(19)國家知識產(chǎn)權(quán)局(10)申請公布號CN120214594A(71)申請人珠海市欣達科技有限公司地址519075廣東省珠海市高新區(qū)唐家灣鎮(zhèn)港灣大道科技一路10號1棟4層401-(72)發(fā)明人麥國曉邵華曾廣蓉陳改(74)專利代理機構(gòu)北京天下創(chuàng)新知識產(chǎn)權(quán)代理事務所(普通合伙)16044專利代理師任崇(54)發(fā)明名稱一種鋰電池Pack的多參數(shù)智能檢測方法與系統(tǒng)本公開涉及電池管理技術領域，公開了一種鋰電池Pack的多參數(shù)智能檢測方法及系統(tǒng)，其中方法包括獲取鋰電池包的多維參數(shù)的時序數(shù)據(jù)集合；基于時序數(shù)據(jù)集合，生成時序變化趨勢以及多維參數(shù)特征集合；基于多維參數(shù)特征集合，獲取每個預設時段內(nèi)多維參數(shù)的分布特征，并根據(jù)分布特征生成參數(shù)性能輪廓以及特征參數(shù)；基于參數(shù)性能輪廓，構(gòu)建特征參數(shù)與檢測異常情況之間的映射模型，并通過映射模型獲取鋰電池包的異常監(jiān)測數(shù)據(jù)；在鋰電池包的使用工況出現(xiàn)變化時，對參數(shù)性能輪廓進行更新，并基于更新的參數(shù)性能輪廓獲取鋰電池包的更新的異常監(jiān)測數(shù)據(jù)。通過本公開提供的技術方案，能夠通過多獲取關聯(lián)于鋰電池包的多維參數(shù)的時序數(shù)據(jù)集合基于時序數(shù)據(jù)集合，生成多維參數(shù)對應的時序變化趨勢以及多維參數(shù)特征集合基于多維參數(shù)特征集合，獲取每個預設時段內(nèi)多維參數(shù)的分布特征，并根據(jù)分布特征生成鋰電池包的參數(shù)性能輪廓以及特征參數(shù)基于參數(shù)性能輪廓，采用神經(jīng)網(wǎng)絡算法構(gòu)建特征參數(shù)與檢測異常情況之間的映射模型基于時序數(shù)據(jù)集合，通過映射模型獲取鋰電池包的異常監(jiān)測數(shù)據(jù)在鋰電池包的使用工況出現(xiàn)變化時，采用滑動窗口技術對參數(shù)性能輪廓進行更新，并基于更新的參數(shù)性能輪廓獲取鋰電池包的更新的異常監(jiān)測數(shù)據(jù)21.一種鋰電池Pack的多參數(shù)智能檢測方法，其特征在于，包括以下步驟：獲取關聯(lián)于鋰電池包的多維參數(shù)的時序數(shù)據(jù)集合；基于所述時序數(shù)據(jù)集合，生成所述多維參數(shù)對應的時序變化趨勢以及多維參數(shù)特征集基于所述多維參數(shù)特征集合，獲取每個預設時段內(nèi)所述多維參數(shù)的分布特征，并根據(jù)所述分布特征生成所述鋰電池包的參數(shù)性能輪廓以及特征參數(shù)；基于所述參數(shù)性能輪廓，采用神經(jīng)網(wǎng)絡算法構(gòu)建所述特征參數(shù)與檢測異常情況之間的映射模型；基于所述時序數(shù)據(jù)集合，通過所述映射模型獲取所述鋰電池包的異常監(jiān)測數(shù)據(jù)，所述異常監(jiān)測數(shù)據(jù)包括所述鋰電池包的異常預測結(jié)果；在所述鋰電池包的使用工況出現(xiàn)變化時，采用滑動窗口技術對所述參數(shù)性能輪廓進行更新，并基于更新的所述參數(shù)性能輪廓構(gòu)建更新的所述映射模型以獲取所述鋰電池包的更新的異常監(jiān)測數(shù)據(jù)。2.根據(jù)權(quán)利要求1所述的鋰電池Pack的多參數(shù)智能檢測方法，其特征在于，所述獲取關聯(lián)于所述鋰電池包的多維參數(shù)的時序數(shù)據(jù)集合，包括以下步驟：基于預設的采樣頻率，對處于使用工況的所述鋰電池包的電壓數(shù)據(jù)、電流數(shù)據(jù)以及溫采用小波分解算法對所述原始數(shù)據(jù)集進行數(shù)據(jù)噪聲去除，以得到所述時序數(shù)據(jù)集合；其中，所述電壓數(shù)據(jù)、所述電流數(shù)據(jù)以及所述溫度數(shù)據(jù)對應的小波變換基函數(shù)不同。3.根據(jù)權(quán)利要求1或2所述的鋰電池Pack的多參數(shù)智能檢測方法，其特征在于，所述基于所述時序數(shù)據(jù)集合，生成所述多維參數(shù)對應的時序變化趨勢以及多維參數(shù)特征集合，包括以下步驟：基于所述時序數(shù)據(jù)集合，獲取電壓變量、電流變量以及溫度變量對應的平滑趨勢集合，以作為所述時序變化趨勢；采用主成分分析對所述電壓變量、所述電流變量以及所述溫度變量的所述時序變化趨勢進行降維處理，以得到主成分分析結(jié)果；基于所述主成分分析結(jié)果以及所述時序變化趨勢，生成所述多維參數(shù)特征集合。4.根據(jù)權(quán)利要求1至權(quán)利要求2中任意一項所述的鋰電池Pack的多參數(shù)智能檢測方法，其特征在于，所述基于所述多維參數(shù)特征集合，獲取每個預設時段內(nèi)所述多維參數(shù)的分布特征，并根據(jù)所述分布特征生成所述鋰電池包的參數(shù)性能輪廓以及特征參數(shù)，包括以下步基于所述多維參數(shù)特征集合，采用聚類算法對所述時序數(shù)據(jù)集合進行分組，得到分組數(shù)據(jù)集合；基于所述分組數(shù)據(jù)集合，獲取每個所述預設時段內(nèi)的電壓分布情況、電流分布情況以及溫度分布情況，以作為所述多維參數(shù)的分布特征；基于每個所述預設時段對應的所述分布特征，采用核密度估計法計算所述分布特征對應的密度分布結(jié)果，基于所述分組數(shù)據(jù)集合以及所述密度分布結(jié)果，構(gòu)建所述鋰電池包的運行狀態(tài)參數(shù)邊界，并將所述運行狀態(tài)參數(shù)邊界作為所述參數(shù)性能輪廓。35.