汽车动力电池数据记录与追踪系统的制作方法

本发明涉及新能源汽车，尤其涉及一种汽车动力电池数据记录与追踪系统。

背景技术：

1、在电动汽车行业的快速发展背景下，动力电池作为其核心能量源，其性能和寿命管理显得尤为重要。电池健康状态的实时监测和准确评估对于提高电动汽车的运行效率、降低维护成本、保障使用安全以及推动电池回收利用等方面起着关键作用。然而，现有的电池管理系统(bms)主要集中于基本状态的监测，如电压、电流和温度等，这些系统往往缺乏对电池健康状态进行综合评估的能力，难以满足对电池剩余寿命进行准确预测的需求。

2、尽管一些研究和专利提出了基于特定参数的电池健康状态预测方法，但这些方法通常建立在经验公式或单一参数的阈值判断上，没有充分考虑到电池在使用过程中多个性能参数变化的综合影响。这种局限性导致现有技术在电池健康状态的评估上存在一定的偏差，无法为电池的维护和更换提供足够精确的指导。

3、在现有技术中，公开号为cn117129879a的发明专利申请提供了一种阈值调整方法和电池健康状态预测模型的训练方法，通过在锂离子充电过程得到的充电容量信息中，提取特征充电容量。基于此，仅将特征充电容量输入训练好的电池健康状态预测模型，避免了使用全量的充电容量信息来得到锂离子电池的实时电池健康状态预测信息。

4、而公开号为cn118091469a的发明专利申请公开了基于人工智能的储能电池健康状态预测方法及系统，采用不同时间尺度下数据特征的提取，在卷积层中通过权重矩阵滤波、加偏差项和激活函数，通过复位门和更新门控制隐藏状态的存储和更新，保证储能电池信息不丢失。

5、此外，随着数据驱动方法，尤其是机器学习技术在电池健康管理领域的应用逐渐增多，这些方法展现出了处理大量数据和挖掘复杂非线性关系的巨大潜力。但是，现有的数据驱动模型往往需要进行大量的手动特征工程和参数调整，这不仅增加了技术实施的难度，也限制了模型的自动化和规模化应用。而且，在实际应用中，这些模型可能还会面临数据不足或过拟合的问题，影响其在不同电池类型和使用条件下的适用性和准确性。

技术实现思路

1、本发明的目的在于提供一种汽车动力电池数据记录与追踪系统，以及采用该系统进行汽车动力电池数据记录与追踪的方法，以及相应的存储介质和设备，以解决现有的技术存在的不足。

2、基于本发明的第一个主要方面，提供一种汽车动力电池数据记录与追踪系统，至少包括：

3、一个实时数据监测模块，用于收集包括电池的电压、电流、温度、充放电循环次数和使用时间在内的性能指标；以及

4、一个数据处理单元，用于对收集到的数据进行预处理和特征工程；以及

5、一个评估模型，用于基于预处理后的数据计算电池健康指数bhi。

6、该集成化系统，克服了现有技术中数据监测不同步和缺乏系统性的问题。通过实时数据监测模块，能够全面收集电池性能指标，为后续处理提供高质量数据源，这是对现有技术数据分散和监测不全面的重要进步。

7、作为进一步的优选方案，该汽车动力电池数据记录与追踪系统中，所述数据处理单元至少包括：

8、数据预处理模块，用于执行自动化的数据清洗、异常值检测、缺失数据处理、标准化和归一化，确保数据的准确性和一致性；以及

9、特征工程模块，用于实现自动化特征选择、特征构造和多变量特征转换，其中特征转换包括但不限于对数转换、box-cox转换和其他数学变换，以适应不同特征的数据分布特性；以及

10、数据融合模块，用于整合来自不同数据源和传感器的数据，通过数据融合算法提高数据的全面性和准确性。

11、数据处理单元通过自动化的数据预处理和特征工程，减少了手动特征工程的需求，提高了数据处理的效率和准确性。自动化流程降低了技术实施的难度，是现有技术手动处理和易出错过程的显著改进。

12、作为进一步的优选方案，该汽车动力电池数据记录与追踪系统中，所述特征工程模块包括：

13、一个特征选择单元，用于根据以下公式计算每个特征的重要性，并选择重要性高于预设阈值的特征：

14、

15、选择重要性高于某个阈值t的特征：

16、selectedfeatures＝{j|importancej＞t}

17、一个特征构造单元，用于根据以下公式构造新特征：

18、

19、一个多变量特征转换单元，用于对选定的特征应用以下转换公式：

20、对数转换：

21、xlog＝log(x+1)

