基于孤立森林算法的動(dòng)力電池不一致單體識(shí)別與預(yù)警方法

程賢福，馬曉冬，曾建邦，李曉靜

（華東交通大學(xué)載運(yùn)工具與裝備教育部重點(diǎn)實(shí)驗(yàn)室，江西 南昌 330013）

鋰離子電池因其高能量密度、高功率密度、較長(zhǎng)的使用壽命等突出優(yōu)點(diǎn)而被廣泛作為新能源汽車(chē)的動(dòng)力源，但通常需要上百塊電池單體串并聯(lián)成組才能滿(mǎn)足對(duì)續(xù)航里程及電壓的要求[1-2]。然而，由初始生產(chǎn)工藝造成的差異會(huì)在后續(xù)使用過(guò)程中不斷放大，造成電池單體的不一致性故障，嚴(yán)重影響電池壽命，甚至車(chē)輛安全[3]。因此，對(duì)動(dòng)力電池進(jìn)行不一致性故障診斷，實(shí)時(shí)識(shí)別異常單體，對(duì)減少車(chē)輛的危害具有重要的現(xiàn)實(shí)意義。

不一致性故障直觀(guān)表現(xiàn)在如下兩個(gè)方面：一是動(dòng)力電池單體性能參數(shù)不一致，包括內(nèi)阻、容量和阻抗；二是電池工作狀態(tài)不一致，主要有工作電壓和荷電狀態(tài)[4-5]。目前，按照電池單體不一致性故障診斷的研究方法不同，大致可分為統(tǒng)計(jì)分析方法、數(shù)據(jù)聚類(lèi)分析方法、離群點(diǎn)檢測(cè)方法、神經(jīng)網(wǎng)絡(luò)法等[6-9]：侯永平等[10]選用熵值法對(duì)循環(huán)工況中的電流密度進(jìn)行權(quán)重分析，利用統(tǒng)計(jì)學(xué)參數(shù)變異系數(shù)和相對(duì)極差來(lái)衡量電池單體的電壓一致性；曾建邦等[11]在K-means 聚類(lèi)算法的基礎(chǔ)上，通過(guò)優(yōu)化聚類(lèi)簇?cái)?shù)和初始中心選擇，提出一種基于動(dòng)態(tài)k 值的Kmeans++聚類(lèi)的動(dòng)力電池電壓不一致故障識(shí)別方法，該方法能夠快速識(shí)別潛在異常單體；檀斐[12]利用小波分析，提取診斷特征向量，設(shè)計(jì)故障診斷BP 神經(jīng)網(wǎng)絡(luò)，用于診斷電池單體不一致故障。在線(xiàn)故障識(shí)別與預(yù)警方面的相關(guān)研究較少，Gao 等[13]結(jié)合了加速自適應(yīng)矩估計(jì)算法、深度置信網(wǎng)絡(luò)和皮爾遜系數(shù)，提出了一種基于自適應(yīng)深度置信網(wǎng)絡(luò)的電動(dòng)汽車(chē)充電過(guò)程中故障預(yù)警方法，該方法實(shí)現(xiàn)了電動(dòng)汽車(chē)在線(xiàn)充電過(guò)程中的電壓故障預(yù)警；Hong 等[14]提出了一種基于熵的電動(dòng)汽車(chē)電池電壓異常檢測(cè)，方法通過(guò)對(duì)車(chē)輛的實(shí)時(shí)電壓波動(dòng)數(shù)據(jù)的在線(xiàn)監(jiān)測(cè)，在基于香濃熵的分析方法下識(shí)別了異常單體。

綜上，目前針對(duì)動(dòng)力電池不一致性單體的研究主要集中在異常單體的識(shí)別上，盡管這些方法均能在一定程度上識(shí)別出異常單體 （往往包括正常單體），但對(duì)異常單體進(jìn)行預(yù)警的研究較少且大都比較復(fù)雜。為此，本文提出了一種將孤立森林算法與滑動(dòng)窗口相結(jié)合的動(dòng)力電池異常單體識(shí)別與預(yù)警方法。首先，利用滑動(dòng)窗口將一串時(shí)間序列的數(shù)據(jù)分割成多個(gè)子數(shù)據(jù)集，每一串子數(shù)據(jù)集相當(dāng)于一個(gè)時(shí)間段，將流入滑動(dòng)窗口的子數(shù)據(jù)集單獨(dú)構(gòu)建孤立森林診斷模型；其次，根據(jù)每一個(gè)窗口診斷的得分情況，判斷該時(shí)間段的單體是否異常，以此實(shí)現(xiàn)異常單體的識(shí)別與預(yù)警；最后，根據(jù)孤立森林模型識(shí)別出的正常樣本與異常樣本得分情況，采用數(shù)學(xué)統(tǒng)計(jì)的方法來(lái)確定閾值，實(shí)現(xiàn)對(duì)樣本數(shù)據(jù)更直觀(guān)的分析。