根據(jù)權(quán)利要求4所述的鋰電池Pack的多參數(shù)智能檢測方法，其特征在于，還包括：基于所述參數(shù)性能輪廓，采用主成分分析法獲得每個所述預設時段對應的所述特征參基于所述特征參數(shù)的均值和方差，獲取帶有置信區(qū)間的參數(shù)性能輪廓特征集合，并將所述參數(shù)性能輪廓特征集合作為優(yōu)化的所述參數(shù)性能輪廓；在所述參數(shù)性能輪廓特征集合對應的置信度低于預設閾值時，采用貝葉斯算法對所述鋰電池包的數(shù)據(jù)噪聲和/或工況差異進行概率修正，以獲得優(yōu)化的所述參數(shù)性能輪廓。6.根據(jù)權(quán)利要求1所述的鋰電池Pack的多參數(shù)智能檢測方法，其特征在于，所述基于所述參數(shù)性能輪廓，采用神經(jīng)網(wǎng)絡算法構(gòu)建所述特征參數(shù)與檢測異常情況之間的映射模型，并基于所述時序數(shù)據(jù)集合，通過所述映射模型獲取所述鋰電池包的異常監(jiān)測數(shù)據(jù)，包括以下步驟：采用所述神經(jīng)網(wǎng)絡算法構(gòu)建所述特征參數(shù)與所述鋰電池包的性能退化趨勢之間的非基于所述時序數(shù)據(jù)集合，通過所述映射模型獲取檢測異常情況對應的異常區(qū)域分布情基于所述異常區(qū)域分布情況，獲取異常區(qū)域?qū)獣r段的參數(shù)變化特性集合；基于所述參數(shù)變化特性集合，獲得所述異常區(qū)域?qū)牟▌臃植紖?shù)；在所述波動分布參數(shù)超出預設閾值時，將所述波動分布參數(shù)對應的所述異常區(qū)域在對應時段內(nèi)的特征參數(shù)分布作為異常參數(shù)集合；基于所述異常參數(shù)集合，獲取對應的參數(shù)變化趨勢以作為所述異常監(jiān)測數(shù)據(jù)。7.根據(jù)權(quán)利要求6所述的鋰電池Pack的多參數(shù)智能檢測方法，其特征在于，還包括：采用貝葉斯算法對所述參數(shù)變化趨勢進行概率修正，以得到修正變化趨勢，并將所述修正變化趨勢作為所述異常監(jiān)測數(shù)據(jù)。8.根據(jù)權(quán)利要求1所述的鋰電池Pack的多參數(shù)智能檢測方法，其特征在于，所述在所述鋰電池包的使用工況出現(xiàn)變化時，采用滑動窗口技術對所述參數(shù)性能輪廓進行更新，并基于更新的所述參數(shù)性能輪廓獲取所述鋰電池包的更新的異常監(jiān)測數(shù)據(jù)，包括以下步驟：在所述時序數(shù)據(jù)集合對應的HotellingT2統(tǒng)計量超出第一預設閾值時，確定工況突變時間點；基于突變時間點前后預設時間段內(nèi)的時序數(shù)據(jù)集合，采用動態(tài)時間規(guī)整算法計算突變時間點前后預設時間段內(nèi)的工況相似度；在所述工況相似度小于第二預設閾值時，更新所述參數(shù)性能輪廓。9.根據(jù)權(quán)利要求1所述的鋰電池Pack的多參數(shù)智能檢測方法，其特征在于，還包括：在所述鋰電池包的電壓參數(shù)超出預設閾值時，判斷所述鋰電池包出現(xiàn)異常狀態(tài)；獲取所述鋰電池包出現(xiàn)異常狀態(tài)時的溫度參數(shù)和電流參數(shù)的變化趨勢，以作為異常關聯(lián)特征；根據(jù)所述異常關聯(lián)特征，計算所述電壓參數(shù)、電流參數(shù)以及溫度參數(shù)之間的相關系數(shù)，以得到參數(shù)相關性指標；采用主成分分析法對所述參數(shù)相關性指標進行降維處理以得到降維特征集合；根據(jù)所述降維特征集合建立預測模型對所述鋰電池包可能出現(xiàn)的異常情況進行預測，4以得到異常預測結(jié)果。10.一種鋰電池包的異常檢測系統(tǒng)，其特征在于，應用于如權(quán)利要求1至權(quán)利要求9中任意一項所述的鋰電池Pack的多參數(shù)智能檢測方法，所述系統(tǒng)包括：參數(shù)獲取模塊，用于獲取關聯(lián)于所述鋰電池包的多維參數(shù)的時序數(shù)據(jù)集合；參數(shù)處理模塊，用于基于所述時序數(shù)據(jù)集合，生成所述多維參數(shù)對應的時序變化趨勢以及多維參數(shù)特征集合；性能輪廓生成模塊，用于基于所述多維參數(shù)特征集合，獲取每個預設時段內(nèi)所述多維參數(shù)的分布特征，并根據(jù)所述分布特征生成所述鋰電池包的參數(shù)性能輪廓以及特征參數(shù)；異常檢測模塊，用于基于所述參數(shù)性能輪廓，采用神經(jīng)網(wǎng)絡算法構(gòu)建所述特征參數(shù)與檢測異常情況之間的映射模型，并通過所述映射模型獲取所述鋰電池包的異常監(jiān)測數(shù)據(jù)，所述異常監(jiān)測數(shù)據(jù)包括所述鋰電池包的異常預測結(jié)果；性能輪廓調(diào)整模塊，用于在所述鋰電池包的使用工況出現(xiàn)變化時，采用滑動窗口技術對所述參數(shù)性能輪廓進行更新，并基于更新的所述參數(shù)性能輪廓獲取所述鋰電池包的更新的異常監(jiān)測數(shù)據(jù)。5技術領域[0001]本公開涉及電池管理技術領域，尤其涉及一種鋰電池Pack的多參數(shù)智能檢測方法及系統(tǒng)。背景技術[0002]電池管理系統(tǒng)是新能源領域不可或缺的核心技術，直接關乎電池的安全性、效率和壽命，尤其在電動汽車和儲能系統(tǒng)中的作用至關重要。隨著電池應用場景的復雜化，對其性能的精準監(jiān)測與評估成為行業(yè)發(fā)展的關鍵環(huán)節(jié)。[0003]目前傳統(tǒng)的電池管理方法往往依賴單一參數(shù)的靜態(tài)檢測，例如僅關注電壓或溫度的閾值判斷，雖然在實現(xiàn)過程中較為簡單，但在面對動態(tài)工況下的多維性能變化時，往往難以及時、精準地定位電池在使用工況中出現(xiàn)的異常情況。發(fā)明內(nèi)容[0004]為了克服背景技術中提出的問題，本公開提供了一種鋰電池Pack的多參數(shù)智能檢測方法及系統(tǒng)，能夠通過多參數(shù)時間序列數(shù)據(jù)繪制電池性能輪廓圖，及時精準地定位電池異常。