面向动力电池组电压时序数据的自适应LTTB降采样方法

技术领域

本发明属于电动汽车电池管理技术领域，特别涉及一种面向动力电池组电压时序数据的自适应LTTB降采样方法。

背景技术

电动汽车动力电池组一般由上百个锂电池单体串联构成，作为大容量的储能装置，其安全管理尤其受到重视，对动力电池组的状态监测、故障诊断离不开电池组运行中电压数据的采集、存储、传输与分析。随着传感器、物联网等技术的发展，BMS(BATTERYMANAGEMENT SYSTEM，电池管理系统)可以高效、便捷地采集电池组的运行数据。目前BMS对各特征数据的采样周期为10s，一次充放电循环下BMS对一个锂电池单体采集的电压数据往往会包含几千乃至上万个采样点，而对于一个由上百个电池单体构成的动力电池组，其一次充放电循环中采集的电压数据则会构成一个上百维乘以上万维的矩阵，过大的数据量对电池组电压数据的处理、存储、分析、可视化等过程都会造成较大的压力。因此，对电池组电压数据进行降维处理是分析电池组电压数据的重要前置步骤。

目前对电池组电压数据降维的现有研究中有主成分分析(Pr incipal ComponentAnalysis,PCA)算法与分段聚合近似(Piecewise Aggregate Approximation,PAA)算法两种方法，但均存在一定问题。

但是，PCA是一种静态的线性分析方法，它假定数据主成分是线性无关的，而电池组电压信号是时序的，具有趋势性、周期性、动态性等复杂模式，PCA算法严重破坏了电池组电压数据的时序特征。因此，PCA并不适用于电池组电压数据的降维处理。

相比于PCA算法，PAA算法降维后的数据保留了时序特点，但由于PAA的降维方法过于简单，每个时间片段的平均值无法代表整个片段内所有样本点特点，因此会丢失原始序列的大量形状特征，如：峰度、极值、波动性等。

因此，目前需要一种在对电池组电压数据降维的同时尽量能够保留原始序列的时序特征与绝大部分形状特征的方法,用于有效降低BMS在各单体电压数据存储、运算、展示、分析等过程的开销。

发明内容

针对现有技术的不足，本发明基于动力电池组电压时间序列特点,对现有LTTB算法进行改进,提出了一种面向动力电池组电压时序数据的自适应LTTB降采样方法，该自适应LTTB降采样算法在LTTB算法能够保留原始序列的时序特征与绝大部分形状特征的基础上,进一步能够依据电池组电压数据特点自适应地调整压缩比并分配压缩区间内采样点数目，从而在降采样同时能够更多地保留原始序列的形状特征。从而避免降采样丢失动力电池组电压时间序列特征而导致的数据质量降低、分析结果受影响等问题，提高电池组电压时间序列数据的存储、传输、处理与分析等过程的效率。

本发明公开的面向动力电池组电压时序数据的自适应LTTB降采样方法，包括如下步骤：

S1，从电动汽车BMS内存储的JSON格式原始数据中提取电池组电压数据并预处理；

S2，对单次充放电循环周期内的电池单体电压时间序列χ按现有LTTB算法，根据基础压缩比将采样点平分至各压缩区间，计算各压缩区间内所有采样点到区间首末采样点连线距离的MSE，MSE按式(3)计算：

式中，n为压缩区间内采样点总数，(x

S3，对各压缩区间内的采样点数目进行动态调整；

S31，将MSE最大的压缩区间分割为前后相邻的两个压缩区间，原压缩区间内采样点的前

S32，将相邻MSE之和最小的两个压缩区间内的采样点合并为一个压缩区间；

S33，重新计算各区间对应的MSE；

S4，按照LTTB的最大三角形原则从区间中选择保留的采样点；

S5，计算动力电池组充电阶段电压序列χ

S6，重复执行步骤S3～S5，Loss随着步骤S3～S5的多次执行其数值会出现数次阶跃变化，在首次发生阶跃前跳出循环并执行步骤S7；

S7，计算χ

优选的，所述步骤S1的具体实施步骤如下：

S11，根据BMS原始JSON格式数据“运行状态”字段对一定运行时间内的电池组电压数据进行充放电循环周期划分，设某一充放电循环周期内电池组电压数据用矩阵A表示，其中包含m个电池单体电压时间序列，每个电池单体电压时间序列χ用一维向量表示：

