一种基于机器学习的锂离子电池早期寿命异常检测方法技术

本发明专利技术提供一种基于机器学习的锂离子电池早期寿命异常检测方法，属于锂离子电池管理技术领域，包括

【技术实现步骤摘要】
一种基于机器学习的锂离子电池早期寿命异常检测方法


[0001]本专利技术属于锂离子电池管理
，尤其涉及一种基于机器学习的锂离子电池早期寿命异常检测方法
。

技术介绍

[0002]锂离子电池由于能量密度高，自放电率低，循环寿命长，在电动汽车和储能电站大规模使用
。
然而，其制造过程始终伴随着能源和原材料的高消耗，足够长的使用寿命对于实现低碳排放和产生积极的环境影响至关重要
。
单个电池的长使用寿命不一定保证电池组具有令人满意的生命周期性能，电池组中有数百个电池单元以串联和并联的方式连接，以满足电动汽车和可再生能源存储等应用的功率和能量需求
。
由于电池之间的个体差异性会导致电池的寿命存在差异，甚至会存在较大差异
。
一个或两个以上老化速度较快的电池会对大型电池组的使用寿命产生重大影响
。
[0003]以往的许多研究都强调电池筛选，其核心思想是将关键参数相似的电池分成一组
。
目前，业界使用最广泛的筛选方法是容量－电阻
(CR)
法，该方法假设容量和电阻值相近的电池具有相近的性能
。
除了这两个指标外，增量容量峰值
、
脉冲充电响应
、
电压轨迹
、
电化学阻抗谱也被用于电池筛选
。
这些测试很快，一般不超过
12
小时
。
此外，它们可以有效地筛选出可观察到的异常，例如高电阻
。
然而，寿命异常，涉及电池的未来容量的长期衰减，没有考虑
。
电池寿命异常识别具有挑战性，特别是在其使用寿命初期
。
首先，异常老化行为在电池寿命的后期更容易被感知，而在前几个循环中可能提取的信息要少得多
。
因此，即使现有最好的算法仍然需要使用老化过程前
3—5
个周期收集的数据进行异常检测
。
除了增加测试时间外，它们的预测误差也高达
10
％到
15
％
。
其次，低异常率本身对数据集的建立提出了挑战
。
为了收集足够的异常样本，我们必须对大量电池进行长期老化测试，这使得实验成本高，耗时长
。
最后，一个分类的正确性
(
在电池寿命的开始阶段
)
只有在电池长期使用后才能得到实验验证
。
延迟反馈阻碍了算法的发展
。
因此，电池寿命异常的早期识别一直是电池制造和管理领域的一个未解决的问题
。

