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

1.本技术涉及异常检测技术领域，尤其涉及一种基于支持向量机的电池荷电状态异常检测方法、装置及存储介质。


背景技术：

2.随着新能源的发展，电池储能被广泛应用于电力系统。其中，随着电池储能规模的不断增长，电池的安全和可靠性显得尤为重要。具体地，电池荷电状态是电池安全和性能的关键指标之一，若电池荷电状态异常可能会导致电池性能下降、甚至引发安全事故。基于此，需要对电池荷电状态进行异常检测，以确保电池安全和可靠的储能，避免发生安全事故。
3.现有技术中，利用模型（例如基于方程、基于电化学模型）的方法，对电池荷电状态进行异常检测。其中，上述方法均需要在建立电池模型后，通过大量的实验进行验证，使得在实际应用中具有一定的局限性，从而使得通过模型得到的异常检测结果不准确。


技术实现要素：

4.本技术提供一种基于支持向量机的电池荷电状态异常检测方法，以解决上述相关技术中出现的技术问题。
5.本技术第一方面实施例提出一种基于支持向量机的电池荷电状态异常检测方法，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。
6.本技术第二方面实施例提出一种基于支持向量机的电池荷电状态异常检测装置，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。
7.本技术的实施例提供的技术方案至少带来以下有益效果：本技术提出的基于支持向量机的电池荷电状态异常检测方法、装置及存储介质中，包括建立电池等效电路模型；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，本技术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。
8.本技术附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实践了解到。
附图说明
9.本技术上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：图1为根据本技术一个实施例提供的基于支持向量机的电池荷电状态异常检测方法的流程示意图；图2为本技术一个实施例提出的一阶戴维南等效电路模型的电路结构示意图；图3为根据本技术一个实施例提供的基于支持向量机的电池荷电状态异常检测装置的结构示意图。
具体实施方式
10.下面详细描述本技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本技术，而不能理解为对本技术的限制。
11.下面参考附图描述本技术实施例的基于支持向量机的电池荷电状态异常检测方法及装置。
12.实施例一图1 为根据本技术一个实施例提供的一种基于支持向量机的电池荷电状态异常检测方法的流程示意图，如图1所示，所述方法可以包括：步骤101、建立电池等效电路模型。
13.其中，在本技术的实施例中，上述电池等效电路模型可以为一阶戴维南等效电路模型。图2为本技术一个实施例提出的一阶戴维南等效电路模型的电路结构示意图。如图2所示，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。
14.步骤102、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。
15.其中，在本技术的实施例中，获取等效电路模型之后，可以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，以便后续根据电池荷电状态的估计数据进行模型的训练。
16.以及，在本技术的实施例中，上述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的方法可以包括以下步骤：步骤1021、基于等效电路模型的特征参数，得到改进无迹卡尔曼滤波的状态空间方程与观测方程；其中，在本技术的实施例中，基于等效电路模型的特征参数，可以得到电池的状态空间方程为：以及，在本技术的实施例中，基于等效电路模型的特征参数，可以得到电池的观测方程为：其中，上述表示极化电容两端在k 1时刻的电压；为k 1时刻的电池荷电状态；为采样间隔；为电池额定容量；为电池电流；为k时刻的系统噪声，由模型参数误差造成，协方差为qk；为k 1时刻的观测噪声，由系统传感器采样不准确引起的测量噪声，协方差为r
k 1
；表示第k时刻；符号表示偏导数；表示指数运算符号。
17.进一步地，基于上述电池的状态空间方程与观测方程，可以得到改进无迹卡尔曼滤波的状态空间方程与观测方程。其中，在本技术的实施例中，上述基于电池的状态空间方程，得到改进无迹卡尔曼滤波的状态空间方程为：其中，表示k 1时刻的状态向量，上述 f为非线性状态方程函数，为上述电池的状态空间方程所示形式的函数。
18.以及，在本技术的实施例中，上述基于电池的观测方程，得到改进无迹卡尔曼滤波的观测方程为：其中，表示k 1时刻的观测向量，上述h是非线性观测方程函数，为上述电池的观测方程所示形式的函数。
19.步骤1022、获取2n 1个sigma点集和每个sigma点的权值，其中n为整数；其中，在本技术的实施例中，上述获取2n 1个sigma点集为：。
20.其中，n为通过需求确定；表示第个sigma点；，表示矩阵方根的第列，指的是当前状态的协方差矩阵，会实时更新；为均值；参数是一个缩放比例参数，用来降低总的预测误差，需要根据实际计算需求进行参数调试确定。
