[发明专利]一种异常识别模型的训练方法、系统及检测方法

权利要求书

1.一种异常识别模型的训练方法，其特征在于，包括：

基于大数据平台，间隔预设时间，获取每辆车每个电池单体的运行数据，其中，所述运行数据包括电压数据和工况特征；

基于所述电压数据，计算得到各电池单体的去均值电压标准差，选择每个电池单体的去均值电压标准差的最大值，构成第一数据集；

基于所述工况特征，提取多个车辆特征数据；

对各所述车辆特征数据和所述第一数据集进行相关性分析，选取相关性大于预设阈值的车辆特征数据作为第一训练集；

基于所述第一训练集，在损失函数的约束下迭代训练异常识别模型，得到训练后的异常识别模型。

2.根据权利要求1所述的训练方法，其特征在于，所述基于所述电压数据，计算得到各电池单体每天的去均值电压标准差的步骤包括：

根据所述电压数据获取每个电池单体间隔预设时间的去均值电压，其中，去均值电压＝该电池单体间隔预设时间的电压值-该车辆各电池单体间隔预设时间的电压均值；

基于所述去均值电压，采用标准差公式计算得到各电池单体每天的去均值电压标准差。

3.根据权利要求1所述的训练方法，其特征在于，所述工况特征包括：驾驶激烈程度、工况温度、电池老化程度、工况电量平均位置中的任意一种或几种的组合。

4.根据权利要求3所述的训练方法，其特征在于，对各所述车辆特征数据和所述第一数据集进行相关性分析的步骤包括：

采用皮尔逊相关系数来评估各所述车辆特征数据和所述第一数据集之间的相关性。

5.根据权利要求4所述的训练方法，其特征在于，还包括：

过滤所述第一数据集和所述第一训练集，选择符合过滤条件的数据作为第二数据集和第二训练集；

基于所述第二训练集，在损失函数的约束下迭代训练异常识别模型，得到训练后的异常识别模型；

其中，所述过滤条件包括：该车辆电池包总SOC值大于50％、该车辆单日运行数据的数量大于1000条、且该电池单体的总电流绝对值大于2安培。

6.根据权利要求5所述的训练方法，其特征在于，所述基于所述第二训练集，在损失函数的约束下迭代训练异常识别模型，得到训练后的异常识别模型的步骤包括：

步骤一、输入所述第二训练集到异常识别模型中，计算得到预测值，采用损失函数计算预测值和标准值的损失值，根据损失值修正原始预测模型的网络参数，其中，所述标准值来源于所述第二数据集；

步骤二、重复步骤一，直至完成预设的迭代次数或损失值小于预设阈值，选择损失最小的模型作为训练后的异常识别模型。

7.一种异常识别模型的训练系统，其特征在于，包括：

样本获取模块，用于基于大数据平台，间隔预设时间，获取每辆车每个电池单体的运行数据，其中，所述运行数据包括电压数据和工况特征；

数据处理模块，用于基于所述电压数据，计算得到各电池单体的去均值电压标准差，选择每个电池单体的去均值电压标准差的最大值，构成第一数据集；还用于基于所述工况特征，提取多个车辆特征数据；

选择模块，用于对各所述车辆特征数据和所述第一数据集进行相关性分析，选取相关性大于预设阈值的车辆特征数据作为第一训练集；

模型训练模块，用于基于所述第一训练集，在损失函数的约束下迭代训练异常识别模型，得到训练后的异常识别模型。

8.一种检测方法，其特征在于，包括：

获取车辆当前的运行数据，输入训练后的异常识别模型中，得到识别结果，根据识别结果，确定该车辆的电池是否异常；其中，所述运行数据包括该车辆的电压数据和工况特征，且所述训练后的异常识别模型采用权利要求1-6中任一项所述的训练方法获得。

9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在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权利要求1-6中任一项所述的训练方法的步骤或权利要求8中所述的检测方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-6中任一项所述的训练方法的步骤或权利要求8中所述的检测方法的步骤。