本文通過(guò)采集新能源車(chē)輛的動(dòng)力電池?cái)?shù)據(jù)，驗(yàn)證提出的基于孤立森林與滑動(dòng)窗口的動(dòng)力電池異常單體識(shí)別與預(yù)警方法的性能，并對(duì)比評(píng)估其他算法的性能，為實(shí)現(xiàn)動(dòng)力電池異常單體識(shí)別與預(yù)警提供參考。

1 相關(guān)原理介紹

1.1 孤立森林

孤立森林（isolated forest，IF）是一種采用集成學(xué)習(xí)策略的典型異常檢測(cè)算法[15-16]，該算法構(gòu)建并融合多個(gè)子檢測(cè)器以獲得較好的檢測(cè)性能，具有相對(duì)較低的復(fù)雜度和較高的準(zhǔn)確率。其原理是不斷對(duì)數(shù)據(jù)集進(jìn)行切割，直到每個(gè)數(shù)據(jù)都成為孤立的點(diǎn)，在孤立森林中異常點(diǎn)被認(rèn)為是容易孤立的點(diǎn)，即正常的數(shù)據(jù)需要多次切割才能被識(shí)別，而異常點(diǎn)則容易被切割出來(lái)。通過(guò)將各點(diǎn)被孤立時(shí)距離根節(jié)點(diǎn)的路徑長(zhǎng)度與標(biāo)準(zhǔn)值進(jìn)行比較從而判斷是否為離群點(diǎn)。孤立森林算法主要步驟如下：

步驟1 從預(yù)處理完的數(shù)據(jù)集中隨機(jī)選擇φ 個(gè)子樣本作為采樣數(shù)據(jù)集，并放入樹(shù)的根節(jié)點(diǎn)；

步驟2 從樣本中隨機(jī)指定一個(gè)維度d，隨機(jī)產(chǎn)生一個(gè)切割點(diǎn)p 來(lái)切割樣本（該切割點(diǎn)存在于當(dāng)前節(jié)點(diǎn)維度的最大與最小之間）；

步驟3 切割后的數(shù)據(jù)會(huì)再分成兩部分，維度小于p 的放在子節(jié)點(diǎn)的左邊，維度大于p 的放在子節(jié)點(diǎn)的右邊；

步驟4 在子節(jié)點(diǎn)中重復(fù)操作步驟2 和步驟3，不斷分割數(shù)據(jù)，直到無(wú)法分割出新的子節(jié)點(diǎn)。

算法通過(guò)引入異常得分來(lái)判斷數(shù)據(jù)是否為異常點(diǎn)，異常得分定義如下

式中：n 為數(shù)據(jù)集；x 為樣本點(diǎn)；文獻(xiàn)[16]指出E（h（x））為x 的平均路徑長(zhǎng)度期望值；c（n）為標(biāo)準(zhǔn)平均路徑長(zhǎng)度，公式如下

式中：H（n）為調(diào)和數(shù)H（n）=lnn+ξ，ξ 為歐拉常數(shù)。

式（1）中S 范圍在0～1，當(dāng)S 越接近1，說(shuō)明該數(shù)據(jù)點(diǎn)越有可能發(fā)生異常，當(dāng)S 小于0.5 時(shí)，可判定數(shù)據(jù)沒(méi)有異常，當(dāng)S 處于0.5 時(shí)，可認(rèn)為數(shù)據(jù)不具備明顯異常特征，有待觀(guān)察。