21.以及，在本技术的实施例中，上述每个sigma点的权值为：
。
22.步骤1023、将2n 1个sigma点集分别代入状态空间方程，得到每个sigma点在k 1时刻的预测量；其中，在本技术的实施例中，上述每个sigma点在k 1时刻的预测量为：。
23.其中，表示基于k时刻预测的k 1时刻的状态值；表示估算出的k时刻的状态值。
24.步骤1024、基于每个sigma点的权值和k 1时刻的预测量，结合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，协方差矩阵中包括过程噪声的方差q；其中，在本技术的实施例中，上述基于每个sigma点的权值和k 1时刻的预测量，结合状态空间方程计算得到系统状态量在k 1时刻的预测均值为：。
25.以及，在本技术的实施例中，上述基于每个sigma点的权值和k 1时刻的预测量，结合状态空间方程计算得到系统状态量在k 1时刻的预测协方差矩阵为：步骤1025、将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；其中，在本技术的实施例中，上述将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点集为：。
26.步骤1026、基于新的2n 1个sigma点集和观测方程，得到新的每个sigma点在k 1时刻的预测观测量；其中，在本技术的实施例中，上述基于新的2n 1个sigma点集和观测方程，得到新
的每个sigma点在k 1时刻的预测观测量为：。
27.步骤1027、基于新的每个sigma点的权值和k 1时刻的预测观测量，结合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；其中，在本技术的实施例中，上述基于新的每个sigma点的权值和k 1时刻的预测观测量，结合观测方程计算得到系统观测量在k 1时刻的预测均值为：。
28.以及，在本技术的实施例中，上述基于新的每个sigma点的权值和k 1时刻的预测观测量，结合观测方程计算得到系统观测量在k 1时刻的协方差矩阵和为：；。
29.步骤1028、基于协方差矩阵和，通过计算得到卡尔曼增益矩阵；其中，在本技术的实施例中，上述基于协方差矩阵和，通过计算得到卡尔曼增益矩阵为：。
30.步骤1029、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；其中，在本技术的实施例中，上述根据k 1时刻的和电池实测电压值v
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时刻的均值为：。
31.以及，在本技术的实施例中，上述根据k 1时刻的和电池实测电压值v
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时刻的协方差矩阵为：。
32.步骤1030、基于遗忘因子对过程噪声的方差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。
33.其中，在本技术的实施例中，基于遗忘因子对过程噪声的方差q进行更新，得到更新后的过程噪声的方差的方法包括：基于遗忘因子，通过噪声特性更新公式对过程噪声的方差q进行更新，得到更新后的过程噪声的方差，其中，噪声特性更新公式为：其中，，为采样间隔，r1为极化电阻，c1为极化电容，，b为可调的遗忘因子，k为k时刻。
34.其中，在本技术的实施例中，传统无迹卡尔曼滤波中的噪声矩阵固定，可能影响荷电状态估计精度，基于此，基于传统无迹卡尔曼滤波得到的电池荷电状态估计值可能会发生误诊断情况。由此，本技术提出了一种改进无迹卡尔曼滤波方法，通过上述步骤1030可以实时更新噪声矩阵，以降低噪声对估计结果的干扰，从而降低后续支持向量机的误诊断概率。
35.以及，在本技术的实施例中，通过上述步骤可以得到各时刻的电池荷电状态的估计数据，并将上述各时刻的电池荷电状态的估计数据作为训练数据集，用于后续训练预设支持向量机。
36.步骤103、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。
37.其中，在本技术的实施例中，通过上述步骤得到训练数据集后，可以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。以及，在本技术的实施例中，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之前，还包括：将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。其中，在本技术的实施例中，将训练数据集中的训练数据进行异常状态标注，以便后续基于标注后的训练数据对预设向量机进行训练。
38.具体地，在本技术的实施例中，上述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的方法可以包括以下步骤：步骤1031、通过pca模型对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；其中，在本技术的实施例中，通过pca模型对训练数据集中的训练数据进行降维后，可以获得训练数据中的主成分数据，也即是，可以提取训练数据中的特征，从而得到目标训练数据，使得后续基于目标训练数据训练的目标支持向量机的异常检测结果更加准确。