[0005]具體的，本公開的第一方面提供了一種鋰電池Pack的多參數(shù)智能檢測方法，具體可以包括以下步驟：獲取關聯(lián)于鋰電池包的多維參數(shù)的時序數(shù)據(jù)集合；基于時序數(shù)據(jù)集合，生成多維參數(shù)對應的時序變化趨勢以及多維參數(shù)特征集合；基于多維參數(shù)特征集合，獲取每個預設時段內(nèi)多維參數(shù)的分布特征，并根據(jù)分布特征生成鋰電池包的參數(shù)性能輪廓以及特征參數(shù)；基于參數(shù)性能輪廓，采用神經(jīng)網(wǎng)絡算法構(gòu)建特征參數(shù)與檢測異常情況之間的映射模型；基于時序數(shù)據(jù)集合，通過映射模型獲取鋰電池包的異常監(jiān)測數(shù)據(jù)，其中異常監(jiān)測數(shù)據(jù)包括所述鋰電池包的異常預測結(jié)果；在鋰電池包的使用工況出現(xiàn)變化時，采用滑動窗口技術對參數(shù)性能輪廓進行更新，并基于更新的參數(shù)性能輪廓獲取鋰電池包的更新的異常監(jiān)測數(shù)據(jù)。[0006]在上述第一方面的一種可能的實現(xiàn)中，獲取關聯(lián)于鋰電池包的多維參數(shù)的時序數(shù)基于預設的采樣頻率，對處于使用工況的鋰電池包的電壓數(shù)據(jù)、電流數(shù)據(jù)以及溫采用小波分解算法對原始數(shù)據(jù)集進行數(shù)據(jù)噪聲去除，以得到時序數(shù)據(jù)集合；其中，電壓數(shù)據(jù)、電流數(shù)據(jù)以及溫度數(shù)據(jù)對應的小波變換基函數(shù)不同。[0007]在上述第一方面的一種可能的實現(xiàn)中，基于時序數(shù)據(jù)集合，生成多維參數(shù)對應的時序變化趨勢以及多維參數(shù)特征集合，包括以下步驟：6基于時序數(shù)據(jù)集合，獲取電壓變量、電流變量以及溫度變量對應的平滑趨勢集合，以作為時序變化趨勢；采用主成分分析對電壓變量、電流變量以及溫度變量的時序變化趨勢進行降維處基于主成分分析結(jié)果以及時序變化趨勢，生成多維參數(shù)特征集合。[0008]在上述第一方面的一種可能的實現(xiàn)中，基于多維參數(shù)特征集合，獲取每個預設時段內(nèi)多維參數(shù)的分布特征，并根據(jù)分布特征生成鋰電池包的參數(shù)性能輪廓以及特征參數(shù)，包括以下步驟：基于多維參數(shù)特征集合，采用聚類算法對時序數(shù)據(jù)集合進行分組，得到分組數(shù)據(jù)集合；基于分組數(shù)據(jù)集合，獲取每個預設時段內(nèi)的電壓分布情況、電流分布情況以及溫度分布情況，以作為多維參數(shù)的分布特征；基于每個預設時段對應的分布特征，采用核密度估計法計算分布特征對應的密度分布結(jié)果，基于分組數(shù)據(jù)集合以及密度分布結(jié)果，構(gòu)建鋰電池包的運行狀態(tài)參數(shù)邊界，并將運行狀態(tài)參數(shù)邊界作為參數(shù)性能輪廓。[0009]在上述第一方面的一種可能的實現(xiàn)中，還可以包括：基于參數(shù)性能輪廓，采用主成分分析法獲得每個預設時段對應的特征參數(shù)；基于特征參數(shù)的均值和方差，獲取帶有置信區(qū)間的參數(shù)性能輪廓特征集合，并將參數(shù)性能輪廓特征集合作為優(yōu)化的參數(shù)性能輪廓；在參數(shù)性能輪廓特征集合對應的置信度低于預設閾值時，采用貝葉斯算法對鋰電池包的數(shù)據(jù)噪聲和/或工況差異進行概率修正，以獲得優(yōu)化的參數(shù)性能輪廓。[0010]在上述第一方面的一種可能的實現(xiàn)中，基于參數(shù)性能輪廓，采用神經(jīng)網(wǎng)絡算法構(gòu)建特征參數(shù)與檢測異常情況之間的映射模型，并基于時序數(shù)據(jù)集合，通過映射模型獲取鋰電池包的異常監(jiān)測數(shù)據(jù)，包括以下步驟：采用神經(jīng)網(wǎng)絡算法構(gòu)建特征參數(shù)與鋰電池包的性能退化趨勢之間的非線性映射基于時序數(shù)據(jù)集合，通過映射模型獲取檢測異常情況對應的異常區(qū)域分布情況；基于異常區(qū)域分布情況，獲取異常區(qū)域?qū)獣r段的參數(shù)變化特性集合；基于參數(shù)變化特性集合，獲得異常區(qū)域?qū)牟▌臃植紖?shù)；在波動分布參數(shù)超出預設閾值時，將波動分布參數(shù)對應的異常區(qū)域在對應時段內(nèi)的特征參數(shù)分布作為異常參數(shù)集合；基于異常參數(shù)集合，獲取對應的參數(shù)變化趨勢以作為異常監(jiān)測數(shù)據(jù)。[0011]在上述第一方面的一種可能的實現(xiàn)中，還可以包括：采用貝葉斯算法對參數(shù)變化趨勢進行概率修正，以得到修正變化趨勢，并將修正變化趨勢作為異常監(jiān)測數(shù)據(jù)。[0012]在上述第一方面的一種可能的實現(xiàn)中，在鋰電池包的使用工況出現(xiàn)變化時，采用滑動窗口技術對參數(shù)性能輪廓進行更新，并基于更新的參數(shù)性能輪廓獲取鋰電池包的更新7在時序數(shù)據(jù)集合對應的HotellingT2統(tǒng)計量超出第一預設閾值時，確定工況突變時間點；基于突變時間點前后預設時間段內(nèi)的時序數(shù)據(jù)集合，采用動態(tài)時間規(guī)整算法計算突變時間點前后預設時間段內(nèi)的工況相似度；在工況相似度小于第二預設閾值時，更新參數(shù)性能輪廓。[0013]在上述第一方面的一種可能的實現(xiàn)中，還可以包括：在鋰電池包的電壓參數(shù)超出預設閾值時，判斷鋰電池包出現(xiàn)異常狀態(tài)；獲取鋰電池包出現(xiàn)異常狀態(tài)時的溫度參數(shù)和電流參數(shù)的變化趨勢，以作為異常關聯(lián)特征；根據(jù)異常關聯(lián)特征，計算電壓參數(shù)、電流參數(shù)以及溫度參數(shù)之間的相關系數(shù)，以得到參數(shù)相關性指標；采用主成分分析法對參數(shù)相關性指標進行降維處理以得到降維特征集合；根據(jù)降維特征集合建立預測模型對鋰電池包可能出現(xiàn)的異常情況進行預測，以得到異常預測結(jié)果。