在實(shí)際應(yīng)用過(guò)程，模型涉及幾個(gè)重要參數(shù)，如表1所示。文獻(xiàn)[16]指出，當(dāng)樹(shù)的個(gè)數(shù)（n_estimators）為100，子采樣個(gè)數(shù)（max_samples）為256 個(gè)時(shí)，孤立森林的準(zhǔn)確率就接近收斂。另外本文在經(jīng)過(guò)多次數(shù)據(jù)驗(yàn)證后發(fā)現(xiàn)將子樹(shù)的特征（max_features）與異常比例（con_tamination）分別設(shè)置為10 與0.05 時(shí)模型的性能最佳。

表1 孤立森林模型參數(shù)設(shè)置Tab.1 Parameter setting of isolated forest model

1.2 滑動(dòng)窗口

滑動(dòng)窗口（sliding windows，SW）常用于在線(xiàn)信息的訪(fǎng)問(wèn)，通過(guò)窗口的滑動(dòng)，不斷去除舊時(shí)刻的數(shù)據(jù)，添加新時(shí)刻的數(shù)據(jù)，實(shí)現(xiàn)數(shù)據(jù)的更新[17]。換言之，滑動(dòng)窗口算法在一個(gè)特定大小的數(shù)據(jù)集上進(jìn)行操作，而不在整個(gè)數(shù)組上操作，這種做法降低了問(wèn)題的復(fù)雜度，也可以實(shí)現(xiàn)對(duì)數(shù)據(jù)的在線(xiàn)檢測(cè)。一般的，一條長(zhǎng)度為n 的數(shù)據(jù)表示為

式中：y（t）為t 時(shí)刻采集的數(shù)據(jù)。

在對(duì)數(shù)據(jù)分割過(guò)程中，設(shè)定（w，s）對(duì)數(shù)據(jù)進(jìn)行分割，其中w 為滑動(dòng)窗口的分割長(zhǎng)度，s 為分割一次之后移動(dòng)的步長(zhǎng)，連續(xù)滑動(dòng)（n-w）/s 次，形成多個(gè)等長(zhǎng)度的子數(shù)據(jù)片段，如圖1 所示。

圖1 滑動(dòng)窗口原理圖Fig.1 Schematic diagram of sliding window

2 基于孤立森林的動(dòng)力電池異常單體識(shí)別與預(yù)警方法

動(dòng)力電池發(fā)生不一致性故障的單體電壓與正常的單體電壓有所差異，且一個(gè)電池包里發(fā)生異常的單體個(gè)數(shù)通常較少，符合孤立森林算法的數(shù)據(jù)要求，因此可以結(jié)合孤立森林算法復(fù)雜度低，效率高的特點(diǎn)進(jìn)行異常單體的檢測(cè)。

本文針對(duì)電池包的單體電壓數(shù)據(jù)，提出一種基于滑動(dòng)窗口和孤立森林的異常單體識(shí)別與預(yù)警方法。通過(guò)歷史數(shù)據(jù)訓(xùn)練得到孤立森林診斷模型，同時(shí)創(chuàng)建一個(gè)滑動(dòng)窗口分割數(shù)據(jù)集，每當(dāng)有新的數(shù)據(jù)流入滑動(dòng)窗口，舊數(shù)據(jù)將被剔除，實(shí)現(xiàn)窗口的滑動(dòng)。窗口滑動(dòng)時(shí)將觸發(fā)模型重新計(jì)算該窗口下的數(shù)據(jù)，每計(jì)算完一次，補(bǔ)充新的數(shù)據(jù)進(jìn)入模型中，實(shí)現(xiàn)診斷模型的更新。本文提出的方法主要有以下幾個(gè)步驟，流程圖如圖2 所示。

圖2 基于孤立森林算法異常單體檢測(cè)流程圖Fig.2 Flow chart of anomaly detection based on isolated forest algorithm

1）確定閾值。將動(dòng)力電池的歷史電壓數(shù)據(jù)作為數(shù)據(jù)集，構(gòu)建孤立森林診斷模型，計(jì)算正常樣本與異常樣本的得分，對(duì)得分情況進(jìn)行統(tǒng)計(jì)區(qū)分，進(jìn)而得到不同樣本的得分區(qū)間，根據(jù)得分的界限來(lái)設(shè)定異常閾值。

