CN118501720B - 一种基于大数据分析的锂电池异常检测系统 - Google Patents

Abstract

本发明涉及锂电池异常检测技术领域，具体为一种基于大数据分析的锂电池异常检测系统，包括数据收集模块、特征提取模块、模型构建模块和模型应用与决策模块，其中：数据收集模块获取实时锂电池电压数据和历史锂电池电压数据，其中历史锂电池电压数据包括电压变换数据和锂电池的异常状态；特征提取模块对历史锂电池电压数据进行特征提取，生成历史关键特征；模型构建模块根据历史关键特征以及对应的锂电池的异常状态，建立多元逻辑回归模型；模型应用与决策模块对实时锂电池电压数据进行特征提取，生成实时关键特征，并利用建立好的多元逻辑回归模型对实时关键特征进行异常状态的检测，根据异常检测结果的不同，对其进行不同决策路径的选择。

Description

一种基于大数据分析的锂电池异常检测系统

技术领域

本发明涉及锂电池异常检测技术领域，具体为一种基于大数据分析的锂电池异常检测系统。

背景技术

传统锂电池异常检测系统在技术上存在诸多不足，主要体现在特征提取和实时监测的有效性和准确性方面。首先，传统系统对历史锂电池电压数据的特征提取较为单一，无法全面捕捉电池在不同状态下的电压变化特征，这使得异常检测模型的准确性和鲁棒性较低。

其次，实时监测中，传统系统缺乏对电压恢复速度、电压波动幅度和电压平台时间等关键特征的高效提取手段，导致在电池运行过程中难以快速识别异常。此外，传统系统在处理多种异常状态时，往往采用简单的规则或门槛值判断，无法通过复杂的多元逻辑回归模型精确计算每种异常状态的概率和显著性，从而降低了异常检测的准确性和快速定位问题源的能力。

最后，传统系统在数据的可视化输出方面较为薄弱，缺乏直观的时间序列图表和详细的状态标记，使得维护人员难以迅速理解电池的运行状况和异常情况，延长了故障诊断和维护时间。

因此，传统锂电池异常检测系统在提高检测精度、实时监测能力和数据可视化等方面亟需改进，以确保电池系统的安全性和稳定性。

发明内容

本发明的目的在于提供一种基于大数据分析的锂电池异常检测系统，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种基于大数据分析的锂电池异常检测系统，其包括数据收集模块、特征提取模块、模型构建模块和模型应用与决策模块，其中：

所述数据收集模块获取实时锂电池电压数据和历史锂电池电压数据，其中历史锂电池电压数据包括电压变换数据和锂电池的异常状态；

所述特征提取模块对所述历史锂电池电压数据进行特征提取，生成历史关键特征，关键特征包括电压恢复速度、电压波动幅度和电压平台时间；其中电压恢复速度由计算负载移除后电压上升的斜率得出；电压波动幅度由测量在稳定工作状态下的电压波动范围得出；电压平台时间由量化恒压充电阶段的持续时间得出；

所述模型构建模块根据所述历史关键特征以及对应的锂电池的异常状态，建立多元逻辑回归模型，其中多元逻辑回归模型包含每种异常状态的系数，通过最大似然估计来计算出每种异常状态的系数；

所述模型应用与决策模块对所述实时锂电池电压数据进行特征提取模块中的特征提取，生成实时关键特征，并利用建立好的多元逻辑回归模型对实时关键特征进行异常状态的检测，通过所述每种异常状态的系数和实时关键特征，计算出每种异常状态的概率，选择概率最大的异常状态作为检测结果，其中：

当检测结果为非异常时，则进行正常的系统运行；

当检测结果为异常时，根据异常状态的类型，选择多元逻辑回归模型中对应的系数，通过标准化系数来计算每个特征的显著性，选择显著性最大的特征作为关键异常特征；并根据关键异常特征，提取实时关键特征所对应的特征值，以图表的方式发送给维护人员。

