CN112906744A - 一种基于孤立森林算法的故障单体电池识别方法 - Google Patents

Abstract

本发明提出了一种基于孤立森林算法的故障单体电池识别方法，该方法利用故障单体电池的电压出现异常变化的现象，通过对电池充电过程采集到的电压数据进行深度处理，创新性地从单体电池电压数据中提取出多个反映电压信号变化特性的特征参数，包括单体电池电压的自相关系数、相邻单体电池电压的互相关系数、单体电池的三阶无量纲特征参数值、单体电池电压差异的方差、单体电池电压差异的偏度系数和单体电池电压差异的模糊熵，转化为多种特征值数列同时进行判断，并且基于孤立森林算法，能够快速地筛选出特征值数列中的离群点，在短时间内就可以完成一次判断，无人工干预，鲁棒性强，能够准确识别出故障单体电池，并且减少误报率。

Description

一种基于孤立森林算法的故障单体电池识别方法

技术领域

本发明属于电池管理技术领域，具体涉及一种在电池使用过程中基于孤立森林算法进行故障单体电池识别的方法。

背景技术

随着锂离子电池技术的不断发展，以锂离子电池作为动力电池的电动汽车逐渐成为未来汽车发展的主流方向，电动汽车的市场占有率也在不断上升。然而，由于锂离子电池故障而引发的电动汽车着火事故也偶有发生，严重威胁人民群众的生命财产安全。

电池故障通常是由使用过程中的机械滥用、电滥用以及热滥用或者生产制造过程中所引入的微小缺陷逐渐劣化发展导致的。电池故障不仅会导致整个电池组性能的退化，甚至最终演变成热失控，造成起火爆炸的严重事故。因此，有必要在电池系统中及时检测故障的单体电池，并进行预警与故障处理，以保障电动汽车人员安全。

目前，故障单体电池的识别依然是电池安全问题研究的一个难点。一方面是锂离子电池装车运行后，考虑到成本，只能采集到单体电池的外电压和温度信号，缺乏更多的有效信息，判断依据比较单一；另一方面是在车载电池系统在变电流和变温度工况条件下，车辆不断加速或减速，负载电流与车辆外部环境不断变化，各个单体电池的状态也随之变化，检测难度加大。

所以现有技术一般有两种方案：一是采集单体电池的电流、电压和表面温度，通过数据与阈值简单作差的方式进行判断，此方案准确度较低，误报率较高，很难有效识别故障单体电池；二是基于模型的方法进行故障识别，即通过电池模型估算电池的参数，与实际值进行比较，判断故障单体电池，但是一套新能源汽车动力电池包包含一百颗左右的单体电池，所以此方案计算量大，判断时间长，实际效果也并不理想。

发明内容

鉴于此，有必要提供一种判断周期短，识别更为准确的故障单体电池的检测方法。

本发明提供一种基于孤立森林算法的故障单体电池识别方法，通过实时采集锂离子电池系统使用过程中各单体电池的端电压数据，创新性地从单体电池电压数据中提取出多个反映电压信号变化特性的特征参数，包括单体电池电压的自相关系数、相邻单体电池电压的互相关系数、单体电池的三阶无量纲特征参数值、单体电池电压差异的方差、单体电池电压差异的偏度系数和单体电池电压差异的模糊熵，转化为特征值数列，最后采用稳定性好、精确度高的孤立森林算法判断出故障单体电池。

以单体电池电压差异的偏度系数和单体电池电压差异的模糊熵为例，说明本发明具体包括以下步骤：

S1，采集充电过程中电池组中的每个单体电池的充电电压数据作为原始数据，其中，单体电池包括正常单体电池和故障单体电池；

S2，在每个时刻对应的时间窗口内，对采集的电池电压数据进行深度处理，分别计算各个单体电池电压差异的偏度系数pdxs_ΔU_i和模糊熵FuzzyEn_i，根据计算出的各个单体电池电压差异的偏度系数获得第一特征值数列，并根据计算出的各个单体电池电压差异的模糊熵获得第二特征值数列；

S3，分别对电池电压的第一特征值数列和第二特征值数列中数据进行归一化处理，获得第一样本集和第二样本集，并分别将第一样本集和第二样本集随机拆分成第一训练集、第二训练集、第一测试集以及第二测试集；