2）創(chuàng)建滑動(dòng)窗口。將有序的動(dòng)力電池電壓數(shù)據(jù)按照時(shí)間序列分割為多個(gè)子數(shù)據(jù)集，每一個(gè)子數(shù)據(jù)集作為一個(gè)單獨(dú)的數(shù)據(jù)段流入孤立森林診斷模型，每計(jì)算完一次，將舊數(shù)據(jù)剔除，流入新的數(shù)據(jù)，直至所有數(shù)據(jù)計(jì)算完成。

3）異常識(shí)別與預(yù)警。利用孤立森林算法依次對(duì)窗口中的數(shù)據(jù)進(jìn)行計(jì)算，與此同時(shí)統(tǒng)計(jì)各個(gè)單體在不同窗口下的得分情況，此外將一個(gè)窗口記作一個(gè)時(shí)間點(diǎn)，當(dāng)所有數(shù)據(jù)計(jì)算完成之后，將各單體得分與故障閾值進(jìn)行比較，當(dāng)某個(gè)單體在每個(gè)時(shí)間點(diǎn)下的得分都超過(guò)閾值時(shí)，該單體被診斷為異常單體，若某個(gè)單體的得分隨時(shí)間增大并且超過(guò)閾值，則可以將超過(guò)閾值的時(shí)間與實(shí)際車(chē)輛報(bào)警時(shí)間對(duì)比，達(dá)到預(yù)警效果。

3 模型驗(yàn)證

3.1 數(shù)據(jù)介紹

根據(jù)標(biāo)準(zhǔn)《電動(dòng)汽車(chē)遠(yuǎn)程服務(wù)與管理系統(tǒng)技術(shù)規(guī)范》（GB/T 32960），新能源汽車(chē)公司要將車(chē)輛的數(shù)據(jù)上傳至大數(shù)據(jù)車(chē)聯(lián)網(wǎng)監(jiān)控平臺(tái)，包括總電壓、單體電壓、電流、荷電狀態(tài)、溫度等電池?cái)?shù)據(jù)及其他參數(shù)。車(chē)輛啟動(dòng)過(guò)程中，車(chē)上的傳感器時(shí)刻在檢測(cè)車(chē)輛數(shù)據(jù)，能夠做到實(shí)時(shí)監(jiān)控在線(xiàn)車(chē)輛的運(yùn)行狀態(tài)和各種數(shù)據(jù)。平臺(tái)上積累了大量歷史數(shù)據(jù)，可以為電池不一致性單體檢測(cè)算法提供訓(xùn)練基礎(chǔ)，又可以接入實(shí)時(shí)數(shù)據(jù)，為實(shí)現(xiàn)不一致性單體在預(yù)警提供數(shù)據(jù)基礎(chǔ)。

本文以江西江鈴集團(tuán)新能源汽車(chē)有限公司車(chē)聯(lián)網(wǎng)平臺(tái)提供的車(chē)輛數(shù)據(jù)作為研究對(duì)象，進(jìn)行電池異常單體的識(shí)別與預(yù)警。該平臺(tái)提供的數(shù)據(jù)包括電池單體個(gè)數(shù)、總電壓、總電流、單體電壓、報(bào)警狀態(tài)等電池參數(shù)。圖3 所示為報(bào)警車(chē)輛與未報(bào)警車(chē)輛一個(gè)月的充電單體電壓曲線(xiàn)圖，其中圖3（a）與圖3（b）為報(bào)警車(chē)輛的單體電壓圖與充電數(shù)據(jù)片段。從圖中可以看出前幾次充電時(shí)各單體的電壓波動(dòng)穩(wěn)定，而且沒(méi)有出現(xiàn)離群的電池單體。然而在后續(xù)充電過(guò)程中，55 號(hào)單體的電壓出現(xiàn)明顯的離群現(xiàn)象，且隨著充電次數(shù)的增加離群程度越來(lái)越大，可以認(rèn)為該單體出現(xiàn)了不一致性問(wèn)題。圖3（c）和圖3（d）為正常車(chē)輛的單體電壓圖和充電數(shù)據(jù)片段，從圖中可以看出該車(chē)輛的電池在多次充電下各單體的電壓均相似，沒(méi)有出現(xiàn)明顯的異常。綜上，報(bào)警車(chē)輛的某個(gè)單體會(huì)出現(xiàn)電壓離群現(xiàn)象，且不同單體電壓之間的差異在一定程度上反映了不一致性程度，因此可以利用算法辨識(shí)正常與異常單體。