A ＝ {χ

其中，χ

根据电动汽车车辆状态，每个电池单体电压时间序列χ中的数据可划分为行驶阶段电压时间序列与充电阶段电压时间序列两部分，行驶阶段电压时间序列χ

χ ＝ [χ

S12，采样随机森林算法对A中各χ进行异常值剔除与缺失值补偿。

优选的，所述步骤S4的具体实施步骤如下：

S41,计算当前执行选点操作区间的右相邻区间内各采样点的中心点；

S42,计算当前执行选点操作区间内各采样点与左相邻区间选中点、右相邻区间中心点连线所构成三角形的面积；

S43,选择面积最大的三角形所对应的采样点作为该区间的保留点。

优选的，所述步骤S5的具体实施步骤如下：

S51,对χ

S52,计算插值序列γ与χ

式中，z

S53,在一维数组L中记录所得的Loss值；并相应保存当前压缩区间内采样点分配情况。

优选的，所述步骤S6的具体实施步骤如下：

S61,当在一维记录数组L中每新增加M个Loss值记录后，M为正整数，检验L中的突变点，并记录突变点对应的位置；

S62,按照执行次数升序，判断各突变点后续Loss值是否减小，首个出现的Loss不再降低的突变点即为首次阶跃点；

S63,读取首次阶跃点前一次执行步骤S3～S5后采样点的分配情况，保留该分配情况并进入步骤S7。

优选的，所述步骤S61中检验L中的突变点，使用的是Mann-Kendal l检验算法。

优选的，所述步骤S7的具体实施步骤如下：

S71,将χ

S72,计算χ

与现有技术相比，本发明具有以下有益效果：

1、本发明所述的自适应LTTB降采样算法本质在于降低时间序列的分辨率，相比于现有数据降维方法，能够更好地保留原始序列的时序特征与形状特征。因此，可将对原始序列的分析方法直接用于本发明所述方法降采样后的序列，以提高分析效率。

2、本发明所述的自适应LTTB降采样算法能够根据电池组电压序列特点自适应地调整压缩比，从而避免LTTB算法在压缩比设置不合理时导致序列形状特征丢失的缺点。

3、本发明所述的自适应LTTB降采样算法能够在动态分配压缩区间采样点数目时自适应地选取截止条件，从而避免过度降低序列变化平缓阶段的分辨率，导致序列形状特征丢失的问题。

4、降采样序列的高压缩比与低形状特征损失之间存在矛盾，本发明所述的自适应LTTB降采样算法允许通过调整步骤S7中最大MSE的阈值来调节压缩比与形状特征损失间的矛盾，以获得满意的降采样效果。

附图说明

图1为本发明面向动力电池组电压时序数据的自适应LTTB降采样方法流程图；

图2为本发明的充放电循环周期划分示意图；

图3A为本发明的有无样本点数目动态调整的LTTB降采样效果对比图；

图3B为本发明的有无样本点数目动态调整的MSE对比图；

图4为本发明的LTTB算法选点策略示意图；

图5为本发明的电池组电压数据χ

图6为本发明的Loss变化与首次阶跃位置检测示意图；

图7为本发明的方法与LTTB降采样效果对比图；

图8为本发明的方法与PAA降维效果对比图。

具体实施方式

以下将参考附图详细说明本发明的示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

本发明提供一种面向动力电池组电压时序数据的自适应LTTB降采样方法，即面向动力电池组电压时序数据的自适应最大三角形三桶(Largest Triangle Three Buckets,LTTB)降采样方法概述如下:首先，将电动汽车BMS中提取的数据划分为多个充放电循环周期，依据各充放电循环周期中各电池单体电压序列χ的特点将其分为放电阶段数据χ

S1,从电动汽车BMS内存储的JSON格式原始数据中提取电池组电压数据并预处理。

S11,根据BMS原始JSON格式数据“运行状态”字段对一定运行时间内的电池组电压数据进行充放电循环周期划分，设某一充放电循环周期内电池组电压数据可用矩阵A表示，其中包含m个电池单体电压时间序列，每个电池单体电压时间序列χ可用一维向量表示：

A ＝ {χ

其中，χ

根据电动汽车车辆状态，每个电池单体电压时间序列χ中的数据可划分为行驶阶段电压时间序列与充电阶段电压时间序列两部分，行驶阶段电压时间序列χ

χ ＝ [χ

S12,采样随机森林算法对A中各χ进行异常值剔除与缺失值补偿。

步骤S1将BMS系统中取得的原始数据按照充放电循环进行了周期划分，充放电周期划分示意图如图2所示，后续描述的自适应LTTB算法的应用对象为一个充放电循环周期下的电压数据。

S2,对A中各电池单体电压时间序列χ按现有LTTB算法，根据基础压缩比将采样点平分至各压缩区间，计算各压缩区间内所有采样点到区间首末采样点连线距离的均方差(Mean Squared Error,MSE)，MSE按式(3)计算：

式中，n为压缩区间内采样点总数，(x

如对某电池组电压数据一个充放电循环周期内的某个电池单体电压时间序列χ中包括有6460个采样点，基础压缩比为10:1，根据现有的LTTB算法，因为第一个和最后一个采样点点不参与分配，所以就是将剩余的6458个采样点平均分配到644个压缩区间；因此每个压缩区间有10或11个采样点，具体分配方式采用现有LTTB算法。那么此时计算一个压缩区间内的MSE时，n＝10或n＝11。

