，记录异常情况。随后，对DCDC状态进行差分处理，以识别非正常工作的持续时长。最后，筛选出DCDC工作状态异常的记录，按照VIN、时间间隔标记、DCDC状态标记进行分组，并计算每组的持续时长，以获取高压系统故障特征数据。这些数据提供了有关高压系统故障的线索，有助于评估系统的稳定性和性能。
进一步的，所述基于所述车端信号数据获取车辆预设第七时间段内不响应上高压请求次数，得到所述高压系统故障特征数据。包括：
1)、取当日数据，并将数据按vin分组，组内按信号采集时间戳排序；
2)、针对每组：如果信号 动力电池SOC>10（可标定） && （快充枪连接状态为非连接 || 慢充枪连接状态为非连接 ）&& 上高压请求信号=1（请求发送）后20秒内 DCDC状态为非buck状态，则为1，否则为0，记为req_flag；
3)、针对每组：对变量req_flag 求和，则为当天不响应上高压请求的次数。
在上述计算不响应上高压请求次数的实施例中，首先，从当天的信号数据中按照车辆VIN进行分组，并按照信号采集时间戳排序。然后，针对每组数据，根据条件判断是否出现了不响应上高压请求的情况，具体条件包括动力电池SOC大于10%，充电枪未连接且发送了上高压请求信号20秒后DCDC状态不为buck状态。将满足条件的情况标记为1，否则标记为0，并对所有组的标记求和，得到当天不响应上高压请求的次数。这些数据提供了高压系统是否正常响应请求的信息，有助于识别潜在的高压系统故障。
进一步的，作为本发明的一种实施方式，步骤S3，对所述车端信号数据进行特征提取得到特征数据，包括：
基于所述车端信号数据获取车辆预设第八时间段内的静态电流，得到所述静态电流特征数据。
具体的，所述基于所述车端信号数据获取车辆预设第八时间段内的静态电流，得到所述静态电流特征数据，包括：
1)、取最近一次休眠时的信号数据；
2)、取当天的信号数据并与最近一次休眠时的信号数据做并集，将数据按vin分组，组内按信号采集时间戳排序；
3)、针对每组：对信号采集时间戳做差分计算，记为 diff_ct；
4)、针对每组：取当前记录下一条记录的蓄电池SOC，记为 lead_soc,取当前记录下一条记录的时间戳，记为 lead_ct，如当前记录为末条记录则取当前值；
5)、针对每组：取组后一条记录的值，更新最近一次休眠时的信号数据；
6)、选择diff_ct大于2（可标定）小时的记录，并过滤掉当前时间戳及lead_ct在异常序列中的数据，并根据如下公式计算出静态电流：
qc=((当前记录蓄电池SOC-lead_soc)×电池额定容量×0.01)/((当前记录时间戳-lead_ct)⁄3600.0)。
在上述计算蓄电池静态电流的实施例中，基于车端信号数据获取车辆预设第八时间段内的静态电流，旨在获得静态电流特征数据。首先，获取最近一次休眠时的信号数据。然后，取当天的信号数据与最近一次休眠时的数据做并集，并按照车辆VIN分组，组内按照信号采集时间戳排序。接着，针对每组数据，计算相邻信号采集时间戳之间的差分，同时记录当前记录下一条记录的蓄电池SOC和时间戳，更新最近一次休眠时的信号数据。最后，选择时间差大于2小时的记录，并过滤掉异常序列中的数据，根据上述公式计算出静态电流值，该值反映了车辆在静止状态下的电池消耗情况。
进一步的，作为本发明的一种实施方式，步骤S3，对所述车端信号数据进行特征提取得到特征数据，包括：
基于所述车端信号数据获取车辆预设第九时间段内低电量连续补电次数，得到所述低电量补电特征数据；和/或
基于所述车端信号数据获取车辆预设第十时间段内低电量补电功能不触发持续时长序列，得到所述低电量补电特征数据。
具体的，所述基于所述车端信号数据获取车辆预设第九时间段内低电量连续补电次数，得到所述低电量补电特征数据，包括：
1)、获取每辆车的最近计算时间点，从最近计算时间点开始读取信号数据；
2)、将数据按vin分组，组内按信号采集时间戳排序；
