CN113821976A - 一种基于集成算法的锂电池故障诊断建模方法 - Google Patents
一种基于集成算法的锂电池故障诊断建模方法 Download PDFInfo
- Publication number
- CN113821976A CN113821976A CN202111130323.9A CN202111130323A CN113821976A CN 113821976 A CN113821976 A CN 113821976A CN 202111130323 A CN202111130323 A CN 202111130323A CN 113821976 A CN113821976 A CN 113821976A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- lithium battery
- battery
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 74
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000003745 diagnosis Methods 0.000 title claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000009826 distribution Methods 0.000 claims abstract description 8
- 238000012360 testing method Methods 0.000 claims abstract description 8
- 238000000513 principal component analysis Methods 0.000 claims abstract description 7
- 230000009467 reduction Effects 0.000 claims abstract description 7
- 238000004140 cleaning Methods 0.000 claims abstract description 6
- 238000005457 optimization Methods 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims description 7
- 238000002790 cross-validation Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000003066 decision tree Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000013501 data transformation Methods 0.000 claims description 3
- 238000007599 discharging Methods 0.000 claims description 3
- 230000002015 leaf growth Effects 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 229910001416 lithium ion Inorganic materials 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000012407 engineering method Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种基于集成算法的锂电池故障诊断建模方法，首先采集锂电池使用时的电池数据(故障数据和正常数据)，并将电池数据上传至模型数据库；对电池数据进行清洗；对清洗后的电池数据进行特征工程处理，以构建模型的备选特征；对模型的备选特征进行主成分分析，即对模型的备选特征进行降维处理，选择具有高信息率的指标特征；分析故障样本和正常样本的分布情况，对故障样本进行数据平衡处理，得到平衡数据；对平衡数据进行标准化处理，消除指标量纲影响；将标准化处理后的数据划分为训练样本和测试样本；将训练样本输入到LightGBM模型中，通过不断迭代优化获得模型最优参数，待训练收敛后得到锂电池故障诊断模型，并输出诊断结果。
Description
技术领域
本发明涉及储能领域，具体涉及一种基于集成算法的锂电池故障诊断建模方法。
背景技术
随着当今能源消耗量的不断扩大，全球能源紧缺的同时也造成了环境的严重污染。而锂电池由于具有能量密度高、电化学特性稳定以及污染较少、循环寿命较长等优点，被市场广泛使用。但是锂电池在使用或储存过程中会出现一定概率的失效、故障问题，如内阻增大、电压异常、微短路等，严重降低了锂电池的可靠性和安全性。对锂电池失效进行准确诊断对锂电池性能提升和技术发展具有深远意义。
