本发明涉及电池安全领域，尤其涉及一种基于大数据的蓄电池故障预警方法及系统。
背景技术：
随着国家对新能源电动汽车的大力推广，越来越多的新能源电动汽车驰骋在城市的大街小巷。同时人们对电动汽车的里程焦虑一直是在绕不开的话题。为此，给电动汽车提供储能装置的生产厂家不得不极大限度的提高动力蓄电池的能量密度以达到国家政策要求和人们的期待。但同时也使得动力蓄电池的安全问题变得更加突出。随着动力蓄电池能量密度的提高，三元材料的大范围使用，动力电池发生故障甚至自燃的案例越来越多。这就为各大汽车生产的主机厂提出了一个现实的课题——如何在动力蓄电池发生故障前做好预警，提前预防。
动力蓄电池要做到故障发生前的预警与提前预防，其实是非常困难的。通过现有的技术检测手段比如将电动汽车开到专门检测机构实际检测，对电池本身状况的评估是一个非常费时费力过程，在实际的故障预警方面更是难上加难。传统的动力蓄电池故障预警方法是通过硬件检测到电池单体本身电压、电流、压差、内阻的明显变化，达到预警阈值后发出报警。具体地，可以通过电池管理系统监测的电压、温度及压差的变化将故障报警信息发到控制器局域网络(controllerareanetwork，can，是一种国际标准化的串行通信协议)总线，由仪表发出报警。这时发出报警存在反应时间短、有的时候来不及反应车辆已发生故障或者电池自燃问题。这种故障预警办法只适合故障紧急处理或者人员紧急逃生，对车辆动力蓄电池出现故障的提前预防适用性较差，常规的方案还无法很好的解决电池故障的早期故障预警问题。
目前，国家、地方和企业均已建立了新能源汽车监测平台，其中很重要的就是对动力电池数据的采集。也就是说我们现在已经具备了对动力蓄电池的使用状况进行大数据分析的基础，企业自己建立基于大数据分析的动力电池故障预警平台也具备了实施条件。我们可以直接通过对历史电池数据的采集，结合实时数据，然后运用大数据的分析方法，对车辆动力电池可能即将发生故障进行预警。
技术实现要素：
为解决对蓄电池故障提前预警的问题，本发明公开了一种基于大数据的蓄电池故障预警方法及系统。所述技术方案如下：
第一方面，本发明公开了一种基于大数据的蓄电池故障预警方法，所述方法包括：
抓取至少一个目标平台的海量数据；
基于分布式系统架构，将所述海量数据进行处理并存储；
根据所述海量数据进行检索分析，得到针对至少一种蓄电池故障类别的数据分析结果；
根据所述数据分析结果，建立至少一个蓄电池故障预警目标模型；
获取单车的目标数据，并通过所述至少一个蓄电池故障预警目标模型对所述单车的目标数据进行预测分析，得到所述单车的蓄电池故障预测结果；
基于所述蓄电池故障预测结果得到蓄电池预警信息，并将所述蓄电池预警信息发送至所述单车终端或用户终端设备。
进一步地，所述抓取至少一个目标平台的海量数据包括：
抓取新能源车辆监测平台记录的蓄电池动态数据，所述蓄电池动态数据包括蓄电池实时状态数据、蓄电池历史状态数据和蓄电池历史故障数据；
抓取新能源车辆蓄电池溯源平台记录的蓄电池静态数据；
抓取第三方环境数据提供平台记录的车辆运行环境数据；
和/或，抓取车联网数据平台记录的车辆使用状态数据和用户使用行为数据。
进一步地，基于分布式系统架构，将所述海量数据进行处理并存储包括：
对所述海量数据进行数据清洗、整理和/或解析，得到结构化的数据；
基于分布式系统架构，将所述结构化的数据存储在数据仓库中，以使得所述结构化的数据能够被检索或查询。
进一步地，根据所述海量数据进行检索分析，得到针对至少一种蓄电池故障类别的数据分析结果包括：
根据所述蓄电池历史故障数据对蓄电池故障类别、故障频次和/或故障源进行统计，得到故障统计分析结果；
针对所述故障统计分析结果中每一种蓄电池故障类别，根据所述蓄电池历史故障数据得到所述每一种蓄电池故障类别的故障发生时间；
从所述数据仓库中检索搜集所述故障发生时间前后一定时间范围内的蓄电池历史状态数据和蓄电池静态数据作为电池异常数据；
根据所述电池异常数据进行数据挖掘和分析，得到针对所述每一种蓄电池故障类别的电池异常数据的特征分析结果，以及所述每一种蓄电池故障类别与所述电池异常数据的相关性分析结果。
进一步地，根据所述海量数据进行检索分析，得到针对至少一种蓄电池故障类别的数据分析结果还包括：
针对所述故障统计分析结果中每一种蓄电池故障类别，从所述数据仓库中检索搜集相关的用户使用行为数据、车辆使用状态数据和/或车辆运行环境数据作为外部异常数据；
根据所述外部异常数据进行数据挖掘和分析，得到针对所述每一种蓄电池故障类别的外部异常数据的特征分析结果，以及所述每一种蓄电池故障类别与所述外部异常数据的相关性分析结果。