S4，采用孤立森林算法，通过训练集建立数据分析模型，进行孤立森林模型的训练得到训练好的第一模型和第二模型；

S5，将第一测试集以及第二测试集中的电池电压特征值数列分别送入训练好的第一模型和第二模型中进行数据挖掘，找出数列中的离群点，筛选出离群点对应的故障单体电池。

在上述的一种基于孤立森林算法的故障单体电池识别方法，偏度系数pdxs_ΔU_i的具体计算步骤包括：

S2.01，计算时间窗口内第k个采样点电池单体i电压相比于平均值的差异ΔU_i(k)；

S2.02，计算时间窗口内电池单体i电压差异的平均值Δu_i；

S2.03，计算时间窗口内电池单体i电压差异的方差fc_ΔU_i；

S2.04，根据公式(1)计算偏度系数pdxs_ΔU_i：

在上述的一种基于孤立森林算法的故障单体电池识别方法，模糊熵FuzzyEn_i的具体计算步骤包括：

S2.11，给定一个时间窗口内电池单体i电压相比于平均值的差异ΔU_i的M点采样序列：{ΔU_i(j)；1≤j≤M}；

S2.12，按照序号的连续顺序构成一组N维矢量，重构相空间：

X_j＝{ΔU_i(j),ΔU_i(j+1),...,ΔU_i(j+N-1)}-ΔU₀(j),j＝1,2,...,M-N，其中

ΔU_i(j),ΔU_i(j+1),...,ΔU_i(j+N-1)代表第j个点开始连续N个ΔU_i的值，ΔU₀(j)表示均值，计算如公式(2)：

S2.13，引入模糊隶属函数如公式(3)：

通过公式(4)计算两个N维矢量

和

的相似度

上式(4)中，r为相空间相似容限度，

为窗口向量

和

之间的最大绝对距离，通过下式(5)计算：

S2.14，针对每个a，通过下式(6)求相似度的平均值

S2.15，定义Φ^N(r)如下：

S2.16，重复S2.12-S2.15，按照序号顺序重构一组N+1维矢量，计算Φ^N+1(r)；

S2.17，针对有限数据集，通过公式(8)求得电池单体i电压相比于平均值的差异ΔU_i时间序列的模糊熵估计为：

FuzzyEn(N,r)＝lnΦ^N(r)-lnΦ^N+1(r) (8)。

在上述的一种基于孤立森林算法的故障单体电池识别方法，步骤S3的具体计算步骤包括：对电池电压特征值数列中数据进行归一化处理：

式中，x_i为特征值数列中数据；y_i为归一化后的特征值数列中数据；x_min为特征值数列中数据的最小值；x_max为特征值数列中数据的最大值，n为样本的个数。

在上述的一种基于孤立森林算法的故障单体电池识别方法，步骤S4的具体计算步骤包括：

S4.1，将训练集中的电池电压第一特征值数列送入孤立森林算法中，进行第一特征值对应的孤立森林模型的训练；

S4.2，将训练集中的电池电压第二特征值数列送入孤立森林算法中，进行第二特征值对应的孤立森林模型的训练。

在上述的一种基于孤立森林算法的故障单体电池识别方法，步骤S5的具体计算步骤包括：具体判定过程如下：

S5.1，将测试集中的第一特征值数列输入训练好的孤立森林模型中进行数据挖掘，找出该数列中的离群点，标定该离群点对应的电池输出+1；

S5.2，将测试集中的第二特征值数列输入训练好的孤立森林模型中进行数据挖掘，找出该数列中的离群点，标定该离群点对应的电池输出+1；

S5.3，如果某单体电池的当前时刻总输出为0，判定该单体电池没有故障；

S5.4，如果某单体电池的当前时刻总输出为1，判定该单体电池没有故障，继续下一时刻的判断，连续s个时刻该单体电池输出均为1，则在第s时刻判定该单体电池为故障单体电池；

S5.5，如果某单体电池的当前时刻总输出为2，判定该单体电池为故障单体电池。

在上述的一种基于孤立森林算法的故障单体电池识别方法，步骤S5为孤立森林算法的训练阶段，构建t个iTree组成的iForest，本文取iTree的数量为t，具体流程如下：