3)、针对每组：对信号采集时间戳做差分计算，如果时间差小于10（可标定）分钟&& 整车电源模式=0（OFF），则为0，否则为1，记为变量 diff_ct_flag；
4)、针对每组：如果当前记录的整车电源模式=0（OFF） && 车辆门锁状态=3（外锁）&& 危险警告灯触发状态=0（非触发） && 低电量补电请求触发后一分钟之内蓄电池电流小于负1.5A && 蓄电池电流大于负150A ，则取值为0，否则取值1，记为变量 supply_flag；
5)、针对每组：对diff_ct_flag做累积求和操作，记为变量 seq_ct_id；
6)、针对每组：对supply_flag做累积求和操作，记为变量 seq_supply_id；
7)、按vin、seq_ct_id、seq_supply_id 分组；
8)、对每个vin，如果最后一个组的记录为1，则将该vin的最近计算时间点更新为最后一个组记录的时间戳，如果大于1，则将最后一个组第一条记录的时间戳记为最近计算时间点；
9)、过滤每个组记录数为1的组，选取最后一个 seq_ct_id 分组，该组内不同seq_supply_id 的个数，则为当前低电量连续补电的次数。
在上述计算低电量连续补电次数的实施例中，首先，获取每辆车的最近计算时间点，并从该时间点开始读取信号数据。然后，将数据按车辆VIN分组，并在每组内按照信号采集时间戳排序。接着，针对每组数据，计算相邻信号采集时间戳之间的差分，并根据整车电源模式的状态和其他条件给出相应的标志位，其中包括判断低电量补电请求触发后一分钟内蓄电池电流的情况。随后，对这些标志位进行累积求和操作，得到相应的累积值。按照VIN、累积时间戳差分、低电量补电标志位进行分组。然后，针对每个VIN，根据最后一个分组的记录情况更新最近计算时间点。最后，过滤掉每个分组记录数为1的情况，选取最后一个累积时间戳差分分组，计算该组内不同低电量连续补电标志位的个数，从而得到当前低电量连续补电的次数。
进一步的，所述基于所述车端信号数据获取车辆预设第十时间段内低电量补电功能不触发持续时长序列，得到所述低电量补电特征数据，包括：
1)、选取当天的信号数据，并将数据按vin分组，组内按信号采集时间戳排序；
2)、针对每组：对信号采集时间戳做差分计算，如果时间差大于10（可标定）分钟，则为1，否则为0，记为变量 diff_ct_flag；
3)、针对每组：如果 动力电池SOC >10 （可标定） && 蓄电池SOC<50（可标定） &&低电量补电请求=0 （没有触发） && DCDC 状态！=buck 状态 则取值0，否则取值1，记为变量no_supply_flag；
4)、针对每组：对no_supply_flag 做差分计算，记为变量 diff_no_supply_flag；
5)、针对每组：对diff_ct_flag做累积求和操作，记为变量 seq_ct_id；
6)、针对每组：对diff_no_supply_flag的绝对值做累积求和操作，记为变量 seq_no_supply_id；
7)、选取 no_supply_flag 为0的记录，按vin、seq_ct_id、seq_no_supply_id 分组，则每组的持续时长为低电量补电功能不能触发的持续时长。
在上述计算低电量补电功能不触发持续时长序列的实施例中，首先，选取当天的信号数据，并将数据按照车辆VIN分组，组内按照信号采集时间戳排序。然后，针对每组数据，计算相邻信号采集时间戳之间的差分，根据时间差的大小给出相应的标志位，记录是否大于设定的时间间隔。接着，对每组数据进行条件判断，根据动力电池SOC、蓄电池SOC、低电量补电请求和DCDC状态给出相应的标志位，表示低电量补电功能是否不能触发。随后，对这些标志位进行差分计算，得到异常变化情况的标志位。接下来，对时间间隔标志位和异常变化情况的标志位进行累积求和操作，得到每组数据的累积值。最后，选取低电量补电请求不能触发的记录，按照车辆VIN、累积时间戳差分、异常变化情况的标志位进行分组，得到低电量补电功能不能触发的持续时长。
