一种基于深度学习算法的新能源电池智能分选方法技术

本发明专利技术公开了一种基于深度学习算法的新能源电池智能分选方法，包括如下步骤：S1、数据采集：在生产环境中采集电池数据；S2、数据预处理：对采集的电池数据进行预处理；S3、特征提取：将预处理的电池数据集进行特征提取得到电池数据的高维特征表示，基于电池电芯充电放电过程进行实时数据分析；S4、构建异常检测模型：构建编码器和构建解码器；S5、分选预测评估：利用构建好的异常检测模型对验证集电池数据进行分选预测，筛选出符合要求的电池。本发明专利技术使用异常检测模型可以捕捉到电池特征的序列信息，从而提高了新能源电池的分选准确性和分选效率，异常检测模型可以自动预测电池质量特征，无需人工干预，减少人力成本，提高生产效率。率。率。

【技术实现步骤摘要】
一种基于深度学习算法的新能源电池智能分选方法


[0001]本专利技术涉及电池智能分选
，尤其涉及一种基于深度学习算法的新能源电池智能分选方法。

技术介绍

[0002]由于电动汽车的发展，新能源电池已成为能源领域的热点，目前，新能源电池分选技术主要分为人工分选和机器学习分选两种。其中，人工分选方法需要专业人员手动对电池进行分类，虽然可以达到较高准确度，但其效率低下、成本高昂、无法实现自动化。另一种机器学习分选方法通过对电池数据进行特征提取和模型训练，自动对电池进行分类，具有较高效率和较低成本的优点，但是由于采集的电池数据具有高维度和复杂性，因此需要对采集的数据进行复杂的预处理，包括数据清洗、数据归一化等操作，这些预处理过程比较繁琐，需要较高技术水平的人员进行处理且通常无法反映电池内部微观参数的变化，例如电极材料结构变化、电解质浓度变化等。这样使得现有的机器学习分选技术存在分选、成组的效率低下，分选用时长的缺陷。因此，如何提供一种基于深度学习算法的新能源电池智能分选方法是本领域技术人员亟需解决的问题。

