一种集合变分自编码器与动态规整的锂电池异常检测方法技术

本发明专利技术提供了一种集合变分自编码器与动态规整的锂电池异常检测方法，包括获取锂电池生产过程中正常和异常的电池恒流充电电压时序数据；对数据进行预处理；将预处理后的数据划分为模型训练集、阈值训练集和测试集；将模型训练集输入至构建的VAE

【技术实现步骤摘要】
一种集合变分自编码器与动态规整的锂电池异常检测方法


[0001]本专利技术涉及锂电池检测方法
，特别地，涉及一种集合变分自编码器与动态规整的锂电池异常检测方法。

技术介绍

[0002]在锂电池生产过程中，保证同一批次的电池具有较好的充放电时序稳定性是生产环节的重要任务。但由于生产工艺波动，不可避免会出现指标不符合设计要求的异常电池，这些异常电池如果在生产过程中不能及时筛除，将降低出厂电池预期寿命，甚至会有一定安全隐患。因此，建立一套能精确有效的异常电池检测技术具有重要意义。
[0003]电池异常检测工作一般会放在化成工序激活后，此时电池的电化学性能基本稳定。在该工序结束后，为筛除未正常激活的电池，通常会对每个单体电池进行充放电实验，模拟检测电池充放电运行状态。故为了分析锂电池电池充放电稳定性，可选择从化成工序后的首次充电电压数据着手，对单体电池充电时序特征进行特征提取与异常分析。因此，针对异常电池检测的任务可以看作对电池充放电时序数据的异常检测任务。
[0004]目前，常见的锂电池异常检测方法分为两类，一种是以局部离群因子(Local Outlier Factor，LOF)、聚类算法为代表的基于密度的异常检测方法，如肖健夫等利用LOF异常算法分析电池充电电压曲线不一致性，实现了对储能电池组的异常检测与故障分类；贾俊等人则提出了基于多维特征和混合聚类算法的健康状态综合评分体系，利用无监督算法实现了对储能电站的故障电池筛选，综合考量了多维电池特性；马速良等人利用一种基于聚类分析架构的遗传优化异常检测新方法实现了对储能电池的个性化异常检测。第二种是基于经典机器学习算法的异常检测方法，如Ruochen Jin等人提出了结合灰色关联度分析(GRA)与孤立森林算法的异常电池数据检测方法，并利用基于众包策略与区块链的数据采集与处理方法收集了大量电动汽车电池充放电数据予以使用；Saxena等提出了一种利用一类支持向量机模型(One
‑
Class support vector machine，OCSVM)检测电池容量异常衰减趋势的新方法，实现了对电池衰退早期的异常状态检测。
[0005]但是，传统异常检测方法多应用于固定电池组的状态检测，不考虑对陌生的单体电池或电池组的数据适配与检测，不能直接用于生产现场在线检测。其次，上述算法多利用电池瞬时静态特征(如截止电压，内阻，电池容量等)，因而在处理时序数据时不能把握各个时刻间的关联，在涉及对时间序列的异常检测任务中，表现较差。为此一种可以实现在线检测，且具有较强时序数据处理能力的异常检测方法亟需提出。