基于数据模型的锂电池故障诊断是众多故障诊断方法中常用的一种，这种方法通过以数学表达式来代替电池内部的化学反应，然后通过设定安全阈值或通过人工智能算法作为判断锂电池故障的依据。在众多锂电池故障诊断预测方法中，很多算法都有一个基本假设，那就是数据分布是均匀的，但是当把这些算法直接应用于实际数据时，大多数情况下都无法取得理想的结果。因为实际数据往往分布得很不均匀，都会存在“长尾现象”，从而导致故障诊断结果不准确。
专利CN 111880101 A公开了一种锂电池故障的诊断方法，该方法通过收集、分析锂电池运行数据，更新得到锂电池的损坏值范围数据，最后以诊断其他电池运行数据是否在损坏值范围内来判断锂电池是否出现故障。该方法从单纯数据值的合理性方面来诊断电池故障，需要大量的故障数据去更新数据库，当数据库数据较少时准确率较低，且报警反应时间短，不具有提前预防性。
专利CN 110308397 A公开了一种混合卷积神经网络驱动的锂电池多类故障诊断建模方法，该方法通过构建锂电池故障诊断的混合大数据标注样本和混合卷积神经网络锂电池故障诊断模型，对锂电池故障进行多分类与定位。但是神经网络优秀的预测能力需要大量的典型训练数据支撑，而电池的故障数据相对较少且不易靠试验采集，所以样本难以满足神经网络的训练需求。
专利CN 109165687 A公开以一种基于多分类支持向量机算法的车用锂电池故障诊断方法，该方法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，不均匀的数据直接结果就是导致模型预测准确率降低。
发明内容
本发明的目的在于提供一种基于集成算法的锂电池故障诊断建模方法，以克服现有技术存在的缺陷，本发明通过ADASYN方法克服了数据不平衡问题，且采用经典的集成算法LightGBM提高了预测速度与准确率。
为达到上述目的，本发明采用如下技术方案：
一种基于集成算法的锂电池故障诊断建模方法，包括以下步骤：
步骤一：采集锂电池使用时的电池数据，并将电池数据上传至模型数据库，所述电池数据包括故障样本和正常样本；
步骤二：对电池数据进行清洗；
步骤三：对清洗后的电池数据进行特征工程处理，以构建模型的备选特征；
步骤四：对模型的备选特征进行主成分分析，即对模型的备选特征进行降维处理，选择具有高信息率的指标特征；
步骤五：分析将降维处理后的样本的分布情况，对故障样本进行数据平衡处理，得到平衡数据；
步骤六：对平衡数据进行标准化处理，消除指标量纲影响；
步骤七：将标准化处理后的数据划分为训练样本和测试样本；
步骤八：将训练样本输入到LightGBM模型中，通过不断迭代优化获得模型最优参数，待训练收敛后得到锂电池故障诊断模型。
进一步地，步骤二中清洗包括缺失值处理及异常值处理。
进一步地，步骤三中对清洗后的电池数据进行特征工程处理，特征工程处理方法包括但不限于数据变换、编码、分箱、分类统计及特征组合；然后选择包括但不限于电池充放电过程中能代表其单体电芯性能的电池型号数据、电池品牌数据、工作时长数据、电池温度数据、电流数据和电压数据，电压极差，温度极差作为模型的备选特征。
进一步地，步骤四中采用主成分分析将备选特征重组合成互相无关的综合特征以代替备选特征，重组后的综合特征既降低了备选特征的复杂性也保证了备选特征的信息完整性，即为具有高信息率的指标特征。
进一步地，步骤五中进行数据平衡处理具体为：根据故障样本和正常样本分布情况采用ADASYN方法为故障样本生成不同数量的新样本，首先根据最终的平衡程度设定权重系数G，G＝(ml-ms)×β，其中ml为正常样本的数据，ms为故障样本的数量，β为[0,1]之间的随机数，若β等于1，平衡后的故障样本和正常样本比例为1:1；设定邻近指数K，计算每个样本K近邻中正常样本的占比ri＝Δi/K，Δi为K近邻中多数类样本数，i＝1,2,3,...,ms；对ri进行归一化处理得到
最后为故障样本生成新样本的个数为
确定个数后再利用ADASYN方法中的SMOTE算法生成新的样本使数据达到平衡。
进一步地，步骤六中标准化处理采用z-score标准化，具体包括：
1)求出平衡后数据各特征的算术平均值
和标准差s，其中
n为锂电池数据样本数，xj为实际锂电池数据值，j＝1,2,3,...n；
2)进行标准化处理：
其中：yj为标准化后的锂电池数据值。
进一步地，所述LightGBM模型中采用基于直方图的决策树算法，具体为：先把标准化后的连续的锂电池数据离散化成k个整数，同时构造一个宽度为k的直方图，在遍历锂电池数据时，根据离散化后的值作为索引在直方图中累积统计量，当遍历一次数据后，直方图累积了需要的统计量，然后根据直方图的离散值，遍历寻找最优的参数。
进一步地，步骤八中通过不断迭代优化获得模型最优参数具体为：采用交叉验证和网格搜索进行调参，模型调参涉及的参数包括但不限于学习率、最大树深度、子节点数、叶子生长策略及正则化参数。
进一步地，步骤八中得到锂电池故障诊断模型后，根据训练结果采用ROC曲线和AUC指标对模型进行评估。
与现有技术相比，本发明具有以下有益的技术效果：
