一种基于梯度提升树的锂离子电池故障诊断方法技术

本发明专利技术属于电池故障诊断领域，具体公开了一种基于梯度提升树的锂离子电池故障诊断方法，包括以下步骤：获取锂离子电池的历史故障数据并上传到数据库平台，对数据的处理、筛选出电池特征值参数或关键数值，形成数据集，将数据集划分为训练集和测试集，将选取的训练集及预测指标带入梯度提升树模型进行训练，通过迭代优化，待梯度提升树模型收敛后输出梯度提升树模型；采集锂离子电池运行中电池特征值参数或关键数值，输入训练后的梯度提升树模型，进行锂离子电池故障诊断。本发明专利技术基于梯度提升树算法，通过提取和电池故障特性相关的一致性特征来对锂离子电池进行诊断，能够在电池故障可能发生之前作出预警，提高锂离子电池的管理效率和安全度。效率和安全度。效率和安全度。

【技术实现步骤摘要】
一种基于梯度提升树的锂离子电池故障诊断方法


[0001]本专利技术属于电池故障诊断领域，特别涉及一种基于梯度提升树的锂离子电池故障诊断方法。

技术介绍

[0002]动力锂电池在电动汽车、储能系统等领域得到大规模应用。动力锂电池具有较高的能量密度和功率密度，一旦发生故障会引发热失控等安全事故，带来严重的经济损失和社会危害。造成电池组自燃事故的主要原因就是电池的微短路等故障。电池微短路经过长期发展会导致热失控，在高温或极端条件下，有些微短路会迅速恶化，然而目前尚无有效的诊断方法。因此，研究锂电池的故障特性并开发有针对性的早期征兆提取和故障诊断方法是确保电池应用安全的基础。
[0003]现有锂电池的故障诊断方法主要有两种，一种是通过硬件检测单体电池内部情况的模型驱动，由于锂离子电池的电化学反应十分复杂，很难获得其准确的机理模型，该方法操作手续繁多复杂且耗时巨大，难以及时提取故障的特征变化，也无法依据对数据的采集和分析进行自动分析，只适合故障紧急处理，无法实时进行故障风险评估和预测；另一种是单纯以数据驱动进行电池故障判断。该方法对数据的样本量和质量要求很高且未考虑数据信号与内部电化学机理之间的联系，预测结果准确度差。
[0004]专利CN111060821 A公开了一种具备锂电池故障早期预警功能的电池管理系统及方法，该方法通过检测电池箱内多种气体的浓度，根据各种气体的浓度及其在电池产气中的占比综合分析，判断电池故障级别。但是该方法使用的条件有较多限制，需要精密复杂的仪器进行气体检测，且锂离子电池内部化学反应机理复杂，故障发生受多种因素影响，准确性较差，且该检测时间较长，不能实时诊断。
[0005]专利CN110308397 B公开了一种混合卷积神经网络驱动的锂电池多类故障诊断建模方法，该方法对实测和筛选的锂离子电池故障样本数据构造混合卷积神经网络，通过混合神经网络的学习来实现锂电池故障的诊断。但是神经网络结构错综复杂，计算量巨大，容易产生过拟合现象，对数据的样本量和质量要求很高。
[0006]专利CN110399975 A公开了一种面向硬件移植的锂电池深度诊断模型压缩算法，该方法同样采用混合卷积神经网络，利用阈值学习获取网络权重以减少网络规模，并且使用可变长度码编码权重与索引减少网络存储空间。最终完成模型的建立。但是该方法无法解析导致锂电池故障发生的内部根源，没有联系内部微观化学反应，单纯依靠数据驱动，可解释性较差。

