基于长短时记忆自编码器的锂电池异常检测方法技术

本发明专利技术公开的基于长短时记忆自编码器的锂电池异常检测方法，具体为：获取正常及异常锂电池标准寿命内横流充电电压曲线；将充电电压曲线划分为训练集合和测试集合；基构建长短时记忆自编码器模型；将正常锂电池横流充电电压曲线输入自编码器模型进行训练；使用训练完毕的自编码器模型结合正常与异常电压曲线确定最优阈值；结合最优阈值与自编码器模型对锂电池进行异常检测。本发明专利技术方法提高对电池异常检测的准确性和自动化程度。检测的准确性和自动化程度。检测的准确性和自动化程度。

【技术实现步骤摘要】
基于长短时记忆自编码器的锂电池异常检测方法


[0001]本专利技术属于锂电池检测方法
，具体涉及基于长短时记忆自编码器的锂电池异常检测方法。

技术介绍

[0002]锂离子电池循环使用寿命长、体积小、能量密度高等特点，使其成为储能电池组当中最常用的电池类型。但电池的安全性给锂离子动力电池的使用带来挑战。随着电池使用场景复杂度不断升高，动力电池在运行过程中难免出现充电电压不稳，电流间断或温度异常等状态而引起电池热失控、物理失效或者内短路等故障，会引起使用设备离线或电池爆炸，严重危及使用者的人身及财产的安全，因此，电池管理系统应能在充放电的过程中，准确识别出当前锂电池的工作状态是否异常，并及时预警。电池使用者可依据预警，对电池的状态作进一步的检测，对导致电池故障的原因作进一步分析，决定是否更换电池或对当前电池进行梯次利用。因此，锂离子的电池异常检测技术不仅可为锂电池的安全运行提供可靠保障，也可有效提高电池的使用寿命与利用率，对锂离子动力电池的管理具有重要价值。
[0003]锂离子动力电池的异常检测是通过模型与测试方法，对电池所表现的异常进行判断。目前，主要的方法有基于参数辨识的异常检测、统计学异常检测和数据驱动的异常检测方法。参数辨识方法通过预先建立的模型，并以当前电池的电流电压的测量值和充电状态(State of charge,SOC)的估计作为输入，辨识出锂电池的关键特性，用以判断电池是否出现异常。统计学方法通过计算电池电压属性的标准偏差和极差等统计参数为基准，定义偏离阈值的方法进行异常检测。
[0004]基于数据驱动的方法在锂离子电池异常检测方面具备较大潜力，通过利用机器学习的方法，从电池管理系统(Battery management system,BMS)日常的检测数据中挖掘出电池的内在属性，在人工标定的条件下建立正常电池的有监督学习器或直接使用无监督聚类方法，实现锂电池的异常检测。该类方法在对锂电池异常检测的实时性和准确性方面都有很大提升。然而，采用数据驱动的方法对锂离子电池进行异常检测，无论采用有监督还是无监督学习的方法，用以判断电池是否异常的特征大多都需要采用人工设计的方式，推广的泛化性较差。此外，对于电池异常判断的阈值大多需要根据电池类型的变化重新进行人工设定，自动化程度较低。