39.步骤1032、将目标训练数据映射到超平面，得到目标训练数据映射到超平面的特
征向量；步骤1033、基于目标训练数据映射到超平面的特征向量，对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；其中，在本技术的实施例中，上述基于目标训练数据映射到超平面的特征向量，对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的方法可以包括以下步骤：步骤1、将预设划分超平面模型转换为目标求解模型；其中，在本技术的实施例中，上述预设划分超平面模型为：其中，上述表示为目标训练数据映射到超平面的特征向量矩阵，与为预设划分超平面模型的模型系数矩阵。
40.以及，在本技术的实施例中，将上述预设划分超平面模型转换为目标求解模型，以便得到目标划分超平面模型。其中，在本技术的实施例中，上述目标求解模型为：便得到目标划分超平面模型。其中，在本技术的实施例中，上述目标求解模型为：。
41.其中，为第i个目标训练数据的纵坐标，为第i个目标训练数据的横坐标，γ为目标训练数据的个数。
42.步骤2、基于目标求解模型，得到对应的拉格朗日对偶函数模型；其中，在本技术的实施例中，上述目标求解模型不受等式约束难以求解，基于此，基于目标求解模型，得到对应的拉格朗日对偶函数模型。以及，在本技术的实施例中，上述拉格朗日对偶函数模型为：拉格朗日对偶函数模型为：。
43.其中，在本技术的实施例中，上述α向量为上述拉格朗日对偶函数模型的目标解向量。
44.步骤3、基于目标训练数据映射到超平面的特征向量，对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。
45.其中，在本技术的实施例中，基于目标训练数据映射到超平面的特征向量，对拉格朗日对偶函数模型中的向量求解，以得到目标划分超平面模型。
46.步骤1034、基于目标划分超平面模型，得到目标支持向量机。
47.其中，在本技术的实施例中，通过上述步骤得到目标划分超平面模型后，将包括目标划分超平面模型的预设支持向量机作为目标支持向量机。
48.步骤104、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。
49.其中，在本技术的实施例中，获取待分析的电池荷电状态数据后，可以将待分析的电池荷电状态数据输入目标支持向量机中，判断待分析的电池荷电状态数据是否满足目标支持向量机中目标划分超平面模型中的故障侧，若待分析的电池荷电状态数据满足目标支持向量机中目标划分超平面模型中的故障侧，则得到电池荷电状态的异常检测结果为异常；若待分析的电池荷电状态数据不满足目标支持向量机中目标划分超平面模型中的故障侧，也即是，待分析的电池荷电状态数据满足目标支持向量机中目标划分超平面模型中的正常侧，则得到电池荷电状态的异常检测结果为正常。
50.综上所述，本技术提出的基于支持向量机的电池荷电状态异常检测方法中，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，本技术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。
51.图3为根据本技术一个实施例提供的一种基于支持向量机的电池荷电状态异常检测装置的结构示意图，如图3所示，所述装置可以包括：建立模型301，用于建立电池等效电路模型；计算模块302，用于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；训练模型303，用于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；检测模型304，用于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。
52.综上所述，本技术提出的基于支持向量机的电池荷电状态异常检测装置中，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，本技术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。
53.在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、
ꢀ“
示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本技术的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
54.流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括
一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本技术的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本技术的实施例所属技术领域的技术人员所理解。
55.尽管上面已经示出和描述了本技术的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本技术的限制，本领域的普通技术人员在本技术的范围内可以对上述实施例进行变化、修改、替换和变型。