技术实现思路

[0003]本专利技术的一个目的在于提出一种基于深度学习算法的新能源电池智能分选方法，本专利技术使用异常检测模型可以捕捉到电池特征的序列信息，从而提高了新能源电池的分选准确性和分选效率，异常检测模型可以自动预测电池质量特征，无需人工干预，减少人力成本，减少分选时长，提高生产效率。
[0004]根据本专利技术实施例的一种基于深度学习算法的新能源电池智能分选方法，包括如下步骤：/>[0005]S1、数据采集：在生产环境中采集电池数据；
[0006]S2、数据预处理：对采集的电池数据进行预处理；
[0007]S3、特征提取：将预处理的电池数据集进行特征提取得到电池数据的高维特征表示，基于电池电芯充电放电过程进行实时数据分析；
[0008]S4、构建异常检测模型：构建编码器和构建解码器；
[0009]S5、分选预测评估：利用构建好的异常检测模型对验证集电池数据进行分选预测，筛选出符合要求的电池。
[0010]可选的，所述采集电池数据包括电池电压数据、温度数据、内阻数据和电流数据，所述预处理包括对采集的电池电压数据、温度数据、内阻数据和电流数据进行噪声去除处理和数据归一化处理。
[0011]可选的，所述特征提取具体包括：
[0012]S31、将预处理的电池数据集进行特征提取得到电池电压、电池温度、电池内阻和电池电流的高维特征表示；
[0013]S32、基于电池电芯充电放电过程进行实时电流、电压、容量字段数据分析；
[0014]S33、根据充电电流、充电电压实时变化规律进行判断：
[0015]恒流充电阶段通过判断电流值下降或恒压充电阶段当电压值下降，即为拐点计算电流、电压、容量实时数据进行曲线斜率最大值、曲线围合面积、标准差、峰度、偏度、最值、均值的相关特征构建。
[0016]可选的，所述曲线斜率最大值、曲线围合面积、标准差、峰度、偏度、最值、均值计算如下：
[0017]曲线斜率公式：
[0018][0019]曲线围合面积公式：
[0020][0021]标准差公式：
[0022][0023]峰度计算公式：
[0024][0025]偏度计算公式：
[0026][0027]式中，μ为均值，σ为方差；
[0028]使用皮尔逊相关系数，通过计算各特征及标签之间的相关性进行特征筛选计算：
[0029][0030]式中，X,Y表示两项特征或标签，E为数学期望或均值，D为方差，为标准差，E((X
‑
EX)(Y
‑
EY))称为随机变量X与Y的协方差。
[0031]可选的，所述编码器采用多层神经网络结构，所述编码器将输入数据压缩到一个低维表示，所述解码器部分采用多层神经网络结构，所述解码器将编码器的低维表示恢复到原始数据的维度上。
[0032]可选的，所述构建异常检测模型采用基于累加和检测方法判断自编码器估计的输出是否偏离正常输入，偏离立刻报警并暂停。
[0033]可选的，所述基于累加和检测方法具体包括：
[0034]S41、计算模型的重构输出和输入的残差：
[0035]将输入的原始数据集样本空间表示为X，当给定一个输入x
i
∈X，经过f
e
(x)编码将其转换为低维特征空间中的编码z
i
∈Z，其中，Z表示编码空间，解码器f
d
(x)其重构为输出以上过程可表示为：
[0036]z
i
＝f
e
(x)＝σ(W
e
x+b
e
)；
[0037][0038]式中，W、b分布为权重参数、偏置参数；
[0039]S42、计算数据残差的期望值δ和标准差σ：
[0040][0041][0042]S43、对于每一时刻样本残差r
i
，计算残差累积和s
i
：
[0043]s
i
＝max(s
i
‑1‑
δ,0)；
[0044]S44、判断累积和s
i
是否大于阈值τ：
[0045]若s
i
<τ，则电池处于正常状态，继续工作；
[0046]若s
i
>τ，则电池处于异常状态，系统发出警报，暂停该电池进库，等待操作人员进一步判断。
[0047]可选的，所述阈值τ为3δ。
[0048]可选的，所述分选预测评估通过选择平均绝对百分比误差MAPE和均方误差MSE为评估指标：
[0049][0050][0051]式中，表示预测值，y
i
表示观察值，n为样本数量。
[0052]本专利技术的有益效果是：
[0053]本专利技术使用异常检测模型可以捕捉到电池特征的序列信息，从而提高了新能源电池的分选准确性和分选效率，异常检测模型可以自动预测电池质量特征，无需人工干预，较传统分选方式提效80％，平均误差率小于1％，提高生产效率，同时能进一步推动新能源电池行业的发展，具有广阔的市场应用前景。
附图说明
[0054]附图用来提供对本专利技术的进一步理解，并且构成说明书的一部分，与本专利技术的实施例一起用于解释本专利技术，并不构成对本专利技术的限制。在附图中：
[0055]图1为本专利技术提出的一种基于深度学习算法的新能源电池智能分选方法的流程图；
[0056]图2为本专利技术提出的一种基于深度学习算法的新能源电池智能分选方法中异常检测模型的算法结构图。
具体实施方式
[0057]现在结合附图对本专利技术作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本专利技术的基本结构，因此其仅显示与本专利技术有关的构成。
[0058]参考图1，一种基本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习算法的新能源电池智能分选方法，其特征在于，包括如下步骤：S1、数据采集：在生产环境中采集电池数据；S2、数据预处理：对采集的电池数据进行预处理；S3、特征提取：将预处理的电池数据集进行特征提取得到电池数据的高维特征表示，基于电池电芯充电放电过程进行实时数据分析；S4、构建异常检测模型：构建编码器和构建解码器；S5、分选预测评估：利用构建好的异常检测模型对验证集电池数据进行分选预测，筛选出符合要求的电池。2.根据权利要求1所述的一种基于深度学习算法的新能源电池智能分选方法，其特征在于，所述采集电池数据包括电池电压数据、温度数据、内阻数据和电流数据，所述预处理包括对采集的电池电压数据、温度数据、内阻数据和电流数据进行噪声去除处理和数据归一化处理。3.根据权利要求1所述的一种基于深度学习算法的新能源电池智能分选方法，其特征在于，所述特征提取具体包括：S31、将预处理的电池数据集进行特征提取得到电池电压、电池温度、电池内阻和电池电流的高维特征表示；S32、基于电池电芯充电放电过程进行实时电流、电压、容量字段数据分析；S33、根据充电电流、充电电压实时变化规律进行判断：恒流充电阶段通过判断电流值下降或恒压充电阶段当电压值下降，即为拐点计算电流、电压、容量实时数据进行曲线斜率最大值、曲线围合面积、标准差、峰度、偏度、最值、均值的相关特征构建。4.根据权利要求3所述的一种基于深度学习算法的新能源电池智能分选方法，其特征在于，所述曲线斜率最大值、曲线围合面积、标准差、峰度、偏度、最值、均值计算如下：曲线斜率公式：曲线围合面积公式：标准差公式：峰度计算公式：偏度计算公式：式中，μ为均值，σ为方差；
使用皮尔逊相关系数，通过计算各特征及标签之间的相关性进行特征筛选计算：式中，X,Y表示两项特征或标签，E为数学期望或均值，D为方差，为标准差，E((X
‑
EX)(Y
‑
EY))称为随机变量X与Y的协方差。5.根据权利要求1所述的一种基于深度学习算法的新能源电池智能分选方法，其特征在于，所述编码器采用多层神经网络结构，所述编码器将输入数据压缩到一个低维表示，所...

【专利技术属性】
技术研发人员：罗刚，马壮，黄健，
申请(专利权)人：安徽国麒科技有限公司，
类型：发明
国别省市：