[0014]本公開的第二方面提供了一種鋰電池包的異常檢測系統(tǒng)，應用于前述第一方面提供的鋰電池Pack的多參數(shù)智能檢測方法中，該種系統(tǒng)具體可以包括：參數(shù)獲取模塊，用于獲取關聯(lián)于鋰電池包的多維參數(shù)的時序數(shù)據(jù)集合；參數(shù)處理模塊，用于基于時序數(shù)據(jù)集合，生成多維參數(shù)對應的時序變化趨勢以及多維參數(shù)特征集合；性能輪廓生成模塊，用于基于多維參數(shù)特征集合，獲取每個預設時段內(nèi)多維參數(shù)的分布特征，并根據(jù)分布特征生成鋰電池包的參數(shù)性能輪廓以及特征參數(shù)；異常檢測模塊，用于基于參數(shù)性能輪廓，采用神經(jīng)網(wǎng)絡算法構(gòu)建特征參數(shù)與檢測異常情況之間的映射模型，并通過映射模型獲取鋰電池包的異常監(jiān)測數(shù)據(jù)，異常監(jiān)測數(shù)據(jù)包括鋰電池包的異常預測結(jié)果；性能輪廓調(diào)整模塊，用于在鋰電池包的使用工況出現(xiàn)變化時，采用滑動窗口技術對參數(shù)性能輪廓進行更新，并基于更新的參數(shù)性能輪廓獲取鋰電池包的更新的異常監(jiān)測數(shù)附圖說明[0015]通過閱讀參照以下附圖對非限制性實施例所作的詳細描述，本公開的其它特征、目的和優(yōu)點將會變得更明顯。[0016]圖1根據(jù)本公開實施例，提供了一種鋰電池Pack的多參數(shù)智能檢測方法的流程示意圖。[0017]圖2根據(jù)本公開實施例，提供了一種參數(shù)性能輪廓的獲取流程示意圖。[0018]圖3根據(jù)本公開實施例，提供了一種異常監(jiān)測數(shù)據(jù)的獲取流程示意圖。[0019]圖4根據(jù)本公開實施例，提供了一種鋰電池包的異常預測方法的流程示意圖。[0020]圖5根據(jù)本公開實施例，提供了一種鋰電池包的異常檢測系統(tǒng)的結(jié)構(gòu)示意圖。[0021]圖6根據(jù)本公開實施例，提供了一種鋰電池包的異常檢測設備的結(jié)構(gòu)示意圖。[0022]圖7根據(jù)本公開實施例，提供了一種計算機可讀存儲介質(zhì)的結(jié)構(gòu)示意圖。8具體實施方式[0023]以下通過特定的具體實例說明本申請的實施方式，本領域技術人員可由本申請所揭露的內(nèi)容輕易地了解本申請的其他優(yōu)點與功效。本申請還可以通過另外不同的具體實施方式加以實施或應用系統(tǒng)，本申請中的各項細節(jié)也可以根據(jù)不同觀點與應用系統(tǒng)，在沒有背離本申請的精神下進行各種修飾或改變。需說明的是，在不沖突的情況下，本申請中的實施例及實施例中的特征可以相互組合。[0024]下面以附圖為參考，針對本申請的實施例進行詳細說明，以便本申請所屬技術領域的技術人員能夠容易地實施。本申請可以以多種不同形態(tài)體現(xiàn)，并不限定于此處說明的實施例。[0025]為了克服背景技術中提出的問題，本公開提供了一種鋰電池Pack的多參數(shù)智能檢測方法及系統(tǒng)，能夠通過充分利用多參數(shù)時間序列數(shù)據(jù)繪制電池性能輪廓圖，智能化地定位電池異常情況。在本公開的一些實施例中，圖1提供了一種鋰電池Pack的多參數(shù)智能檢測方法的流程示意圖。如圖1所示，該種鋰電池Pack的多參數(shù)智能檢測方法具體可以包括如下步驟101:獲取關聯(lián)于鋰電池包的多維參數(shù)的時序數(shù)據(jù)集合。在一些實施例中，鋰電池包對應的多維參數(shù)具體可以包括鋰電池包在使用工況下的電流參數(shù)、電壓參數(shù)、溫度參數(shù)中的至少一種或任意多種的組合；本領域技術人員也可以根據(jù)實際需要選擇合適的其他工況參數(shù)進行采集和獲取，在此不做限定。在一些實施例中，時序數(shù)據(jù)集合可以包括一定時間段內(nèi)每一次數(shù)據(jù)采集對應的時間信息以及多維參數(shù)的具體采樣值，有關時序數(shù)據(jù)集合的具體獲取過程將于后文中進行說明，在此不做贅述。[0026]步驟102:基于時序數(shù)據(jù)集合，生成多維參數(shù)對應的時序變化趨勢以及多維參數(shù)特征集合。[0027]步驟103:基于多維參數(shù)特征集合，獲取每個預設時段內(nèi)多維參數(shù)的分布特征，并根據(jù)分布特征生成鋰電池包的參數(shù)性能輪廓以及特征參數(shù)。在一些實施例中，上述步驟103中提及的特征參數(shù)可以是直接采集得到的數(shù)據(jù)參數(shù)，也可以是數(shù)據(jù)參數(shù)經(jīng)降維處理后得到[0028]步驟104:基于參數(shù)性能輪廓，采用神經(jīng)網(wǎng)絡算法構(gòu)建特征參數(shù)與檢測異常情況之間的映射模型。[0029]步驟105:基于時序數(shù)據(jù)集合，通過映射模型獲取鋰電池包的異常監(jiān)測數(shù)據(jù)，其中，異常監(jiān)測數(shù)據(jù)包括鋰電池包的異常預測結(jié)果。[0030]步驟106:在鋰電池包的使用工況出現(xiàn)變化時，采用滑動窗口技術對參數(shù)性能輪廓進行更新，并基于更新的參數(shù)性能輪廓獲取鋰電池包的更新的異常監(jiān)測數(shù)據(jù)。[0031]可以理解的是，通過上述步驟101至步驟106,能夠通過多參數(shù)時間序列數(shù)據(jù)繪制電池性能輪廓圖，實現(xiàn)及時精準地定位電池異常。以下將結(jié)合具體實施例對上述步驟101至步驟106的具體實現(xiàn)做進一步說明：在一些實施例中，在前述步驟101的具體實現(xiàn)中，可以基于預設的采樣頻率，對處于使用工況的鋰電池包的電壓數(shù)據(jù)、電流數(shù)據(jù)以及溫度數(shù)據(jù)進行采集，以得到原始數(shù)據(jù)集。在一具體實例中，可以通過外接的多參數(shù)采集設備或是鋰電池包自帶的采集傳感器，以9溫度傳感器采集的溫度值在-40℃到85℃之間浮動，這些采集數(shù)據(jù)可以通過模數(shù)轉(zhuǎn)換器 (ADC)以12位精度進行數(shù)字化處理，確保數(shù)據(jù)的精確性。