22、box-cox转换：

23、

24、一个最优变换参数确定单元，用于通过最大化似然函数l(λ)来确定box-cox转换的最佳参数λ：

25、

26、一个特征权重分配单元，用于根据特征的重要性和转换后的数据分布，为每个特征分配权重wj：

27、

28、一个综合特征向量生成单元，用于生成最终的电池健康状态评估模型输入：

29、xfinal＝[w1x1λ,w2x2λ,…,wmxmλ]

30、以上式中，j表示特征的索引或序号，用于区分数据集中的不同特征；ntrees表示随机森林模型中决策树的数量，即森林中树的总数；wij是第i棵树中第j个特征的平均权重；importancei是第i个特征的平均重要性，是所有树对该特征重要性评分的总和；t表示特征选择的预设阈值，只有当特征的平均重要性高于这个阈值时，该特征才会被选中用于后续的模型训练；icurrent表示电池的当前参数值；irated表示电池的额定参数值，即电池设计时允许的最大值；r表示电池的使用率，是构造的新特征，反映了电池当前参数与其额定参数的比例关系，这些参数包括电流、电压；x表示原始数据集中的特征值；xlog表示应用对数转换后的特征值；λ表示box-cox转换中的变换参数，用于稳定方差和使数据更接近正态分布；xλ表示经过box-cox转换的特征值；n表示数据集中观测值的数量；xi表示第i个观测值的原始特征值；l(λ)表示似然函数，用于确定box-cox转换的最佳参数λ；wj表示第j个特征的权重，根据特征的重要性和转换后的数据分布进行分配；m表示选定特征的总数；xfinal表示最终的电池健康状态评估模型输入的特征向量，包含了经过加权的特征转换值。

31、以上技术方案解决了现有技术中手动特征工程耗费时间和可能的主观偏差问题，提高了模型的泛化能力和自动化水平。

32、作为进一步的优选方案，该汽车动力电池数据记录与追踪系统中，所述数据融合算法包括如下步骤：

33、先将所有传感器数据在相同的时间戳上同步；并进行初步的异常值检测；

34、再将所有传感器数据使用z-分数标准化转换到一个统一的量纲和范围：

35、

36、式中：xi是第i个传感器的数据点；μi是第i个传感器数据的平均值；σi是第i个传感器数据的标准差；

37、通过计算每个传感器数据的稳定性指标si来评估每个传感器的可靠性：

38、

39、式中：var(xi)是第i个传感器数据的方差；maxvar是所有传感器数据方差的最大值；

40、使用加权平均的方法融合数据，权重基于传感器的可靠性评估：

41、

42、式中，xfused是融合后的数据点；n是传感器的总数。

43、通过引入数据融合算法，本发明解决了现有技术中来自不同传感器的数据难以整合的问题。同步时间戳和异常值检测提高了数据的一致性和可靠性，提升了数据融合的质量。

44、作为进一步的优选方案，该汽车动力电池数据记录与追踪系统中，所述评估模型按照如下方程确定：

45、

46、式中，vc是电池的当前电压，vn是电池的标称电压，ic是电池的当前电流，ir是电池的额定电流，tc是电池的当前温度，to是电池的最佳工作温度，nc是电池的充放电循环次数，nr是电池的预期循环寿命，tu是电池的使用时间，tl是电池的预期使用寿命；av、ai、at、ac、ata是模型参数，用于平衡不同性能指标的影响。

47、本发明提出的评估模型能够自动调整模型参数，减少了对大量手动参数调整的依赖。使用历史数据和优化算法确定模型参数，提高了模型对不同电池类型和使用条件的适用性。

48、作为进一步的优选方案，该汽车动力电池数据记录与追踪系统中，所述模型参数通过以下方法确定：

49、使用历史电池性能数据和对应的健康状态标签，训练一个机器学习模型；

50、利用模型的输出与电池实际健康状态的偏差，通过优化算法自动调整模型参数；

51、采用交叉验证方法评估模型参数设置的性能，选择最优的参数组合。

52、作为进一步的优选方案，该汽车动力电池数据记录与追踪系统中，所述机器学习模型为一个梯度提升决策树模型，该模型：

53、包括多个弱预测模型，通过梯度提升方法进行集成学习；

54、利用最小化均方误差或其他损失函数的方法自动调整各特征的权重；

55、通过交叉验证方法优化模型参数，提高模型的泛化能力。

56、通过引入梯度提升决策树模型，本发明针对现有技术中模型过拟合和泛化能力不足的问题提供了解决方案。通过集成学习提高模型的预测精度和鲁棒性，是现有单一模型的重要改进。

