电池热失控预警模型的训练方法技术

本申请提供了一种电池热失控预警模型的训练方法

【技术实现步骤摘要】
电池热失控预警模型的训练方法、装置及电子设备


[0001]本申请涉及储能
，尤其是涉及一种电池热失控预警模型的训练方法
、
装置及电子设备
。

技术介绍

[0002]在训练用于确定电池热失控诊断的神经网络模型时，需要采集数据构建相应的训练样本
。
通常是通过充放电试验收集电池故障数据，然后构建支持向量机模型以识别不同状态锂电池的故障类型
。
锂电池故障时的数据本身属于异常数据，通过试验收集到的故障数据有限，且存在严重的数据不平衡性（训练样本中电池正常工作的样本偏多），不均匀的数据直接结果就是导致模型预测准确率降低
。

技术实现思路

[0003]本申请的目的在于提供一种电池热失控预警模型的训练方法
、
装置及电子设备，通过联合上采样和下采样方法实现对电池热失控数据的采样处理，得到正负样本均衡的训练数据，从而能够训练出预测准确率高的预警模型
。
[0004]第一方面，本申请提供一种电池热失控预警模型的训练方法，方法包括：获取初始电池热失控样本数据；电池热失控样本数据包括：具有电池热失控故障时刻点的电池的电芯温度和
/
或电压时序曲线的采样数据；判断初始电池热失控样本数据中正负样本是否均衡，若是，则直接用于训练神经网络以获得电池热失控预警模型；若不均衡，则采用近邻优先的下采样策略，对初始电池热失控样本数据对应的样本时序曲线进行第一采样处理，得到第一电池热失控样本集；近邻优先的下采样策略包括：对于样本时序曲线上
、
距离发生热失控故障的时间点越近的部分，选择越高的采样率进行采样；判断第一电池热失控样本集中的样本数量是否大于预设值，若是，采用第一电池热失控样本集对神经网络模型进行训练以获得电池热失控故障预警模型；否则，基于数据分布差异的
Borderline
‑
SMOTE
上采样策略，对第一电池热失控样本集进行第二采样处理以得到第二电池热失控样本集；采用第二电池热失控样本集训练神经网络以得到电池热失控预警模型
。
[0005]进一步地，上述采用近邻优先的下采样策略，对初始电池热失控样本数据对应的样本时序曲线进行第一采样处理，得到第一电池热失控样本集的步骤，包括：对于样本时序曲线上相同时长的分段，基于距离热失控故障时间点越近
、
对应设置的等间隔采样点的数量越多的原则，确定各所述分段对应的等间隔采样点的数量；根据各所述分段对应的等间隔采样点的数量对样本时序曲线进行采样，得到第一电池热失控样本集
。
[0006]进一步地，上述基于数据分布差异的
Borderline
‑
SMOTE
上采样策略，包括：对所述第一电池热失控样本集进行第二采样处理完成后，第一电池热失控样本集和第二电池热失控样本集的样本数据的分布差异小于或等于设定的阈值
。
[0007]进一步地，上述基于数据分布差异的
Borderline
‑
SMOTE
上采样策略，对第一电池热失控样本集进行第二采样处理以得到第二电池热失控样本集的步骤，包括：将预设采样
比例作为当前采样比例后，执行以下采样逻辑：按照当前采样比例，采用
Borderline
‑
SMOTE
上采样方式，对第一电池热失控样本集进行当前轮采样；根据当前轮采样前后的数据，计算采样前后的数据分布差异；判断数据分布差异是否超过预设差异阈值；如果否，完成所述第二采样处理
、
并将当前轮采样后的数据作为第二电池热失控样本集；如果是，按照预设比例调整策略调整当前采样比例，将调整后的采样比例作为新的当前采样比例，重新执行采样逻辑
。
[0008]进一步地，上述根据当前轮采样前后的数据，计算采样前后的数据分布差异的步骤，包括：采用最大均值差异算法，计算采样前后的数据分布差异
。
[0009]进一步地，上述按照预设比例调整策略，调整当前采样比例的步骤，包括：应用小于1的预设值与当前采样比例进行相乘，得到降低处理后的采样比例
。
[0010]进一步地，上述正样本为样本数据对应的物理量偏离该物理量在电池正常工作时范围达到预定程度的时间点，至电池发生热失控故障时间点之间的样本数据；负样本为电池正常工作时的样本数据
。
[0011]第二方面，本申请还提供一种电池热失控预警模型的训练装置，装置包括：数据获取模块，用于获取初始电池热失控样本数据；电池热失控样本数据包括：具有电池热失控故障时刻点的电池的电芯温度和
/
或电压时序曲线的采样数据；模型训练模块，用于判断初始电池热失控样本数据中正负样本是否均衡，若是，则直接用于训练神经网络以获得电池热失控预警模型；若不均衡，则采用近邻优先的下采样策略，对初始电池热失控样本数据对应的样本时序曲线进行第一采样处理，得到第一电池热失控样本集；近邻优先的下采样策略包括：对于样本时序曲线上