进一步地，根据所述海量数据进行检索分析，得到针对至少一种蓄电池故障类别的数据分析结果还包括：
针对所述故障统计分析结果中每一种蓄电池故障类别，从所述数据仓库中检索搜集单车的历史故障数据和/或历史状态数据作为单车异常数据；
根据所述单车异常数据进行数据挖掘和分析，得到针对所述每一种蓄电池故障类别的单车异常数据的特征分析结果，以及所述每一种蓄电池故障类别与所述单车异常数据的相关性分析结果。
进一步地，根据所述数据分析结果，建立至少一个蓄电池故障预警目标模型包括：
针对所述故障统计分析结果中所述每一种蓄电池故障类别，根据所述电池异常数据的特征分析结果、外部异常数据的特征分析结果、所述每一种蓄电池故障类别与所述电池异常数据的相关性分析结果和/或所述每一种蓄电池故障类别与所述外部异常数据的相关性分析结果建立与所述每一种蓄电池故障类别对应的的至少一个蓄电池故障预警通用模型；
根据所述单车异常数据的特征分析结果，以及所述每一种蓄电池故障类别与所述单车异常数据的相关性分析结果对所述至少一个蓄电池故障预警通用模型进行调整和修正，得到针对所述单车的至少一个蓄电池故障预警模型；
获取所述单车的随机样本数据，并通过所述随机样本数据对所述至少一个蓄电池故障预警模型进行训练，得到至少一个蓄电池故障预警目标模型。
进一步地，所述获取单车的目标数据，并通过所述至少一个蓄电池故障预警目标模型对所述单车的目标数据进行预测分析，得到所述单车的蓄电池故障预测结果包括：
通过所述单车的车载终端采集设备获取所述单车的实时目标数据；
获取蓄电池溯源平台记录的所述单车的蓄电池静态数据作为静态目标数据；
将所述单车的实时目标数据和静态目标数据导入至所述至少一个蓄电池故障预警目标模型中，得到关于所述单车的蓄电池故障预测结果，所述蓄电池故障预测结果包括预测的故障类别、故障发生时间、故障发生概率和/或故障源。
进一步地，所述基于所述蓄电池故障预测结果得到蓄电池故障预警信息，并将所述蓄电池故障预警信息发送至所述单车终端或用户终端设备包括：
根据预设的阈值对所述蓄电池故障预测结果进行筛选，并基于预设的规则对筛选后的蓄电池故障预测结果进行自然语言的描述，得到蓄电池故障预警信息；
将所述蓄电池故障预警信息发送至所述单车终端或用户终端设备；
和/或，将所述针对至少一种蓄电池故障类别的数据分析结果以可视化的表现形式发送至所述单车终端或用户终端设备。
第二方面，本发明还公开了一种基于大数据的蓄电池故障预警系统，所述系统包括：
交互界面，用于用户对故障预警方式进行设置；用于显示蓄电池故障预警信息；和/或用于显示可视化的针对至少一种蓄电池故障类别的数据分析结果；
数据抓取单元，用于抓取至少一个目标平台的海量数据；和/或获取单车的目标数据；
数据处理单元，用于基于分布式系统架构，将所述海量数据进行处理并存储；
数据分析单元，用于根据所述海量数据进行检索分析，得到针对至少一种蓄电池故障类别的数据分析结果；
预警模型单元，用于根据所述数据分析结果，建立至少一个蓄电池故障预警目标模型；和/或用于通过所述至少一个蓄电池故障预警目标模型对所述单车的目标数据进行预测分析，得到所述单车的蓄电池故障预测结果；
预警提示单元，用于基于所述蓄电池故障预测结果得到蓄电池故障预警信息，并将所述蓄电池故障预警信息发送至所述单车终端或用户终端设备。
采用上述技术方案，本发明所述的一种基于大数据的蓄电池故障预警方法及系统具有如下有益效果：本发明主要通过对现有的新能源监测平台所记录的动力蓄电池数据和电池溯源平台所记录的动力蓄电池静态数据，以及车辆运行的环境数据和用户使用行为数据的提取、解析及整理，通过大数据统计的方法建立数据模型，挖掘出蓄电池各种类别故障的潜在规律，在故障可能发生之前作出预警，切实保障电池安全和人车安全。相比于使用专门的检测设备和需要用户定时送检，本发明所述的预警方法实现了对蓄电池状态的实时检测和预测，适用性更高。此外，通过大数据模型分析的方式，能够建立统一的评价体系，对动力蓄电池的数据在统一的标准下进行评定，结果更有对比性。同时预测系统平台支持后续预测模型的扩展，对蓄电池故障的预警也会越来越准确精细。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种基于大数据的蓄电池故障预警方法的流程示意图；
图2是本发明实施例提供的一种基于大数据的蓄电池故障预警方法中的数据传输处理示意图；
图3是本发明实施例提供的一种基于大数据的蓄电池故障预警方法中的分布式系统架构示意图；