在一些實施例中，對于采集到的原始數(shù)據(jù)可以以CSV格式存儲，每一行包含時間戳、電壓值、電流值和溫度值，時間戳精確到毫秒。例如，時序數(shù)據(jù)集合中的某一行數(shù)據(jù)可以以如下形式進行表示：“2023-10-0112:00: 0123,45V,134mA,26.7℃”,其中“2023-10-0112:00:0123”為精確到毫秒的時間戳，℃”為該時間戳采集得到的溫度數(shù)據(jù)。在一些實施例中，進一步的，為了確保數(shù)據(jù)的實時性，可以采用多線程技術進行時序數(shù)據(jù)集合的采集和存儲，其中一個線程負責數(shù)據(jù)采集，另一個線程負責數(shù)據(jù)存儲，避免數(shù)據(jù)丟失。[0032]在一些實施例中，在前述步驟101的具體實現(xiàn)中，對于采集得到的原始數(shù)據(jù)可以通過滑動窗口算法進行實時分析，具體的分析窗口大小可以被設定為100個采樣點，在采樣頻率為100Hz的情況下單個分析窗口的大小即為1秒時間段內(nèi)采集得到的原始數(shù)據(jù)。對于單個分析窗口中的原始數(shù)據(jù)，可以通過計算電壓、電流和溫度的平均值、最大值和最小值等進行邊緣處理，并在必要時進行異常值的檢測。在一具體實例中，可以得到分析窗口內(nèi)電壓參數(shù)的平均值為5V,最大值為2V,最小值為8V,且在檢測到電壓值超過預設的5V異常點時觸發(fā)即時報警機制。[0033]在一些實施例中，在前述步驟101的具體實現(xiàn)中，為了減少數(shù)據(jù)噪聲影響并提高采集數(shù)據(jù)的可靠性，可以采用小波分解算法對原始數(shù)據(jù)集進行數(shù)據(jù)噪聲去除，以得到降噪處理后的時序數(shù)據(jù)集合。具體的，在一些實施例中，電壓數(shù)據(jù)、電流數(shù)據(jù)以及溫度數(shù)據(jù)對應的小波變換基函數(shù)不同：以采集到的原始電壓數(shù)據(jù)為例，假設采集到的電壓信號在0到5V范圍內(nèi)波動，采樣頻率為100Hz,濾波數(shù)據(jù)長度為1000個采樣點，可以選擇Daubechies小波基函數(shù)(db4)作為小波變換的基函數(shù)，對電壓信號進行5層分解，以得到不同頻段的小波系數(shù)；進一步通過分析小波系數(shù)的能量分布，識別出高頻噪聲主要集中在第1層和第2層小波系數(shù)中，而低頻信號則分布在第3層至第5層小波系數(shù)中，此時可以采用軟閾值法對高頻小波系數(shù)進行去噪處理，閾值設置為1,將小于該閾值的小波系數(shù)置零，保留大于閾值的小波系數(shù)；最后對去噪后的小波系數(shù)進行重構(gòu)，得到降噪后的電壓信號。在一些實施例中，對于采集到的原始電流數(shù)據(jù)，同樣可以采用小波變換進行分解，此時可以選擇Symlets小波基函數(shù)(sym6)以適應電流信號的特性，分解層數(shù)適應性地設置為4層，軟閾值法對應的閾值設置為5;在另一些實施例中，對于采集到的原始溫度數(shù)據(jù)，則可以采用Haar小波基函數(shù)進行分解，分解層數(shù)適應性地設置為3層，軟閾值法對應的閾值設置為2,以保留溫度信號的趨勢特征。可以理解的是，經(jīng)過小波變換降噪處理的多維變量時序數(shù)據(jù)集合可以被存儲為新的數(shù)據(jù)集合并供后續(xù)分析使用。[0034]在一些實施例中，在前述步驟102的具體實現(xiàn)中，可以基于時序數(shù)據(jù)集合，獲取電壓變量、電流變量以及溫度變量對應的平滑趨勢集合，以作為時序變化趨勢。在一具體實例中，可以采用滑動窗口法計算電壓變量、電流變量以及溫度變量的局部均值，其中計算窗口的大小可以設置為50個采樣點，步長可以設置為10,以捕捉上述時序數(shù)據(jù)的短期變化特征：例如，對于電壓數(shù)據(jù)，其均值的波動范圍為3V至7V,電流數(shù)據(jù)的均值在2A至5A之間，溫度數(shù)據(jù)的均值則穩(wěn)定在25℃至28℃范圍內(nèi)。在此基礎上，可以采用主成分分析對電壓變量、電流變量以及溫度變量的時序變化趨勢進行降維處理，以得到主成分分析結(jié)果。在一具體實例中，可以利用主成分分析法對多維特征進行整合，選擇協(xié)方差矩陣作為計算基礎，通過特征值分解提取主成分：例如，電壓變量、電流變量以及溫度變量的協(xié)方差矩陣分別為[12,05,03;05,08,02;03,02,15];對應的特征值分別為21、11和03;對應的特征向量為[71,45,54]、[-68,72,-12]和[17,-52,84]。根據(jù)特征值大小，可以從電壓變量、電流變量以及溫度變量中選擇靠前兩個主成分作為主要特征，其累計貢獻率達到92%,能夠有效表征多維變量的主要信息。最后基于主成分分析結(jié)果以及時序變化趨勢，生成統(tǒng)一的多維參數(shù)[0035]在一些實施例中，還可以根據(jù)多維參數(shù)特征集合進行鋰電池包異常分類的統(tǒng)計和獲取，具體的，可以通過降維后的多維參數(shù)特征集合，計算集合內(nèi)各特征間的距離指標，以得到特征相似性分布：若特征相似性分布中某些特征之間的距離指標超出預設閾值，則判斷關聯(lián)特征為異常區(qū)間，以確定異常特征段；進一步的，可以根據(jù)異常特征段獲取對應特征的變化趨勢片段，并通過聚類算法對得到的多個異常區(qū)間進行分組，以得到異常分類集針對異常分類集，在此可以采用支持向量機對后續(xù)趨勢的異常狀態(tài)進行分類，得到異常分類結(jié)果，即基于多維參數(shù)特征集合通過特征相似性分布來確定鋰電池包的異常分類結(jié)果。[0036]在一些實施例中，在前述步驟103的具體實現(xiàn)中，圖2示出了一種參數(shù)性能輪廓的步驟201:基于多維參數(shù)特征集合，采用聚類算法對時序數(shù)據(jù)集合進行分組，得到分組數(shù)據(jù)集合。