进一步的，作为本发明的一种实施方式，参照图3，步骤S4，将所述特征数据输入预设的特征算法得到亏电风险概率，包括：
基于所述特征数据判断所述蓄电池是否有符合预设电流阈值要求且稳态的静态电流；
若有，则基于预设的静态电流亏电高风险算法获取第一亏电风险概率；
若无，则判断所述特征数据中是否有睡眠/唤醒序列，有则基于SOC差序列算法获取第二亏电风险概率，无则基于连续补电序列算法获取第三亏电风险概率；
基于所述第一亏电风险概率、第二亏电风险概率和/或第三亏电风险概率得到所述亏电风险概率。
具体的，步骤S4涉及将特征数据输入到预设的特征算法中，以获取亏电风险概率。首先，基于特征数据判断蓄电池是否具有符合预设电流阈值要求且稳态的静态电流。若是，将应用预设的静态电流亏电高风险算法来计算第一亏电风险概率。若否，则判断特征数据中是否存在睡眠/唤醒序列。若存在，将采用基于SOC差序列算法来计算第二亏电风险概率；若不存在，则采用基于连续补电序列算法来计算第三亏电风险概率。最后，结合第一、第二和/或第三亏电风险概率，得出最终的亏电风险概率。
其中，所述静态电流亏电高风险算法包括：
其一，候选车辆选择：
选择车辆最后一次休眠时刻的信号数据；
如果hvbat_soc_t1<10（可标定）则该vin选入；
如果lvbat_soc_t1<50（可标定）&& 当前时间比collect_unixtime_t1晚30分钟，则该vin选入；
对选入的vin,选择最近7天的休眠时长大于8（可标定）小时的静态电流数量大于3的vin；
其二，亏电概率计算：
令：q=车辆最近一次休眠时蓄电池剩余电量（即：lvbat_soc_t1×电池额定容量×0.01），单位A.H；
C={"车辆最近7天的休眠时长大于8h的所有静态电流"}，静态电流单位：A；
t=车辆最近一次休眠到模型运行时的已休眠时长，单位：H；
则，可定义车辆亏电风险的概率为：
亏电风险概率=|q/C<t+24|/|C|；
所述SOC差序列算法，包括：
令：Α_i={车辆第i天休眠、唤醒时刻蓄电池SOC差}，Β_i={车辆第i-7~i天休眠时刻蓄电池SOC}，Χ={x_i│if(max(Α_i )>min(Β_i ) then 1 else 0,i∈[1,7])}；
则，可定义车辆亏电风险的概率为：
亏电风险概率=(sum(X))/7。
所述连续补电序列算法，包括：
从已有的亏电车辆数据来看，当连续补电次数达到255后，就不会再响应低电量补点请求，则，可定义车辆亏电风险的概率为：
亏电风险概率=(最近一次唤醒后低压补电的序列数-1)/255。
将上述各实施例中计算得到的亏电风险概率进行风险划分，如果亏电风险概率大于0.66，则定义为高风险，在（0.4，0.66）之间定义为中风险，其它的定义为低风险，该范围可标定。采用基于静态电流、SOC亏电特征、连续补电特征等多个算法，计算车辆的亏电风险概率，然后按概率值将车辆划分为亏电高、中、低组。每个算法有其适用场景，所有算法的并集为最终结果。
进一步的，作为本发明的一种实施方式，参照图4，本发明所述的一种蓄电池亏电预警方法还包括：
S5，基于所述特征数据计算所述亏电风险概率高于预设的第一风险阈值车辆的亏电因素指标，得到亏电归因分析结果。
具体的，针对所有的亏电高、中风险车辆，即高于第一风险阈值0.4的车辆，根据前面的特征数据，计算如下亏电因素指标：
1)、最近3天蓄电池平均SOC：从特征表数据中选取最近3天蓄电池充电停止时刻SOC序列，求其平均值；
2)、最近3天网络不休眠次数、平均不休眠时长：从特征数据中选取最近3天网络不休眠时长序列数据，过滤掉休眠时长小于20分钟的记录，再计算平均值、次数；
3)、最近7天DCDC非正常工作的次数：从特征数据中选取最近7天DCDC非正常工作持续时长序列数据，过滤掉休眠时长小于5分钟的记录，再计算次数；