图4是本发明实施例提供的一种常见的hadoop生态体系结构示意图；
图5(1)至(3)是本发明实施例提供的根据所述海量数据进行检索分析，得到针对至少一种蓄电池故障类别的数据分析结果的流程示意图；
图6是本发明实施例提供的根据所述数据分析结果，建立至少一个蓄电池故障预警目标模型的流程示意图；
图7是本发明实施例提供的一种基于大数据的蓄电池故障预警系统的结构示意图；
图8是本发明实施例提供的一种计算机设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本发明的描述中，需要理解的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
图1是本发明实施例提供的一种基于大数据的蓄电池故障预警方法的流程示意图，本说明书提供了如实施例或流程示意图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或服务器产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。具体的如图1所示，所述基于大数据的蓄电池故障预警方法可以包括：
s110：抓取至少一个目标平台的海量数据。
优选地，本发明实施例中的步骤s110可以包括：
抓取新能源车辆监测平台记录的蓄电池动态数据，所述蓄电池动态数据包括蓄电池实时状态数据、蓄电池历史状态数据和蓄电池历史故障数据；
抓取新能源车辆蓄电池溯源平台记录的蓄电池静态数据；
抓取第三方环境数据提供平台记录的车辆运行环境数据；
和/或，抓取车联网数据平台记录的车辆使用状态数据和用户使用行为数据。
优选地，所述新能源车辆监测平台可以为国家级或企业级新能源汽车的车辆检测平台，车辆信息由汽车制造商上传至平台服务器中，所述车辆信息包括车辆各种类型的静态数据和动态数据，数据符合国家标准32960；所述新能源车辆蓄电池溯源平台可以为国家级或企业级蓄电池溯源平台，由汽车制造商、供销商等将蓄电池的静态数据上传至平台服务器中；所述车联网数据平台可以为车辆应用类型平台，记录有用户驾驶车辆产生的所有应用数据。
优选地，所述蓄电池实时状态数据和历史状态数据可以包括但不限于电池端电压、电池组总电压、电池组总电流、电池端温度、荷电状态、充放电状态、蓄电池健康性能状态；所述蓄电池历史故障数据可以包括但不限于故障类别、故障时间、故障源和故障原因；所述蓄电池静态数据可以包括但不限于电池基础信息、电池生产信息、电池包型号信息、电池模块型号信息、电池单体型号信息、电池组额定功率；所述车辆运行环境数据可以包括但不限于车辆位置、天气数据和晴雨天占比数据；所述车辆使用状态数据可以包括但不限于车辆用途、车辆、车辆行驶区域、车辆日均行驶里程和车辆日均行驶时长；所述用户使用行为数据可以包括但不限于用户性别、用户年龄、用户制动平均反应时间、用户驾驶均速和用户驾驶模式。
可以理解的是，所述海量数据具有大量、高速、多样、低价值密度和真实的大数据特征。依托于分布式架构，可以对所述海量数据进行分布式统计分析和分布式数据挖掘。
图2是本发明实施例中提供的一种基于大数据的蓄电池故障预警方法中的数据传输处理示意图。在一些可行的实施方式中，所述海量数据可以分类为结构化数据、半结构化数据和非结构化数据，也可以分类为历史数据和实时数据，还可以分为平台日志数据、网络数据和数据库数据。根据数据的不同类型可以采用不同的数据抓取方式。
如图2所示，以所述车辆运行环境数据中的天气数据为例，可以通过所述第三方环境数据提供平台提供的公共应用程序编程接口(applicationprogramminginterface，api)和/或网络爬虫工具从网站平台上获取数据。以所述蓄电池动态数据中的实时数据和历史数据为例，应国家要求车企将包含蓄电池信息的车辆数据定期上传至国家级新能源车辆监测平台，可以通过平台日志采集系统获取所述新能源车辆监测平台记录的实时数据；可以通过对历史数据的复制备份获取所述新能源车辆监测平台存储的历史数据。以所述蓄电池静态数据中的实时数据为例，可以通过数据库采集系统与新能源车辆蓄电池溯源平台的后台服务器直接相连从而获取新能源车辆蓄电池溯源平台存储在数据库中的数据。
s120：基于分布式系统架构，将所述海量数据进行处理并存储。
优选地，本发明实施例中的步骤s120可以包括：
对所述海量数据进行数据清洗、整理和/或解析，得到结构化的数据；
基于分布式系统架构，将所述结构化的数据存储在数据仓库中，以使得所述结构化的数据能够被检索或查询。