S5.1，步骤S5中拆分的训练集中有归一化后的两种电池电压特征值数列，在这些特征值数列中最大值和最小值之间随机选取一个数作为中点；

S5.2，根据中点将电池电压特征值数列一份为二，小于中点的数据在左子数列，大于中点的数据在右子数列；

S5.3，递归构造左子数列与右子数列，直到满足最终的子数列中只有一个数据或者孤立树的高度达到了限定高度，如此完成一个iTree的建立；

当已经分割出很多异常数据时，仍然在一个子数列中的数据基本上可以视为正常数据，我们规定一个最大深度

(根节点深度是0)，达到最大深度时，即使开没有分割完毕也不再继续下分；

S5.4，构造孤立森林：随机进行t次iTree的建立，由t个iTree构成iForest。

在上述的一种基于孤立森林算法的故障单体电池识别方法，步骤S5为孤立森林算法的检测阶段，用生成的iForest对测试集中的电池电压特征值数列进行离群点检测，判断故障单体电池，具体如下：

将测试集中的电池电压特征值数列分别送入训练好的模型中进行数据挖掘，数列中的每个数据x都要经历每棵iTree，得到该数据在每棵iTree中所处的深度及在iForest中所处的平均深度h(x)，从而计算该数据的异常分值；

数据x的异常分值定义如下：

式中h(x)是数据x在iForest中所处的平均深度，

是

个点构建的二分搜索树的平均路径长度，计算公式如下：

式中H(k)＝ln(k)+0.577215665；

根据数据异常分值来判断数据是否为离群点，若是离群点则该点对应电池输出+1。

与现有技术相比，本发明所给出的一种基于孤立森林算法的故障单体电池识别方法通过对电池系统使用过程中采集到的电池电压数据进行深度分析，创新性地从单体电池电压数据中提取出多个反映电压信号变化特性的特征参数，包括单体电池电压的自相关系数、相邻单体电池电压的互相关系数、单体电池的三阶无量纲特征参数值、单体电池电压差异的方差、单体电池电压差异的偏度系数和单体电池电压差异的模糊熵，转化为多种特征值数列同时进行判断，并且利用孤立森林算法，能够快速地筛选出特征值数列中的离群点，在短时间内就可以完成一次判断，无人工干预，鲁棒性强，能够准确识别出故障单体电池，并且减少误报率。本发明提供的一种基于孤立森林算法的故障单体电池识别方法对于提高使用电池组产品的安全性有重要作用。

附图说明

图1是孤立森林iForest离群点检测过程图。

图2是孤立树iTree构造原理图。

图3是孤立树iTree构造流程图。

图4是孤立森林iForest构造与故障单体电池检测的输出流程图。

具体实施方式

下面将结合附图对本发明提供的故障单体电池检测方法作进一步的详细说明。

本发明提供的一种基于孤立森林算法的短时故障单体电池识别方法，包括以下具体步骤：

S1，提供一个包含多个单体电池的电池组；

S2，在充电过程中采集上述电池组中的每个单体电池的充电电压数据作为原始数据，上述单体电池包括正常单体电池和故障单体电池；

S3，每个时刻对应时间窗口内，对采集的电池电压数据进行深度处理，计算各个单体电池电压差异的偏度系数pdxs_ΔU_i，根据计算出的各个单体电池电压差异的偏度系数获得第一特征值数列，具体包括以下步骤：

S3.1，计算时间窗口内第k个采样点电池单体i电压相比于平均值的差异ΔU_i(k)；

S3.2，计算时间窗口内电池单体i电压差异的平均值Δu_i；

S3.3，计算时间窗口内电池单体i电压差异的方差fc_ΔU_i；

S3.4，根据公式(1)计算偏度系数pdxs_ΔU_i：

S4，每个时刻对应时间窗口内，对采集的电池电压数据进行深度处理，计算各个单体电池电压差异的模糊熵FuzzyEn_i，根据计算出的各个单体电池电压差异的模糊熵获得第二特征值数列，具体包括以下步骤：

