【读书活动感悟分享】特安全《离群分析》基于异常检测思维，构建SOH曲线评估体系的实践思考

       在阅读完《OutlierAnalysis》中异常点检测相关章节，并结合基于车辆曲线的算法实践后，我深刻认识到SOH曲线评估体系的核心逻辑，本质是将异常检测的理论方法与电池健康状态评估的业务场景融合。该体系并非单纯的指标堆砌，而是以“识别数据异常、验证曲线合理性”为目标，通过多维度量化指标，在缺乏真实SOH标签、数据存在固有噪声的约束下，实现对SOC-Power曲线与SOH曲线质量的系统性评估，为电池健康状态（SOH）估算结果的可靠性提供关键保障。

       由于SOH曲线因温度敏感性呈现“衰减叠加季节性波动”的特征，传统基于“单调平滑”的评估标准失效，评估体系从算法稳健性、群体偏离度、物理一致性三个维度构建指标，实则是将《Outlier Analysis》中“趋势异常识别”“群体异常对比”的思想与电池物理规律结合后的实践应用，核心目标是区分合理的温度响应与噪声或模型偏差导致的异常。

1、算法稳健性

    算法稳健性维度选用标准化残差自相关指标，检验SOC-Power算法（SOH计算的核心模型）的可靠性，这与《Outlier Analysis》中“优质模型应充分提取数据系统性规律，残差需呈随机白噪声”的核心判断标准一致。该指标通过计算残差序列在初始k个滞后阶数上的自相关系数并求和，量化残差是否包含未被捕捉的系统性模式（如温度导致的周期性波动）。若指标值接近，表明残差为随机白噪声，算法已充分提取数据规律，无算法层面的异常；若指标值偏高，则意味着残差中存在未捕捉的系统性模式，属于“算法拟合异常”，提示模型可能存在设定错误或忽略关键变量（如温度因子），需优化算法以消除系统性偏差。

图1 算法稳健性在订单上的体现

2、群体偏离度

       群体偏离度维度以“目标车辆SOH曲线与同车系群体均值曲线的均方根误差（RMSE）”为核心指标，直接应用《OutlierAnalysis》中“基于邻近的异常检测”思想——在缺乏绝对基准时，通过个体与群体的偏离程度判断异常。同车系车辆在相似使用条件下，电池衰减应呈现共性趋势，群体均值曲线可视为“正常衰减基准”；若目标车辆的RMSE值较低，说明其衰减轨迹与群体共性吻合，无显著个体异常；若RMSE值过高，则该车辆属于“群体异常点”，可能是数据噪声干扰、电池故障或算法计算偏差导致，需进一步溯源排查，确保个体SOH曲线的合理性。

3、物理一致性

图2 曲线RMSE的统计直方图