可以理解的是，所述海量数据包括结构化数据、半结构化数据和非结构化数据，需要将数据转换成统一格式进行存储。
图3是本发明实施例提供的一种基于大数据的蓄电池故障预警方法中的分布式系统架构示意图。
hadoop是一种能够对大数据进行分布式处理的系统架构体系，核心的设计是分布式文件系统hdfs(hadoopdistributedfilesystem，hdfs)、分布式计算引擎模型(如mapreduce)、数据仓库工具hive和分布式数据库hbase。图4是本发明实施例提供的一种常见的hadoop生态体系结构示意图。具体地，如图4所示，hdfs为海量的数据提供了存储，mapreduce则为海量的数据提供了计算。hive是一个可以支持pb级别的可伸缩性的开源数据仓库。hbase主要用于海量结构化数据的存储。
springcloud是一种微服务框架，是用于快速构建分布式系统的通用模式的工具集，适用于中小企业建立自己的数据分析平台。数据质量管理是指是指对数据从计划、获取、存储、共享、维护、应用、消亡生命周期的每个阶段里可能引发的各类数据质量问题，进行识别、度量、监控、预警等一系列管理活动，并通过改善和提高组织的管理水平使得数据质量获得进一步提高。数据资产管理是指规划、控制和提供数据及信息资产的一组业务职能，包括开发、执行和监督有关数据的计划、政策、方案、项目、流程、方法和程序，从而控制、保护、交付和提高数据资产的价值。
在进行分布式存储过程中，需要对从平台抓取来的海量数据进行清洗、整理或解析，主要基于集群进行并发式处理。
在一种具体的实施方式中，如图2所示，基于hbase集群方式批处理历史数据，大数据离线计算程序如mapreduce、spark等计算框架实现对数据的接入和预处理；基于kafka集群方式流处理实时数据，大数据实时计算程序如storm、flink、sparkstreaming等计算框架实现对数据的接入和预处理。所述的数据的预处理可以是提取数据的可用特征，建立大宽表，用于数据的建模分析。
s130：根据所述海量数据进行检索分析，得到针对至少一种蓄电池故障类别的数据分析结果。
优选地，如图5(1)所示，本发明实施例中的步骤s130可以包括以下步骤：
s131：根据所述蓄电池历史故障数据对蓄电池故障类别、故障频次和/或故障源进行统计，得到故障统计分析结果。
优选地，根据检索将数据汇总，其中发生故障的车辆的车辆总数不低于20％，汇总后的数据提供有故障类型标签字段或者故障类别解析规则
优选地，可以对汇总后的数据进行一定的数据处理操作，例如缺失值分析、异常值续型变量的归一化或离散化、时间序列分析、连分析等，获得驾驶行程和/或充电行程的相关统计数据，并可以根据相关统计数据统计行程内电池故障数量和类型分布，进而得到所述故障统计分析结果。进一步地，可以将所述故障统计分析结果进行可视化操作，作为分析报告内容的一部分。
具体地，所述蓄电池故障类别可以包括但不限于：短路、断路、变形、漏液、干涸、硫化、反极。
s132：针对所述故障统计分析结果中每一种蓄电池故障类别，根据所述蓄电池历史故障数据得到所述每一种蓄电池故障类别的故障发生时间。
在一些可行的实施方式中，通过标识行程内出现蓄电池故障的时间点，将时间点前后各类数据的内容视为异常数据，用于分析异常数据与蓄电池故障的关联。
s133：从所述数据仓库中检索搜集所述故障发生时间前后一定时间范围内的蓄电池历史状态数据和蓄电池静态数据作为电池异常数据。
在一具体可行的实施方式中，可以将一定时间范围确定为一小时。
s134：根据所述电池异常数据进行数据挖掘和分析，得到针对所述每一种蓄电池故障类别的电池异常数据的特征分析结果，以及所述每一种蓄电池故障类别与所述电池异常数据的相关性分析结果。
在一些可行的实施方式中，所述电池异常数据的特征分析结果可以包括但不限于：荷电状态(stateofcharge，soc)、总电压、总电流、动态电阻、最高与最低电压相关数据、最高与最低温度相关数据、模组-电池包-单体系统电压不一致状态数据、电芯自放电率和温差扩大趋势特征。
在一些可行的实施方式中，根据所述电池异常数据和/或所述电池异常数据的特征分析结果，计算故障发生前后蓄电池各类型数据的影响指标。进一步地，还可以通过绘制相应的时序图表、透视表等图形定性分析，还可以通过统计学的相关分析、卡方检验、方差分析等方法定性定量地衡量故障类型与蓄电池各类型数据的相关程度，作为所述相关性分析结果。
优选地，如图5(2)所示，本发明实施例中的步骤s130还可以包括以下步骤：
