CN109375116B - 一种基于自编码器的电池系统异常电池识别方法 - Google Patents

Abstract

本发明涉及一种基于自编码器的电池系统异常电池识别方法，包括以下步骤：步骤一：对于充放电过程中各单体电池的电压进行在线测量；步骤二：对于电压曲线进行数据压缩；步骤三：基于自编码器网络进行特征提取；步骤四：构建中心标准化特征矩阵；步骤五：对中心标准化特征矩阵的均值和协方差矩阵进行计算；步骤六：基于特征矩阵的异常电池进行识别。与现有技术相比，本发明具有电池特征可视化好，更深层次的挖掘异常电池的内部特征变化机理等优点。

Description

一种基于自编码器的电池系统异常电池识别方法

技术领域

本发明涉及一种电池系统识别方法，尤其是涉及一种基于自编码器的电池系统异常电池识别方法。

背景技术

绿色环保、能量密度高、使用寿命长的锂离子电池正越来越多地应用于新能源汽车、智能电网等领域。在实际应用中，锂离子电池组中普遍存在异常电池。制造锂离子电池的各个工序都可能会对电池的性能造成影响，如影响粒径分布、比表面积、电导率、电极厚度，各工序的误差累积是单体电池性能差异的主要来源。除此以外，电池的工作环境的差异也会导致某些电池出现异常。电池组中的异常电池会使电池组容量、寿命衰减，甚至引发安全问题。因此，开发快速、可靠的电池组异常电池识别方法，是电池组均衡控制、运营维护策略成功实施的关键，对提高电池组运行性能与安全性，延长使用寿命，有重要作用。

异常电池识别方法总体可以分为基于静态特征的方法和基于动态特性的方法。静态特性是指电池的开路电压、容量、SOC、内阻等动态特性是指电池的端电压、阻抗、温度等。异常电池即选定参数与大部分电池存在明显差异的电池。常用的识别技术包括聚类方法，信息熵法，模糊逻辑模型，高斯分布模型，变换类方法，谱分析方法，概率密度法，专家系统等。应该注意到，从电池组测得的单体电池电流、电压、温度运行数据，是电池内部电化学反应/传递耦合作用的外在表现，蕴含了丰富的电池内部机理信息，可为电池组的异常电池识别提供支持。但是，如何合理利用测得的电压时间序列数据，挖掘单体电池间的本征参数差异，实现电池组有效的异常电池识别，难度很大，有待发展新方法。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于自编码器的串联结构电池组异常电池识别方法，它通过一个自编码器神经网络对单体电压曲线数据进行压缩，得到原始数据的特征，实现对单体电池间在充放电过程中的运行特性差异进行可视化评价，以挖掘电池本征信息的差异，并提出基于多元高斯分布的异常电池识别方法。

本发明的目的可以通过以下技术方案来实现：

一种基于自编码器的电池系统异常电池识别方法，包括以下步骤：

步骤一：对于充放电过程中各单体电池的电压进行在线测量；

步骤二：对于电压曲线进行数据压缩；

步骤三：基于自编码器网络进行特征提取；

步骤四：构建中心标准化特征矩阵；

步骤五：对中心标准化特征矩阵的均值和协方差矩阵进行计算；

步骤六：基于特征矩阵的异常电池进行识别。

优选地，所述的步骤一具体为：

对每次充电或放电阶段，利用电池管理系统采集并记录不同时刻的各单体电池电压值，第i个电池在第k个时刻采样点的电压值为V_ik；那么，由N个单体电池串联组成的电池组在每次充电或放电阶段测量得到的电压曲线可通过矩阵形式表示为：

其中V_i＝[V_i1,…,V_iM]^T，为第i个单体电池在充电或放电阶段的电压曲线，其中i＝1,…,N，N为串联结构电池组中的单体电池个数，M为在充电或放电阶段的测量点个数，T表示转置算子。

优选地，所述的步骤二具体为：

基于步骤一得到的各个单体电池电压曲线，将电压曲线压缩为m个时刻的电压数据，即对原电压曲线进行等距取点，共取m个点构成新的电压曲线，可表示为：

其中V′_i＝[V′_i1,…,V′_im]^T，为第i个单体电池压缩后的在充电或放电阶段的电压曲线，其中i＝1,…,N，N为串联结构电池组中的单体电池个数，T表示转置算子。