圖3 報(bào)警與未報(bào)警車(chē)輛電池單體電壓分布圖Fig.3 Cell voltage distribution diagram of alarm and non-alarm vehicles

3.2 閾值確定

孤立森林是一種無(wú)監(jiān)督的異常檢測(cè)算法，它沒(méi)有明確的界限辨別正常值和異常值，因此需要設(shè)定閾值。閾值的設(shè)定可以使診斷結(jié)果更加清楚，一般可以通過(guò)經(jīng)驗(yàn)設(shè)置閾值，也可以通過(guò)統(tǒng)計(jì)學(xué)知識(shí)計(jì)算閾值。本文通過(guò)對(duì)正常樣本和異常樣本得分區(qū)間進(jìn)行統(tǒng)計(jì)來(lái)確定閾值。為確保抽取的樣本數(shù)據(jù)具有代表性，本文選取樣本的方法為：將樣本按照數(shù)據(jù)量大小分為3 組，這3 組按照充電次數(shù)再分為3 小組，總共9 小組。為避免偶然性，再?gòu)拿總€(gè)小組中隨機(jī)抽取3 輛車(chē)組成27 輛車(chē)輛作為樣本。按照此方法從正常車(chē)輛（超1 000 輛）中選取27 輛作為未報(bào)警車(chē)輛（運(yùn)行超10 000 km 以上），再?gòu)某霈F(xiàn)過(guò)不一致性故障報(bào)警的車(chē)輛（超100 輛）中隨機(jī)27 輛作為報(bào)警車(chē)輛（運(yùn)行超10 000 km 以上），車(chē)輛的數(shù)據(jù)選取時(shí)間截止到2022 年2 月。對(duì)車(chē)輛數(shù)據(jù)進(jìn)行預(yù)處理之后，提取電池電壓數(shù)據(jù)作為故障閾值模型的輸入數(shù)據(jù)，電池相關(guān)參數(shù)描述如表2 所示。將這兩類(lèi)車(chē)的電池單體電壓數(shù)據(jù)輸入到孤立森林模型中進(jìn)行得分計(jì)算，閾值統(tǒng)計(jì)結(jié)果如圖4 所示，從圖中看出在得分0.75 處存在分界現(xiàn)象，其中有3 輛車(chē)的得分存疑，在可接受范圍內(nèi)。因此本文通過(guò)孤立森林計(jì)算的閾值得分T=0.75，凡是超過(guò)閾值的便識(shí)別為異常單體，得分越高說(shuō)明異常越明顯。

表2 電池相關(guān)參數(shù)Tab.2 Battery-related parameters

圖4 異常識(shí)別模型的閾值統(tǒng)計(jì)圖Fig.4 Threshold statistical diagram of anomaly recognition model

3.3 異常識(shí)別

確定閾值之后，就可以通過(guò)單體得分的變化來(lái)判別其是否異常。選取報(bào)警車(chē)輛A 作為異常識(shí)別算法的案例分析，提取該車(chē)報(bào)警當(dāng)月的充電電壓數(shù)據(jù)，報(bào)警時(shí)刻的部分電壓圖如圖5 所示。

圖5 車(chē)輛A 報(bào)警片段單體電壓圖Fig.5 Vehicle A monomer voltage diagram

圖中32 號(hào)和98 號(hào)單體電壓出現(xiàn)離群，發(fā)生報(bào)警時(shí)刻98 號(hào)單體電壓出現(xiàn)波動(dòng)。異常識(shí)別步驟如下：首先對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，剔除無(wú)效值，再選取出現(xiàn)報(bào)警之充電電壓片段作為模型的輸入數(shù)據(jù)，其次采用滑動(dòng)窗口對(duì)這段數(shù)據(jù)進(jìn)行分割，滑動(dòng)窗口大小為（w，s），其中w 和s 預(yù)設(shè)為20。w 表示一次計(jì)算的窗口大小，s 為數(shù)據(jù)前移步長(zhǎng)，計(jì)算完成后前移s，形成新的滑動(dòng)窗口，直至所有數(shù)據(jù)計(jì)算完成。