s135：针对所述故障统计分析结果中每一种蓄电池故障类别，从所述数据仓库中检索搜集相关的用户使用行为数据、车辆使用状态数据和/或车辆运行环境数据作为外部异常数据。
s136：根据所述外部异常数据进行数据挖掘和分析，得到针对所述每一种蓄电池故障类别的外部异常数据的特征分析结果，以及所述每一种蓄电池故障类别与所述外部异常数据的相关性分析结果。
在一些可行的实施方式中，所述外部异常数据的特征分析结果包括但不限于：瞬时车速、加速踏板状态及数值、制动踏板状态及数值。
在一些可行的实施方式中，可以对车型、车辆用途、车辆种类、行驶区域、车辆总运营时间、车辆总运营里程、车辆日均行驶里程、车辆日均行驶时长、运营单位等数据类型进行筛选或作为对比项类比，进而可以进行外部异常数据与所述每一种蓄电池故障类别的关联分析，得到所述相关性分析结果。
优选地，如图5(3)所示，本发明实施例中的步骤s130还可以包括：
s137：针对所述故障统计分析结果中每一种蓄电池故障类别，从所述数据仓库中检索搜集单车的历史故障数据和/或历史状态数据作为单车异常数据。
s138：根据所述单车异常数据进行数据挖掘和分析，得到针对所述每一种蓄电池故障类别的单车异常数据的特征分析结果，以及所述每一种蓄电池故障类别与所述单车异常数据的相关性分析结果。
在一些可行的实施方式中，所述单车异常数据的特征分析结果包括但不限于：单车故障类别、单车故障频次、单车荷电状态、单车健康状态。可以通过统计所述单车的故障情况及相关数据的数据特征得到所述相关性分析结果。
s140：根据所述数据分析结果，建立至少一个蓄电池故障预警目标模型。
优选地，如图6所示，本发明实施例中的步骤s140可以包括：
s141：针对所述故障统计分析结果中所述每一种蓄电池故障类别，根据所述电池异常数据的特征分析结果、外部异常数据的特征分析结果、所述每一种蓄电池故障类别与所述电池异常数据的相关性分析结果和/或所述每一种蓄电池故障类别与所述外部异常数据的相关性分析结果建立与所述每一种蓄电池故障类别对应的的至少一个蓄电池故障预警通用模型。
在一些可行的实施方式中，所述每一种蓄电池故障类别对应的的至少一个蓄电池故障预警通用模型中可以采用包括但不限于回归分析类型的预测模型、概率估计类型的预测模型、时间序列类型的预测模型和机器学习类型的预测模型。其中机器学习类型的预测模型自动挖掘数据特征，比较常用的有支持向量机、决策树和神经网络，尤其适用于大量数据的情景。
可以理解的是，所述每一种蓄电池故障类别对应的的至少一个蓄电池故障预警通用模型基于全体数据中的电池异常数据的特征分析结果、外部异常数据的特征分析结果、所述每一种蓄电池故障类别与所述电池异常数据的相关性分析结果和/或所述每一种蓄电池故障类别与所述外部异常数据的相关性分析结果，因而可以作为通用模型被广泛复制使用。
s142：根据所述单车异常数据的特征分析结果，以及所述每一种蓄电池故障类别与所述单车异常数据的相关性分析结果对所述至少一个蓄电池故障预警通用模型进行调整和修正，得到针对所述单车的至少一个蓄电池故障预警模型。
优选地，所述每一种蓄电池故障类别与所述单车异常数据的相关性分析结果针对是所述单车的数据挖掘分析结果，将对所述单车影像程度较大的数据类型纳入上述任一种预测模型中，可以单独建立针对所述单车的更为准确的至少一个蓄电池故障预警模型。
s143：获取所述单车的随机样本数据，并通过所述随机样本数据对所述至少一个蓄电池故障预警模型进行训练，得到至少一个蓄电池故障预警目标模型。
在一些可行的实施方式中，随机采集单车在正常行驶状态下部分连续时间点的各类数据作为正样本，历史故障时间点的各类数据作为负样本，搭建分类器模型。此外，不限于所述单车，还可以随机采集本发明实施例中所述的平台中记录存储的车辆在正常行驶状态下和故障发生是的各类数据作为训练数据。
进一步地，采用逻辑回归、决策树、随机森林、梯度提升迭代决策树(gradientboostingdecisiontree，gbdt)等算法，拟合因变量故障信息与自变量各类型数据的关联，能够得到某时刻车辆发生某种故障的概率。在模型训练过程中，可以采用残差和后验误差等作为概率统计的检验，也可以使用均方误差进行样本的检验。
可以理解的是，在预测模型建立后，通过大量样本数据对预测模型进行训练，从而提高对蓄电池故障预警的准确度和精细度。
在一些可行的实施方式中，模型还可以根据历史数据输出相关的统计指标；根据模型输出提供分析报告，阐述基于样本数据发现的故障发生规律。
s150：获取单车的目标数据，并通过所述至少一个蓄电池故障预警目标模型对所述单车的目标数据进行预测分析，得到所述单车的蓄电池故障预测结果。