优选地，所述的步骤三包括：

步骤S31：基于步骤二得到的各个单体电池电压曲线，将其作为输入，利用自编码器网络，随机初始化权值矩阵；

步骤S32：通过反向传播算法计算单个样例(x,y)的代价函数J(W,b；x,y)的偏导数。

优选地，所述的步骤S32具体为：

(1)通过下式计算各神经元激活值：

其中

表示第l层第i单元输入加权和，

表示第l层第j单元与第l+1层第i单元之间的联接参数(下同)，

是第l+1层第i单元的偏置项，f(·)表示激活函数，n为第l-1层的神经元个数，j＝1,2,…,n，i为节点序号(下同)；

(2)根据下式计算输出层n_l的残差：

其中h_W,b(x)为神经网络的非线性假设模型，y_i为神经网络输出层神经元i的输出值，f′为激活函数的导数；

(3)对于l＝n_l-1,n_l-2,…,2的各个层，第l层的第i个节点的残差计算方法如下：

其中s_l+1为第l+1层的神经元个数,j＝1,2,…,s_l+1；

(4)根据下式计算偏导数：

其中j＝1,2,…,s_l，s_l为第l层的神经元个数，J(W,b；x,y)为单个样例(x,y)的代价函数。

得到偏导数后，计算整体代价函数J(W,b)的偏导数：

其中λ为权重衰减参数，m为样例个数，，J(W,b)为整体样本代价函数。使用BFGS算法对W,b进行优化，每一次迭代中按照如下公式对参数W,b进行更新：

其中α是学习速率，最终得到使得代价函数达到最小的权值矩阵W和偏置矩阵b，各单体电池的特征矩阵如下：

其中F_i＝[f_i1,…,f_ir]分别为自编码器提取的第i个单体电池电压曲线的特征,r表示特征维度，F_i按如下公式计算：

F_i＝W_iV′_i+b_i

其中W_i为第i个单体电池对应的权值矩阵，V′_i是第i个单体电池对应的向量矩阵，b_i为第i个单体电池对应的偏置矩阵。

优选地，所述的步骤四具体为：

基于步骤三得到的特征矩阵，对其进行中心标准化，得到的矩阵为：

F′中的每一列的均值都为0，标准差为1，f′_ij是第i个单体电池的第j个特征值、N是单体电池个数、r是特征维度。

优选地，所述的步骤五具体为：

基于步骤四得到的中心标准化特征矩阵，计算F′每一列的均值向量和F′的协方差矩阵，分别记为μ和Σ。

优选地，所述的步骤六包括：

步骤S61：基于步骤四得到的中心标准化特征矩阵，可直接通过在r维空间进行离散画图，可视化表征各个单体电池间的相似性；

步骤S62：基于步骤五得到的均值向量μ与协方差矩阵Σ，可构建多元高斯分布模型，根据模型计算得到的概率密度来对异常电池进行识别。

优选地，所述的步骤S62具体为：

(1)基于步骤五得到的均值与协方差矩阵，根据下式构建多元高斯分布模型：

其中μ为F′的均值向量，Σ为F′的协方差矩阵，x表示样本，r为样本属性的维度；

(2)基于步骤(1)中的多元高斯分布模型，计算F′中各单体电池对象的概率密度函数：

其中F′_i为第i个单体电池的中心标准化特征；

(3)基于步骤(1)中的多元高斯分布模型，计算正常电池的概率密度阈值：

(4)记正常电池集合P，异常电池集合S；

(5)若p(F′_i；μ,∑)≥TH，则将第i个电池单体加入到集合P中；否则加入到集合S中；

(6)若S为空集，表明电池组一致性良好；否则，则表明电池组内存在剩余电量或本征参数显著差异的异常电池集S。

与现有技术相比，本发明具有以下优点：

(1)提出采用自编码器神经网络，实现了串联结构电池组中各单体电池电压曲线的非线性降维，它能通过增加隐藏层数，以分层方式应用降维，在更高的隐藏层中获得更抽象的特征；

(2)通过合理选择低维映射的维度r，可实现各单体电池间不一致性的可视化，因此用户友好性强；

(3)提出基于多元高斯分布的异常电池识别方法，从统计学角度辨识存在显著SOC或本征参数差异的异常电池集，因此可靠性高。

附图说明

图1为本发明的具体流程示意图；

图2为本发明步骤三的分步骤流程示意图；

图3为本发明步骤六的分步骤流程示意图。

具体实施方式

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，所描述的实施例是本发明的一部分实施例，而不是全部实施例。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的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

如图1所示为本发明一种基于自编码器的电池系统异常电池识别方法，总共包括六个步骤，分别为：

步骤一：对于充放电过程中各单体电池的电压进行在线测量；

步骤二：对于电压曲线进行数据压缩；

步骤三：基于自编码器网络进行特征提取；

步骤四：构建中心标准化特征矩阵；

步骤五：中心标准化特征矩阵的均值和协方差矩阵计算；

步骤六：基于特征矩阵的异常电池进行识别。

其中，步骤一具体为：对每次充电或放电阶段，利用电池管理系统采集并记录不同时刻的各单体电池电压值，第i个电池在第k个时刻采样点的电压值为V_ik。那么，由N个单体电池串联组成的电池组在每次充电或放电阶段测量得到的电压曲线可通过矩阵形式表示为：

