发明内容
本发明的目的是提供一种高效便捷的基于信息融合的磷酸铁锂电池热失控监测方法及系统。
为实现上述目的,本发明提供了如下方案:
一种基于信息融合的磷酸铁锂电池热失控监测方法,包括:
采用斯皮尔曼等级相关法从磷酸铁锂电池的周围测温点中筛选出若干与磷酸铁锂电池内部温度非线性相关程度相对高的测温点,将筛选出的测温点记为特定周围测温点;
采集某时刻至少两个所述特定周围测温点的温度数据;
将所述特定周围测温点的温度数据进行融合,得到温度融合值;
将所述温度融合值输入孤立森林模型检测所述磷酸铁锂电池是否发生热失控,所述孤立森林模型为在磷酸铁锂电池正常运行时,基于所述特定周围测温点的温度数据建立的孤立森林模型,所述正常运行为所述磷酸铁锂电池未发生热失控的运行。
可选的,所述采用斯皮尔曼等级相关法从磷酸铁锂电池的周围测温点中筛选出若干与磷酸铁锂电池内部温度非线性相关程度相对高的测温点,具体包括:
分别以磷酸铁锂电池正常运行时的温度最大值以及最小值为上限和下限,将磷酸铁锂电池正常运行时的温度范围划分为多个等长的等级区间;
获取同一时序下磷酸铁锂电池内部的温度时序数据以及磷酸铁锂电池周围测温点的温度时序数据;
按时间将磷酸铁锂电池内部的温度时序数据以及磷酸铁锂电池周围测温点的温度时序数据分别划分为多个子样本组,其中,每个子样本组中的元素数量相同;
计算子样本组的温度均值,并按均值大小选择其对应的等级区间,并用等级区间的等级作为子样本组的等级;
根据
计算相关系数ρ,其中,k为磷酸铁锂电池内部温度时序数据或磷酸铁锂电池周围测温点温度时序数据的子样本组数量,d
r为磷酸铁锂电池周围测温点温度数据的第r个子样本组的等级与磷酸铁锂电池内部温度数据的第r个子样本组的等级相减得到等级差;
选取相对大的前设数量的相关系数所对应的周围测温点作为所述特定周围测温点。
可选的,将所述温度融合值输入孤立森林模型检测所述磷酸铁锂电池是否发生热失控,具体包括:
将所述温度融合值在孤立森林模型中的每一棵孤立树上遍历,得到所述温度融合值在每一颗孤立树上的路径长度;
根据
计算所述温度融合值x的异常值s(x,m),其中,m表示用于训练所述孤立森林模型的样本的容量,c(m)表示样本容量为m的孤立森林模型中孤立树的平均长度,h(x)表示所述温度融合值x在每一颗孤立树上的路径长度,E(h(x))表示h(x)的平均值;
根据所述异常值确定所述磷酸铁锂电池是否发生热失控。
可选的,所述方法还包括:
获取所述磷酸铁锂电池正常运行时,各特定周围测温点的历史时序温度数据;
对各特定周围测温点的历史时序温度数据中相同时刻的温度数据进行融合,得到温度融合数据组;
基于所述温度融合数据组,根据孤立森林规则,建立由若干孤立树组成孤立森林模型。
可选的,采用SOM模型对温度数据进行融合。
本发明还提供了一种基于信息融合的磷酸铁锂电池热失控监测系统,包括:
特定周围测温点筛选模块,用于采用斯皮尔曼等级相关法从磷酸铁锂电池的周围测温点中筛选出若干与磷酸铁锂电池内部温度非线性相关程度相对高的测温点,将筛选出的测温点记为特定周围测温点;
温度数据采集模块,用于采集某时刻至少两个所述特定周围测温点的温度数据;
温度数据融合模块,用于将所述特定周围测温点的温度数据进行融合,得到温度融合值;
异常检测模块,用于将所述温度融合值输入孤立森林模型检测所述磷酸铁锂电池是否发生热失控,所述孤立森林模型为在磷酸铁锂电池正常运行时,基于所述特定周围测温点的温度数据建立的孤立森林模型,所述正常运行为所述磷酸铁锂电池未发生热失控的运行。
可选的,所述特定周围测温点筛选模块,具体包括:
温区划分单元,用于分别以磷酸铁锂电池正常运行时的温度最大值以及最小值为上限和下限,将磷酸铁锂电池正常运行时的温度范围划分为多个等长的等级区间;