优选地，本发明实施例中的步骤s150可以包括：
s151：通过所述单车的车载终端采集设备获取所述单车的实时目标数据。
在一些可行的实施方式中，车载终端采集设备可以为车载t-box(telematicsbox)。车载t-box通过接口接入can总线，通过can网络进行数据采集，主要对车辆信息、整车控制器信息、电机控制器信息、电池管理系统bms(batterymanagementsystem，bms)、车载充电机等数据进行采集记录并解析。采集信息后，车载t-box按照最大不超过30s时间间隔，将采集到的实时数据保存在内部存储介质中，若出现3级报警时，会按照最大不超过1s时间间隔保存。同时，车载t-box具有移动通讯模块、蓝牙模块和无线通讯模块等，用于将采集到的所述单车的实时目标数据上传到分析端。
在一些可行的实施方式中，所述单车的实时目标数据可以通过所述单车的车载光电波传感设备检测采集得到。
s152：获取蓄电池溯源平台记录的所述单车的蓄电池静态数据作为静态目标数据。
在另一些可行的实施方式，还可以通过数据平台获取所述单车的蓄电池静态数据。
s153：将所述单车的实时目标数据和静态目标数据导入至所述至少一个蓄电池故障预警目标模型中，得到关于所述单车的蓄电池故障预测结果，所述蓄电池故障预测结果包括预测的故障类别、故障发生时间、故障发生概率和/或故障源。
在一些可行的实施方式中，所述蓄电池故障预警目标模型至少包括15种国标故障，所述蓄电池故障预警目标模型还可以根据所述海量数据中出现的新故障类别进行扩展添加。
在一些可行的实施方式中，还可以从第三方环境数据提供平台拉取实时的环境数据，并将所述实时的环境数据导入模型中配置相关参数。
s160：基于所述蓄电池故障预测结果得到蓄电池预警信息，并将所述蓄电池预警信息发送至所述单车终端或用户终端设备。
优选地，本发明实施例中的步骤s160可以包括以下步骤：
s161：根据预设的阈值对所述蓄电池故障预测结果进行筛选，并基于预设的规则对筛选后的蓄电池故障预测结果进行自然语言的描述，得到蓄电池故障预警信息。
在一些可行的实施方式中，所述蓄电池预测结果中包含了预测的故障类别、故障发生时间、故障发生概率和/或故障源，可以对故障发生的概率大小和故障发生时间预设阈值，根据预设的阈值对预测结果进行筛选。筛选后的预测结果可以为结构化的数据，基于自然语言处理技术，可以将结构化的数据转换成自然语言，提供人性化的预警服务。
s162：将所述蓄电池故障预警信息发送至所述单车终端或用户终端设备；
和/或，将所述针对至少一种蓄电池故障类别的数据分析结果以可视化的表现形式发送至所述单车终端或用户终端设备。
在一些可行的实施方式中，可以根据所述蓄电池故障预警目标模型建立蓄电池故障预警系统，所述蓄电池故障预警系统包括预警提示单元，所述预警提示单元包括通信模块，用于通过移动网络或者无线网络将所述预警信息和/或所述数据分析结果发送至车载终端的显示屏、中控台或移动端应用软件中。
可以理解的是，数据分析结果可以以可视化的形式表现，包括但不限于饼状图、条状图、曲线图、时序表图和透视表。
本发明实施例还提供了一种基于大数据的蓄电池故障预警系统，如图7所示，所述基于大数据的蓄电池故障预警系统可以包括：
交互界面701，用于用户对故障预警方式进行设置；用于显示蓄电池故障预警信息；和/或用于显示可视化的针对至少一种蓄电池故障类别的数据分析结果。
数据抓取单元702，用于抓取至少一个目标平台的海量数据；和/或获取单车的目标数据。
数据处理单元703，用于基于分布式系统架构，将所述海量数据进行处理并存储。
数据分析单元704，用于根据所述海量数据进行检索分析，得到针对至少一种蓄电池故障类别的数据分析结果。
预警模型单元705，用于根据所述数据分析结果，建立至少一个蓄电池故障预警目标模型；和/或用于通过所述至少一个蓄电池故障预警目标模型对所述单车的目标数据进行预测分析，得到所述单车的蓄电池故障预测结果。
预警提示单元706，用于基于所述蓄电池故障预测结果得到蓄电池故障预警信息，并将所述蓄电池故障预警信息发送至所述单车终端或用户终端设备。
本发明实施例还提供了一种计算机设备，所述设备包括：处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如本发明实施例的一种基于大数据的蓄电池故障预警方法。