其中V_i＝[V_i1,…,V_iM]^T(i＝1,…,N)为第i个单体电池在充电或放电阶段的电压曲线，N为串联结构电池组中的单体电池个数，M为在充电或放电阶段的测量点个数，T表示转置算子。

步骤二具体为：基于步骤一得到的各个单体电池电压曲线，将电压曲线压缩为m个时刻的电压数据，即对原电压曲线进行等距取点，共取m个点构成新的电压曲线，可表示为：

其中V′_i＝[V′_i1,…,V′_im]^T(i＝1,…,N)为第i个单体电池压缩后的在充电或放电阶段的电压曲线，N为串联结构电池组中的单体电池个数，T表示转置算子。

步骤三分为两个分步骤，分别为步骤S31：基于步骤二得到的各个单体电池电压曲线，将其作为输入，利用自编码器网络，随机初始化权值矩阵；步骤S32：通过反向传播算法计算单个样例(x,y)的代价函数J(W,b；x,y)的偏导数，其中，步骤S32具体为：(1)通过下式计算各神经元激活值：

其中

表示第l层第i单元输入加权和,W为权值，b为偏置量，f(·)表示激活函数。

(2)根据下式计算输出层n_l的残差：

(3)对于l＝n_l-1,n_l-2,…,2的各个层，第l层的第i个节点的残差计算方法如下：

其中s_l+1为l+1层的神经元个数；

(4)根据下式计算偏导数：

得到偏导数后，计算整体代价函数J(W,b)的偏导数：

其中λ为权重衰减参数，n为样例个数。使用BFGS算法对W,b进行优化，每一次迭代中按照如下公式对参数W,b进行更新：

其中α是学习速率。最终得到使得代价函数达到最小的权值矩阵W和偏置矩阵b。各单体电池的特征矩阵如下：

其中F_i＝[f_i1,…,f_ir]分别为自编码器提取的第i个单体电池电压曲线的特征,r表示特征维度。F_i按如下公式计算：

F_i＝W_iV′_i+b_i

其中W_i为第i个单体电池对应的权值矩阵，b_i为第i个单体电池对应的偏置矩阵。

步骤四具体为：基于步骤三得到的特征矩阵，对其进行中心标准化，得到的矩阵为：

F′中的每一列的均值都为0，标准差为1。

步骤五具体为：基于步骤四得到的中心标准化特征矩阵，计算F′每一列的均值和F′的协方差矩阵，分别记为μ、Σ。

步骤六分为两个分步骤，分别为步骤S61：基于步骤四得到的中心标准化特征矩阵，可直接通过在r维空间进行离散画图，可视化表征各个单体电池间的相似性；步骤S62：基于步骤五得到的均值μ与协方差矩阵Σ，可构建多元高斯分布模型，根据模型计算得到的概率密度来对异常电池进行识别，其中，步骤S62具体为：(1)基于步骤五得到的均值与协方差矩阵，根据下式构建多元高斯分布模型：

其中μ为F′的均值向量，Σ为F′的协方差矩阵；

(2)基于步骤(1)中的多元高斯分布模型，计算F′中各单体电池对象的概率密度函数：

其中F′_i为第i个单体电池的中心标准化特征；

(3)基于步骤(1)中的多元高斯分布模型，计算正常电池的概率密度阈值：

(4)记正常电池集合P，异常电池集合S；

(5)若p(F′_i；μ,∑)≥TH，则将第i个电池单体加入到集合P中；否则加入到集合S中；

(6)若S为空集，表明电池组一致性良好；否则，则表明电池组内存在剩余电量或本征参数显著差异的异常电池集S。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (7)