技术实现思路

[0007]本专利技术的目的在于提供一种基于梯度提升树的锂离子电池故障诊断方法，以解决现有技术中无法实时进行故障风险评估和预测、针对锂离子电池早期的故障预警预测问题，从而提高锂离子电池的管理效率和安全度。
[0008]为了达到上述目的，本专利技术采用以下技术方案实现：
[0009]本专利技术提供一种基于梯度提升树的锂离子电池故障诊断方法，包括以下步骤：
[0010]步骤1：获取锂离子电池的历史故障数据并上传到数据库平台；
[0011]步骤2：对上传到数据库平台的历史故障数据进行清洗操作：处理缺失值数据、处理噪声数据、数据的格式排列；
[0012]步骤3：对步骤2进行清洗操作后的历史故障数据进行无量纲标准化处理；
[0013]步骤4：从进行无纲量标准化处理的历史故障数据中筛选出电池特征值参数或关键数值，形成数据集；所述电池特征值参数为电池运行过程中能代表其单体电芯性能的内阻、容量和自放电参数的电池特征值参数；所述关键数值为电池性能具有一致性的关键数值；
[0014]步骤5：将数据集划分为训练集和测试集；
[0015]步骤6：将选取的训练集及预测指标带入梯度提升树模型进行训练，通过迭代优化，待梯度提升树模型收敛后输出模型；
[0016]采集锂离子电池运行中的电池特征值参数或关键数值，输入训练后的梯度提升树模型，进行锂离子电池故障诊断。
[0017]进一步的，步骤2中所述清洗操作具体包括：处理缺失值数据、处理噪声数据、数据的格式排列中一种或多种；
[0018]所述处理噪声数据具体为：采用拉依达准则或箱线图方法去除高频噪音数据。
[0019]进一步的，所述步骤3对数据进行无量纲标准化处理中，采用对集数据的标准化处理进行无量纲化处理，所述方法的标准化处理采用z
‑
score标准化计算方法，转换公式为：
[0020][0021]其中，x
i
为原始数据，为原始数据均值，其中n为样本数量，s为原始数据标准差，其中
[0022]进一步的，所述步骤4中的电池特征值参数或与电池性能具有一致性的关键数值包括但不限于对锂离子电池充放电容量、电压、电流、充放电时间、电池内阻和温度中一种或者多种。
[0023]进一步的，所述步骤5中，将数据集划分为训练集和测试集，划分比例为3:1。
[0024]进一步的，所述训练集通过十折交叉验证和网格搜索来设置多组模型参数，包括模型随机种子、惩罚项、损失函数、最大迭代次数、最大树深度、最大叶子节点数、采样比例，以获取模型最佳参数。
[0025]进一步的，所述获取的模型最佳参数数据采用十折交叉验证，根据批次划分经过多轮训练，输出预测指标，并将多次预测指标进行融合输出最终预测指标。
[0026]进一步的，所述故障诊断方法还包括将测试集数据带入步骤6训练后的梯度提升树模型，对梯度提升树模型进行评估的步骤。
[0027]进一步的，所述对梯度提升树模型进行评估的步骤中，采用ROC曲线和AUC指标模型评价指标，计算方法为：
[0028]通过混淆矩阵，得到两个指标：
[0029]真正例率，True Positive Rate：TPR＝TP/(TP+FN)；
[0030]假正例率，False Postive Rate：FPR＝FP/(TN+FP)；
[0031]以真正例率作为纵轴，以假正例率作为横轴作图，得到了ROC曲线，AUC是ROC曲线下的面积。
[0032]进一步的，所述将测试集数据带入步骤6训练后的梯度提升树模型用于验证模型的准确率，同时检测模型是否过拟合。
[0033]与现有技术相比，本专利技术至少具有以下有益效果：
[0034]1、本专利技术基于梯度提升树算法，通过提取和电池故障特性相关的一致性特征来对锂离子电池进行诊断，并且能够在电池故障可能发生之前作出预警，提高锂离子电池的管理效率和安全度。
[0035]2、实现锂离子电池故障的准确高效预测，为锂离子电池的故障研究和在线诊断工作提供了关键思路。
附图说明
[0036]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：
[0037]图1为本专利技术一种基于梯度提升树的锂离子电池故障诊断方法的流程示意图。
[0038]图2为本专利技术锂离子电池寿命预测方法的模型原理图。
[0039]图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于梯度提升树的锂离子电池故障诊断方法，其特征在于，包括以下步骤：步骤1：获取锂离子电池的历史故障数据并上传到数据库平台；步骤2：对上传到数据库平台的历史故障数据进行清洗操作：处理缺失值数据、处理噪声数据、数据的格式排列；步骤3：对步骤2进行清洗操作后的历史故障数据进行无量纲标准化处理；步骤4：从进行无纲量标准化处理的历史故障数据中筛选出电池特征值参数或关键数值，形成数据集；所述电池特征值参数为电池运行过程中能代表其单体电芯性能的内阻、容量和自放电参数的电池特征值参数；所述关键数值为与电池性能具有一致性的关键数值；步骤5：将数据集划分为训练集和测试集；步骤6：将选取的训练集及预测指标带入梯度提升树模型进行训练，通过迭代优化，待梯度提升树模型收敛后输出模型；采集锂离子电池运行中的电池特征值参数或关键数值，输入训练后的梯度提升树模型，进行锂离子电池故障诊断。2.根据权利要求1所述的一种基于梯度提升树的锂离子电池故障诊断方法，其特征在于，步骤2中所述清洗操作具体包括：处理缺失值数据、处理噪声数据、数据的格式排列中一种或多种；所述处理噪声数据具体为：采用拉依达准则或箱线图方法去除高频噪音数据。3.根据权利要求2所述的一种基于梯度提升树的锂离子电池故障诊断方法，其特征在于，所述步骤3对数据进行无量纲标准化处理中，采用对集数据的标准化处理进行无量纲化处理，所述标准化处理采用z
‑
score标准化计算方法，转换公式为：其中，x
i
为原始数据，为原始数据均值，其中n为样本数量，s为原始数据标准差，其中4.根据权利要求3所述的一种基于梯度提升树的锂离子电池故障诊断方法，其特征在于，所述步骤4中的电池特征值参数或与电池性能具有一致性的关键数...

【专利技术属性】
技术研发人员：王宁，刘明义，曹曦，雷浩东，宋吉硕，裴杰，曹传钊，孙周婷，颜云岭，孙超，朱耿峰，李海建，
申请(专利权)人：华能集团技术创新中心有限公司格尔木时代新能源发电有限公司，
类型：发明
国别省市：