技术实现思路

[0004]本专利技术的目的在于提供一种基于机器学习的锂离子电池早期寿命异常检测方法，其特征在于，包括如下步骤：
[0005]S1
：选择多个锂离子电池作为样本电池，对样本电池进行加速老化测试，并根据测试结果定义电池寿命标签；
[0006]S2
：对样本电池加速老化测试的数据的数据集施加数据处理方法，数据处理方法包括三个步骤，分别为数据分割
、
正常数据缩减和异常数据扩充；
[0007]S3
：从数据处理后的数据集中选取电压电流数据作为电池的特征向量，得到矩阵；
[0008]S4
：基于
S1
中的电池寿命标签，判断任意两个电池的标签是否相同；
[0009]S5
：以电池特征向量矩阵和真假值为输入对神经网络模型进行离线训练，将训练
结果二值化，得到判断电池是否为同类别的分类器；
[0010]S6
：从已知类别的测试集中逐步选取一个电池与未知电池生成特征矩阵，输入分类器中，完成基于机器学习的锂离子电池早期寿命异常的检测
。
[0011]进一步地，包括训练部分和测试部分，训练部分具体为：对一批全新的样本电池进行同一加速老化工况测试，通过加速老化测试数据以及容量衰老曲线的观察电池寿命异常情况，通过加速老化测试的第一个循环数据得到电池的特征向量，然后将两个电池的特征向量合成特征矩阵，寿命标签异同二值化，最后利用特征矩阵及二值化矩阵作为输入对神经网络模型进行训练，得到判断电池是否为同类别的分类器；
[0012]测试部分具体为：从已知类别的测试集中逐步选取一个电池与未知电池生成特征矩阵，输入值训练后的分类器中，得到分类器的判断结果
。
[0013]进一步地，训练部分中，对一批全新的样本电池在相同条件下进行同一加速老化工况测试，以达到方法电池本身的异常现象，进而缩短实验测试时间
。
[0014]进一步地，
S2
中，数据分割具体为：由于“异常”电池所占比例过低，在数据划分时将正常电池按对半划分为训练集和测试集，异常电池采用留一法划分；
[0015]正常数据缩减具体为：对于训练集中的每一个异常电池，通过检查其老化轨迹，找出与其老化轨迹最接近的
N1
个正常电池，将挑选出的正常样本作为“边界”，对正常电池和异常电池进行分类，提高网络的泛化能力；
[0016]异常数据扩充具体为：针对绝对数量过低，导致在实验事实中创造更多异常数据的异常电池，通过使用前
N2
个周期收集的数据来丰富训练集
。
[0017]进一步地，
S3
中，数据集中数据局的选取具体为：电池第一个循环的恒流恒压充电中恒流阶段的电压数据以及恒压阶段的电流数据；
[0018]矩阵表示为：
[
Γ
i
,
Γ
j
]T
，矩阵中
Γ
k
为第
k
节电池的特征向量矩阵，节电池的特征向量矩阵，其中为恒流阶段的电压序列，
L1为恒流阶段的时长；为恒压阶段的电流序列，
L2为整个充电过程时长；
i
和
j
为电池的序号
。
[0019]进一步地，
S4
中，判断结果通过二值化表示，表示为：当两个电池标签相同时，即为真，为
[1
；
0]；当两个电池标签不同时，即为假，为
[0
；
1]。
[0020]进一步地，
S5
中，还通过对神经网络模型进行
H
次训练，得到
H
种分类器，从而提高模型的稳定性，降低堆积预测误差
。
[0021]进一步地，
S6
中，将特征矩阵输入经过训练的
H
种分类器中，比重大于
50
％即为
H
种分类器的判断结果，将最终类别比重大于
50
％的则划分为相应类别
。
[0022]与现有技术相比，本专利技术的有益效果主要体现在：
[002本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于机器学习的锂离子电池早期寿命异常检测方法，其特征在于，包括如下步骤：
S1
：选择多个锂离子电池作为样本电池，对样本电池进行加速老化测试，并根据测试结果定义电池寿命标签；
S2
：对样本电池加速老化测试的数据的数据集施加数据处理方法，数据处理方法包括三个步骤，分别为数据分割
、
正常数据缩减和异常数据扩充；
S3
：从数据处理后的数据集中选取第一个循环测试中恒压的电流数据和恒流的电压数据作为电池的特征向量，得到矩阵；
S4
：基于
S1
中的电池寿命标签，通过比较任意两个电池的标签可知是否属于同类电池，其判断结果作为后续分类器模型训练的输出；
S5
：以电池特征向量矩阵和真假值为输入对神经网络模型进行离线训练，将训练结果二值化，得到判断电池是否为同类别的分类器；
S6
：从已知类别的测试集中逐步选取一个电池与未知电池生成特征矩阵，输入分类器中，完成基于机器学习的锂离子电池早期寿命异常的检测
。2.
根据权利要求1所述的基于机器学习的锂离子电池早期寿命异常检测方法，其特征在于，包括训练部分和测试部分，所述训练部分具体为：对一批全新的样本电池进行同一加速老化工况测试，通过加速老化测试数据以及容量衰老曲线的观察电池寿命异常情况，通过加速老化测试的第一个循环数据得到电池的特征向量，然后将两个电池的特征向量合成特征矩阵，寿命标签异同二值化，最后利用特征矩阵及二值化矩阵作为输入对神经网络模型进行训练，得到判断电池是否为同类别的分类器；所述测试部分具体为：从已知类别的测试集中逐步选取一个电池与未知电池生成特征矩阵，输入值训练后的分类器中，得到分类器的判断结果
。3.
根据权利要求2所述的基于机器学习的锂离子电池早期寿命异常检测方法，其特征在于，所述训练部分中，对一批全新的样本电池在相同条件下进行同一加速老化工况测试，以达到方法电池本身的异常现象，进而缩短实验测试时间
。4.
根据权利要求2所述的基于机器学习的锂离子电池早期寿命异常检测方法，其特征在于，所述
S2
中，所述数据分割具体为：由于“异常”电池所占比例过低，在数据划分时将正常电池按对半划分为训练集和测试集，异常电池采用留一法划分；所述正常数据缩减具体为：对于训练集中...

【专利技术属性】
技术研发人员：来鑫，朱佳俊，唐晓鹏，郑岳久，柯鹏辉，
申请(专利权)人：上海理工大学，
类型：发明
国别省市：