S4.1，给定一个时间窗口内电池单体i电压相比于平均值的差异ΔU_i的M点采样序列：{ΔU_i(j)；1≤j≤M}；

S4.2，按照序号的连续顺序构成一组N维矢量，重构相空间：

X_j＝{ΔU_i(j),ΔU_i(j+1),...,ΔU_i(j+N-1)}-ΔU₀(j),j＝1,2,...,M-N，其中

ΔU_i(j),ΔU_i(j+1),...,ΔU_i(j+N-1)代表第j个点开始连续N个ΔU_i的值，ΔU₀(j)表示均值，计算如公式(2)：

S4.3，引入模糊隶属函数如公式(3)：

通过公式(4)计算两个N维矢量

和

的相似度

上式(4)中，r为相空间相似容限度，

为窗口向量

和

之间的最大绝对距离，通过下式(5)计算：

S4.4，针对每个a，通过下式(6)求相似度的平均值

S4.5，定义Φ^N(r)如下：

S4.6重复S2.12-S2.15，按照序号顺序重构一组N+1维矢量，计算Φ^N+1(r)；

S4.7，针对有限数据集，通过公式(8)求得电池单体i电压相比于平均值的差异ΔU_i时间序列的模糊熵估计为：

FuzzyEn(N,r)＝lnΦ^N(r)-lnΦ^N+1(r) (8)

S5，对电池电压特征值数列中数据进行归一化处理，获得样本集，并将样本集随机拆分成训练集和测试集；

S6，采用孤立森林算法，通过训练集建立数据分析模型，进行孤立森林模型的训练；

S6.1，将训练集中的电池电压第一特征值数列送入孤立森林算法中，进行第一特征值对应的孤立森林模型的训练；

S6.2，将训练集中的电池电压第二特征值数列送入孤立森林算法中，进行第二特征值对应的孤立森林模型的训练；

S7，将测试集中的电池电压特征值数列分别送入训练好的模型中进行数据挖掘，找出数列中的离群点，筛选出离群点对应的故障单体电池。具体判定过程如下：

S7.1，将测试集中的第一特征值数列输入训练好的孤立森林模型中进行数据挖掘，找出该数列中的离群点，标定该离群点对应的电池输出+1；

S7.2，将测试集中的第二特征值数列输入训练好的孤立森林模型中进行数据挖掘，找出该数列中的离群点，标定该离群点对应的电池输出+1；

S7.3，如果某单体电池的当前时刻总输出为0，判定该单体电池没有故障；

S7.4，如果某单体电池的当前时刻总输出为1，判定该单体电池没有故障，继续下一时刻的判断，连续s个时刻该单体电池输出均为1，则在第s时刻判定该单体电池为故障单体电池；

S7.5，如果某单体电池的当前时刻总输出为2，判定该单体电池为故障单体电池。

步骤S1中，所述电池组的电池种类不限某一类，本实施例中所检测的是锂离子电池。提供的电池组包括编号依次为1,2,3…n的n个单体电池，其中n为大于1的整数，此n个单体电池可以通过任意串并联的方式组成一个电池组。

步骤S2中，在充电过程中采集上述电池组中的每个单体电池的充电电压数据，上述单体电池包括正常单体电池和故障单体电池。

步骤S3中，每个时刻对应的时间窗口内进行m次电池电压采集。

步骤S5中，对电池电压特征值数列中数据进行归一化处理：

式中，x_i为特征值数列中数据；y_i为归一化后的特征值数列中数据；x_min为特征值数列中数据的最小值；x_max为特征值数列中数据的最大值，n为样本的个数。

孤立森林算法有两个阶段，训练阶段与检测阶段：

步骤S6为孤立森林算法的训练阶段，构建t个iTree组成的iForest，本文取iTree的数量为t，具体流程如下：

(1)、步骤S5中拆分的训练集中有归一化后的两种电池电压特征值数列，在这些特征值数列中最大值和最小值之间随机选取一个数作为中点；

(2)、根据中点将电池电压特征值数列一份为二，小于中点的数据在左子数列，大于中点的数据在右子数列；

(3)、递归构造左子数列与右子数列，直到满足最终的子数列中只有一个数据或者孤立树的高度达到了限定高度，如此完成一个iTree的建立；

当已经分割出很多异常数据时，仍然在一个子数列中的数据基本上可以视为正常数据，我们规定一个最大深度

(根节点深度是0)，达到最大深度时，即使开没有分割完毕也不再继续下分。

(4)、构造孤立森林：随机进行t次iTree的建立，由t个iTree构成iForest。

步骤S7为孤立森林算法的检测阶段，用生成的iForest对测试集中的电池电压特征值数列进行离群点检测，判断故障单体电池，具体如下：

将测试集中的电池电压特征值数列分别送入训练好的模型中进行数据挖掘，数列中的每个数据x都要经历每棵iTree，得到该数据在每棵iTree中所处的深度及在iForest中所处的平均深度h(x)，从而计算该数据的异常分值。

