一种基于支持向量机的电池荷电状态异常检测方法与流程

技术特征：
1.一种基于支持向量机的电池荷电状态异常检测方法，其特征在于，所述方法包括：建立电池等效电路模型；基于所述等效电路模型的特征参数，通过改进无迹卡尔曼滤波得到电池荷电状态的估计数据，并将所述电池荷电状态的估计数据作为训练数据集；利用所述训练数据集训练预设支持向量机得到目标支持向量机；获取待分析的电池荷电状态数据，将所述待分析的电池荷电状态数据输入所述目标支持向量机中，得到电池荷电状态的异常检测结果。2.根据权利要求1所述的方法，其特征在于，所述电池等效电路模型为一阶戴维南等效电路模型；所述一阶戴维南等效电路模型的电路结构包括：电源正极所在的一端为s，电源负极所在的一端为w，电源之间的电压源为v0；s端依次串联极化电阻r1和极化电容c1；w端串联欧姆内阻r2。3.根据权利要求1所述的方法，其特征在于，所述基于所述等效电路模型的特征参数，通过改进无迹卡尔曼滤波得到电池荷电状态的估计数据，包括：基于所述等效电路模型的特征参数，得到所述改进无迹卡尔曼滤波的状态空间方程与观测方程；获取2n 1个sigma点集和每个sigma点的权值，其中n为整数；将所述2n 1个sigma点集分别代入所述状态空间方程，得到所述每个sigma点在k 1时刻的预测量；基于所述每个sigma点的权值和k 1时刻的预测量，结合所述状态空间方程计算得到系统状态量在k 1时刻的预测均值及协方差矩阵，其中，所述协方差矩阵中包括过程噪声的方差q；将所述k 1时刻的预测均值及协方差矩阵再次进行无迹卡尔曼滤波变换，得到新的2n 1个sigma点集；基于所述新的2n 1个sigma点集和所述观测方程，得到新的每个sigma点在k 1时刻的预测观测量；基于所述新的每个sigma点的权值和k 1时刻的预测观测量，结合所述观测方程计算得到系统观测量在k 1时刻的预测均值及协方差矩阵和；基于所述协方差矩阵和，通过计算得到卡尔曼增益矩阵；根据k 1时刻的和电池实测电压值u
k 1
更新系统状态量在k 1时刻的均值及协方差矩阵，得到更新后的k 1时刻的均值和协方差矩阵，并保存k 1时刻的电池荷电状态的估计数据；基于遗忘因子对所述过程噪声的方差q进行更新，得到更新后的过程噪声的方差，利用更新后的过程噪声的方差，重复上述步骤，得到各时刻的电池荷电状态的估计数据。
4.根据权利要求3所述的方法，其特征在于，基于遗忘因子对所述过程噪声的方差q进行更新，得到更新后的过程噪声的方差，包括：基于所述遗忘因子，通过噪声特性更新公式对所述过程噪声的方差q进行更新，得到更新后的过程噪声的方差，其中，所述噪声特性更新公式为：其中，所述，所述为采样间隔，所述r1为极化电阻和所述c1为极化电容，所述，所述b为可调的遗忘因子，k为k时刻。5.根据权利要求1所述的方法，其特征在于，所述利用所述训练数据集训练预设支持向量机得到目标支持向量机之前，还包括：将所述训练数据集中的训练数据进行异常状态标注，得到用于训练预设支持向量机的训练数据集。6.根据权利要求5所述的方法，其特征在于，所述利用所述训练数据集训练预设支持向量机得到目标支持向量机，包括：通过pca模型对所述训练数据集中的训练数据进行特征提取，得到目标训练数据；将所述目标训练数据映射到超平面，得到所述目标训练数据映射到超平面的特征向量；基于所述目标训练数据映射到超平面的特征向量，对所述预设向量机中的预设划分超平面模型进行求解，得到目标划分超平面模型；基于所述目标划分超平面模型，得到目标支持向量机。7.根据权利要求5所述的方法，其特征在于，所述基于所述目标训练数据映射到超平面的特征向量，对所述预设向量机中的预设划分超平面模型进行求解，得到目标划分超平面模型，包括：将所述预设划分超平面模型转换为目标求解模型；基于所述目标求解模型，得到对应的拉格朗日对偶函数模型；基于所述目标训练数据映射到超平面的特征向量，对所述拉格朗日对偶函数模型进行求解，得到目标划分超平面模型。8.根据权利要求6-7任一所述的方法，其特征在于，所述预设超平面划分模型包括：，其中，为训练数据映射到超平面的特征向量矩阵，和为预设划分超平面模型的模型系数矩阵。9.一种基于支持向量机的电池荷电状态异常检测装置，其特征在于，所述装置包括：建立模型，用于建立电池等效电路模型；计算模块，用于基于所述等效电路模型的特征参数，通过改进无迹卡尔曼滤波得到电池荷电状态的估计数据，并将所述电池荷电状态的估计数据作为训练数据集；训练模型，用于利用所述训练数据集训练预设支持向量机得到目标支持向量机；
检测模型，用于获取待分析的电池荷电状态数据，将所述待分析的电池荷电状态数据输入所述目标支持向量机中，得到电池荷电状态的异常检测结果。10.一种计算机存储介质，其中，所述计算机存储介质存储有计算机可执行指令；所述计算机可执行指令被处理器执行后，能够实现权利要求1-7中任一所述的方法。

技术总结
本申请提出的基于支持向量机的电池荷电状态异常检测方法，包括基于等效电路模型的特征参数，通过改进无迹卡尔曼滤波得到电池荷电状态的估计数据，并将电池荷电状态的估计数据作为训练数据集；利用训练数据集训练预设支持向量机得到目标支持向量机；获取待分析的电池荷电状态数据，将待分析的电池荷电状态数据输入目标支持向量机中，得到电池荷电状态的异常检测结果。由此，本申请中改进无迹卡尔曼滤波对噪声部分做了迭代更新，降低了噪声变化对估算精度的影响，以使得通过改进无迹卡尔曼滤波得到的用于训练预设支持向量机的训练数据更加准确，从而使得目标支持向量机的异常检测结果更加准确，提高了异常检测结果的准确率。提高了异常检测结果的准确率。提高了异常检测结果的准确率。


技术研发人员：赵珈卉 朱勇 张斌 刘明义 王建星 刘承皓 孙悦 郝晓伟 平小凡 成前 杨超然 白盼星 王娅宁 周敬伦 段召容
受保护的技术使用者：华能澜沧江水电股份有限公司
技术研发日：2023.06.20
技术公布日：2023/7/25