高校大数据挑战赛优秀论文B241811.pdfVIP

所在组别参赛编号

2024年中国高校大数据挑战赛

研究生组bdc241811

基于多模型融合的电动汽车故障预警优化研究

摘要

随着全球对环保能源的推动，电动汽车（EV）成为替代传统燃油汽车的主

要选择。尽管电动汽车在可持续性和减少排放方面具有显著优势，但它们对复杂

电子控制系统和高压电池的依赖也带来了较大的故障风险。

本研究通过分析10个月的驾驶数据，旨在研究电动汽车的故障模式。通过

应用XGBoost和LightGBM等模型，识别导致不同级别故障报警的关键因素，

并提出了一种有效的预警模型。采用向前填充处理缺失值和通过中值修正离群值。

模型性能通过分类报告和混淆矩阵进行了评估，确保能够稳健地识别故障原因和

故障等级。通过机器学习算法提升电动汽车的安全性和可靠性提供了全面的框架，

为未来电动汽车技术的进步提供关键的见解。

针对问题一，对电动汽车的行驶数据进行收集和数据预处理，对缺失数据值

采用向前填充的方法补充，再使用中位数对异常值进行修正。清洗后的数据按照

月份分组，使用多种可视化图表直观清楚展示每个月的车速分布、SOC、电池充

电规律、故障报警等信息及其变化规律，最后对电动汽车的充电和用车规律进行

描述性统计分析。

针对问题二，在附件中提取电动汽车的车辆数据、电机数据以及电池数据，

使用LightGBM模型进行训练，使用过采样平衡类别，并通过classification_report

和混淆矩阵评估模型的性能，最后可视化特征的重要性，确定造成电动汽车不同

级别故障报警的主要影响因素前十位分别为。

针对问题三，构建LogisticsRegression、CNN+LSTM、DecisionTree、Random

Forest、XGBoost五个模型，并采用PCA对数据进行降维处理，训练模型并调整

参数，提升模型泛化能力。选择训练的准确率和损失曲线、混淆矩阵热力图、

ROC-AUC曲线来评估模型，绘制混淆矩阵，计算F1分数。对非零类别使用较

低的阈值来增加敏感度，同时降低学习率，减少深度以防止过拟合，对比不同故

障模型的情况，发现XGBoost模型各方面性能最好。

针对问题四，根据问题三构建的电动汽车故障学习模型，选择性能最好的

XGBoost模型作为十月份故障报警的预测模型。通过十月汽车数据以及时间节点

预测不同时刻的报警等级，同时生成10月报警等级直方图和每日报警等级数目

分布图，展示报警等级和报警时刻的分布情况，再将生成数据填入表格。

针对问题五，基于前面问题的分析结果，在充电方面，建议车主避免频繁的

浅充浅放，尤其是在高温环境下，保持电池的SOC在合理范围内以减少电池老

化风险。在故障检修方面，定期检查电池和电机系统，在用车规律方面，尽量避

免在极端天气条件下长时间驾驶。

关键词：电动汽车，故障检测，XGBoost，LightGBM，CNN+LSTM

1

一、问题提出与重述

1.1问题背景

随着全球环保意识的提升和能源结构的转型，新能源电动汽车凭借其清洁、

高效的特点，正逐步成为未来交通的主流选择。然而相较于传统燃油车，电动汽

车集成了更为复杂的电子控制系统和高压电池组件，这些技术创新虽然提高了电

动汽车的性能，但也显著增加了系统故障的风险。这些故障不仅威胁到车辆的正

常运行，还可能引发严重的安全事故。因此如何通过大数据和数学模型实现故障

[1]

的精准预警和预防，已成为新能源汽车领域的研究重点。

在这一背景下，利用大数据分析技术和数据模型来综合分析和预测新能源汽

车故障，成为当前汽车科技研究的重要任务。通过描述性统计方法分析故障报警

的时空规律，对数据进行关联性分析挖掘不同级别故障的主要影响因素，并基于

此构建故障预警模型。进一步地预测缺失时段的故障报警信息，有效提升电动汽

车的安全性和可靠性，为新能源汽车技术的可持续发展提供坚实的