电池析锂预警方法技术

本申请的实施例公开了一种电池析锂预警方法

【技术实现步骤摘要】
电池析锂预警方法、系统及电子设备


[0001]本专利技术涉及电池安全预警
，特别涉及一种电池析锂预警方法
、
系统及电子设备
。

技术介绍

[0002]当前，锂离子电池在数码
、
储能设备以及电动汽车等方面使用日益广泛
。
随之而来的电池老化
、
析锂
、
容量跳水等问题也逐渐突显，亟需解决的是电池在充电过程中发生的析锂现象，不仅会导致电池性能下降，大大缩短电池寿命，还会限制电池的快充容量和速率，甚至会引起燃烧
、
爆炸等灾难性的安全事故
。

技术实现思路

[0003]本申请的实施例提供一种电池析锂预警方法
、
系统及电子设备，以解决现有技术中电池析锂不能提前预警的技术问题
。
[0004]为了解决上述技术问题，本申请的实施例公开了如下技术方案：
[0005]第一方面，提供了一种电池析锂预警方法，所述方法包括：
[0006]获取实验电池充放电循环过程中的第一实测数据；
[0007]对所述第一实测数据进行预处理后构建数据样本集；
[0008]根据所述数据样本集提取析锂电池的析锂特征；
[0009]将提取的所述析锂特征输入预构建的
XGB
模型进行训练，并采用寻优算法获得析锂阈值
S1和不析锂阈值
S2；
[0010]将待测电池的第二实测数据输入至所述
XGB
模型中分析，获得所述待测电池的析锂概率；
[0011]对所述析锂概率大于所述析锂阈值
S1的所述待测电池进行预警
。
[0012]结合第一方面，所述的根据所述数据样本集提取析锂电池的析锂特征的方法包括：
[0013]绘制单个所述析锂电池的充放电电压
、
充放电电流
、
充放电时间或电池容量的变化曲线；
[0014]对比多个所述析锂电池的所述变化曲线获得析锂特征；
[0015]其中，所述析锂特征包括一般特征和重要特征，所述一般特征的个数至少为
30
个，所述重要特征的个数至少为
10
个
。
[0016]结合第一方面，所述的提取析锂电池的析锂特征之前，还包括对所述实验电池的析锂情况进行判别，所述判别方法包括：
[0017]将所述实验电池进行拆解，根据所述实验电池的内部情况进行判别；
[0018]将具有析锂情况的所述实验电池的所述第一实测数据构成数据样本集
。
[0019]结合第一方面，所述的将提取的所述析锂特征输入预构建的
XGB
模型进行训练的方法包括：
[0020]建立
XGB
模型，采用分层抽样将数据样本集划分为训练集和测试集；
[0021]将所述训练集中的数据和所述析锂特征输入至
XGB
模型中进行训练；
[0022]采用交叉验证迭代所述
XGB
模型，同时使用粒子群算法对所述
XGB
模型的关键参数进行辨识，辨别所述
XGB
模型的最终参数；
[0023]所述参数包括树的深度
、
叶子节点最小样本数
、
学习率
、L1
正则化项和
L2
正则化项中的一种或多种
。
[0024]结合第一方面，所述采用寻优算法获得析锂阈值
S1和不析锂阈值
S2的方法包括：
[0025]初始化
m
个粒子，每个粒子随机分布在
n
维空间中，每个维度上粒子位置在0‑1内；
[0026]建立适应度函数：交叉熵损失；
[0027]将每个粒子的当前适应度和历史适应度进行比较；
[0028]若当前适应度大于历史适应度，则该粒子的当前适应度更新为较小的那个历史适应度；
[0029]比较粒子群中每个粒子的最小值和群体历史最小值；
[0030]若当前适应度更低，则更新群体历史最佳为当前群体最佳适应度；
[0031]更新每个粒子的速度与位置：粒子
id
在第
k+1
代的速度：
[0032][0033]其中，代表惯性部分，由惯性权重和粒子自身速度构成，表示粒子对先前自身运动状态的信任；
ω
表示惯性权重；代表认知部分，表示粒子本身的思考，即粒子自己的经验部分，是粒子当前位置与自身历史最优位置之间的距离和方向；代表社会部分，表示粒子之间的信息共享与合作，是粒子当前位置与群体历史最优位置之间的距离和方向；在公式中，
k
表示迭代的次数；
id
表示粒子；
v
表示粒子自身速度；
c1表示个体学习因子；
c2表示群体学习因子；
r1和
r2均表示随机数，区间
[0,1]，增加搜索随机性；代表粒子
i
在第
k
次迭代中第
d
维的历史最优位置，即在第
k
次迭代后，第
i
个粒子搜索得到的最优解；代表群体在第
k
次迭代后，第
i
个粒子搜索得到的最优解；代表粒子