在一些實施例中，基于多維參數(shù)特征集合，可以采用K均值聚類算法對時序數(shù)據(jù)集合進行分組處理，例如以設定聚類數(shù)為3,以歐氏距離作為相似性度量，迭代次數(shù)上限為100次，收斂閾值為001為例，在電壓、電流和溫度的時序數(shù)據(jù)集合中，聚類中心分別位于[2V,1A,25℃]、[8V,3A,22℃]和[5V,8A,28℃],可以對應鋰電池包不同工況下的典型狀態(tài)。[0037]步驟202:基于分組數(shù)據(jù)集合，獲取每個預設時段內(nèi)的電壓分布情況、電流分布情況以及溫度分布情況，以作為多維參數(shù)的分布特征。在一些實施例中，還可以根據(jù)分布特征計算多維參數(shù)之間的相似性指標，進而根據(jù)相似性指標判斷鋰電池包的異常分布情況，例如可以通過電壓分布與電流分布之間的相似性指標，得到第一相似性分布：若第一相似性分布中某個時間段的相似性指標超出預設閾值，則可以將該時間段判斷為異常參數(shù)分布段并確定異常分布特征；進而通過異常分布特征可以獲取時序數(shù)據(jù)集合中對應的分布特性片段，得到異常片段集合。在一些實施例中，還可以針對異常片段集合，采用支持向量機對后續(xù)分布特性進行分類，得到分類結(jié)果集合；進而根據(jù)分類結(jié)果集合，確定時間段內(nèi)性能輪廓[0038]步驟203:基于每個預設時段對應的分布特征，采用核密度估計法計算分布特征對應的密度分布結(jié)果。在一些實施例中，針對每個預設時段內(nèi)的數(shù)據(jù)分布，可以采用核密度估計法計算概率密度函數(shù)，例如在上述具體實例中，帶寬參數(shù)選擇Silverman準則，電壓數(shù)據(jù)的分布峰值為8V±5V,電流數(shù)據(jù)呈現(xiàn)雙峰分布，主峰位于5A±3A,次峰為7A±4A,溫度數(shù)據(jù)則符合正態(tài)分布，均值為28℃±2℃,上述即為多維參數(shù)的密度分布結(jié)果。[0039]步驟204:基于分組數(shù)據(jù)集合以及密度分布結(jié)果，構(gòu)建鋰電池包的運行狀態(tài)參數(shù)邊界，并將運行狀態(tài)參數(shù)邊界作為參數(shù)性能輪廓。在一些實施例中，通過將聚類結(jié)果與密度分11布結(jié)果相結(jié)合，可以構(gòu)建得到關于鋰電池包的三維性能輪廓圖，其中橫軸為電壓區(qū)間[5V,7V],縱軸為電流區(qū)間[2A,5A],等高線表示溫度概率密度大于8的區(qū)域，從而形成可量化的運行狀態(tài)邊界以及對應的參數(shù)性能輪廓。[0040]基于上述步驟201至步驟204獲得的參數(shù)性能輪廓可以被視為鋰電池包的初步輪廓數(shù)據(jù)，可以進一步通過統(tǒng)計方法獲得帶有置信度量化的參數(shù)性能輪廓特征集合，并對置信度低于預設閾值的參數(shù)性能輪廓進行概率修正和優(yōu)化。在一些實施例中，可以基于參數(shù)性能輪廓，采用主成分分析法獲得每個預設時段對應的特征參數(shù)；進而基于特征參數(shù)的均值和方差，獲取帶有置信區(qū)間的參數(shù)性能輪廓特征集合，并將參數(shù)性能輪廓特征集合作為優(yōu)化的參數(shù)性能輪廓。在一些實施例中，對于獲取的初步輪廓數(shù)據(jù)，可以通過滑動窗口法對時間序列數(shù)據(jù)進行分段處理，其中窗口長度可以設置為10分鐘，步長可以設置為5分鐘，確保數(shù)據(jù)覆蓋的連續(xù)性和重疊性；進而針對每個分段時間內(nèi)的電壓、電流和溫度數(shù)據(jù)，采用主成分分析法提取特征參數(shù)，保留累計貢獻率超過85%的主成分，得到降維后的特征集；然后通過計算特征參數(shù)的均值和方差，例如在某一具體實例中可以得到電壓均值為2V,方差為8;電流均值為5A,方差為2;溫度均值為25℃,方差為5,從而形成帶有置信區(qū)間的參數(shù)性能輪廓特征集合。在此基礎上，可以采用t分布假設檢驗方法，計算特征參數(shù)的95%置信區(qū)間，其中電壓為[8V,6V],電流為[2A,8A],溫度為[28℃,22℃],以確保特征參數(shù)的統(tǒng)計顯著顏色映射表示溫度，從而形成直觀的性能分布可視化結(jié)果。在一些實施例中，還可以通過高斯混合模型對特征參數(shù)進行擬合，以確定不同工況下的概率分布，例如在某一具體實例中電壓、電流和溫度的混合成分數(shù)可以分別設定為2、3和2,進一步量化性能輪廓的分布特性。[0041]在一些實施例中，當參數(shù)性能輪廓特征集合對應的置信度低于預設閾值時，可以采用貝葉斯算法對鋰電池包的數(shù)據(jù)噪聲和/或工況差異進行概率修正，以獲得優(yōu)化的參數(shù)性能輪廓。具體的，可以基于歷史數(shù)據(jù)構(gòu)建先驗分布，例如可以假設電壓、電流和溫度的先驗均值分別為8V、8A和24℃,方差分別為7、8和5,在此基礎上引入似然函數(shù)，結(jié)合當前觀測數(shù)據(jù)，若當前電壓觀測均值為1V,電流為2A,溫度為25℃,據(jù)此進行后驗分布計算：可以采用馬爾可夫鏈蒙特卡洛(MCMC)算法進行采樣，設置迭代次數(shù)為10000次，得到后驗分布的均值與方差，電壓后驗均值為05V,方差為5,電流后驗均值為1A,方差為7,溫度后驗均值為22℃,方差為8。在此基礎上，可以進一步通過貝葉斯因子分析，計算噪聲影響因子為12,工況差異性因子為18,對特征參數(shù)進行加權(quán)修正，得到優(yōu)化后的電壓均值為03V,電流為08A,溫度為21℃;最終利用核密度估計方法對優(yōu)化后的特征參數(shù)進行概率密度擬合，帶寬設置為2,生成平滑的概率分布曲線，以量化性能輪廓的優(yōu)化效果。[0042]在一些實施例中，在前述步驟104至步驟105的具體實現(xiàn)中，圖3示出了一種異常監(jiān)步驟301:采用神經(jīng)網(wǎng)絡算法構(gòu)建特征參數(shù)與鋰電池包的性能退化趨勢之間的非[0043]步驟302:基于時序數(shù)據(jù)集合，通過映射模型獲取檢測異常情況對應的異常區(qū)域分布情況。在一些實施例中，可以利用訓練好的映射模型對檢測得到的時序數(shù)據(jù)集合中的多維參數(shù)數(shù)據(jù)進行推理，在映射模型對于輸入的多維參數(shù)對應的輸出異常概率高于預設閾值時，可以將對應的采集多維數(shù)據(jù)作為檢測異常情況對應的異常區(qū)域分布情況。