[發明專利]一種電動汽車運行大數據的動力電池安全風險評估方法

在審

• 申請號: 202110665939.X
• 申請日: 2021-06-16
• 公開（公告）號: CN113313406A
• 公開（公告）日: 2021-08-27
• 發明（設計）人: 袁新枚;蘇建華;秦偉晏;謝子晗;段昕瑋;路京雨;陳英亮
• 申請（專利權）人: 吉林大學
• 主分類號: G06Q10/06
• 分類號: G06Q10/06
• 代理公司: 北京華際知識產權代理有限公司 11676
• 代理人: 俞璇

1.一種電動汽車運行大數據的動力電池安全風險評估方法，其特征在于：包括如下步驟：

步驟一：輸入電池安全相關特征量，從大數據中心得到某種電動汽車或動力電池的數據，針對確定故障類型提取能夠表征該類故障的n種特征值，并將選取的n種特征值的樣本數據輸入到n維空間坐標系下；

步驟二：獲取最外圍樣本邊界，獲取無故障樣本的外圍邊界，電池安全相關的特征值都符合連續分布，因此對于一維坐標系下，獲取邊界只需要找出相應特征值最大值與最小值；對于二維及以上的高維度坐標系下，可以借助convex hull算法求解可以將所有元素包含在內的邊界A。樣本中若存在故障樣本，確認故障樣本在邊界A外部，否則修改A邊界，保證所有故障樣本均在A外部；

步驟三：在外圍樣本邊界隨機生成故障樣本，令一個足夠大的區域R，在區域R與邊界A之間隨機生成模擬故障樣本，模擬故障樣本的分布可選擇均勻分布，或集中于A邊界附，假設從大數據中心獲取的正樣本為i個，原始故障樣本與隨機生成的負樣本共j個，那么任意一個正樣本可表示為X_k＝(x₁^k，x₂^k，…，x_n^k),k＝1,2,…,i，任意一個負樣本可表示為X_k＝(x₁^k，x₂^k，…，x_n^k),k＝i+1,i+2,…,i+j；

步驟四：獲取正常樣本與模擬故障樣本的邊界，利用支持向量機將坐標系中的正負樣本進行分類，獲取正負樣本的決策邊界，為了便于決策邊界的求解，先給所有樣本賦予一個標簽，用y來表示，那么正樣本的標簽為y_k＝1，k＝1,2,…,i；反之，負樣本標簽則為y_k＝-1，k＝i+1,i+2,…,i+j，對正負樣本劃分問題進行SVM模型建立得到損失函數，見下式(1)

subjecttoy_k(w·Φ(X_k)+b)≥1-ζ_k,ζ_k≥0,k＝1,2,…,i+j

其中，ζ_k＝max(0,1-y_k(w·Φ(X_k)+b))，核函數選擇非線性核高斯徑向核函數，其表達形式為Φ(X_k)＝exp(-||X_k-z||²/2σ²)，w與b為待學習參數，

在上面限制條件下要求損失函數最小，這是一個凸優化問題，解決這個問題的方法是通過目標函數和限制條件構建拉格朗日函數，利用正負樣本數據得到參數w與b的學習結果。解決過程過于繁瑣這里不再贅述，最終得到參數w與b的學習結果，表示為n維坐標系下超平面方程，見下式(2)：

w^TΦ(X)+b＝0

其中，w＝{w₁；w₂；…；w_n}是一個法向量，表征超平面的方向；b為偏移項，該超平面即為正負樣本的決策邊界；

步驟五：縮放正負樣本邊界，依據樣本概率確定風險系數，假設一個訓練樣本若要對該樣本點進行安全風險評估，首先需判斷該點是否在決策邊界上，如若不在，則需縮放決策邊界使該點落在縮放后的決策邊界并求出縮放后邊界的表達式，樣本點X_t所在的邊界是經式(2)所描述的決策邊界縮放所得，因此新邊界的法向量與原決策邊界無異，只需將法向量參數w＝{w₁；w₂；…；w_n}與樣本點帶入到式(2)中，求得偏移項b_t。故樣本點X_t所在的縮放邊界表達式為：

w^TΦ(X)+b_t＝0

將所有正樣本逐一帶入到式(3)中，若w^TΦ(X)+b_t≥0，則表示該正樣本點在縮放邊界內部或邊界上；反之，則表示正樣本點在邊界外，通過該判斷式，統計出在縮放邊界內部及邊界上的正樣本點數n_p，那么，任意訓練樣本X_t的風險系數ξ可表示為：

式中，i為所有正樣本點個數；ε為模型參數，通過調整參數ε可以調節模型準確度，風險系數ξ范圍為(0～1)，隨數值增大，風險越高。