数据x的异常分值定义如下：

式中h(x)是数据x在iForest中所处的平均深度，

是

个点构建的二分搜索树的平均路径长度，计算公式如下：

式中H(k)＝ln(k)+0.577215665。

根据数据异常分值来判断数据是否为离群点，若是离群点则该点对应电池输出+1。

步骤S7.3中，如果某单体电池的当前时刻总输出为0，即该电池的两种特征值参数均为非离群点，则判定该单体电池没有故障；

步骤S7.4中，如果某单体电池的当前时刻总输出为1，即该电池的一种特征值参数为离群点，判定该单体电池没有故障，继续下一时刻的判断，连续s个时刻该单体电池输出均为1，则在第s时刻判定该单体电池为故障单体电池；

步骤S7.5中，如果某单体电池的当前时刻总输出为2，即该电池的两种特征值参数均为离群点，判定该单体电池为故障单体电池。

另外，电池技术领域的相关技术人员还可以在本发明精神内做其它改变，当然本发明所要求保护范围也包含这些依据本发明精神所做的改变。

Claims (8)

1.一种基于孤立森林算法的故障单体电池识别方法，其特征在于，包括以下步骤：

S1，采集充电过程中电池组中的每个单体电池的充电电压数据作为原始数据，其中，单体电池包括正常单体电池和故障单体电池；

S2，在每个时刻对应的时间窗口内，对采集的电池电压数据进行深度处理，分别计算各个单体电池电压差异的偏度系数pdxs_ΔU_i和模糊熵FuzzyEn_i，根据计算出的各个单体电池电压差异的偏度系数获得第一特征值数列，并根据计算出的各个单体电池电压差异的模糊熵获得第二特征值数列；

S3，分别对电池电压的第一特征值数列和第二特征值数列中数据进行归一化处理，获得第一样本集和第二样本集，并分别将第一样本集和第二样本集随机拆分成第一训练集、第二训练集、第一测试集以及第二测试集；

S4，采用孤立森林算法，通过训练集建立数据分析模型，进行孤立森林模型的训练得到训练好的第一模型和第二模型；

S5，将第一测试集以及第二测试集中的电池电压特征值数列分别送入训练好的第一模型和第二模型中进行数据挖掘，找出数列中的离群点，筛选出离群点对应的故障单体电池。

2.根据权利要求1所述的一种基于孤立森林算法的故障单体电池识别方法，其特征在于，偏度系数pdxs_ΔU_i的具体计算步骤包括：

S2.01，计算时间窗口内第k个采样点电池单体i电压相比于平均值的差异ΔU_i(k)；

S2.02，计算时间窗口内电池单体i电压差异的平均值Δu_i；

S2.03，计算时间窗口内电池单体i电压差异的方差fc_ΔU_i；

S2.04，根据公式(1)计算偏度系数pdxs_ΔU_i：

3.根据权利要求1所述的一种基于孤立森林算法的故障单体电池识别方法，其特征在于，模糊熵FuzzyEn_i的具体计算步骤包括：

S2.11，给定一个时间窗口内电池单体i电压相比于平均值的差异ΔU_i的M点采样序列：{ΔU_i(j)；1≤j≤M}；

S2.12，按照序号的连续顺序构成一组N维矢量，重构相空间：X_j＝{ΔU_i(j),ΔU_i(j+1),...,ΔU_i(j+N-1)}-ΔU₀(j),j＝1,2,...,M-N，其中ΔU_i(j),ΔU_i(j+1),...,ΔU_i(j+N-1)代表第j个点开始连续N个ΔU_i的值，ΔU₀(j)表示均值，计算如公式(2)：

