高校大数据挑战赛优秀论文B241890.pdfVIP

所在组别参赛编号

“未来杯”2024年第四届高校大数据挑战赛

本科组bdc241890

基于数据驱动的新能源电动汽车故障预警研究

摘要

随着全球对环境保护和能源转型的关注，新能源电动汽车逐渐成为主流。然

而，高压电池系统和电子控制技术的复杂性带来了潜在故障风险，可能导致车辆

故障或安全隐患，尤其是过充自燃和过放电等问题。因此，及时诊断和预防这些

故障至关重要。

针对问题一，我们构建了综合行驶数据清理框架。在数据质量评估阶段，我

们采取时间特征分析，构建了多层次Deep-LSTM模型，来捕捉它们之间的时间

依赖关系。接着进行残差分析，建立基于时序数据的序列到序列回归模型，将行

驶数据作为输入变量进行预测，通过将预测值与实际值对比，来判定并清除异常

数据。数据恢复阶段，首先要考虑模型特征与时间特征相结合，来准确恢复噪声

污染和缺失的数据。进而建立数据恢复模型，使用基于特征融合的方法，利用编

码器DAE来修复损坏的数据。统计分析了各个月份0级、1级、2级以及3级不

同级别故障次数，得出了随季节性波动的变化规律，并分析总结该电动汽车的车

主频繁快充、高负荷使用以及频繁冷热交替使用的规律。

针对问题二，我们运用了k-means聚类算法简化故障特征数据，结合加权

优化FP-Growth算法来挖掘不同级别故障报警及其影响因素之间的关联规则。

构建关联规则模型，选取了充电过电压率、充电电压误差率、充电电流错误率等

关键参数，并对相关特征参数数据进行离散化处理。利用加权优化的FP-Growth

算法挖掘故障与特征参数之间的关联规则，揭示急加速转速突变等导致1级故障，

23

直流母线电流超限导致级故障，电机控制器温度过高导致级故障。

针对问题三，本文构建数据驱动的故障早期预警方法，结合短文本挖掘和灰

色关联分析。通过短文本挖掘提取故障信息，并利用灰色关联算法分析车辆状态

与故障之间的关系，构建了电动汽车的故障预测模型，并通过支持向量机（SVM）

优化核函数和超参数提升预警性能。在模型依赖性、时间依赖性与深度特征方面，

相较时间序列分析、回归分析、特征融合法、关联规则法与灰色关联相比都显示

出更加全面的性能

10

针对问题四，我们根据问题三中建立的模型，预测了第个月该车辆可能

会出现的故障报警时刻及报警等级。该月30天中，共有1级故障预警8次，2

级故障预警5次、3级故障预警3次的情况，我们分析主要诱因为电机过热、低

温电池效率下降、电机严重故障等因素。

针对问题五，我们根据前面问题的分析，以及以往模型的数据结果给出该车

辆的使用建议，充电方面，我们建议优化充电时间、使用温控设备、控制充电频

率以及检查充电兼容性。故障检修方面，建议建立定期检修计划、提前预警系统、

针对性维修以及记录故障日志。用车规律方面，我们建议合理规划使用场景、监

控使用强度以及用户培训。

关键词：多层次Deep-LSTM、特征融合、k-means聚类、加权FP-Growth、

短文本挖掘、灰色关联分析

1

一问题背景

随着新能源电动汽车成为未来交通主流，其高压电池系统和电子控制技术复

杂性带来了潜在故障风险，可能引发安全隐患。尤其是高压电池在使用过程中易

出现过充自燃和过放电等问题，因此及时诊断和预防故障至关重要。通过数据分

析和故障预警模型的开发，可以提高电动汽车的安全性和可靠性，确保稳定性，

减少风险，并提升用户体验。

二问题重述

针对于问题一，处理提供的车辆数据，包括缺失值处理和异常值识别。分析

1月至9月期间每月故障报警次数及变化规律，最好用可视化展示车主的充电和

用车规律。

针对于问题二，利用1月至9月的数据，选择合适的大数据方法，找出造成

不同级别故障报警的主要影