作为本技术方案的进一步改进，所述锂电池的异常状态包括但不限于非异常、内阻增加异常、内部结构不稳定异常和有效容量减少异常。

作为本技术方案的进一步改进，所述数据收集模块将记录收集实时锂电池电压数据的时间频率。

作为本技术方案的进一步改进，所述特征提取模块对历史锂电池电压数据进行特征提取，生成历史关键特征，历史关键特征包括电压恢复速度、电压波动幅度和电压平台时间；其中电压恢复速度由计算负载移除后电压上升的斜率得出，具体包括：

从历史锂电池电压数据中选择负载移除后的电池电压数据，根据该电池电压数据，计算出直线的斜率作为电压恢复速度，公式如下：

，其中是电压恢复速度；表示开始测量的时间点；表示结束测量的时间点；表示时刻的电压值；表示时刻的电压值；表示涵盖电压从最低点开始上升至相对稳定的部分，其中在负载移除后的电池电压数据中，当电压上升速率显著降低且趋于恒定时，判定为相对稳定部分，使用电压变化率小于某个电压变化率阈值作为判定依据；

电压波动幅度指电池在稳定工作状态下电压的最大波动范围，找出该范围时间段中的电压最大值和最小值，并进行差值计算，公式如下：

，其中为电压波动幅度；为稳定工作状态下的电压最大值；为稳定工作状态下的电压最小值；其中不稳定工作状态为当电压的变化幅度超过某个电压阈值时，判定为不稳定工作状态，而稳定工作状态应在电压变化幅度不超过该电压阈值条件下进行；

电压平台时间指电池在恒压充电阶段持续保持恒定电压的时间长度，通过从历史锂电池电压数据中选择恒压充电阶段的电池电压数据所对应的时间，得出电压平台时间，公式如下：

，其中为电压平台时间，为恒压充电阶段开始的时间点；表示电压平台结束的时间点。

作为本技术方案的进一步改进，所述模型构建模块根据所述历史关键特征以及对应的锂电池的异常状态，建立多元逻辑回归模型，具体包括：

将从特征提取模块得到的历史关键特征作为输入变量，将对应的锂电池的异常状态作为输出变量；

对于种异常状态，多元逻辑回归模型的形式为如下：

，其中表示给定输入变量的条件下，电池处于第种异常状态的概率，是异常状态的索引；表示第种异常状态对应的系数向量，该向量包含了与每个特征相关的权重，用于衡量特征对第种异常状态的影响；是一个内积，表示第种异常状态的系数向量与输入变量的乘积，具体来说，如果和都是列向量，则是的转置，使得是一个标量，反映了输入变量对第种异常状态的贡献；表示是所有异常状态的指数内积和；

通过最大似然估计来计算出每种异常状态的系数，似然函数公式如下：

，其中为乘积符号，表示对所有样本和所有状态进行连乘，其中样本为所有历史关键特征以及对应的锂电池的异常状态的数据；为指示函数，表示当第个样本的状态等于时取值为1，否则为0；

对似然函数取对数，并使用优化算法最大化对数似然函数，得到每种异常状态的系数。

作为本技术方案的进一步改进，所述模型应用与决策模块包括应用单元，所述应用单元对实时锂电池电压数据进行特征提取模块中的特征提取，生成实时关键特征，并利用模型构建模块建立好的多元逻辑回归模型对实时关键特征进行异常状态的检测，具体包括：

获取数据收集模块收集的实时锂电池电压数据，并进行电压恢复速度、电压波动幅度和电压平台时间的特征提取，生成实时关键特征，并将其输入到建立好的多元逻辑回归模型，具体形式为：；

