[发明专利]一种基于机器学习算法的蓄电池馈电风险识别方法

说明书

本发明提出一种基于机器学习算法的蓄电池馈电风险识别方法，在不增加硬件的情况下，利用云端采集上传的蓄电池相关网络信号数据，进行数据探索挖掘，特征变量构造，然后通过机器学习算法进行训练，得出较完善的馈电风险预测模型，利用训练好的模型，当云端监测到有实时蓄电池相关数据上传时，即可输出蓄电池馈电风险预测结果，及时对车主进行馈电风险预警提醒。后续随着蓄电池故障样本数据不断累积，特征变量以及算法参数能够不断优化，预测模型的准确性也逐步提高。

技术领域

本发明属于汽车安全技术领域，更具体涉及蓄电池健康状态识别预测技术。

背景技术

汽车是人们常用的交通工具，在长期使用过程中会产生故障。由于汽车本身结构的复杂性，以及汽车故障的不确定性和模糊性，给汽车故障诊断与维修带来很大困难。蓄电池是电源系的心脏，对蓄电池的耗电状态进行监测并对故障状态进行分析，给出蓄电池故障现象及馈电风险预测，对于车用蓄电池的寿命预估，提供车主合理化用电建议，以及蓄电池维修更换提醒来说有着重要的意义。

目前来说，对于燃油车蓄电池馈电风险或电池健康状态监测预警等领域成果较为匮乏，但由于蓄电池馈电导致车辆无法出行的问题在日常用车过程中尤为重要，因此行业内也在积极探索。

传统电池健康状态的研究主要基于蓄电池物理参数通过测算蓄电池内阻相对于健康度为100％时内阻的变化率，计算出蓄电池的健康度，由于蓄电池的老化体现在蓄电池内阻的变化上，例如CN201910119993.7提出了一种基于内阻变化率的蓄电池健康度的高精度在线实时方法，该方法主要存在以下弊端：通过物理参数构建评估模型固然准确，但对于各参数的测定和设置有着很高的要求，而且参数配置较为复杂。由于汽车本身结构较为复杂，蓄电池物理参数难以测定，因此很难满足高精确度的要求。同时，物理参数的采集需增加额外硬件成本，不利于效益最大化。

另一种方法，通过数据驱动法不需要复杂的物理参数测定和计算，只需提取能够与电池健康状态相关的外部参数便可以实时有效的对电池健康状态进行评估，因此受到了越来越广泛的探索应用。例如CN202010005272.6 一种确定车辆电池健康状态的方法及装置，其实基于电池状态信息及里程采用加权方式判定电池健康状态，该方法主要存在以下弊端：仍需要采集诸多电池状态信息，同时判断可靠性依赖于运行时期，如前期电池状态信息少、里程数少，则会影响识别准确率，同时需配置权重，需要业务专家提供更多的专业知识，探索深度有限。

因此，如果能在云端，通过现有的车辆上传数据，同时依靠本身连网车辆数较大的大数据优势，实现对蓄电池馈电风险的预测，这样既不增加硬件成本，无需额外的物理参数测定和计算，又能实时的给车主发出馈电风险预警，在减少了用户因馈电导致无法出行产生抱怨的同时，在一定程度上也对蓄电池寿命预测及维修建议方面提供了指导。

随机孤立森林即孤立森林，是一种机器学习算法，主要针对的是连续性结构化数据中的异常点检测，其算法基础有两点：异常数据占总样本量的比例很小、异常点的特征值与正常点的差异很大。因其精准度较高，在处理大数据时速度快，所以目前在工业界的应用范围比较广，常见场景包括：网络安全中的攻击检测、金融交易欺诈检测、噪声数据过滤等。

发明内容

本发明针对现有技术存在的问题，提出一种基于机器学习算法的蓄电池馈电风险识别方法，在不增加硬件的情况下，利用云端采集的蓄电池数据，基于孤立森林算法建立和优化模型，预测蓄电池馈电风险，并可以进一步根据预测结果，主动向车主发出实时蓄电池馈电风险预警信息。

本发明的技术方案如下：

一种蓄电池馈电风险识别方法，包括以下步骤：

（1）获取蓄电池异常耗电的样本数据，构造特征变量，得出特征数据训练集；

（2）基于孤立森林构建异常识别算法模型；

（3）对算法模型进行调优，进行蓄电池风险实时预测，并给出预警结果信息。

所述步骤（1）中，获取蓄电池异常耗电的样本数据包括：