將該方法與原始孤立森林算法進(jìn)行對(duì)比，對(duì)比結(jié)果如圖6 所示。從圖中看出兩個(gè)方法均能識(shí)別出32 號(hào)單體，而滑窗孤立森林比原始的算法多識(shí)別出98 號(hào)單體。分析原始電壓圖5 可以看出，32 號(hào)和98號(hào)單體在之后的充電過(guò)程中發(fā)生明顯的離群現(xiàn)象，其中32 號(hào)單體電壓長(zhǎng)期低于其他電壓，這類(lèi)異常比較明顯，兩個(gè)方法都能識(shí)別出，而98 號(hào)單體電壓只是在某一時(shí)刻發(fā)生異常波動(dòng)，考慮到孤立森林算法對(duì)局部數(shù)據(jù)不敏感，因此無(wú)法識(shí)別這種細(xì)微的變化。而引入滑動(dòng)窗口之后將數(shù)據(jù)細(xì)分之后，加強(qiáng)了算法對(duì)局部數(shù)據(jù)的計(jì)算能力，因此滑窗孤立森林法可以正確識(shí)別出98 號(hào)單體。

圖6 車(chē)輛A 異常識(shí)別結(jié)果圖Fig.6 Vehicle A anomaly recognition result diagram

為進(jìn)一步驗(yàn)證該方法的有效性，本文引入查準(zhǔn)率（Precision）、查全率（Recall）、F1-score3 個(gè)指標(biāo)來(lái)給予評(píng)判，并與文獻(xiàn)[9]所提出的局部離群因子（LOF）異常檢測(cè)算法進(jìn)行對(duì)比。其中，查準(zhǔn)率表示算法識(shí)別的結(jié)果中識(shí)別正確的概率，查全率表示真正發(fā)生不一致的單體被算法識(shí)別出的概率。F1-score為前二者的綜合得分，用以評(píng)價(jià)方法的好壞。

式中：FP 表示實(shí)際是異常單體，預(yù)測(cè)結(jié)果是正常單體；FN 表示實(shí)際是正常單體，預(yù)測(cè)結(jié)果是異常單體；TN 表示實(shí)際是異常單體，預(yù)測(cè)也是異常單體；β用于調(diào)整權(quán)重，在本文中Precision 和Recall 同樣重要，故將β 取1。

基于選取的27 輛不一致性故障車(chē)輛的電池?cái)?shù)據(jù)進(jìn)行分析，計(jì)算所有車(chē)輛的整體指標(biāo)數(shù)據(jù)，結(jié)果如表3 所示。從表3 可以看出滑窗孤立森林查準(zhǔn)率和查全率都很高。盡管原始孤立森林的查準(zhǔn)率是1，然而其查全率過(guò)低，無(wú)法正確識(shí)別所有單體。而LOF 算法對(duì)局部數(shù)據(jù)比孤立森林算法更加敏感[18]，這也導(dǎo)致該算法與滑動(dòng)窗口結(jié)合時(shí)將一些正常單體誤認(rèn)為異常單體從而降低了查準(zhǔn)率。最后根據(jù)綜合評(píng)價(jià)F1-socre得分的情況來(lái)看，方法SW-IF 的得分最高，因此本文提出的方法更加適用于動(dòng)力電池異常單體的識(shí)別。

表3 不同方法性能指標(biāo)對(duì)比Tab.3 Comparison of performance indexes of different methods

3.4 異常預(yù)警

在異常識(shí)別模型的基礎(chǔ)上實(shí)現(xiàn)對(duì)車(chē)輛的實(shí)時(shí)預(yù)警。選取報(bào)警車(chē)輛發(fā)生報(bào)警故障時(shí)的充電電壓數(shù)據(jù)作為預(yù)警模型的輸入數(shù)據(jù)，利用滑動(dòng)窗口分割數(shù)據(jù)集，并將每一次窗口記作一個(gè)時(shí)間點(diǎn)，每滑動(dòng)一次窗口就生成一個(gè)新的時(shí)間點(diǎn)，對(duì)應(yīng)的每個(gè)窗口就有一個(gè)得分結(jié)果，以此類(lèi)推直到所有數(shù)據(jù)計(jì)算完成，最后得到單體得分隨時(shí)間變化的趨勢(shì)圖，根據(jù)單體的得分趨勢(shì)與故障閾值進(jìn)行比較實(shí)現(xiàn)對(duì)電池單體的預(yù)警。