技术实现思路

[0006]为解决现有技术中锂电池异常检测方法多应用于固定电池组的状态检测，不考虑对陌生的单体电池或电池组的数据适配与检测，不能直接用于生产现场在线检测，以及在处理时序数据时不能把握各个时刻间的关联，且在涉及对时间序列的异常检测任务中，表现较差的问题，本专利技术提供了一种集合变分自编码器与动态规整的锂电池异常检测方法，
该方法可以实现在线检测，且具有较强时序数据处理能力。
[0007]为实现上述目的，本专利技术提供了一种集合变分自编码器与动态规整的锂电池异常检测方法，包括以下步骤：
[0008]获取锂电池生产过程中正常和异常的电池恒流充电电压时序数据；
[0009]对所述电池恒流充电电压时序数据进行数据预处理；
[0010]将预处理后的数据划分为模型训练集、阈值训练集和测试集；其中，所述模型训练集中的数据均为正常电池数据，所述阈值训练集和所述测试集中包含正常电池数据和异常电池数据，且正常电池数据和异常电池数据的数量相等；
[0011]将所述模型训练集输入至构建的VAE
‑
LSTM
‑
DTW模型中进行训练；所述的VAE
‑
LSTM
‑
DTW模型包括经LSTM改进后的VAE网络构成的重构模型和DTW评价模型；将所述模型训练集先输入至经LSTM改进后的VAE网络构成的重构模型中进行训练，确定各层模型参数，从而确定重构模型；重构模型构建完成后，将所述阈值训练集输入所述重构模型中获得理论正常重构数据集，将阈值训练集与对应的理论正常重构数据集输入到DTW评价模型中，得到阈值训练集与其对应的理论正常重构数据集之间的重构误差，根据所述重构误差确定最优阈值，从而确定DTW评价模型；
[0012]将所述测试集输入至训练好的VAE
‑
LSTM
‑
DTW模型中，先经过重构模型得到测试集对应的理论正常重构数据集，后将测试集数据与对应的理论正常重构数据输入DTW评价模型，得到两者之间的重构误差，将重构误差与最优阈值进行比较，得到锂电池异常检测结果。
[0013]进一步的，当计算得到的重构误差大于最优阈值时，则该单体电池判定为异常电池；当计算得到的重构误差小于最优阈值时，则该单体电池判定为正常电池。
[0014]进一步的，获取锂电池生产过程中正常和异常的电池恒流充电电压时序数据，具体为：
[0015]采集锂电池生产过程中，分选段中第一次充电过程的有人工标注的正常和异常电池恒流充电电压时序数据；其中，采集的数据中任意单条时序数据长度未经预处理前，长度分布在[170,190]之间，即记录分选段电池充电过程中85
‑
95分钟的数据，电压范围为0
‑
4.0V。
[0016]进一步的，对所述电池恒流充电电压时序数据进行数据预处理，具体为：
[0017]首先，对采集到的数据中纯空数据集进行剔除；
[0018]其次，通过数据清洗与直线插补的方法，将原始数据处理为各点对齐且每条曲线长度均为170的实验数据集，单条曲线记录分选段电池恒流充电结束前85分钟数据。
[0019]进一步的，经LSTM改进后的VAE网络构成的重构模型依次包括输入层、第一长短时间记忆网络层、两个全连接层、lambda层、扩展层、第二长短时记忆网络层和输出层。
[0020]进一步的，将所述模型训练集先输入至经LSTM改进后的VAE网络构成的重构模型中进行训练，确定模型中的超参数，从而确定重构模型；具体为：
[0021]模型输入X
in
为多组时间定长的电池分选段充电电压动态数据组成的高维张量，输入向量X
in
＝[x1,x2,
…
x
i
…
,x
n
]其中x
i
，i∈(0,1,
…
,n)为任一单体电池充电电压曲线向量；x
i
＝[u1,u2,
…
u
j
…
,u
170
]，u
j
为任一时刻的电池电压值,j∈(0,1,
…
,170)；
[0022]X
in
输入输入层后，得到维度为(b,t,1)的单时间序列张量本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种集合变分自编码器与动态规整的锂电池异常检测方法，其特征在于，包括以下步骤：获取锂电池生产过程中正常和异常的电池恒流充电电压时序数据；对所述电池恒流充电电压时序数据进行数据预处理；将预处理后的数据划分为模型训练集、阈值训练集和测试集；其中，所述模型训练集中的数据均为正常电池数据，所述阈值训练集和所述测试集中包含正常电池数据和异常电池数据，且正常电池数据和异常电池数据的数量相等；将所述模型训练集输入至构建的VAE
‑
LSTM
‑
DTW模型中进行训练；所述的VAE
‑
LSTM
‑
DTW模型包括经LSTM改进后的VAE网络构成的重构模型和DTW评价模型；将所述模型训练集先输入至经LSTM改进后的VAE网络构成的重构模型中进行训练，确定各层模型参数，从而确定重构模型；重构模型构建完成后，将所述阈值训练集输入所述重构模型中获得理论正常重构数据集，将阈值训练集与对应的理论正常重构数据集输入到DTW评价模型中，得到阈值训练集与其对应的理论正常重构数据集之间的重构误差，根据所述重构误差确定最优阈值，从而确定DTW评价模型；将所述测试集输入至训练好的VAE
‑
LSTM
‑
DTW模型中，先经过重构模型得到测试集对应的理论正常重构数据集，后将测试集数据与对应的理论正常重构数据输入DTW评价模型，得到两者之间的重构误差，将重构误差与最优阈值进行比较，得到锂电池异常检测结果。2.根据权利要求1所述的一种集合变分自编码器与动态规整的锂电池异常检测方法，其特征在于，当计算得到的重构误差大于最优阈值时，则该单体电池判定为异常电池；当计算得到的重构误差小于最优阈值时，则该单体电池判定为正常电池。3.根据权利要求1所述的一种集合变分自编码器与动态规整的锂电池异常检测方法，其特征在于，获取锂电池生产过程中正常和异常的电池恒流充电电压时序数据，具体为：采集锂电池生产过程中，分选段中第一次充电过程的有人工标注的正常和异常电池恒流充电电压时序数据；其中，采集的数据中任意单条时序数据长度未经预处理前，长度分布在[170,190]之间，即记录分选段电池充电过程中85
‑
95分钟的数据，电压范围为0
‑
4.0V。4.根据权利要求3所述的一种集合变分自编码器与动态规整的锂电池异常检测方法，其特征在于，对所述电池恒流充电电压时序数据进行数据预处理，具体为：首先，对采集到的数据中纯空数据集进行剔除；其次，通过数据清洗与直线插补的方法，将原始数据处理为各点对齐且每条曲线长度均为170的实验数据集，单条曲线记录分选段电池恒流充电结束前85分钟数据。5.根据权利要求1所述的一种集合变分自编码器与动态规整的锂电池异常检测方法，其特征在于，经LSTM改进后的VAE网络构成的重构模型依次包括输入层、第一长短时间记忆网络层、两个全连接层、lambda层、扩展层、第二长短时记忆网络层和输出层。6.根据权利要求5所述的一种集合变分自编码器与动态规整的锂电池异常检测方法，其特征在于，将所述模型训练集先输入至经LSTM改进后的VAE网络构成的重构模型中进行训练，确定模型中的超参...

【专利技术属性】
技术研发人员：贺建军，郭铁峰，王翔，张天任，余顺伟，张鑫，张彬汉，郭铁山，张晓霞，
申请(专利权)人：天能电池集团股份有限公司，
类型：发明
国别省市：