存储器可用于存储软件程序以及模块，处理器通过运行存储在存储器的软件程序以及模块，从而执行各种功能应用。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、功能所需的应用程序等；存储数据区可存储根据所述设备的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器还可以包括存储器控制器，以提供处理器对存储器的访问。
本发明实施例所提供的方法实施例可以在计算机终端、服务器或者类似的运算装置中执行，即上述计算机设备可以包括计算机终端、服务器或者类似的运算装置。图8是本发明实施例提供的运行一种基于大数据的蓄电池故障预警方法的计算机设备的硬件结构框图，如图8所示，该计算机设备的内部结构可包括但不限于：处理器、网络接口及存储器。其中，计算机设备内的处理器、网络接口及存储器可通过总线或其他方式连接，在本说明书实施例所示图8中以通过总线连接为例。
其中，处理器(或称cpu(centralprocessingunit，中央处理器))是计算机设备的计算核心以及控制核心。网络接口可选的可以包括标准的有线接口、无线接口(如wi-fi、移动通信接口等)。存储器(memory)是计算机设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的存储器可以是高速ram存储设备，也可以是非不稳定的存储设备(non-volatilememory)，例如至少一个磁盘存储设备；可选的还可以是至少一个位于远离前述处理器的存储装置。存储器提供存储空间，该存储空间存储了电子设备的操作系统，可包括但不限于：windows系统(一种操作系统)，linux(一种操作系统)，android(安卓，一种移动操作系统)系统、ios(一种移动操作系统)系统等等，本发明对此并不作限定；并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。在本说明书实施例中，处理器加载并执行存储器中存放的一条或一条以上指令，以实现上述方法实施例提供的一种基因大数据的蓄电池故障预警方法。
本发明实施例还提供了一种计算机存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行如本发明实施例所述的一种基于大数据的蓄电池故障预警方法。
可选地，在本实施例中，上述存储介质可以包括但不限于：u盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、系统和服务器实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
1.一种基于大数据的蓄电池故障预警方法，其特征在于，所述方法包括：
抓取至少一个目标平台的海量数据；
基于分布式系统架构，将所述海量数据进行处理并存储；
根据所述海量数据进行检索分析，得到针对至少一种蓄电池故障类别的数据分析结果；
根据所述数据分析结果，建立至少一个蓄电池故障预警目标模型；
获取单车的目标数据，并通过所述至少一个蓄电池故障预警目标模型对所述单车的目标数据进行预测分析，得到所述单车的蓄电池故障预测结果；
基于所述蓄电池故障预测结果得到蓄电池预警信息，并将所述蓄电池预警信息发送至所述单车终端或用户终端设备。
2.根据权利要求1所述的一种基于大数据的蓄电池故障预警方法，其特征在于，所述抓取至少一个目标平台的海量数据包括：
抓取新能源车辆监测平台记录的蓄电池动态数据，所述蓄电池动态数据包括蓄电池实时状态数据、蓄电池历史状态数据和蓄电池历史故障数据；
抓取新能源车辆蓄电池溯源平台记录的蓄电池静态数据；
抓取第三方环境数据提供平台记录的车辆运行环境数据；
和/或，抓取车联网数据平台记录的车辆使用状态数据和用户使用行为数据。
3.根据权利要求1所述的一种基于大数据的蓄电池故障预警方法，其特征在于，所述基于分布式系统架构，将所述海量数据进行处理并存储包括：
对所述海量数据进行数据清洗、整理和/或解析，得到结构化的数据；
基于分布式系统架构，将所述结构化的数据存储在数据仓库中，以使得所述结构化的数据能够被检索或查询。
4.根据权利要求2或3任一项所述的一种基于大数据的蓄电池故障预警方法，其特征在于，所述根据所述海量数据进行检索分析，得到针对至少一种蓄电池故障类别的数据分析结果包括：
根据所述蓄电池历史故障数据对蓄电池故障类别、故障频次和/或故障源进行统计，得到故障统计分析结果；
针对所述故障统计分析结果中每一种蓄电池故障类别，根据所述蓄电池历史故障数据得到所述每一种蓄电池故障类别的故障发生时间；