比较计算出的所有状态的概率值，选择概率最大的异常状态作为最终的检测结果。

作为本技术方案的进一步改进，所述模型应用与决策模块包括决策单元，所述决策单元根据应用单元的检测结果，实施不同的决策路径，具体包括：

当检测结果为非异常时，则进行正常的系统运行；

当检测结果为异常时，根据异常状态的类型，选择多元逻辑回归模型对应的系数，通过标准化系数来计算每个特征的显著性，选择显著性最大的特征作为关键异常特征，具体包括：

从多元逻辑回归模型中提取出与检测到的异常状态对应的系数向量，其中是特征的总数；

对系数进行标准化处理，通过以下公式实现：，其中是标准化系数；是系数向量的范数，；得到的是一个向量，其每个元素的大小反映了对应特征的标准化系数；

使用标准化后的系数绝对值来表示各个特征的显著性，其中，则显著性表示第个特征对检测结果中异常状态的影响程度；

在所有特征中，选择显著性最大的特征作为关键异常特征。

作为本技术方案的进一步改进，所述决策单元根据关键异常特征，提取实时关键特征所对应的特征值，将关键异常特征及其实时特征值可视化，具体包括：

根据数据收集模块中记录的时间频率，对实时关键特征所对应的特征值进行时间序列图的输出；

提取时间频率内每秒的电压波动幅度值，形成一个时间序列数据集；时间轴为时间频率内的的时间点，每秒一个数据点；值轴为对应的电压波动幅度；

将实时关键特征所对应的特征值增加状态标记，以及检测结果中异常状态的标注。

与现有技术相比，本发明的有益效果是：

1、该一种基于大数据分析的锂电池异常检测系统对历史锂电池电压数据进行特征提取以及对实时锂电池电压数据进行特征提取模块中的特征提取具有重要的应用价值；这些特征提取步骤通过提取电压恢复速度、电压波动幅度和电压平台时间等关键特征，能够精确地捕捉电池在不同状态下的电压变化特征；历史电压数据的特征提取有助于建立准确的异常状态检测模型，基于历史数据进行模型训练，提高模型的鲁棒性和准确性；而实时电压数据的特征提取则能为实时监测提供可靠的数据基础，快速识别电池在运行中的异常情况。这种多重应用使得系统不仅能够预测潜在的异常，还能实时监控电池状态，确保电池的安全性和稳定性。

2、该一种基于大数据分析的锂电池异常检测系统通过每种异常状态的系数和实时关键特征，计算出每种异常状态的概率，并选择概率最大的异常状态作为检测结果，充分展示了多元逻辑回归模型的有效性；每种异常状态的系数通过最大似然估计计算得出，能够准确反映不同特征对异常状态的影响。实时关键特征输入模型后，通过计算各异常状态的概率，可以快速锁定最有可能的异常类型；进一步地，通过标准化系数来衡量各特征的显著性，有助于确定影响异常状态的主要特征。这种方法不仅提高了异常检测的准确性，还能帮助维护人员快速定位问题来源，采取针对性的维护措施，延长电池使用寿命。

3、该一种基于大数据分析的锂电池异常检测系统提取实时关键特征所对应的特征值，以图表的方式发送给维护人员，并且以数据收集模块将记录收集实时锂电池电压数据的时间频率为基础进行输出，为维护工作提供了直观且有力的支持；通过可视化的时间序列图表，维护人员可以清晰地看到电压波动幅度、恢复速度和平台时间的变化趋势，从而快速了解电池的运行状态；关键异常特征的标注和异常状态的标记，进一步增强了数据的可读性和决策的针对性；这种可视化输出不仅提高了数据的利用效率，还能显著缩短故障诊断时间，帮助维护人员在第一时间采取有效措施，确保电池系统的稳定运行。

附图说明

图1为本发明的整体模块示意图；

图2为本发明的模型应用与决策模块单元示意图。

图中：100、数据收集模块；200、特征提取模块；300、模型构建模块；400、模型应用与决策模块；401、应用单元；402、决策单元。

具体实施方式

下面将结合本发明中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

请参阅图1-2，本发明提供一种技术方案：一种基于大数据分析的锂电池异常检测系统，包括数据收集模块100、特征提取模块200、模型构建模块300和模型应用与决策模块400。

数据收集模块100获取实时锂电池电压数据和历史锂电池电压数据，其中历史锂电池电压数据包括电压变换数据和锂电池的异常状态；异常状态包括但不限于非异常、内阻增加异常、内部结构不稳定异常和有效容量减少异常，具体包括：