4)、最近7天上高压请求响应失败的次数：从特征数据中选取最近7天不响应上高压请求次数的数据，求和；
5)、最近7天低电量补电功能不触发的次数：从特征数据中选取最近最近7天低电量不触发补电功能持续时长序列数据，过滤掉休眠时长小于30分钟的记录，再计算次数；
6)、最近3天平均静态电流：从特征数据中选取最近最近3天的静态电流数据，过滤掉休眠时长大于4小时的记录，再计算平均值。
具体的，针对所有亏电高、中风险车辆（即高于第一风险阈值0.4的车辆），根据前面的特征数据进行以下亏电因素指标计算：首先，通过计算最近3天内蓄电池充电停止时刻SOC的平均值，可以了解车辆电池的平均充电状态，进而评估电池是否在适当的电荷范围内运行；其次，网络不休眠次数和平均不休眠时长反映了车辆在休眠状态下的能量消耗情况。这有助于评估车辆在休眠期间可能存在的能量耗费问题，从而找出导致亏电的潜在原因；然后，通过记录DCDC非正常工作的次数，可以了解车辆高压系统运行的稳定性。异常工作次数的增加可能意味着高压系统存在故障或性能问题，导致能量损失；接着，最近7天上高压请求响应失败的次数，反映了车辆对高压请求的响应能力。请求响应失败次数的增加可能表明高压系统存在通信或响应问题，可能导致能量供应中断或不稳定，从而影响电池充电状态；再选取最近7天低电量不触发补电功能持续时长序列数据，过滤掉休眠时长小于30分钟的记录，计算低电量补电功能不触发的次数，低电量补电功能不触发的次数显示了车辆在低电量情况下是否能够正常启动补电程序。这个指标的增加可能表明车辆在低电量状态下的补电功能存在故障或不稳定性；最后，选取最近3天的静态电流数据，过滤掉休眠时长大于4小时的记录，计算平均静态电流，通过计算最近3天的静态电流平均值，可以了解车辆在停止运行状态下的能量消耗情况。过高的静态电流可能表示车辆存在电力系统的漏电问题，导致额外的能量损耗。
综合分析上述各亏电因素指标可以帮助识别车辆亏电问题的具体原因，从而采取相应的措施进行修复和改进，确保车辆电池系统和电力系统的正常运行。
进一步的，作为本发明的一种实施方式，参照图5，本发明所述的一种蓄电池亏电预警方法，还包括：
S6，将所述亏电风险概率高于预设的第二风险阈值的车辆数据推送至预设的应用服务。
具体的，根据亏电因素判定高风险车辆数据后，将高风险车辆的数据（亏电风险概率高于预设的第二风险阈值，可设置为0.66）推送到预设的应用服务（如售后系统、用户app）可以实现及时的警报和处理。通过将这些数据推送至相关服务，售后系统和用户app可以收到针对高风险车辆的警报通知，并提供相应的解决方案和建议。这样可以帮助车主及时了解车辆亏电风险，采取必要的措施，例如提前进行维护或充电，从而避免可能的故障和安全问题，保障车辆运行的安全性和稳定性。
本发明实施例还公开了一种蓄电池亏电预警系统。
参照图6，一种蓄电池亏电预警系统，包括：
信号数据摄取模块，至少用于基于预先配置的信号采集需求采集车端原始信号数据；
信号数据处理模块，至少用于对所述车端原始信号数据中的异常数据进行处理得到车端信号数据；
亏电诊断及预警模块，至少用于对所述车端信号数据进行特征提取得到特征数据，以及将所述特征数据输入预设的特征算法得到亏电风险概率。
具体的，首先，信号数据摄取模块按照预先设定的信号采集需求从信号数据源（如车辆系统）中获取原始信号数据。原始信号数据包括整车状态基础信号、高低压系统控制信号、网络管理信号和蓄电池参数信号等各类型的车辆信号。为了减少对底层大数据技术的依赖以及不同车型之间电子架构的差异，本发明所有的数据存储可采用parquet格式文件存储，所有计算都使用spark计算框架进行分布式计算。本发明中所有可标定的量都在配置文件中进行配置，所有的信号名统一化处理。
接着，经过信号数据处理模块的处理，对原始数据进行清洗、异常检测和处理，包括异常信号数据识别、异常数据信号删除与标识等操作，以确保后续分析的准确性和可靠性。