本发明开发的一种基于集成算法的锂电池故障诊断建模方法，首先通过对锂电池数据进行采集处理，然后采用集成算法LightGBM对锂电池故障进行诊断预测。其中集成算法LightGBM采用基于直方图的决策树算法，相比于传统的集成算法对锂电池特征***策略、并行处理等进行了优化，能够在不损害准确率的条件下加快模型的训练速度，但是要求样本数据均衡，而锂电池本身发生故障次数较少，导致模型数据库中正常样本数明显高于故障样本数，这将使得集成算法LightGBM在训练时不能充分提取故障信息，从而大大降低的预测准确率，而本发明采用ADASYN方法对锂电池的故障样本进行扩增，弥补了单一集成算法LightGBM在故障诊断预测中的缺陷，使得在故障数据量较少的情况下也可以让模型充分发掘样本信息从而构建预测准确率较高的模型，加上采用交叉验证和网格搜索的方法对集成算法LightGBM模型的参数进行调优，不仅让迭代训练收敛更快，而且能有效减少过拟合，提高模型的鲁棒性。
附图说明
说明书附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是一种基于集成算法的锂电池故障诊断建模方法流程图。
图2是一种基于集成算法的锂电池故障诊断建模方法的模型直方图算法原理图。
图3是一种基于集成算法的锂电池故障诊断建模方法的模型leaf-wise***策略图。
图4是一种基于集成算法的锂电池故障诊断建模方法模型训练学习曲线图。
图5是一种基于集成算法的锂电池故障诊断建模方法模型训练ROC曲线及AUC值。
具体实施方式
以下结合附图及具体实施例对本发明进行进一步详细说明。
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
一种基于集成算法的锂电池故障诊断建模方法，用以解决锂离子电池故障预警预测数据量较少的问题，提高锂离子电池故障预测模型的准确率和鲁棒性，参见图1，具体包括以下步骤：
通过采集模块采集锂电池使用时的电池数据，并将电池数据上传至模型数据库，其中包括故障样本和正常样本。
对电池数据进行清洗，包括但不限于缺失值处理、异常值处理。
数据清洗完后进行特征工程处理，以构建模型的备选特征；其中特征工程处理包括但不限于数据变换、编码、分箱、分类统计及特征组合。然后选择包括但不限于电池充放电过程中能代表其单体电芯性能的电池型号数据、电池品牌数据、工作时长数据、电池温度数据、电流数据和电压数据，电压极差，温度极差作为模型的备选特征。
对模型的备选特征进行主成分分析，即对模型的备选特征进行降维处理，选择具有高信息率的指标特征，即得到单个锂电池样本；具体地，由于备选特征数量较多且之间可能存在共线性，而本方法采用主成分分析可以将备选特征重组合成互相无关的综合特征以代替备选特征，重组后的综合特征既降低了备选特征的复杂性也保证了备选特征的信息完整性，即为具有高信息率的指标特征。
分析将降维处理后的样本的分布情况，对故障样本进行数据平衡处理，得到平衡数据；具体地，根据故障样本和正常样本分布情况，采用ADASYN方法为故障样本生成不同数量的新样本，首先根据最终的平衡程度设定权重系数G，G＝(ml-ms)×β，其中ml为正常样本的数据，ms为故障样本的数量，β为[0,1]之间的随机数，若β等于1，平衡后的故障样本和正常样本比例为1:1；设定邻近指数K，计算每个样本K近邻中正常样本的占比ri＝Δi/K，Δi为K近邻中多数类样本数，i＝1,2,3,...,ms；对ri进行归一化处理得到
最后为故障样本生成新样本的个数为
确定个数后再利用ADASYN方法中的SMOTE算法生成新的样本使数据达到平衡。
对平衡数据进行标准化处理，消除指标量纲影响；具体地，为了解决不同指标之间数据纲量不同的问题，本方法采用标准化处理，同时还能提高训练效率，其中采用z-score标准化步骤如下：
1)求出平衡后数据各特征的算术平均值
和标准差s，其中
n为锂电池数据样本数，xj为实际锂电池数据值，j＝1,2,3,...n；
2)进行标准化处理：
其中：yj为标准化后的锂电池数据值。
将标准化处理后的数据划分为训练样本和测试样本；
将训练样本输入到LightGBM模型中，通过不断迭代优化获得模型最优参数，待训练收敛后得到锂电池故障诊断模型，具体地，本发明采用集成算法LightGBM模型支持高效率的并行训练，训练速度快、内存消耗低、准确率更好，可以快速处理海量数据，本发明的集成算法LightGBM模型采用了基于直方图的决策树算法，如附图2所示，先把标准化后的连续的锂电池数据离散化成k个整数，同时构造一个宽度为k的直方图，在遍历锂电池数据时，根据离散化后的值作为索引在直方图中累积统计量，当遍历一次数据后，直方图累积了需要的统计量，然后根据直方图的离散值，遍历寻找最优的参数。
如图3所示，本发明的决策树算法的***策略采用Leaf-wise的增长策略，该策略每次从当前所有叶子中，找到***增益最大的一个叶子，然后***，如此循环，且本方法会在Leaf-wise之上增加了一个最大深度的限制，在保证高效率的同时防止过拟合。
本方法采用采用交叉验证和网格搜索进行调参，模型调参涉及的参数包括但不限于学习率、最大树深度、子节点数、叶子生长策略、正则化参数等，得到最优参数后，直接在训练集上训练最终的模型，然后在测试集上测试。