非异常：正常运行状态下的电压变换数据；

内阻增加异常：电池内部电阻增加导致的电压变化，影响电池的充放电效率和寿命；

内部结构不稳定异常：电池内部结构出现问题（如电解液泄漏、极片脱落等）引起的电压异常波动；

有效容量减少异常：电池的实际可用容量减少，表现为在相同的负载下电压快速下降。

另外，数据收集模块100将记录收集实时锂电池电压数据的时间频率，以便后续进行可视化输出。

特征提取模块200对历史锂电池电压数据进行特征提取，生成历史关键特征，历史关键特征包括电压恢复速度、电压波动幅度和电压平台时间；其中电压恢复速度由计算负载移除后电压上升的斜率得出，具体包括：

从历史锂电池电压数据中选择负载移除后的电池电压数据，根据该电池电压数据，计算出直线的斜率作为电压恢复速度，公式如下：

，其中是电压恢复速度；表示开始测量的时间点；表示结束测量的时间点；表示时刻的电压值；表示时刻的电压值；表示涵盖电压从最低点开始上升至相对稳定的部分，其中在负载移除后的电池电压数据中，当电压上升速率显著降低且趋于恒定时，判定为相对稳定部分，使用电压变化率小于某个电压变化率阈值（例如，变化率<0.01伏特/秒）作为判定依据；

电压波动幅度指电池在稳定工作状态下电压的最大波动范围，找出该范围时间段中的电压最大值和最小值，并进行差值计算，公式如下：

，其中为电压波动幅度；为稳定工作状态下的电压最大值；为稳定工作状态下的电压最小值；其中不稳定工作状态为当电压的变化幅度超过某个电压阈值时，判定为不稳定工作状态，而稳定工作状态应在电压变化幅度不超过该电压阈值条件下进行；

电压平台时间指电池在恒压充电阶段持续保持恒定电压的时间长度，通过从历史锂电池电压数据中选择恒压充电阶段的电池电压数据所对应的时间，得出电压平台时间，公式如下：

，其中为电压平台时间，为电压平台（恒压充电阶段）开始的时间点；表示电压平台结束的时间点。

模型构建模块300根据历史关键特征以及对应的锂电池的异常状态，建立多元逻辑回归模型，其中多元逻辑回归模型包含每种异常状态的系数，通过最大似然估计来计算出每种异常状态的系数，具体包括：

将从特征提取模块200得到的历史关键特征作为输入变量，将对应的锂电池的异常状态作为输出变量；

对于种异常状态，多元逻辑回归模型的形式为如下：

，其中表示给定输入变量的条件下，电池处于第种异常状态的概率，是异常状态的索引；表示第种异常状态对应的系数向量，该向量包含了与每个特征相关的权重，用于衡量特征对第种异常状态的影响；是一个内积，表示第种异常状态的系数向量与输入变量的乘积，具体来说，如果和都是列向量，则是的转置，使得是一个标量，反映了输入变量对第种异常状态的贡献；表示是所有异常状态的指数内积和，用于归一化，确保所有状态概率之和为1；

通过最大似然估计来计算出每种异常状态的系数，似然函数公式如下：

，其中为乘积符号，表示对所有样本和所有状态进行连乘，其中样本为所有历史关键特征以及对应的锂电池的异常状态的数据；为指示函数，表示当第个样本的状态等于时取值为1，否则为0；

对似然函数取对数，并使用优化算法(如梯度下降法)最大化对数似然函数，得到每种异常状态的系数。

模型应用与决策模块400中的应用单元401对实时锂电池电压数据进行特征提取模块200中的特征提取，生成实时关键特征，并利用模型构建模块300建立好的多元逻辑回归模型对实时关键特征进行异常状态的检测，具体包括：

获取数据收集模块100收集的实时锂电池电压数据，并进行电压恢复速度、电压波动幅度和电压平台时间的特征提取，生成实时关键特征，并将其输入到建立好的多元逻辑回归模型，具体形式为：；