然后，亏电诊断及预警模块利用处理后的车端信号数据进行特征数据提取并进行亏电预警与归因计算。其中，特征数据提取过程包括网络不休眠类特征提取、低压系统特征类提取、电池老化类特征提取、高压系统类特征提取、静态电流计算等。
接下来，将提取的特征数据输入预设的特征算法中进行计算。这个特征算法包括静态电流、SOC亏电特征、连续补电特征等多个算法组成的复杂模型，可以根据车辆信号数据的特征来评估蓄电池的亏电风险概率。
最后，根据计算得到的蓄电池亏电风险概率，系统可以触发相应的预警机制。例如，如果某辆车的亏电风险超过了预设的阈值，系统可以将该车辆的相关数据推送至预设的应用服务，如售后系统或用户的移动应用程序，以便采取进一步的监控、维护或预防措施。
综上所述，该蓄电池亏电预警系统通过对车辆信号数据的采集、处理、特征提取和风险评估，能够及时发现和预警可能存在蓄电池亏电问题的车辆，从而提高了车辆的安全性和可靠性，减少了故障发生的风险。
进一步的，作为本发明的一种实施方式，所述系统还包括：
亏电车辆判别模块，至少用于判断高于预设第一风险阈值和/或第二风险阈值的风险车辆；所述亏电诊断及预警模块还用于将所述风险车辆的车辆数据发送至预设的应用服务。
具体的，亏电车辆判别模块的功能是判断哪些车辆的亏电风险超过了预先设定的第一和/或第二风险阈值。一旦确定了亏电风险较高的车辆，亏电诊断及预警模块将会负责将这些风险车辆的相关数据发送到预先设定的应用模块中，这些应用模块可能包括售后系统或用户的移动应用程序，以便进行进一步的监控、维护或预防措施，从而确保车辆的安全性和可靠性。
本发明实施例还公开了一种可读存储介质。
一种可读存储介质，存储有计算机程序，该计算机程序被处理器执行时实现上述实施例任意一项所述的一种蓄电池亏电预警方法的步骤。计算机可读存储介质可以包括：能够携带计算机程序的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器 (ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、以及软件分发介质等。
本发明实施例还公开了一种计算机程序产品。
一种计算机程序产品，存储有计算机程序，该计算机程序被处理器执行时实现上述实施例任意一项所述的一种蓄电池亏电预警方法的步骤。计算机程序包括计算机程序代码。计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理模块的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (18)
1.一种蓄电池亏电预警方法，其特征在于，包括：
基于预先配置的信号采集需求采集车端原始信号数据；
对所述车端原始信号数据中的异常数据进行处理得到车端信号数据，其中，所述对所述车端原始信号数据中的异常数据进行处理得到车端信号数据包括：对所述车端原始信号数据中的异常值序列进行识别；
对所述车端信号数据进行特征提取得到特征数据；
将所述特征数据输入预设的特征算法得到亏电风险概率。
2.根据权利要求1所述的一种蓄电池亏电预警方法，其特征在于，所述信号采集需求包括信号名、信号采集方式以及信号采集频率；
所述基于预先配置的信号采集需求采集车端原始信号数据，包括：
在车端按照所述信号采集频率，利用预设的信号采集方式，采集所述信号名对应的信号。
3.根据权利要求2所述的一种蓄电池亏电预警方法，其特征在于，所述对所述车端原始信号数据中的异常数据进行处理得到车端信号数据，包括：
对所述车端原始信号数据中的异常值序列进行识别，并计算所述异常值序列的持续时长；
将所述异常值序列的持续时长与预设的时长阈值进行比较，保留高于所述时长阈值的异常值序列得到所述车端信号数据。
4.根据权利要求3所述的一种蓄电池亏电预警方法，其特征在于，对所述车端原始信号数据中的异常值序列进行识别，包括：
