电池早期微短路故障检测方法、装置、计算机设备及介质与流程

本发明涉及电池储能，具体涉及电池早期微短路故障检测方法、装置、计算机设备及介质。

背景技术：

1、为了满足大规模的工商业电量需求，现有的储能电池组常常由大量高容量单体电池串联或并联构成。当电池组中的某单体发生故障时，整个电池组的储能和放电效率会降低，无法满足预期的电量需求，影响工商业的正常运行。同时故障电池可能引发过热、漏液、甚至爆炸等安全问题，尤其是在大规模储能系统中，可能带来严重的财产损失和安全事故。

2、目前对于电池故障诊断的方法有直接分析故障电池电压来提取故障特征，故障特征包含样本熵等，通过设置阈值进行判断，该方法实现简单，但是容易受到噪声影响而产生误判，而且只适用突变的严重故障的情况，不能察觉电池组早期微短路故障。或者使用深度神经网络模型对正常电池和故障电池的电压、温度等信息自动提取特征，估计电池故障概率，这种方法通常需要大量的数据作为支撑，成本较高，同时神经网络模型规模偏大，不能实现快速诊断。除此以外，在串联电池组故障方面，利用电池的一致性来判断电池组中的故障电池，通常体现在电压的不一致性，故障电池满充电压偏低，通过满充工况下的电压不一致性诊断故障电池实际电池使用环境中适用性有限，受电池生产差异，传感器测量精度影响较大，不能准确判定电池早期的微短路故障。

技术实现思路

1、有鉴于此，本发明提供了一种电池早期微短路故障检测方法、装置、计算机设备及介质，以解决现有技术中所需数据量较大、不易获取，导致不能准确快速诊断电池早期微短路故障的问题。

2、第一方面，本发明提供了一种电池早期微短路故障检测方法，该方法包括：

3、分别获取正常电池和故障电池充电过程样本数据；

4、从充电过程样本数据中提取故障特性特征，并将故障特性特征划分为训练集和测试集；

5、采用训练集对预设初始提升树模型进行训练，得到训练完成的待测试提升树模型；

6、采用测试集对待测试提升树模型进行测试，得到测试完成的电池故障预测模型；

7、获取待预测电池充电时的电压电流时间序列数据，并将待预测电池充电时的电压电流时间序列数据输入至电池故障预测模型中，以检测电池的故障状态。

8、本发明提供的电池早期微短路故障检测方法，分别获取正常电池和故障电池充电过程样本数据，根据充电过程样本数据，提取具有故障特性的特征，利用提升树模型进行训练，使用训练完成的故障检测模型检测电池故障，可以有效的发现电池早期微短路故障，受噪声影响小。同时相较于深度学习神经网络，该方法所需的训练数据量较少，着重于预先提取故障特征，且模型参数较小，易于部署，通过早期诊断电池微短路故障，可以确保电池组的正常运行，避免因为个别故障电池影响整个系统的性能。也有助于维持电池组的一致性，减少对其他电池的损耗，延长电池的使用寿命，降低维护和更换成本，解决了现有技术中所需数据量较大、不易获取，导致不能准确快速诊断电池早期微短路故障的问题。

9、在一种可选的实施方式中，从充电过程样本数据中提取故障特性特征，并将故障特性特征划分为训练集和测试集包括：

10、从充电过程样本数据中提取电压标准差、电压偏度、平均充电电流、电池容量变化量与电池电压变化量比值的曲线的左右端点值、电池容量变化量与电池电压变化量比值的曲线的峰值以及充电末端6min的电压连线的斜率作为故障特性特征；

11、按照预设数值比例将故障特性特征划分为训练集和测试集。

12、在一种可选的实施方式中，充电过程样本数据包括电压序列数据、电流序列数据和时间序列数据；

13、从充电过程样本数据中提取电压标准差、电压偏度、平均充电电流、电池容量变化量与电池电压变化量比值的曲线的左右端点值、电池容量变化量与电池电压变化量比值的曲线的峰值以及充电末端6min的电压连线的斜率作为故障特性特征包括：

14、基于电压序列数据和时间序列数据计算电压标准差、电压偏度、电池电压变化量、电池容量变化量和充电末端6min的电压连线的斜率；

15、基于电流序列数据和时间序列数据计算平均充电电流；

16、基于电池电压变化量和电池容量变化量构建电池容量变化量与电池电压变化量比值的曲线，并获取比值的曲线的左右端点值和峰值。

17、本发明提供的电池早期微短路故障检测方法，从充电过程样本数据中提取电压标准差、电压偏度、平均充电电流、电池容量变化量与电池电压变化量比值的曲线的左右端点值、电池容量变化量与电池电压变化量比值的曲线的峰值以及充电末端6min的电压连线的斜率作为故障特性特征，增加了更明显的故障特性特征，通过电池容量变化量与电池电压变化量的情况进一步凸显正常电池和故障电池的区别，同时将故障特性特征分为训练集和测试集，为提升树模型的训练提供了数据基础。