、
距离发生热失控故障的时间点越近的部分，选择越高的采样率进行采样；判断第一电池热失控样本集中的样本数量是否大于预设值，若是，采用第一电池热失控样本集对神经网络模型进行训练以获得电池热失控故障预警模型；否则，基于数据分布差异的
Borderline
‑
SMOTE
上采样策略，对第一电池热失控样本集进行第二采样处理以得到第二电池热失控样本集；采用第二电池热失控样本集训练神经网络以得到电池热失控预警模型
。
[0012]第三方面，本申请还提供一种电子设备，包括处理器和存储器，存储器存储有能够被处理器执行的计算机可执行指令，处理器执行计算机可执行指令以实现上述第一方面所述的方法
。
[0013]第四方面，本申请还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现上述第一方面所述的方法
。
[0014]本申请提供的一种电池热失控预警模型的训练方法
、
装置及电子设备中，首先获取初始电池热失控样本数据；电池热失控样本数据包括：具有电池热失控故障时刻点的电池的电芯温度和
/
或电压时序曲线的采样数据；判断初始电池热失控样本数据中正负样本是否均衡，若是，则直接用于训练神经网络以获得电池热失控预警模型；若不均衡，则采用近邻优先的下采样策略，对初始电池热失控样本数据对应的样本时序曲线进行第一采样处理，得到第一电池热失控样本集；近邻优先的下采样策略包括：对于样本时序曲线上
、
距离发生热失控故障的时间点越近的部分，选择越高的采样率进行采样；判断第一电池热失控样本集中的样本数量是否大于预设值，若是，采用第一电池热失控样本集对神经网络模型
进行训练以获得电池热失控故障预警模型；否则，基于数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种电池热失控预警模型的训练方法，其特征在于，所述方法包括：获取初始电池热失控样本数据；所述电池热失控样本数据包括：具有电池热失控故障时刻点的电池的电芯温度和
/
或电压时序曲线的采样数据；判断初始电池热失控样本数据中正负样本是否均衡，若是，则直接用于训练神经网络以获得电池热失控预警模型；若不均衡，则采用近邻优先的下采样策略，对所述初始电池热失控样本数据对应的样本时序曲线进行第一采样处理，得到第一电池热失控样本集；所述近邻优先的下采样策略包括：对于所述样本时序曲线上
、
距离发生热失控故障的时间点越近的部分，选择越高的采样率进行采样；判断所述第一电池热失控样本集中的样本数量是否大于预设值，若是，采用第一电池热失控样本集对神经网络模型进行训练以获得电池热失控故障预警模型；否则，基于数据分布差异的
Borderline
‑
SMOTE
上采样策略，对所述第一电池热失控样本集进行第二采样处理以得到第二电池热失控样本集；采用第二电池热失控样本集训练神经网络以得到电池热失控预警模型
。2.
根据权利要求1所述的方法，其特征在于，采用近邻优先的下采样策略，对所述初始电池热失控样本数据对应的样本时序曲线进行第一采样处理，得到第一电池热失控样本集的步骤，包括：对于样本时序曲线上相同时长的分段，基于距离热失控故障时间点越近
、
对应设置的等间隔采样点的数量越多的原则，确定各所述分段对应的等间隔采样点的数量；根据各所述分段对应的等间隔采样点的数量对样本时序曲线进行采样，得到第一电池热失控样本集
。3.
根据权利要求1所述的方法，其特征在于，所述基于数据分布差异的
Borderline
‑
SMOTE
上采样策略包括：对所述第一电池热失控样本集进行第二采样处理完成后，第一电池热失控样本集和第二电池热失控样本集的样本数据的分布差异小于或等于设定的阈值
。4.
根据权利要求3所述的方法，其特征在于，基于数据分布差异的
Borderline
‑
SMOTE
上采样策略，对所述第一电池热失控样本集进行第二采样处理以得到第二电池热失控样本集的步骤，包括：将预设采样比例作为当前采样比例后，执行以下采样逻辑：按照所述当前采样比例，采用
Borderline
‑
SMOTE
上采样方式对所述第一电池热失控样本集进行当前轮采样；根据当前轮采样前后的数据，计算采样前后的数据分布差异；判断所述数据分布差异是否超过预...

【专利技术属性】
技术研发人员：董臣臣，孙大帅，
申请(专利权)人：广东采日能源科技有限公司，
类型：发明
国别省市：