对蓄电池电流不变序列进行识别；和/或
对唤醒/休眠时蓄电池SOC的0值跳变序列进行识别；和/或
对蓄电池SOC跳变序列进行识别；和/或
对蓄电池电压异常值序列识别。
5.根据权利要求1所述的一种蓄电池亏电预警方法，其特征在于，所述特征数据包括网络管理异常特征数据、低压系统故障特征数据、高压系统故障特征数据、静态电流特征数据、电池特征数据和/或低电量补电特征数据。
6.根据权利要求5所述的一种蓄电池亏电预警方法，其特征在于，所述对所述车端信号数据进行特征提取得到特征数据，包括：
基于所述车端信号数据获取车辆预设第一时间段内网络不休眠时长序列，得到所述网络管理异常特征数据。
7.根据权利要求5所述的一种蓄电池亏电预警方法，其特征在于，所述对所述车端信号数据进行特征提取得到特征数据，包括：
基于所述车端信号数据获取车辆预设第二时间段内休眠、唤醒时刻蓄电池SOC差序列，得到所述低压系统故障特征数据和/或所述电池特征数据；和/或
基于所述车端信号数据获取车辆预设第三时间段内蓄电池充电停止时刻SOC序列，得到所述低压系统故障特征数据和/或所述电池特征数据；和/或
基于所述车端信号数据获取车辆预设第四时间段内休眠时刻蓄电池SOC序列，得到所述低压系统故障特征数据和/或所述电池特征数据；和/或
基于所述车端信号数据获取车辆预设第五时间段内休眠时刻蓄电池SOC的平均值和/或最小值，得到所述低压系统故障特征数据和/或所述电池特征数据。
8.根据权利要求5所述的一种蓄电池亏电预警方法，其特征在于，所述对所述车端信号数据进行特征提取得到特征数据，包括：
基于所述车端信号数据获取车辆预设第六时间段内DCDC非正常工作持续时长序列，得到所述高压系统故障特征数据；和/或
基于所述车端信号数据获取车辆预设第七时间段内不响应上高压请求次数，得到所述高压系统故障特征数据。
9.根据权利要求5所述的一种蓄电池亏电预警方法，其特征在于，所述对所述车端信号数据进行特征提取得到特征数据，包括：
基于所述车端信号数据获取车辆预设第八时间段内的静态电流，得到所述静态电流特征数据。
10.根据权利要求5所述的一种蓄电池亏电预警方法，其特征在于，所述对所述车端信号数据进行特征提取得到特征数据，包括：
基于所述车端信号数据获取车辆预设第九时间段内低电量连续补电次数，得到所述低电量补电特征数据；和/或
基于所述车端信号数据获取车辆预设第十时间段内低电量补电功能不触发持续时长序列，得到所述低电量补电特征数据。
11.根据权利要求1所述的一种蓄电池亏电预警方法，其特征在于，所述将所述特征数据输入预设的特征算法得到亏电风险概率，包括：
基于所述特征数据判断所述蓄电池是否有符合预设电流阈值要求且稳态的静态电流；
若有，则基于预设的静态电流亏电高风险算法获取第一亏电风险概率；
若无，则判断所述特征数据中是否有睡眠/唤醒序列，有则基于SOC差序列算法获取第二亏电风险概率，无则基于连续补电序列算法获取第三亏电风险概率；
基于所述第一亏电风险概率、第二亏电风险概率和/或第三亏电风险概率得到所述亏电风险概率。
12.根据权利要求1所述的一种蓄电池亏电预警方法，其特征在于，所述方法还包括：
基于所述特征数据计算所述亏电风险概率高于预设的第一风险阈值车辆的亏电因素指标，得到亏电归因分析结果。
13.根据权利要求12所述的一种蓄电池亏电预警方法，其特征在于，所述亏电因素指标包括蓄电池平均SOC、网络不休眠次数、平均不休眠时长、DCDC非正常工作的次数、上高压请求响应失败的次数、低电量补电功能不触发的次数和/或平均静态电流。
14.根据权利要求1所述的一种蓄电池亏电预警方法，其特征在于，所述方法还包括：
将所述亏电风险概率高于预设的第二风险阈值的车辆数据推送至预设的应用服务。
15.一种蓄电池亏电预警系统，其特征在于，所述系统应用于如权利要求1-14任意一项所述一种蓄电池亏电预警方法，包括：
信号数据摄取模块，至少用于基于预先配置的信号采集需求采集车端原始信号数据；