图4为一种基于集成算法的锂电池故障诊断建模方法的学习曲线，其中以锂电池样本数为横坐标，以训练集和交叉验证集上的得分为纵坐标，模型学习曲线可以判断模型所处的状态。从附图4中可以看出，训练集和交叉验证集上的得分误差较小，且随着锂电池训练样本的增加逐渐收敛，证明该模型具有较高的预测能力和较强的鲁棒性。
根据训练结果本发明采用ROC曲线和AUC指标对模型进行评估，AUC指标能够比较全面的反映模型的性能。ROC曲线以假阳性率(false positive rate)为横坐标，以真阳性率(true positive rate)为纵坐标，AUC指标为ROC曲线下方面积，能量化反应模型优劣。如图5所示，一种基于集成算法的锂电池故障诊断建模方法的最终ROC曲线非常接近(0,1)点，AUC指标为0.94，证明该方法所建模型的预测性能较好，预测准确率较高。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用于说明本发明的技术方案而非对其保护范围的限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：本领域技术人员阅读本发明后依然可对发明的具体实施方式进行种种变更、修改或者等同替换，但这些变更、修改或者等同替换，均在发明待批的权利要求保护范围之内。
Claims (9)
1.一种基于集成算法的锂电池故障诊断建模方法，其特征在于，包括以下步骤：
步骤一：采集锂电池使用时的电池数据，并将电池数据上传至模型数据库，所述电池数据包括故障样本和正常样本；
步骤二：对电池数据进行清洗；
步骤三：对清洗后的电池数据进行特征工程处理，以构建模型的备选特征；
步骤四：对模型的备选特征进行主成分分析，即对模型的备选特征进行降维处理，选择具有高信息率的指标特征；
步骤五：分析将降维处理后的样本的分布情况，对故障样本进行数据平衡处理，得到平衡数据；
步骤六：对平衡数据进行标准化处理，消除指标量纲影响；
步骤七：将标准化处理后的数据划分为训练样本和测试样本；
步骤八：将训练样本输入到LightGBM模型中，通过不断迭代优化获得模型最优参数，待训练收敛后得到锂电池故障诊断模型。
2.根据权利要求1所述的一种基于集成算法的锂电池故障诊断建模方法，其特征在于，步骤二中清洗包括缺失值处理及异常值处理。
3.根据权利要求1所述的一种基于集成算法的锂电池故障诊断建模方法，其特征在于，步骤三中对清洗后的电池数据进行特征工程处理，特征工程处理方法包括但不限于数据变换、编码、分箱、分类统计及特征组合；然后选择包括但不限于电池充放电过程中能代表其单体电芯性能的电池型号数据、电池品牌数据、工作时长数据、电池温度数据、电流数据和电压数据，电压极差，温度极差作为模型的备选特征。
4.根据权利要求1所述的一种基于集成算法的锂电池故障诊断建模方法，其特征在于，步骤四中采用主成分分析将备选特征重组合成互相无关的综合特征以代替备选特征，重组后的综合特征既降低了备选特征的复杂性也保证了备选特征的信息完整性，即为具有高信息率的指标特征。
5.根据权利要求1所述的一种基于集成算法的锂电池故障诊断建模方法，其特征在于，步骤五中进行数据平衡处理具体为：根据故障样本和正常样本分布情况采用ADASYN方法为故障样本生成不同数量的新样本，首先根据最终的平衡程度设定权重系数G，G＝(ml-ms)×β，其中ml为正常样本的数据，ms为故障样本的数量，β为[0,1]之间的随机数，若β等于1，平衡后的故障样本和正常样本比例为1:1；设定邻近指数K，计算每个样本K近邻中正常样本的占比ri＝Δi/K，Δi为K近邻中多数类样本数，i＝1,2,3,...,ms；对ri进行归一化处理得到
最后为故障样本生成新样本的个数为
确定个数后再利用ADASYN方法中的SMOTE算法生成新的样本使数据达到平衡。
6.根据权利要求1所述的一种基于集成算法的锂电池故障诊断建模方法，其特征在于，步骤六中标准化处理采用z-score标准化，具体包括：
1)求出平衡后数据各特征的算术平均值
和标准差s，其中
n为锂电池数据样本数，xj为实际锂电池数据值，j＝1,2,3,...n；
2)进行标准化处理：
其中：yj为标准化后的锂电池数据值。
7.根据权利要求1所述的一种基于集成算法的锂电池故障诊断建模方法，其特征在于，所述LightGBM模型中采用基于直方图的决策树算法，具体为：先把标准化后的连续的锂电池数据离散化成k个整数，同时构造一个宽度为k的直方图，在遍历锂电池数据时，根据离散化后的值作为索引在直方图中累积统计量，当遍历一次数据后，直方图累积了需要的统计量，然后根据直方图的离散值，遍历寻找最优的参数。
8.根据权利要求1所述的一种基于集成算法的锂电池故障诊断建模方法，其特征在于，步骤八中通过不断迭代优化获得模型最优参数具体为：采用交叉验证和网格搜索进行调参，模型调参涉及的参数包括但不限于学习率、最大树深度、子节点数、叶子生长策略及正则化参数。