比较计算出的所有状态的概率值，选择概率最大的异常状态作为最终的检测结果。

模型应用与决策模块400中的决策单元402根据应用单元401的检测结果，实施不同的决策路径，具体包括：

当检测结果为非异常时，则进行正常的系统运行；

当检测结果为异常时，根据异常状态的类型，选择多元逻辑回归模型对应的系数，通过标准化系数来计算每个特征的显著性，选择显著性最大的特征作为关键异常特征，具体包括：

从多元逻辑回归模型中提取出与检测到的异常状态对应的系数向量，其中是特征的总数；

为了比较不同特征的显著性，对系数进行标准化处理，通过以下公式实现：，其中是标准化系数；是系数向量的范数，；这样得到的是一个向量，其每个元素的大小反映了对应特征的标准化系数；

使用标准化后的系数绝对值来表示各个特征的显著性，其中，则显著性表示第个特征对检测结果中异常状态的影响程度；

在所有特征中，选择显著性最大的特征作为关键异常特征。

决策单元402根据关键异常特征，提取实时关键特征所对应的特征值，将关键异常特征及其实时特征值可视化，以便维护人员快速了解异常情况，具体包括：

根据数据收集模块100中记录的时间频率，对实时关键特征所对应的特征值进行时间序列图的输出；

提取时间频率内每秒的电压波动幅度值，形成一个时间序列数据集；时间轴为时间频率内的的时间点，每秒一个数据点；值轴为对应的电压波动幅度；

将实时关键特征所对应的特征值增加状态标记，以及检测结果中异常状态的标注。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (4)

1.一种基于大数据分析的锂电池异常检测系统，其特征在于，包括数据收集模块（100）、特征提取模块（200）、模型构建模块（300）和模型应用与决策模块（400），其中：

所述数据收集模块（100）获取实时锂电池电压数据和历史锂电池电压数据，其中历史锂电池电压数据包括电压变换数据和锂电池的异常状态；

所述特征提取模块（200）对所述历史锂电池电压数据进行特征提取，生成历史关键特征，关键特征包括电压恢复速度、电压波动幅度和电压平台时间；其中电压恢复速度由计算负载移除后电压上升的斜率得出；电压波动幅度由测量在稳定工作状态下的电压波动范围得出；电压平台时间由量化恒压充电阶段的持续时间得出；

所述模型构建模块（300）根据所述历史关键特征以及对应的锂电池的异常状态，建立多元逻辑回归模型，其中多元逻辑回归模型包含每种异常状态的系数，通过最大似然估计来计算出每种异常状态的系数；

所述模型应用与决策模块（400）对所述实时锂电池电压数据进行特征提取模块（200）中的特征提取，生成实时关键特征，并利用建立好的多元逻辑回归模型对实时关键特征进行异常状态的检测，通过所述每种异常状态的系数和实时关键特征，计算出每种异常状态的概率，选择概率最大的异常状态作为检测结果，其中：

当检测结果为非异常时，则进行正常的系统运行；

当检测结果为异常时，根据异常状态的类型，选择多元逻辑回归模型中对应的系数，通过标准化系数来计算每个特征的显著性，选择显著性最大的特征作为关键异常特征；并根据关键异常特征，提取实时关键特征所对应的特征值，以图表的方式发送给维护人员；

所述特征提取模块（200）对历史锂电池电压数据进行特征提取，生成历史关键特征，历史关键特征包括电压恢复速度、电压波动幅度和电压平台时间；其中电压恢复速度由计算负载移除后电压上升的斜率得出，具体包括：

从历史锂电池电压数据中选择负载移除后的电池电压数据，根据该电池电压数据，计算出直线的斜率作为电压恢复速度，公式如下：

，其中是电压恢复速度；表示开始测量的时间点；表示结束测量的时间点；表示时刻的电压值；表示时刻的电压值；表示涵盖电压从最低点开始上升至相对稳定的部分，其中在负载移除后的电池电压数据中，当电压上升速率显著降低且趋于恒定时，判定为相对稳定部分，使用电压变化率小于某个电压变化率阈值作为判定依据；

电压波动幅度指电池在稳定工作状态下电压的最大波动范围，找出该范围中的电压最大值和最小值，并进行差值计算，公式如下：

，其中为电压波动幅度；为稳定工作状态下的电压最大值；为稳定工作状态下的电压最小值；其中不稳定工作状态为当电压的变化幅度超过某个电压阈值时，判定为不稳定工作状态，而稳定工作状态应在电压变化幅度不超过该电压阈值条件下进行；