信号数据处理模块，至少用于对所述车端原始信号数据中的异常数据进行处理得到车端信号数据；
亏电诊断及预警模块，至少用于对所述车端信号数据进行特征提取得到特征数据，以及将所述特征数据输入预设的特征算法得到亏电风险概率。
16.根据权利要求15所述的一种蓄电池亏电预警系统，其特征在于，所述系统还包括：
亏电车辆判别模块，至少用于判断高于预设第一风险阈值和/或第二风险阈值的风险车辆；
所述亏电诊断及预警模块还用于将所述风险车辆的车辆数据发送至预设的应用服务。
17.一种可读存储介质，其特征在于，所述可读存储介质存储有计算机指令，所述计算机指令被处理器执行时实现如权利要求1-14中任一项所述的一种蓄电池亏电预警方法。
18.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机指令，所述计算机指令被处理器执行时实现如权利要求1-14中任一项所述的一种蓄电池亏电预警方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410361879.6A CN117962619A (zh) | 2024-03-28 | 2024-03-28 | 蓄电池亏电预警方法、系统、介质及程序产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410361879.6A CN117962619A (zh) | 2024-03-28 | 2024-03-28 | 蓄电池亏电预警方法、系统、介质及程序产品 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117962619A true CN117962619A (zh) | 2024-05-03 |
Family
ID=90858298
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410361879.6A Pending CN117962619A (zh) | 2024-03-28 | 2024-03-28 | 蓄电池亏电预警方法、系统、介质及程序产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117962619A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2021090276A (ja) * | 2019-12-04 | 2021-06-10 | 株式会社豊田自動織機 | 充電システム |
| CN114510482A (zh) * | 2022-02-15 | 2022-05-17 | 珠海冠宇电源有限公司 | 一种数据处理方法、装置、设备、系统和介质 |
| CN115217966A (zh) * | 2022-04-26 | 2022-10-21 | 长城汽车股份有限公司 | 差速锁控制器的异常监控方法、装置、设备及存储介质 |
| CN117104008A (zh) * | 2023-08-24 | 2023-11-24 | 重庆赛力斯新能源汽车设计院有限公司 | 蓄电池亏电预警方法、装置、设备及存储介质 |
| CN117607701A (zh) * | 2023-11-02 | 2024-02-27 | 浙江极氪智能科技有限公司 | 一种车辆蓄电池亏电风险检测方法、监控装置及监控系统 |
-
2024
- 2024-03-28 CN CN202410361879.6A patent/CN117962619A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2021090276A (ja) * | 2019-12-04 | 2021-06-10 | 株式会社豊田自動織機 | 充電システム |