9.根据权利要求1所述的一种基于集成算法的锂电池故障诊断建模方法，其特征在于，步骤八中得到锂电池故障诊断模型后，根据训练结果采用ROC曲线和AUC指标对模型进行评估。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111130323.9A CN113821976A (zh) | 2021-09-26 | 2021-09-26 | 一种基于集成算法的锂电池故障诊断建模方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111130323.9A CN113821976A (zh) | 2021-09-26 | 2021-09-26 | 一种基于集成算法的锂电池故障诊断建模方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113821976A true CN113821976A (zh) | 2021-12-21 |
Family
ID=78921286
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111130323.9A Pending CN113821976A (zh) | 2021-09-26 | 2021-09-26 | 一种基于集成算法的锂电池故障诊断建模方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113821976A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114281046A (zh) * | 2021-12-27 | 2022-04-05 | 中国兵器装备集团自动化研究所有限公司 | 一种安全评估模型、火工品区可视化监控***及方法 |
| CN114386537A (zh) * | 2022-03-23 | 2022-04-22 | 中国华能集团清洁能源技术研究院有限公司 | 基于CatBoost的锂电池故障诊断方法、装置及电子设备 |
| CN114757291A (zh) * | 2022-04-26 | 2022-07-15 | 国网四川省电力公司电力科学研究院 | 基于机器学习算法的单相故障识别优化方法、***及设备 |
| CN114910795A (zh) * | 2022-05-27 | 2022-08-16 | 上海玫克生储能科技有限公司 | 恒流充电中电池微短路判断方法及***、存储介质及终端 |
| CN115343636A (zh) * | 2022-10-18 | 2022-11-15 | 中国华能集团清洁能源技术研究院有限公司 | 一种锂电池的异常检测方法及装置 |
| WO2023226355A1 (zh) * | 2022-05-27 | 2023-11-30 | 深圳先进技术研究院 | 基于多源感知的双向锂离子电池故障检测方法及*** |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109165687A (zh) * | 2018-08-28 | 2019-01-08 | 哈尔滨理工大学 | 基于多分类支持向量机算法的车用锂电池故障诊断方法 |
| CN110909977A (zh) * | 2019-10-12 | 2020-03-24 | 郑州电力高等专科学校 | 基于adasyn-dhsd-et的电网故障诊断方法 |
| CN113378908A (zh) * | 2021-06-04 | 2021-09-10 | 浙江大学 | 基于LightGBM算法和网格搜索算法的暖通空调***故障诊断方法 |
-
2021
- 2021-09-26 CN CN202111130323.9A patent/CN113821976A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109165687A (zh) * | 2018-08-28 | 2019-01-08 | 哈尔滨理工大学 | 基于多分类支持向量机算法的车用锂电池故障诊断方法 |
| CN110909977A (zh) * | 2019-10-12 | 2020-03-24 | 郑州电力高等专科学校 | 基于adasyn-dhsd-et的电网故障诊断方法 |
| CN113378908A (zh) * | 2021-06-04 | 2021-09-10 | 浙江大学 | 基于LightGBM算法和网格搜索算法的暖通空调***故障诊断方法 |
Non-Patent Citations (1)
| Title |
|---|
| ALIVEVILAM: "《https://blog.csdn.net/qq_35659414/article/details/115093631》", 23 March 2021 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114281046A (zh) * | 2021-12-27 | 2022-04-05 | 中国兵器装备集团自动化研究所有限公司 | 一种安全评估模型、火工品区可视化监控***及方法 |