电压平台时间指电池在恒压充电阶段持续保持恒定电压的时间长度，通过从历史锂电池电压数据中选择恒压充电阶段的电池电压数据所对应的时间，得出电压平台时间，公式如下：

，其中为电压平台时间，为恒压充电阶段开始的时间点；表示电压平台结束的时间点；

所述模型构建模块（300）根据所述历史关键特征以及对应的锂电池的异常状态，建立多元逻辑回归模型，具体包括：

将从特征提取模块（200）得到的历史关键特征作为输入变量，将对应的锂电池的异常状态作为输出变量；

对于种异常状态，多元逻辑回归模型的形式为如下：

，其中表示给定输入变量的条件下，电池处于第种异常状态的概率，是异常状态的索引；表示第种异常状态对应的系数向量，该向量包含了与每个特征相关的权重，用于衡量特征对第种异常状态的影响；是一个内积，表示第种异常状态的系数向量与输入变量的乘积，具体来说，如果和都是列向量，则是的转置，使得是一个标量，反映了输入变量对第种异常状态的贡献；表示是所有异常状态的指数内积和；

通过最大似然估计来计算出每种异常状态的系数，似然函数公式如下：

，其中为乘积符号，表示对所有样本和所有状态进行连乘，其中样本为所有历史关键特征以及对应的锂电池的异常状态的数据；为指示函数，表示当第个样本的状态等于时取值为1，否则为0；

对似然函数取对数，并使用优化算法最大化对数似然函数，得到每种异常状态的系数；

所述模型应用与决策模块（400）包括应用单元（401），所述应用单元（401）对实时锂电池电压数据进行特征提取模块（200）中的特征提取，生成实时关键特征，并利用模型构建模块（300）建立好的多元逻辑回归模型对实时关键特征进行异常状态的检测，具体包括：

获取数据收集模块（100）收集的实时锂电池电压数据，并进行电压恢复速度、电压波动幅度和电压平台时间的特征提取，生成实时关键特征，并将其输入到建立好的多元逻辑回归模型，具体形式为：；

比较计算出的所有状态的概率值，选择概率最大的异常状态作为最终的检测结果；

所述模型应用与决策模块（400）包括决策单元（402），所述决策单元（402）根据应用单元（401）的检测结果，实施不同的决策路径，具体包括：

当检测结果为非异常时，则进行正常的系统运行；

当检测结果为异常时，根据异常状态的类型，选择多元逻辑回归模型对应的系数，通过标准化系数来计算每个特征的显著性，选择显著性最大的特征作为关键异常特征，具体包括：

从多元逻辑回归模型中提取出与检测到的异常状态对应的系数向量，其中是特征的总数；

对系数进行标准化处理，通过以下公式实现：，其中是标准化系数；是系数向量的范数，；得到的是一个向量，其每个元素的大小反映了对应特征的标准化系数；

使用标准化后的系数绝对值来表示各个特征的显著性，其中，则显著性表示第个特征对检测结果中异常状态的影响程度；

在所有特征中，选择显著性最大的特征作为关键异常特征。

2.根据权利要求1所述的基于大数据分析的锂电池异常检测系统，其特征在于，所述锂电池的异常状态包括但不限于非异常、内阻增加异常、内部结构不稳定异常和有效容量减少异常。

3.根据权利要求1所述的基于大数据分析的锂电池异常检测系统，其特征在于，所述数据收集模块（100）将记录收集实时锂电池电压数据的时间频率。

4.根据权利要求1所述的基于大数据分析的锂电池异常检测系统，其特征在于，所述决策单元（402）根据关键异常特征，提取实时关键特征所对应的特征值，将关键异常特征及其实时特征值可视化，具体包括：

根据数据收集模块（100）中记录的时间频率，对实时关键特征所对应的特征值进行时间序列图的输出；

提取时间频率内每秒的电压波动幅度值，形成一个时间序列数据集；时间轴为时间频率内的的时间点，每秒一个数据点；值轴为对应的电压波动幅度；

将实时关键特征所对应的特征值增加状态标记，以及检测结果中异常状态的标注。