57、基于本发明的第二个主要方面，提供基于所述系统的汽车动力电池数据记录与追踪方法，该方法至少包括如下步骤，

58、s1，利用实时数据监测模块同步并收集电池性能指标数据；

59、s2，使用数据处理单元的数据预处理模块对收集的数据进行清洗、标准化和异常值检测；

60、s3，应用特征工程模块对数据进行特征选择、构造和转换，包括但不限于以下操作：

61、根据公式：

62、

63、计算特征重要性，并选择重要性高于预设阈值t的特征；

64、构造新特征，以获得电流或电压的使用率数据；

65、对选定的特征应用对数转换：

66、xlog＝log(x+1)

67、和box-cox转换xλ；

68、确定box-cox转换的最佳参数λ通过最大化似然函数l(λ)；

69、分配特征权重wij并生成综合特征向量xfinal；

70、s4，通过数据融合模块整合不同数据源的数据，并使用加权平均方法融合数据点；

71、s5，输入综合特征向量至评估模型计算电池健康指数bhi；

72、s6，根据bhi值和预设的维护策略，生成电池维护和更换的建议。

73、以上方法将复杂的数据处理和模型评估过程标准化，提供了一种结构化的方法来实施电池健康管理。这种方法的标准化和系统化是现有非标准化实践的显著进步。

74、基于本发明的第三个主要方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被配置为执行前述的汽车动力电池数据记录与追踪方法，其特征在于，该程序包括：

75、用于实现实时数据监测模块功能的代码，包括数据采集和同步；

76、用于实现数据预处理模块功能的代码，包括数据清洗、标准化和异常值检测算法；

77、用于实现特征工程模块功能的代码，包括特征选择、构造、转换和权重分配的算法；

78、用于实现数据融合模块功能的代码，包括数据同步、异常值检测、z-分数标准化、稳定性指标计算和加权平均融合算法；

79、用于实现评估模型计算bhi的代码，包括电池性能指标的输入、模型参数的优化和健康指数的输出；

80、用于根据bhi值生成电池维护和更换建议的代码。

81、基于本发明的第四个主要方面，提供一种计算机设备，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，所述处理器执行所述程序时实现如前述的汽车动力电池数据记录与追踪方法。

82、通过将方法软件化、设备化，使得电池数据记录与追踪技术更易于推广和应用。这种软件化和设备化是现有技术中难以规模化应用的重要进步，提高了技术的普及率和易用性。

83、与现有技术相比，本发明通过汽车动力电池数据记录与追踪系统实现了数据处理的自动化。实时数据监测模块确保了数据收集的同步性和全面性，而数据处理单元的自动化流程减少了人为错误，提高了数据预处理和特征工程的准确性。特征选择和构造的自动化不仅提升了数据处理速度，也确保了不同电池数据集的一致性和可比性，显著提高了电池健康管理的效率和准确性。

84、本发明提出的评估模型和机器学习模型通过使用历史数据训练和优化算法自动调整参数，有效提高了模型的泛化能力。梯度提升决策树模型的集成学习进一步提升了模型对新数据的适应性，减少了过拟合的风险，使模型在多样化的应用场景中保持稳定和可靠的预测性能。

85、本发明提出的数据记录与追踪方法及计算机程序，将电池健康管理流程标准化和系统化。这种方法的明确步骤和操作指导，使得电池健康评估不再是依赖专家知识的复杂任务，而是可以按照标准化流程执行的自动化过程。软件化实现使得系统易于部署和维护，降低了技术实施的门槛，提高了电池健康管理技术的普及率。

86、最后，本发明通过数据融合算法解决了来自不同传感器数据难以整合的问题，通过同步时间戳和异常值检测提高了数据的一致性和可靠性。同时，本发明提出的模型参数优化方法，解决了现有技术中模型参数难以确定的问题，通过交叉验证和历史数据训练，实现了模型参数的自动化优化，进一步提升了模型的预测精度和电池健康管理的科学性。