| CN114386537A (zh) * | 2022-03-23 | 2022-04-22 | 中国华能集团清洁能源技术研究院有限公司 | 基于CatBoost的锂电池故障诊断方法、装置及电子设备 |
| CN114386537B (zh) * | 2022-03-23 | 2023-02-07 | 中国华能集团清洁能源技术研究院有限公司 | 基于CatBoost的锂电池故障诊断方法、装置及电子设备 |
| CN114757291A (zh) * | 2022-04-26 | 2022-07-15 | 国网四川省电力公司电力科学研究院 | 基于机器学习算法的单相故障识别优化方法、***及设备 |
| CN114910795A (zh) * | 2022-05-27 | 2022-08-16 | 上海玫克生储能科技有限公司 | 恒流充电中电池微短路判断方法及***、存储介质及终端 |
| WO2023226355A1 (zh) * | 2022-05-27 | 2023-11-30 | 深圳先进技术研究院 | 基于多源感知的双向锂离子电池故障检测方法及*** |
| CN115343636A (zh) * | 2022-10-18 | 2022-11-15 | 中国华能集团清洁能源技术研究院有限公司 | 一种锂电池的异常检测方法及装置 |
| CN115343636B (zh) * | 2022-10-18 | 2023-02-07 | 中国华能集团清洁能源技术研究院有限公司 | 一种锂电池的异常检测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113821976A (zh) | 一种基于集成算法的锂电池故障诊断建模方法 | |
| CN112731159B (zh) | 一种储能电站电池舱电池故障预判及定位的方法 | |
| CN112380630B (zh) | 基于车联网数据的新能源汽车电池热失控风险的预测方法 | |
| CN113866642A (zh) | 一种基于梯度提升树的锂离子电池故障诊断方法 | |
| CN111832221B (zh) | 基于特征筛选的锂电池寿命预测方法 | |
| CN112904219B (zh) | 一种基于大数据的动力电池健康状态的预测方法 | |
| CN115366683A (zh) | 一种新能源汽车动力电池多维模型融合的故障诊断策略 | |
| CN114280479A (zh) | 一种基于电化学阻抗谱的退役电池快速分选方法 | |
| CN111983474A (zh) | 一种基于容量衰退模型的锂离子电池寿命预测方法和*** | |
| CN115267557B (zh) | 一种锂电池电解液泄露故障诊断方法、装置和电子设备 | |
| CN115511013A (zh) | 一种大规模储能电站异常电池识别方法、设备及存储介质 | |
| CN117113232A (zh) | 一种电动汽车锂离子电池组热失控风险识别方法 | |
| CN113311337A (zh) | 基于相关向量回归的锂离子电池剩余寿命检测方法 | |
| CN117805649A (zh) | 基于soh量化电池容量衰减对异常电芯进行识别的方法 | |
| CN117825998A (zh) | 一种锂离子电池剩余寿命预测方法、***、设备及介质 | |
| Jeng et al. | Evaluation of cell inconsistency in lithium-ion battery pack using the autoencoder network model | |
| CN115586444A (zh) | 一种基于vmd与bp神经网络的锂电池剩余寿命预测方法 | |
| CN113657030A (zh) | 一种基于高斯过程回归的锂电池剩余使用寿命预测方法 | |
| CN117110884A (zh) | 基于多核相关向量机的锂电池剩余使用寿命预测方法 | |
| CN116466250A (zh) | 基于动态工况模型误差特征的动力电池健康状态估计方法 | |
| CN116754960A (zh) | 钠离子电池云端soh估计和剩余寿命预测方法、装置及程序 | |
| CN116449244A (zh) | 基于单次放电曲线的锂电池老化轨迹早期预测方法及*** | |
| CN115128468A (zh) | 一种化学储能电池phm欠压故障预测方法 | |
| CN116960487B (zh) | 考虑单体不一致性的钠离子电池***容量估计方法及装置 | |
| Xu et al. | Prediction of Lithium-ion Battery Remaining Useful Life Based on Long Short Term Memory |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211221 |
|
| RJ01 | Rejection of invention patent application after publication |