从所述数据仓库中检索搜集所述故障发生时间前后一定时间范围内的蓄电池历史状态数据和蓄电池静态数据作为电池异常数据；
根据所述电池异常数据进行数据挖掘和分析，得到针对所述每一种蓄电池故障类别的电池异常数据的特征分析结果，以及所述每一种蓄电池故障类别与所述电池异常数据的相关性分析结果。
5.根据权利要求4所述的一种基于大数据的蓄电池故障预警方法，其特征在于，所述根据所述海量数据进行检索分析，得到针对至少一种蓄电池故障类别的数据分析结果还包括：
针对所述故障统计分析结果中每一种蓄电池故障类别，从所述数据仓库中检索搜集相关的用户使用行为数据、车辆使用状态数据和/或车辆运行环境数据作为外部异常数据；
根据所述外部异常数据进行数据挖掘和分析，得到针对所述每一种蓄电池故障类别的外部异常数据的特征分析结果，以及所述每一种蓄电池故障类别与所述外部异常数据的相关性分析结果。
6.根据权利要求4所述的一种基于大数据的蓄电池故障预警方法，其特征在于是，所述根据所述海量数据进行检索分析，得到针对至少一种蓄电池故障类别的数据分析结果还包括：
针对所述故障统计分析结果中每一种蓄电池故障类别，从所述数据仓库中检索搜集单车的历史故障数据和/或历史状态数据作为单车异常数据；
根据所述单车异常数据进行数据挖掘和分析，得到针对所述每一种蓄电池故障类别的单车异常数据的特征分析结果，以及所述每一种蓄电池故障类别与所述单车异常数据的相关性分析结果。
7.根据权利要求4-6中任一项所述的一种基于大数据的蓄电池故障预警方法，其特征在于，所述根据所述数据分析结果，建立至少一个蓄电池故障预警目标模型包括：
针对所述故障统计分析结果中所述每一种蓄电池故障类别，根据所述电池异常数据的特征分析结果、外部异常数据的特征分析结果、所述每一种蓄电池故障类别与所述电池异常数据的相关性分析结果和/或所述每一种蓄电池故障类别与所述外部异常数据的相关性分析结果建立与所述每一种蓄电池故障类别对应的的至少一个蓄电池故障预警通用模型；
根据所述单车异常数据的特征分析结果，以及所述每一种蓄电池故障类别与所述单车异常数据的相关性分析结果对所述至少一个蓄电池故障预警通用模型进行调整和修正，得到针对所述单车的至少一个蓄电池故障预警模型；
获取所述单车的随机样本数据，并通过所述随机样本数据对所述至少一个蓄电池故障预警模型进行训练，得到至少一个蓄电池故障预警目标模型。
8.根据权利要求1所述的一种基于大数据的蓄电池故障预警方法，其特征在于，所述获取单车的目标数据，并通过所述至少一个蓄电池故障预警目标模型对所述单车的目标数据进行预测分析，得到所述单车的蓄电池故障预测结果包括：
通过所述单车的车载终端采集设备获取所述单车的实时目标数据；
获取蓄电池溯源平台记录的所述单车的蓄电池静态数据作为静态目标数据；
将所述单车的实时目标数据和静态目标数据导入至所述至少一个蓄电池故障预警目标模型中，得到关于所述单车的蓄电池故障预测结果，所述蓄电池故障预测结果包括预测的故障类别、故障发生时间、故障发生概率和/或故障源。
9.根据权利要求4-6中任一项所述的一种基于大数据的蓄电池故障预警方法，其特征在于是，所述基于所述蓄电池故障预测结果得到蓄电池故障预警信息，并将所述蓄电池故障预警信息发送至所述单车终端或用户终端设备包括：
根据预设的阈值对所述蓄电池故障预测结果进行筛选，并基于预设的规则对筛选后的蓄电池故障预测结果进行自然语言的描述，得到蓄电池故障预警信息；
将所述蓄电池故障预警信息发送至所述单车终端或用户终端设备；
和/或，将所述针对至少一种蓄电池故障类别的数据分析结果以可视化的表现形式发送至所述单车终端或用户终端设备。
10.一种基于大数据的蓄电池故障预警系统，其特征在于，所述系统包括：
交互界面，用于对故障预警方式进行设置；用于显示蓄电池故障预警信息；和/或用于显示可视化的针对至少一种蓄电池故障类别的数据分析结果；
数据抓取单元，用于抓取至少一个目标平台的海量数据；
数据处理单元，用于基于分布式系统架构，将所述海量数据进行处理并存储；
数据分析单元，用于根据所述海量数据进行检索分析，得到针对至少一种蓄电池故障类别的数据分析结果；
预警模型单元，用于根据所述数据分析结果，建立至少一个蓄电池故障预警模型；和/或用于通过所述至少一个蓄电池故障预警模型对所述单车的目标数据进行预测分析，得到所述单车的蓄电池故障预测结果；
预警提示单元，用于基于所述蓄电池故障预测结果得到蓄电池故障预警信息，并将所述蓄电池故障预警信息发送至所述单车终端的交互界面或用户终端设备的交互界面。
技术总结