[0044]步驟303:基于異常區(qū)域分布情況，獲取異常區(qū)域?qū)獣r段的參數(shù)變化特性集合。在一些實施例中，可以針對異常區(qū)域分布情況，獲取異常區(qū)域在對應時段內(nèi)的變化特性，以作為上述參數(shù)變化特性集合。[0045]步驟304:基于參數(shù)變化特性集合，獲得異常區(qū)域?qū)牟▌臃植紖?shù)。在一些實施例中，可以采用統(tǒng)計方法計算各異常區(qū)域的波動幅度，以得到上述波動分布參數(shù)。[0046]步驟305:在波動分布參數(shù)超出預設閾值時，將波動分布參數(shù)對應的異常區(qū)域在對應時段內(nèi)的特征參數(shù)分布作為異常參數(shù)集合。在一些實施例中，在波動分布參數(shù)超出預設閾值時，則可以判斷該區(qū)域為高波動區(qū)域，通過獲取高波動區(qū)域?qū)奶卣鲄?shù)分布可以得到上述異常參數(shù)集合。[0047]步驟306:基于異常參數(shù)集合，獲取對應的參數(shù)變化趨勢以作為異常監(jiān)測數(shù)據(jù)。在一具體實例中，可以基于優(yōu)化后的性能輪廓特征集，采用深度神經(jīng)網(wǎng)絡構(gòu)建特征參數(shù)與性能退化之間的非線性映射關系，網(wǎng)絡結(jié)構(gòu)包含3個隱藏層，活函數(shù)選用ReLU,輸入層接收電壓均值03V、電流均值08A和溫度均值21℃等特征參數(shù)，輸出層通過Sigmoid函數(shù)輸出性能退化概率。訓練過程中采用Adam優(yōu)化器，初始學習率設為0001,批量大小為32,迭代500次后損失函數(shù)收斂至0015.在此基礎上，可以利用訓練好的模型對測試數(shù)據(jù)進行推理，當某區(qū)域電壓波動超過閾值05V且溫度梯度變化達3℃時，模型輸出異常概率為087,高于預設閾值07,判定為異常區(qū)域。進一步結(jié)合空間聚類算法DBSCAN,設置鄰域半徑ε為2,最小樣本數(shù)min_samples為5,對異常概率高于閾值的點進行聚類分析，識別出3個主要異常簇，中心坐標分別為(12,45)、(56,78)和(89,23),最終生成異常區(qū)域分布[0048]在一些實施例中，還可以采用貝葉斯算法對參數(shù)變化趨勢進行概率修正，以得到修正變化趨勢，并將修正變化趨勢作為異常監(jiān)測數(shù)據(jù)。具體的，針對異常參數(shù)集合，可以通過貝葉斯推理方法對時間段內(nèi)的特征參數(shù)進行概率修正，得到修正參數(shù)集合，進而根據(jù)修正參數(shù)集合，獲取其在時間段內(nèi)的變化趨勢，得到趨勢分布數(shù)據(jù)；最終通過趨勢分布數(shù)據(jù)，采用聚類算法提取關鍵變化點對應的特征參數(shù)特性，得到最終特性集合。在一具體實例中，在對鋰電池包的動態(tài)監(jiān)測過程中，可以采用窗口長度為30秒、步長為5秒的滑動窗口對時間序列數(shù)據(jù)進行分段截取，每段數(shù)據(jù)包含電壓、電流和溫度采樣點各600個；進而通過快速傅里葉變換提取各窗口內(nèi)1Hz至10Hz頻段的能量特征，其中電壓頻域能量占比超過65%時觸發(fā)趨勢分析，此時可以使用長短時記憶網(wǎng)絡LSTM建模動態(tài)變化，網(wǎng)絡結(jié)構(gòu)包含2層64個神經(jīng)元的隱藏層，Dropout率設為2,輸入序列長度設置為20個歷史窗口數(shù)據(jù)，輸出未來5個窗口的性能退化趨勢預測值；當連續(xù)3個窗口的預測誤差超過閾值08時，則可以啟動卡爾曼濾波對傳感器數(shù)據(jù)進行校正，過程噪聲協(xié)方差Q設為01,觀測噪聲協(xié)方差R設為05。[0049]在一些實施例中，在前述步驟105的具體實現(xiàn)中，可以在時序數(shù)據(jù)集合對應的HotellingT2統(tǒng)計量超出第一預設閾值時，確定工況突變時間點；進而基于突變時間點前后預設時間段內(nèi)的時序數(shù)據(jù)集合，采用動態(tài)時間規(guī)整算法計算突變時間點前后預設時間段內(nèi)的工況相似度；在工況相似度小于第二預設閾值時，更新參數(shù)性能輪廓。例如當HotellingT2統(tǒng)計量超過第一預設閾值時標記為工況突變點，結(jié)合突變點前后5分鐘的數(shù)據(jù)，采用動態(tài)時間規(guī)整算法計算工況相似度，當相似度低于第二預設閾值時生成新的參數(shù)性能輪廓，其中模板更新周期最短為10分鐘。[0050]在一些實施例中，還可以通過更新的參數(shù)性能輪廓以及動態(tài)監(jiān)測數(shù)據(jù)，持續(xù)監(jiān)控以獲得超出范圍的異常數(shù)據(jù)：針對超出范圍的異常數(shù)據(jù)，可以采用回歸分析法處理趨勢預測，得到性能退化時間點數(shù)據(jù)；根據(jù)性能退化時間點數(shù)據(jù)，獲取與預警時間對應的波動范圍參數(shù)，得到波動參數(shù)集合：若波動參數(shù)集合超出預設閾值，則通過分析方法提取信號數(shù)據(jù)，得到預警信號集合；針對預警信號集合，采用數(shù)據(jù)處理技術分析動態(tài)監(jiān)測數(shù)據(jù)的分布特性，得到特性分布數(shù)據(jù)；通過特性分布數(shù)據(jù)，判斷異常區(qū)域的波動范圍是否持續(xù)擴大，得到波動趨勢數(shù)據(jù)；根據(jù)波動趨勢數(shù)據(jù)，采用回歸分析法修正預警時間，得到最[0051]在本公開的一些實施例中，圖4還示出了一種鋰電池包的異常預測方法的流程示意圖，能夠充分利用采集得到的鋰電池包的電壓參數(shù)、電流參數(shù)以及溫度參數(shù)，從多維度對鋰電池包可能出現(xiàn)的異常情況進行預測。如圖4所示，該種鋰電池Pack的多參數(shù)智能檢測方法具體可以包括如下步驟：步驟401:在鋰電池包的電壓參數(shù)超出預設閾值時，判斷鋰電池包出現(xiàn)異常狀態(tài)。