技术实现思路

[0005]本专利技术的目的是提供基于长短时记忆自编码器的锂电池异常检测方法，解决了现有检测方法中自动化程度及准确度较低的问题。
[0006]本专利技术所采用的技术方案是，基于长短时记忆自编码器的锂电池异常检测方法，具体按照以下步骤实施：
[0007]步骤1、获取正常及异常锂电池标准寿命内横流充电电压曲线；
[0008]步骤2、将步骤1中的充电电压曲线划分为训练集合和测试集合；
[0009]步骤3、构建长短时记忆自编码器模型；
[0010]步骤4、将正常锂电池横流充电电压曲线输入自编码器模型进行训练；
[0011]步骤5、使用训练完毕的自编码器模型结合正常与异常电压曲线确定最优阈值；
[0012]步骤6、结合最优阈值与自编码器模型对锂电池进行异常检测。
[0013]本专利技术的特征还在于，
[0014]步骤1具体按照以下实施：
[0015]在恒流条件下分别对已标定为正常和异常的两类电池进行循环充放电，每充电一次，便会得到一组充电电压数据，每组充电电压数据形成一条横流充电电压曲线，最终构建n条横流充电电压曲线，根据观察和对比每次充电曲线特性，将n条横流充电电压曲线标注为正常充电曲线集合D
n
，以及异常充电曲线集合D
u
。
[0016]步骤2具体按照以下步骤实施：
[0017]将状态正常的锂电池电压曲线随机抽取60％作为训练集合X，剩下的40％正常锂电池电压曲线和所有异常锂电池电压曲线组成测试集合B，测试集合中锂电池的标签集合为其中y
s
∈{0,1}，1表示该锂电池属于正常，0表示属于异常。
[0018]步骤3具体按照以下步骤实施：
[0019]步骤3.1、建立长短时记忆神经网络的编码器，该长短时记忆网络包括遗忘门、输入门、输出门、隐状态、记忆细胞和候选记忆细胞，输入层为(b,t,1)的单序列时间序列张量，其中b为训练过程中数据批次的大小，隐层个数设置为1，该编码器隐层h
e
的神经元数量参数的设置区间k
e
∈[1,100]，编码器输出为其中t表示为电压曲线滑动窗口的大小；
[0020]步骤3.2、建立扩展层，对进行扩展，重复t次将扩展为(b,t,k
e
)大小的张量；
[0021]步骤3.3、建立长短时记忆神经网络的解码器，该长短时神经网络的输入为步骤3.2完成后的张量，隐层个数设置为1，该解码器隐层h
d
的神经元数量参数的设置区间k
d
＝k
e
，解码器的输出为每个隐层向量的序列集合
[0022]步骤3.4、建立输出层，在该层中，首先建立全连接层Dense，该全连接层的输入大小为k
d
，输出大小为1，输出层的作用是重复t次，将集合H中每个向量输入全连接层Dense，并将t次输出的结果拼接成张量(b,t,1)。
[0023]步骤4具体按照以下步骤实施：
[0024]设定数据批次大小b，使用训练集中的正常状态集合D
′
n
对所构建的自编码器进行训练，训练时所使用的损失函数为输入数据与输出数据之间的均方差，其表示如下：
[0025][0026]其中为训练样本真实值，为长短时记忆网络自编码器的输出值，训练过程中需最小化该重构误差。
[0027]步骤5具体按照以下实施：
[0028]步骤5.1、设定阈值的起始值θ
start
，步长θ
step
和终止值θ
end
，建立阈值集合Θ＝[θ
start
:θ
step
:θ
end
]ꢀꢀ
(2)；
[0029]步骤5.2、依照测试集合B，假设每次循环时阈值为θ
′
∈Θ，自编码器对测试集中每
个样本的构建误差为AE
MSE
(z
i
)，则每组样本是否为异常的预测值y
′
i
，依照如下条件给出：
[0030]y
′
i
＝1 if AE
MSE
(z
i
)>θ
′
(3)y
′
i
＝0 if AE
MSE
(z
i
)<θ
′ꢀꢀ
(4)
[0031]其中，标签为1表示异常；
[0032]步骤5.3、根据测试集合B，异常与否的预测结果本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于长短时记忆自编码器的锂电池异常检测方法，其特征在于，具体按照以下步骤实施：步骤1、获取正常及异常锂电池标准寿命内横流充电电压曲线；步骤2、将所述步骤1中的充电电压曲线划分为训练集合和测试集合；步骤3、构建长短时记忆自编码器模型；步骤4、将正常锂电池横流充电电压曲线输入自编码器模型进行训练；步骤5、使用训练完毕的自编码器模型结合正常与异常电压曲线确定最优阈值；步骤6、结合最优阈值与自编码器模型对锂电池进行异常检测。2.根据权利要求1所述的基于长短时记忆自编码器的锂电池异常检测方法，其特征在于，所述步骤1具体按照以下实施：在恒流条件下分别对已标定为正常和异常的两类电池进行循环充放电，每充电一次，便会得到一组充电电压数据，每组充电电压数据形成一条横流充电电压曲线，最终构建n条横流充电电压曲线，根据观察和对比每次充电曲线特性，将n条横流充电电压曲线标注为正常充电曲线集合D
n
，以及异常充电曲线集合D
u
。3.根据权利要求1所述的基于长短时记忆自编码器的锂电池异常检测方法，其特征在于，所述步骤2具体按照以下步骤实施：将状态正常的锂电池电压曲线随机抽取60％作为训练集合X，剩下的40％正常锂电池电压曲线和所有异常锂电池电压曲线组成测试集合B，测试集合中锂电池的标签集合为其中y
s
∈{0，1}，1表示该锂电池属于正常，0表示属于异常。4.根据权利要求1所述的基于长短时记忆自编码器的锂电池异常检测方法，其特征在于，所述步骤3具体按照以下步骤实施：步骤3.1、建立长短时记忆神经网络的编码器，该长短时记忆网络包括遗忘门、输入门、输出门、隐状态、记忆细胞和候选记忆细胞，输入层为(b，t，1)的单序列时间序列张量，其中b为训练过程中数据批次的大小，隐层个数设置为1，该编码器隐层h
e
的神经元数量参数的设置区间k
e
∈[1，100]，编码器输出为其中t表示为电压曲线滑动窗口的大小；步骤3.2、建立扩展层，对进行扩展，重复t次将扩展为(b，t，k
e
)大小的张量；步骤3.3、建立长短时记忆神经网络的解码器，该长短时神经网络的输入为步骤3.2完成后的张量，隐层个数设置为1，该解码器隐层h
d
的神经元数量参数的设置区间k
d
＝k
e
，解码器的输出为每个隐层向量的序列集合步骤3.4、建立输出层，在该层中，首先建立全连接层，该全连接层的输入大小为k
d
，输出大小为1，输出层的作用是重复t次，将集合H中每个向量输入全连接层，并将t次输出的结果拼接成张量(b，t，1)。5.根据权利要求1所述的基于长短时记忆自编码器的锂电池异常检测方法，其特征在于，所述步骤4具体按照以下步骤实施：设定数据批次大小b，使用训练集中的正常状态集合D
′
n
对所构建的自编码器进行训练，训练时所使用的损失函数为输入数据与输出数据之间的均方差，其表示如下：
其中为训练样本真实值，为长短时记忆网络自编码器的输出值，训练过程中需最小化该重构误差。6.根据权利要求1所述的基于长短时记忆自编码器的锂电池异常检测方法，其特征在于，所...

【专利技术属性】
技术研发人员：蔡磊，李俊欣，金海燕，闫晶，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：