电动汽车锂离子电池不一致性的新型融合评估方法及其安全应用

本文创新性地融合Z-score（标准分数）和One-Class SVM（单类支持向量机）算法，提出了一种基于电压比动态阈值化的锂离子电池不一致性评估方法。通过引入（IQR）四分位距自适应阈值和方差感知权重优化，解决了传统静态阈值在电池老化跟踪中的局限性，实验验证其在9台实车数据中显著降低误报率（<5%），为退役电池梯次利用提供可靠筛选依据。

　　

Highlight

尽管Z-score和One-Class SVM在异常检测中应用广泛，但二者联用评估锂离子电池不一致性尚属首次。Z-score捕捉电压分布的全局偏移，而One-Class SVM识别边界级异常（但对核参数敏感）。传统方法如LOF（局部离群因子）或DBSCAN（基于密度的聚类）依赖固定密度阈值，难以跟踪电池退化的动态统计特征。通过自适应权重优化和动态阈值技术，我们的框架融合了两种方法的互补优势，构建出显著更鲁棒的不一致性检测器。

电池专用增强设计

针对电池应用，我们提出三项专属改进：

1. 1.

   电压比归一化：将单体电压除以电池包总电压，消除尺度变异，隐含遵循基尔霍夫电压定律（Kirchhoff's law），同时降低单体间异方差性；

2. 2.

   动态IQR阈值：基于滑动窗口更新四分位距（IQR）截断值，保持25%的统计鲁棒性，自适应追踪老化过程中的分布漂移，降低漏检风险；

3. 3.

   方差感知融合权重：通过最小化组合评分方差来平衡Z-score与One-Class SVM的贡献，遵循奈曼-皮尔逊（Neyman-Pearson）准则，在固定误报率下最大化检测效能。

Conclusion

本研究提出的Z-score与One-Class SVM融合方法，通过电压比特征和动态阈值技术，实现了锂离子电池不一致性的精准评估。实验证明该方法在离线分选和在线监测中均表现优异，动态阈值策略优于四种经典固定阈值方法，为电池安全管理提供了创新解决方案。