在一些實施例中，可以通過對采集得到的電壓參數(shù)、電流參數(shù)以及溫度參數(shù)按照時序進行分段處理，從而獲取各個參數(shù)在不同的劃定時間窗口內(nèi)的特征值，以得到每個劃定時間窗口對應的分段特征集合；在此基礎上，可以進一步采用隨機森林算法對得到的分段特征集合進行分類：若此時電壓參數(shù)超出預設閾值，則可以判斷鋰電池包出現(xiàn)異常狀態(tài)，并得到異常分類結(jié)果。[0052]步驟402:獲取鋰電池包出現(xiàn)異常狀態(tài)時的溫度參數(shù)和電流參數(shù)的變化趨勢，以作為異常關聯(lián)特征。[0053]步驟403:根據(jù)異常關聯(lián)特征，計算電壓參數(shù)、電流參數(shù)以及溫度參數(shù)之間的相關系數(shù)，以得到參數(shù)相關性指標。在一些實施例中，可以根據(jù)異常關聯(lián)特征計算各參數(shù)之間的相關系數(shù)，能夠判斷在電壓數(shù)據(jù)出現(xiàn)偏差時，溫度數(shù)據(jù)與電流數(shù)據(jù)是否呈現(xiàn)同步變化，進而得到參數(shù)相關性指標。[0054]步驟404:采用主成分分析法對參數(shù)相關性指標進行降維處理以得到降維特征集合?？梢岳斫獾氖?，通過降維處理能夠在保證多維特征反映鋰電池包實際工況情況的基礎上降低后續(xù)建立預測模型的訓練以及預測過程。[0055]步驟405:根據(jù)降維特征集合建立預測模型對鋰電池包可能出現(xiàn)的異常情況進行預測，以得到異常預測結(jié)果。在一些實施例中，可以采用支持向量機算法對未來時間序列的異常狀態(tài)進行判斷，以得到異常預測結(jié)果。[0056]本公開的一些實施例還提供了一種鋰電池包的異常檢測系統(tǒng)，應用于前述實施例提供的鋰電池Pack的多參數(shù)智能檢測方法中。具體的，圖5根據(jù)本公開實施例示出了一種異常檢測系統(tǒng)的結(jié)構(gòu)示意圖，如圖5所示，該種系統(tǒng)具體可以包括：參數(shù)獲取模塊501,用于獲取關聯(lián)于鋰電池包的多維參數(shù)的時序數(shù)據(jù)集合。[0057]參數(shù)處理模塊502,用于基于時序數(shù)據(jù)集合，生成多維參數(shù)對應的時序變化趨勢以及多維參數(shù)特征集合。[0058]性能輪廓生成模塊503,用于基于多維參數(shù)特征集合，獲取每個預設時段內(nèi)多維參數(shù)的分布特征，并根據(jù)分布特征生成鋰電池包的參數(shù)性能輪廓以及特征參數(shù)。[0059]異常檢測模塊504,用于基于參數(shù)性能輪廓，采用神經(jīng)網(wǎng)絡算法構(gòu)建特征參數(shù)與檢測異常情況之間的映射模型，并通過映射模型獲取鋰電池包的異常監(jiān)測數(shù)據(jù)；其中，異常監(jiān)測數(shù)據(jù)可以包括鋰電池包的異常預測結(jié)果。態(tài)監(jiān)測，在一具體實例中，可以設定電壓波動范圍為210V至230V,電流波動范圍為10A至15A,溫度波動范圍為25℃至40℃,當監(jiān)測數(shù)據(jù)連續(xù)5次采樣值超出該范圍時判定為異常區(qū)向基函數(shù)RBF,正則化參數(shù)C設為5,核系數(shù)gamma設為01,輸入特[0064]具體的，圖6根據(jù)本公開實施例示出了一種鋰電池包的異常檢測設備的結(jié)構(gòu)示意[0066]其中，存儲單元存儲有程序代碼，程序代碼可以被處理單元610執(zhí)行，使得處理單元610執(zhí)行根據(jù)本公開各種示例性實施方式的步驟。例如，處理單元610可以執(zhí)行如圖1中所示的鋰電池Pack的多參數(shù)智能檢測方法的相關步驟。[0067]存儲單元620可以包括易失性存儲單元形式的可讀介質(zhì)，例如隨機存取存儲器[0068]存儲單元620還可以包括具有一組(至少一個)程序模塊6205的程序/實用工具[0069]總線630可以為表示幾類總線結(jié)構(gòu)中的一種或多種，包括存儲單元總線或者存儲單元控制器、外圍總線、圖形加速端口、處理單元或者使用多種總線結(jié)構(gòu)中的任一總線結(jié)構(gòu)的局域總線。[0070]電子設備600也可以與一個或多個外部設備700(例如鍵盤、指向設備、藍牙設備等)通信，還可與一個或者多個使得用戶能與該電子設備600交互的設備通信，和/或與使得該電子設備600能與一個或多個其它計算設備進行通信的任何設備(例如路由器、調(diào)制解調(diào)器等)通信。這種通信可以通過輸入/輸出(I/0)接口650進行。并且，電子設備600還可以通過網(wǎng)絡適配器660與一個或者多個網(wǎng)絡(例如局域網(wǎng)(LAN),廣域網(wǎng)(WAN)和/或公共網(wǎng)絡，例如因特網(wǎng))通信。網(wǎng)絡適配器660可以通過總線630與電子設備600的其它模塊通信。應當明白，盡管圖中未示出，可以結(jié)合電子設備600使用其它硬件和/或軟件模塊，包括但不限于：份存儲平臺等。[0071]本公開實施例還提供一種計算機可讀存儲介質(zhì)，用于存儲程序，程序被執(zhí)行時實現(xiàn)的鋰電池Pack的多參數(shù)智能檢測方法的步驟。在一些可能的實施方式中，本公開的各個方面還可以實現(xiàn)為一種程序產(chǎn)品的形式，其包括程序代碼，當程序產(chǎn)品在終端設備上運行時，程序代碼用于使終端設備執(zhí)行本說明書上述鋰電池Pack的多參數(shù)智能檢測方法部分中描述的根據(jù)本公開各種示例性實施方式的步驟。[0072]具體的，圖7根據(jù)本公開實施例示出了一種計算機可讀存儲介質(zhì)的結(jié)構(gòu)示意圖。如圖7所示，描述了根據(jù)本公開的實施方式的用于實現(xiàn)上述鋰電池Pack的多參數(shù)智能檢測方法的程序產(chǎn)品800,其可以采用便攜式緊湊盤只讀存儲器(CD-ROM)并包括程序代碼，并可以儲介質(zhì)可以是任何包含或存儲程序的有形介質(zhì)，該程序可以被指令執(zhí)行系統(tǒng)、裝置或者器件使用或者與其結(jié)合使用。[0073]