S2.13，引入模糊隶属函数如公式(3)：

通过公式(4)计算两个N维矢量

和

的相似度

上式(4)中，r为相空间相似容限度，

为窗口向量

和

之间的最大绝对距离，通过下式(5)计算：

S2.14，针对每个a，通过下式(6)求相似度的平均值

S2.15，定义Φ^N(r)如下：

S2.16，重复S2.12-S2.15，按照序号顺序重构一组N+1维矢量，计算Φ^N+1(r)；

S2.17，针对有限数据集，通过公式(8)求得电池单体i电压相比于平均值的差异ΔU_i时间序列的模糊熵估计为：

FuzzyEn(N,r)＝lnΦ^N(r)-lnΦ^N+1(r) (8)。

4.根据权利要求1所述的一种基于孤立森林算法的故障单体电池识别方法，其特征在于，步骤S3的具体计算步骤包括：对电池电压特征值数列中数据进行归一化处理：

式中，x_i为特征值数列中数据；y_i为归一化后的特征值数列中数据；x_min为特征值数列中数据的最小值；x_max为特征值数列中数据的最大值，n为样本的个数。

5.根据权利要求1所述的一种基于孤立森林算法的故障单体电池识别方法，其特征在于，步骤S4的具体计算步骤包括：

S4.1，将训练集中的电池电压第一特征值数列送入孤立森林算法中，进行第一特征值对应的孤立森林模型的训练；

S4.2，将训练集中的电池电压第二特征值数列送入孤立森林算法中，进行第二特征值对应的孤立森林模型的训练。

6.根据权利要求1所述的一种基于孤立森林算法的故障单体电池识别方法，其特征在于，步骤S5的具体计算步骤包括：具体判定过程如下：

S5.1，将测试集中的第一特征值数列输入训练好的孤立森林模型中进行数据挖掘，找出该数列中的离群点，标定该离群点对应的电池输出+1；

S5.2，将测试集中的第二特征值数列输入训练好的孤立森林模型中进行数据挖掘，找出该数列中的离群点，标定该离群点对应的电池输出+1；

S5.3，如果某单体电池的当前时刻总输出为0，判定该单体电池没有故障；

S5.4，如果某单体电池的当前时刻总输出为1，判定该单体电池没有故障，继续下一时刻的判断，连续s个时刻该单体电池输出均为1，则在第s时刻判定该单体电池为故障单体电池；

S5.5，如果某单体电池的当前时刻总输出为2，判定该单体电池为故障单体电池。

7.根据权利要求1所述的一种基于孤立森林算法的故障单体电池识别方法，其特征在于，步骤S5为孤立森林算法的训练阶段，构建t个iTree组成的iForest，本文取iTree的数量为t，具体流程如下：

S5.1，步骤S5中拆分的训练集中有归一化后的两种电池电压特征值数列，在这些特征值数列中最大值和最小值之间随机选取一个数作为中点；

S5.2，根据中点将电池电压特征值数列一份为二，小于中点的数据在左子数列，大于中点的数据在右子数列；

S5.3，递归构造左子数列与右子数列，直到满足最终的子数列中只有一个数据或者孤立树的高度达到了限定高度，如此完成一个iTree的建立；

当已经分割出很多异常数据时，仍然在一个子数列中的数据基本上可以视为正常数据，我们规定一个最大深度

(根节点深度是0)，达到最大深度时，即使开没有分割完毕也不再继续下分；

S5.4，构造孤立森林：随机进行t次iTree的建立，由t个iTree构成iForest。

8.根据权利要求1所述的一种基于孤立森林算法的故障单体电池识别方法，其特征在于，步骤S5为孤立森林算法的检测阶段，用生成的iForest对测试集中的电池电压特征值数列进行离群点检测，判断故障单体电池，具体如下：

将测试集中的电池电压特征值数列分别送入训练好的模型中进行数据挖掘，数列中的每个数据x都要经历每棵iTree，得到该数据在每棵iTree中所处的深度及在iForest中所处的平均深度h(x)，从而计算该数据的异常分值；

数据x的异常分值定义如下：

式中h(x)是数据x在iForest中所处的平均深度，

是

个点构建的二分搜索树的平均路径长度，计算公式如下：

式中H(k)＝ln(k)+0.577215665；

根据数据异常分值来判断数据是否为离群点，若是离群点则该点对应电池输出+1。

Images