i
在第
k
次迭代中第
d
维的位置向量；代表粒子
i
在第
k
次迭代中第
d
维的速度变量；
[0034]更新粒子速度与位置，若粒子位置超出0‑1范围，则将粒子位置设为边界的0或1；
[0035]检查此时最优参数是否已经满足最小化阈值标准，若满足则取该参数；
[0036]若不满足则继续更新轨迹直至满足；
[0037]通过多次循环分别确定析锂阈值
S1和不析锂阈值
S2。
[0038]结合第一方面，所述对所述第一实测数据进行预处理的方法包括：
[0039]对所述第一实测数据进行预处理的方法包括数据去重
、
去伪或一致勘验中的一种或多种
。
[0040]结合第一方面，所述的获取实验电池充放电循环过程中的第一实测数据的方法包括：
[0041]将实验电池的电量耗尽之后开始充电，并且每隔
t1秒获取一次第一实测数据，直
至所述实验电池的电量充满，并静置
30
秒以上；
[0042]将所述实验电池从满电量放电至电量耗尽，并且每隔
t2秒获取一次所述第一实测数据，并静置
30
秒以上；
[0043]其中，所述充电的方式包括恒流充电
、
恒流恒压充电
、
恒功率充电的一种或多种结合；
[0044]所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种电池析锂预警方法，其特征在于，所述方法包括：获取实验电池充放电循环过程中的第一实测数据；对所述第一实测数据进行预处理后构建数据样本集；根据所述数据样本集提取析锂电池的析锂特征；将提取的所述析锂特征输入预构建的
XGB
模型进行训练，并采用寻优算法获得析锂阈值
S1和不析锂阈值
S2；将待测电池的第二实测数据输入至所述
XGB
模型中分析，获得所述待测电池的析锂概率；对所述析锂概率大于所述析锂阈值
S1的所述待测电池进行预警
。2.
如权利要求1所述的电池析锂预警方法，其特征在于，所述的根据所述数据样本集提取析锂电池的析锂特征的方法包括：绘制单个所述析锂电池的充放电电压
、
充放电电流
、
充放电时间或电池容量的变化曲线；对比多个所述析锂电池的所述变化曲线获得析锂特征；其中，所述析锂特征包括一般特征和重要特征，所述一般特征的个数至少为
30
个，所述重要特征的个数至少为
10
个
。3.
如权利要求1所述的电池析锂预警方法，其特征在于，所述的提取析锂电池的析锂特征之前，还包括对所述实验电池的析锂情况进行判别，所述判别方法包括：将所述实验电池进行拆解，根据所述实验电池的内部情况进行判别；将具有析锂情况的所述实验电池的所述第一实测数据构成数据样本集
。4.
如权利要求1所述的电池析锂预警方法，其特征在于，所述的将提取的所述析锂特征输入预构建的
XGB
模型进行训练的方法包括：建立
XGB
模型，采用分层抽样将数据样本集划分为训练集和测试集；将所述训练集中的数据和所述析锂特征输入至
XGB
模型中进行训练；采用交叉验证迭代所述
XGB
模型，同时使用粒子群算法对所述
XGB
模型的关键参数进行辨识，辨别所述
XGB
模型的最终参数；所述参数包括树的深度
、
叶子节点最小样本数
、
学习率
、L1
正则化项和
L2
正则化项中的一种或多种
。5.
如权利要求1所述的电池析锂预警方法，其特征在于，所述采用寻优算法获得析锂阈值
S1和不析锂阈值
S2的方法包括：初始化
m
个粒子，每个粒子随机分布在
n
维空间中，每个维度上粒子位置在0‑1内；建立适应度函数：交叉熵损失；将每个粒子的当前适应度和历史适应度进行比较；若当前适应度大于历史适应度，则该粒子的当前适应度更新为较小的那个历史适应度；比较粒子群中每个粒子的最小值和群体历史最小值；若当前适应度更低，则更新群体历史最佳为当前群体最佳适应度；更新每个粒子的速度与位置：粒子
id
在第
k+1
代的速度：
其中，代表惯性部分，由惯性权重和粒子自身速度构成，表示粒子对先前自身运动状态的信任；
ω
表示惯性权重；代表认知部分，表示粒子本身的思考，即粒子自己的经验部分，是粒子当前位置与自身历史最优位置之间的距离和方向；代表社会部分，表示粒子之间的信息共享与合作，是粒子当前位置与群体历史最优位置之间的距离和方向；在公式中，
k
表示迭代的次数；
id
表示粒子；
v
表示粒子自身速度；
c1表示个体学习因子；
c2表示群体学习因子；
...

【专利技术属性】
技术研发人员：朱玉安，
申请(专利权)人：欣旺达动力科技股份有限公司，
类型：发明
国别省市：