為驗(yàn)證不同窗口大小對(duì)預(yù)警模型的影響，選取4 輛有報(bào)警片段報(bào)警車(chē)的電壓數(shù)據(jù)，并對(duì)其設(shè)置多組窗口大小進(jìn)行預(yù)警時(shí)間的計(jì)算，結(jié)果如圖7 所示。從圖中可以看出，當(dāng)窗口大小為15 左右時(shí)，預(yù)警的效果最好；而當(dāng)窗口過(guò)大時(shí)，則出現(xiàn)無(wú)法預(yù)警的結(jié)果。這表明如果窗口過(guò)小，不僅會(huì)導(dǎo)致計(jì)算時(shí)間過(guò)長(zhǎng)，也會(huì)將部分正常的單體被誤認(rèn)為異常單體；窗口過(guò)大，電壓的波動(dòng)會(huì)被湮滅，導(dǎo)致無(wú)法識(shí)別出異常單體從而無(wú)法體現(xiàn)出預(yù)警時(shí)間。故將滑動(dòng)窗口大小設(shè)置在15 左右較為合適。

圖7 不同窗口對(duì)預(yù)警時(shí)間的影響Fig.7 Impact of different windows on alert time

當(dāng)滑動(dòng)窗口為15 時(shí)，4 輛報(bào)警車(chē)輛的所有電池單體得分隨時(shí)間變化的結(jié)果如圖8 所示，圖中豎點(diǎn)劃線(xiàn)表示平臺(tái)報(bào)警的時(shí)間點(diǎn)，橫點(diǎn)劃線(xiàn)表示算法預(yù)警點(diǎn)。從圖中看出A、B 車(chē)中3 號(hào)和32 號(hào)單體得分始終超過(guò)閾值，說(shuō)明這兩個(gè)單體一直都處于異常狀態(tài)，而另外幾個(gè)單體得分則出現(xiàn)從正常得分區(qū)間上升到異常區(qū)間的現(xiàn)象，這表明當(dāng)單體得分超過(guò)故障閾值之后，算法才進(jìn)行預(yù)警。與車(chē)輛報(bào)警時(shí)間相比，算法提前預(yù)警的時(shí)間分別為3.62、0.2、1.65、2.25 h。本文提出的方法可以在單體電壓未出現(xiàn)明顯離群現(xiàn)象時(shí)便能識(shí)別出其有所端倪，并且提前對(duì)異常電池進(jìn)行預(yù)警。因此本文所提出的方法可以對(duì)動(dòng)力電池異常單體進(jìn)行有效識(shí)別與預(yù)警。

圖8 4 輛車(chē)在滑動(dòng)窗口大小為15 時(shí)的預(yù)警效果圖Fig.8 Early warning effect of four vehicles at sliding window size of 15

4 結(jié)論

本文針對(duì)新能源動(dòng)力汽車(chē)電池單體不一致性故障辨識(shí)問(wèn)題，提出了一種基于孤立森林與滑動(dòng)窗口的異常識(shí)別與預(yù)警方法。通過(guò)對(duì)車(chē)聯(lián)網(wǎng)平臺(tái)提供的電池使用數(shù)據(jù)進(jìn)行分析，得到了如下結(jié)論。

1）通過(guò)統(tǒng)計(jì)正常樣本與異常樣本得分區(qū)間情況的方法得到本文提出的異常識(shí)別模型的閾值T=0.75，可準(zhǔn)確、直觀(guān)地對(duì)正常電池?cái)?shù)據(jù)和異常電池?cái)?shù)據(jù)進(jìn)行分析。

2）基于孤立森林與滑動(dòng)窗口的異常識(shí)別模型比LOF 異常檢測(cè)模型具有更高的查準(zhǔn)率和查全率?；瑒?dòng)窗口方法的引入，克服了孤立森林對(duì)局部位置識(shí)別不佳的問(wèn)題，同時(shí)該方法能夠識(shí)別出車(chē)輛充電過(guò)程中突發(fā)的不一致性故障單體。

3）采用滑動(dòng)窗口結(jié)合孤立森林算法的方法可以建立異常單體的實(shí)時(shí)預(yù)警模型，在滑動(dòng)窗口大小為（15，15）時(shí)，對(duì)故障的預(yù)警效果最好。

（致謝：感謝江西江鈴集團(tuán)新能源汽車(chē)有限公司為本文提供的數(shù)據(jù)支持。）