1.一种基于自编码器的电池系统异常电池识别方法，其特征在于，包括以下步骤：

步骤一：对于充放电过程中各单体电池的电压进行在线测量；

步骤二：对于电压曲线进行数据压缩；

步骤三：基于自编码器网络进行特征提取；

步骤四：构建中心标准化特征矩阵；

步骤五：对中心标准化特征矩阵的均值和协方差矩阵进行计算；

步骤六：基于特征矩阵的异常电池进行识别；

所述的步骤六包括：

步骤S61：基于步骤四得到的中心标准化特征矩阵，可直接通过在r维空间进行离散画图，可视化表征各个单体电池间的相似性；

步骤S62：基于步骤五得到的均值向量μ与协方差矩阵Σ，可构建多元高斯分布模型，根据模型计算得到的概率密度来对异常电池进行识别；

所述的步骤S62具体为：

(1)基于步骤五得到的均值与协方差矩阵，根据下式构建多元高斯分布模型：

其中μ为F′的均值向量，Σ为F′的协方差矩阵，x表示样本，r为样本属性的维度；

(2)基于步骤(1)中的多元高斯分布模型，计算F′中各单体电池对象的概率密度函数：

其中F′_i为第i个单体电池的中心标准化特征；

(3)基于步骤(1)中的多元高斯分布模型，计算正常电池的概率密度阈值：

(4)记正常电池集合P，异常电池集合S；

(5)若p(F′_i；μ,∑)≥TH，则将第i个电池单体加入到集合P中；否则加入到集合S中；

(6)若S为空集，表明电池组一致性良好；否则，则表明电池组内存在剩余电量或本征参数显著差异的异常电池集S。

2.根据权利要求1所述的一种基于自编码器的电池系统异常电池识别方法，其特征在于，所述的步骤一具体为：

对每次充电或放电阶段，利用电池管理系统采集并记录不同时刻的各单体电池电压值，第i个电池在第k个时刻采样点的电压值为V_ik；那么，由N个单体电池串联组成的电池组在每次充电或放电阶段测量得到的电压曲线可通过矩阵形式表示为：

其中V_i＝[V_i1,…,V_iM]^T，为第i个单体电池在充电或放电阶段的电压曲线，其中i＝1,…,N，N为串联结构电池组中的单体电池个数，M为在充电或放电阶段的测量点个数，T表示转置算子。

3.根据权利要求1所述的一种基于自编码器的电池系统异常电池识别方法，其特征在于，所述的步骤二具体为：

基于步骤一得到的各个单体电池电压曲线，将电压曲线压缩为m个时刻的电压数据，即对原电压曲线进行等距取点，共取m个点构成新的电压曲线，可表示为：

其中V′_i＝[V′_i1,…,V′_im]^T，为第i个单体电池压缩后的在充电或放电阶段的电压曲线，其中i＝1,…,N，N为串联结构电池组中的单体电池个数，T表示转置算子。

4.根据权利要求1所述的一种基于自编码器的电池系统异常电池识别方法，其特征在于，所述的步骤三包括：

步骤S31：基于步骤二得到的各个单体电池电压曲线，将其作为输入，利用自编码器网络，随机初始化权值矩阵；

步骤S32：通过反向传播算法计算单个样例(x,y)的代价函数J(W,b；x,y)的偏导数。

5.根据权利要求4所述的一种基于自编码器的电池系统异常电池识别方法，其特征在于，所述的步骤S32具体为：

(1)通过下式计算各神经元激活值：

其中

表示第l层第i单元输入加权和，

表示第l层第j单元与第l+1层第i单元之间的联接参数，

是第l+1层第i单元的偏置项，f(·)表示激活函数，n为第l-1层的神经元个数，j＝1,2,…,n，i为节点序号；

(2)根据下式计算输出层n_l的残差：

其中h_W,b(x)为神经网络的非线性假设模型，y_i为神经网络输出层神经元i的输出值，f′为激活函数的导数；

(3)对于l＝n_l-1,n_l-2,…,2的各个层，第l层的第i个节点的残差计算方法如下：

其中s_l+1为第l+1层的神经元个数,j＝1,2,…,s_l+1；

(4)根据下式计算偏导数：

其中j＝1,2,…,s_l，s_l为第l层的神经元个数，J(W,b；x,y)为单个样例(x,y)的代价函数；

得到偏导数后，计算整体代价函数J(W,b)的偏导数：

其中λ为权重衰减参数，m为样例个数，J(W,b)为整体样本代价函数；使用BFGS算法对W,b进行优化，每一次迭代中按照如下公式对参数W,b进行更新：

其中α是学习速率，最终得到使得代价函数达到最小的权值矩阵W和偏置矩阵b，各单体电池的特征矩阵如下：

其中F_i＝[f_i1,…,f_ir]分别为自编码器提取的第i个单体电池电压曲线的特征,r表示特征维度，F_i按如下公式计算：

F_i＝W_iV′_i+b_i

其中W_i为第i个单体电池对应的权值矩阵，V′_i是第i个单体电池对应的向量矩阵，b_i为第i个单体电池对应的偏置矩阵。

6.根据权利要求1所述的一种基于自编码器的电池系统异常电池识别方法，其特征在于，所述的步骤四具体为：

基于步骤三得到的特征矩阵，对其进行中心标准化，得到的矩阵为：

F′中的每一列的均值都为0，标准差为1，f′_ij是第i个单体电池的第j个特征值、N是单体电池个数、r是特征维度。

7.根据权利要求1所述的一种基于自编码器的电池系统异常电池识别方法，其特征在于，所述的步骤五具体为：

基于步骤四得到的中心标准化特征矩阵，计算F′每一列的均值向量和F′的协方差矩阵，分别记为μ、Σ。

Images