【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
...
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。