步骤S2通过计算压缩区间的MSE值，对各压缩区间中采样点的离散程度进行量化，MSE值越大说明此压缩区间中采样点的离散程度越大。

S3，对各压缩区间内的采样点数目进行动态调整。

S31，将MSE最大的压缩区间分割为前后相邻的两个压缩区间，原压缩区间内采样点的前

S32，将相邻MSE之和最小的两个压缩区间内的采样点合并为一个压缩区间。

因为在行驶阶段电压波动较大，而充电阶段电压较有规律，因此不会出现相邻MSE之和最小的两个压缩区间中有一个是MSE最大的压缩区间的情况，因此不用考虑此特殊情况。

S33，重新计算各区间对应的MSE。

步骤S3所实现的动态调整策略是本发明的关键步骤之一，后续会通过重复执行步骤S3，实现对压缩区间内采样点数目的动态分配，该动态调整策略会改变各区间MSE值，使各区间MSE值趋于平均。本实施例中动态调整前后序列图像变化如图3A所示，各区间MSE变化如图3B所示。但是由图3A可以看到在χ

S4，按照LTTB的最大三角形原则从压缩区间中选择保留的采样点。

S41，计算当前执行选点操作区间的右相邻区间内各采样点的中心点。

S42，计算当前执行选点操作区间内各采样点与左相邻区间选中点、右相邻区间中心点连线所构成三角形的面积。

S43，选择面积最大的三角形所对应的采样点作为该区间的保留点。

步骤S4为LTTB算法采取最大三角形原则保留采样点的步骤，其示意图如图4所示。

S5，计算动力电池组充电阶段电压序列χ

S51，对χ

插值序列Y中的元素个数要与χ

S52，计算插值序列γ与χ

式中，z

S53，在一维数组L中记录所得的Loss值；并相应保存当前压缩区间内采样点分配情况。

步骤S5定义了Loss用以度量χ

S6，重复执行步骤S3～S5直到Loss满足截止条件，Loss随着步骤S3～S5的多次执行其数值会出现数次阶跃变化，在首次发生阶跃前跳出循环并执行步骤S7。

S61，当在一维记录数组L中每新增加M个Loss值记录后，M为正整数，检验L中的突变点，并记录突变点对应的位置。

可以看出，只有执行步骤S3-S5一次，一维记录数组L才增加一个记录，因此S3-S5的重复执行次数与相应Loss值在一维记录数组L中的位置序号是一致的。

本实施例中使用Mann-Kendal l检验算法检验L中的突变点，因为突变点并不能在刚出现时就被检测出来，需要根据前后数据的变化才能检测出来。因此M通常取值为100-200之间的正整数，因为如果M取值太少，会导致频繁使用Mann-Kendal l检验算法检验L中的突变点，如果M取值太大，则会导致突变点出现很久才被发现，不必要的重复步骤S3-S5太多次。

进一步，使用Mann-Kendal l检验算法检验L中的突变点时，如果已检验过的部分没有突变点后续就不需要再重复进行检验，这样可以极大的减少检验突变点的运算量，但如果只检验L中新增加的记录，当检验点恰好为新增加的记录的第一个或最后一个Loss值时，容易发生漏检。因此当一维记录数组L中新增加N个Loss值记录后，使用Mann-Kendal l检验算法检验L中的M+m个记录，其中M为新增加的M个记录，m为新增加记录前的m个记录，m为小于M的正整数。

本实施例中M取值为150，m取值为25，因此当一维记录数组L每增加150个记录时，就使用Mann-Kendal l检验算法进行检验，第一次时一维记录数组L中只有150个记录，没有前面的记录，因此Mann-Kendal l检验算法只对这150个记录进行突变点检验，此后随着一维记录数组L中记录的增加，Mann-Kendal l检验算法都只对最后175(150+25)个记录进行突变点检验，即减小了运算量又防止遗漏突变点。

S62，按照执行次数升序，判断各突变点后续Loss值是否减小，首个出现的Loss不再降低的突变点即为首次阶跃点。

在检验突变点的过程中，可能一次会检验出多个突变点，本发明只考虑首个出现的Loss不再降低的突变点即为首次阶跃点。

S63，读取首次阶跃点前一次执行步骤S3～S5后采样点的分配情况，保留该分配情况并进入步骤S7。

步骤S6指出了采样点动态分配的截止条件，由于锂电池的电化学特性χ

S7，计算χ

S71，将χ

此时，χ

充放电循环周期中各单体电压序列的特点为：放电阶段电压数据χ

S72，计算χ

设定阈值根据实际需求进行设置，设定阈值越小需要进行拆分的压缩区间越多，压缩区间总数也就越多，χ

步骤S7通过对χ

为说明本电池组电压数据自适应LTTB降采样算法对比传统LTTB降采样方法的有效性，提供一组电池组电压数据降采样对比的可视化结果。如图7和图8所示，与LTTB、PAA方法相比，本发明的自适应LTTB降采样方法能够在有效降低原始电池组电压数据的采样点数的同时很好地保留原始序列χ

以上所述的实施例仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。