18、在一种可选的实施方式中，预设初始提升树模型通过下述方式构建：

19、设置提升树模型的超参数，超参数包括树的深度、学习率和训练轮数；

20、采用网格搜索算法对不同参数范围组合下的树的深度、学习率和训练轮数进行计算，得到对应的不同结果；

21、从不同结果中确定最佳结果，将最佳结果对应的不同参数范围组合下的树的深度、学习率和训练轮数作为最优参数，基于最优参数构建初始提升树模型。

22、本发明提供的电池早期微短路故障检测方法，设置提升树模型的超参数，超参数包括树的深度、学习率和训练轮数；采用网格搜索算法对不同参数范围组合下的树的深度、学习率和训练轮数进行计算，得到对应的不同结果；从不同结果中确定最佳结果，将最佳结果对应的不同参数范围组合下的树的深度、学习率和训练轮数作为最优参数，实现了基于最优参数构建初始提升树模型，为后续提升树模型的训练提供了初始模型条件。

23、在一种可选的实施方式中，采用训练集对初始提升树模型进行训练，得到训练完成的待测试提升树模型包括：

24、将训练集输入至初始提升树模型中进行迭代计算，在每一轮迭代中，输出正常电池分类预测值或故障电池分类预测值；

25、计算正常电池分类预测值或故障电池分类预测值与其对应的真实值之间的残差，并将残差作为下一轮迭代的输入数据进行迭代，直到迭代结果达到预设目标函数时迭代结束，将最后一次迭代的得到的提升树模型作为待测试提升树模型。

26、本发明提供的电池早期微短路故障检测方法，通过将训练集输入至初始提升树模型中进行迭代计算，在每一轮迭代中，输出正常电池分类预测值或故障电池分类预测值；计算正常电池分类预测值或故障电池分类预测值与其对应的真实值之间的残差，并将残差作为下一轮迭代的输入数据进行迭代，直到迭代结果达到预设目标函数时迭代结束，实现了将最后一次迭代的得到的提升树模型作为待测试提升树模型，得到的待测试提升树模型规模小，且模型具有参数小易于部署的优点，在训练过程中不断对残差进行拟合，从而不断修正错误，逐渐提高模型的预测精度。

27、在一种可选的实施方式中，预设目标函数采用下述公式计算：

28、

29、其中：obj(t)为第t轮的目标函数，为损失函数，l为二元交叉熵损失函数，yi为第i个样本的真实值，为第i个样本在t-1轮提升树模型的预测值，ft(xi)为当前第t个提升树模型对样本xi的预测值，所述样本为故障特性特征，ω(ft)为正则化项，用来控制提升树模型的复杂度，包含叶子节点数和权重，t为提升树的叶子节点数，wj为第j个叶子的权重，γ、λ为正则化系数。

30、本发明提供的电池早期微短路故障检测方法，通过预设目标函数中的损失函数和正则化系数寻找故障特性特征达到的最佳分裂点，最小化目标函数，使得训练后的提升树模型具有较高的预测精度，计算高效、有良好的正则化能力，防止训练过程中的过拟合现象发生。

31、在一种可选的实施方式中，采用测试集对待测试提升树模型进行测试，得到测试完成的电池故障预测模型包括：

32、将测试集输入待测试提升树模型，得到测试输出值；

33、将测试输出值与测试集对应的真实值进行比较，计算得出待测试提升树模型的预测正确率，如果待测试提升树模型的预测正确率达到预设阈值，则将待测试提升树模型确定为电池故障预测模型。

34、本发明提供的电池早期微短路故障检测方法，通过将测试集输入待测试提升树模型，得到测试输出值；将测试输出值与测试集对应的真实值进行比较，计算得出待测试提升树模型的预测正确率，如果待测试提升树模型的预测正确率达到预设阈值，则将待测试提升树模型确定为电池故障预测模型，使得电池故障预测模型具有良好的检测能力，有效提高模型检测的准确率。

35、第二方面，本发明提供了一种电池早期微短路故障检测装置，该装置包括：

36、样本数据获取模块，用于分别获取正常电池和故障电池充电过程样本数据；

37、故障特性特征提取模块，用于从充电过程样本数据中提取故障特性特征，并将故障特性特征划分为训练集和测试集；

38、训练模块，用于采用训练集对预设初始提升树模型进行训练，得到训练完成的待测试提升树模型；

39、测试模块，用于采用测试集对待测试提升树模型进行测试，得到测试完成的电池故障预测模型；

40、预测模块，用于获取待预测电池充电时的电压电流时间序列数据，并将待预测电池充电时的电压电流时间序列数据输入至电池故障预测模型中检测电池的故障状态。

41、第三方面，本发明提供了一种计算机设备，包括：存储器和处理器，存储器和处理器之间互相通信连接，存储器中存储有计算机指令，处理器通过执行计算机指令，从而执行上述第一方面或其对应的任一实施方式的电池早期微短路故障检测方法。

42、第四方面，本发明提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机指令，计算机指令用于使计算机执行上述第一方面或其对应的任一实施方式的电池早期微短路故障检测法。