| CN114510482A (zh) * | 2022-02-15 | 2022-05-17 | 珠海冠宇电源有限公司 | 一种数据处理方法、装置、设备、系统和介质 |
| CN115217966A (zh) * | 2022-04-26 | 2022-10-21 | 长城汽车股份有限公司 | 差速锁控制器的异常监控方法、装置、设备及存储介质 |
| CN117104008A (zh) * | 2023-08-24 | 2023-11-24 | 重庆赛力斯新能源汽车设计院有限公司 | 蓄电池亏电预警方法、装置、设备及存储介质 |
| CN117607701A (zh) * | 2023-11-02 | 2024-02-27 | 浙江极氪智能科技有限公司 | 一种车辆蓄电池亏电风险检测方法、监控装置及监控系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TWI766584B (zh) | 動力電池絕緣監測方法、系統以及裝置 | |
| CN113064939B (zh) | 一种新能源车辆三电系统安全特征数据库构建方法 | |
| CN111982334B (zh) | 温度修正方法及装置、计算机存储介质、处理器 | |
| CN114579818A (zh) | 一种可视化碳排放检测管理系统及方法 | |
| KR20230129953A (ko) | 차량 배터리 셀 일관성 평가 방법, 장치, 기기 및 저장매체 | |
| CN116643178B (zh) | 一种电池管理系统的soc估算方法及相关装置 | |
| CN111666273B (zh) | 抄表系统数据有效性分析方法、装置 | |
| CN115219903A (zh) | 基于车联网数据分析的电池自放电率异常判断方法及装置 | |
| CN112924866A (zh) | 容量保持率的检测方法、检测装置、车辆及存储介质 | |
| CN114407658B (zh) | 一种电池监测系统、方法、车辆和存储介质 | |
| CN113540589B (zh) | 一种电池温差自适应阈值确定方法及系统 | |
| CN116125300A (zh) | 一种电池包异常监测方法、装置、电子设备及存储介质 | |
| CN111509319A (zh) | 一种储能电源phm管理系统 | |
| CN111551856B (zh) | 车辆蓄电池状态检测方法、装置、计算机设备和存储介质 | |
| CN116381542B (zh) | 基于人工智能的电源设备的健康诊断方法及装置 | |
| CN117962619A (zh) | 蓄电池亏电预警方法、系统、介质及程序产品 | |
| CN117147958A (zh) | 一种基于实时用电监测的窃电判别方法及装置 | |
| CN111859710A (zh) | 一种量化安全的累计风险模型建模方法 | |
| CN116455079A (zh) | 基于大数据的用电信息一体化安全监管系统及方法 | |
| CN109884553A (zh) | 超级电容储能电源内阻一致性实时在线诊断方法及系统 | |
| CN114705998A (zh) | 电池异常的识别方法、装置、存储介质和车辆 | |
| CN115453401A (zh) | 一种电池安全监测系统 | |
| CN113858956A (zh) | 新能源汽车数据采集与处理方法系统 | |
| CN112858926A (zh) | 一种锂电池模块安全监控管理系统及其管理方法 | |
| CN114537213B (zh) | 一种动力电池处理方法、装置、设备及存储介质 |
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 |