温度时序数据获取单元,用于获取同一时序下磷酸铁锂电池内部的温度时序数据以及磷酸铁锂电池周围测温点的温度时序数据;
数据分组单元,用于按时间将磷酸铁锂电池内部的温度时序数据以及磷酸铁锂电池周围测温点的温度时序数据分别划分为多个子样本组,其中,每个子样本组中的元素数量相同;
等级确定单元,用于计算子样本组的温度均值,并按均值大小选择其对应的等级区间,并用等级区间的等级作为子样本组的等级;
相关系数计算单元,用于根据
计算相关系数ρ,其中,k为磷酸铁锂电池内部温度时序数据或磷酸铁锂电池周围测温点温度时序数据的子样本组数量,d
r为磷酸铁锂电池周围测温点温度数据的第r个子样本组的等级与磷酸铁锂电池内部温度数据的第r个子样本组的等级相减得到等级差;
特定周围测温点选取单元,用于选取相对大的前设数量的相关系数所对应的周围测温点作为所述特定周围测温点。
可选的,所述异常检测模块,具体包括:
遍历单元,用于将所述温度融合值在孤立森林模型中的每一棵孤立树上遍历,得到所述温度融合值在每一颗孤立树上的路径长度;
根据
计算所述温度融合值x的异常值s(x,m),其中,m表示用于训练所述孤立森林模型的样本的容量,c(m)表示样本容量为m的孤立森林模型中孤立树的平均长度,h(x)表示所述温度融合值x在每一颗孤立树上的路径长度,E(h(x))表示h(x)的平均值;
热失控确定单元,用于根据所述异常值确定所述磷酸铁锂电池是否发生热失控。
可选的,
所述温度数据采集模块还用于获取所述磷酸铁锂电池正常运行时,各特定周围测温点的历史时序温度数据;
所述温度数据融合模块还用于对各特定周围测温点的历史时序温度数据中相同时刻的温度数据进行融合,得到温度融合数据组;
所述磷酸铁锂电池热失控监测系统还包括:孤立森林模型构建模块,用于基于所述温度融合数据组,根据孤立森林规则,建立由若干孤立树组成孤立森林模型。
可选的,所述温度数据融合模块采用SOM模型对温度数据进行融合。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明提供的基于信息融合的磷酸铁锂电池热失控监测方法及系统,采集磷酸铁锂电池周围测温点温度,并将其与磷酸铁锂电池内部温度进行非线性相关程度计算,选择其中相关程度最高的几个测温点作为判断磷酸铁锂电池热失控的特定测温点,基于特定测温点的温度数据确定磷酸铁锂电池是否发生热失控。相较于现有技术,由于本发明无需测量电池内部的温度数据,因此提高了效率,且操作上更加的便捷。
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,所描述的实施例仅仅是本发明一部分实施例,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,都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
参见图1,本实施例提供了一种基于信息融合的磷酸铁锂电池热失控监测方法,该方法包括以下步骤:
步骤101:采用斯皮尔曼等级相关法从磷酸铁锂电池的周围测温点中筛选出若干与磷酸铁锂电池内部温度非线性相关程度相对高的测温点,将筛选出的测温点记为特定周围测温点;
步骤102:采集某时刻至少两个特定周围测温点的温度数据;
步骤103:将特定周围测温点的温度数据进行融合,得到温度融合值;
步骤104:将温度融合值输入孤立森林模型检测磷酸铁锂电池是否发生热失控,孤立森林模型为在磷酸铁锂电池正常运行时,基于特定周围测温点的温度数据建立的孤立森林模型,所述正常运行为所述磷酸铁锂电池未发生热失控的运行。
其中,步骤101具体可以采用以下方式筛选特定周围测温点:
分别以磷酸铁锂电池正常运行时的温度最大值以及最小值为上限和下限,将磷酸铁锂电池正常运行时的温度范围划分为多个等长的等级区间;获取同一时序下磷酸铁锂电池内部的温度时序数据以及磷酸铁锂电池周围测温点的温度时序数据;按时间将磷酸铁锂电池内部的温度时序数据以及磷酸铁锂电池周围测温点的温度时序数据分别划分为多个子样本组,其中,每个子样本组中的元素数量相同;计算子样本组的温度均值,并按均值大小选择其对应的等级区间,并用等级区间的等级作为子样本组的等级;根据
计算相关系数ρ,其中,k为磷酸铁锂电池内部温度时序数据或磷酸铁锂电池周围测温点温度时序数据的子样本组数量,d
r为磷酸铁锂电池周围测温点温度数据的第r个子样本组的等级与磷酸铁锂电池内部温度数据的第r个子样本组的等级相减得到等级差;选取相对大的前设数量的相关系数所对应的周围测温点作为特定周围测温点。
比如,采集磷酸铁锂电池正常运行时,起始时刻t=1开始m秒之内,电池内部温度数据以及电池周围测温点的温度数据,所采集的温度数据均为容量为m的样本序列。为电池内部温度数据以及全部测温点温度数据划分等级区间,其中,以磷酸铁锂电池正常运行时的温度最大值Tmax以及最小值Tmin为上下限,将区间(Tmin,Tmax)由小到大划分为十个等级区间,每个区间等长。具体的,在每一组测温点温度数据的m个样本点之中,将这些样本点按顺序等长划分为一到十组子样本组,每个子样本组包含m/10个样本点;计算每一子样本组的均值,并按照此均值大小选择其对应的等级区间,用等级区间的标号作为此子样本组的等级;将全部测温点温度数据分别与磷酸铁锂电池内部温度数据进行如下计算:将测温点温度数据的第r个子样本组的等级与磷酸铁锂电池温度数据的第r个子样本组的等级相减得到等级差dr,其中r为小组序号。其相关系数用公式(1)计算:
其中k为小组数量,k=10,ρ∈[-1,1]。
通过公式(1)计算得到全部测温点温度数据与磷酸铁锂电池正常运行时电池内部温度数据的相关系数后,可以选取五个相关系数最大的测温点作为特定周围测温点。
步骤104可以采用以下方式检测磷酸铁锂电池是否发生热失控:
将温度融合值在孤立森林模型中的每一棵孤立树上遍历,得到温度融合值在每一颗孤立树上的路径长度;根据路径长度确定磷酸铁锂电池是否发生热失控。具体可以如下:
定义由根节点到叶子节点所经历的树枝数量为路径长度h(x)。将此温度融合值x在孤立森林中每一棵孤立树上遍历,得到温度融合值x在每一颗孤立树上的路径长度h(x),并计算此温度融合值x的平均路径长度E(h(x))。得到平均路径长度E(h(x))之后,根据公式(2)计算出温度融合值x的异常分数:
得到异常分数后,根据异常分数大小判断磷酸铁锂电池是否发生热失控:当异常分数接近1时,比如,当异常分数处于0.9到1之间,可以判定为发生了热失控;当异常分数接近0时,比如,当异常分数处于0到0.1之间,可以判定未发生热失控。
经过以上步骤完成基于信息融合的磷酸铁锂电池热失控检测模型的搭建以及对热失控的检测。
对于步骤104中使用的孤立森林模型,可以是事先存储于处理器中的,在需要时直接调取使用即可。当然,本实施例提供的磷酸铁锂电池热失控监测方法也可以包括该孤立森林模型的构建过程,具体模型的构建过程可以如下:
参见图2,获取磷酸铁锂电池正常运行时,各特定周围测温点的历史时序温度数据;对各特定周围测温点的历史时序温度数据中相同时刻的温度数据进行融合,得到温度融合数据组;基于温度融合数据组,根据孤立森林规则,建立由若干孤立树组成孤立森林模型。具体可以为:根据温度融合数据组的容量m合理设定孤立树数量n,对温度融合数据组中的数据进行随机不放回抽样,将其分为n组子样本,每一组子样本将用来进行一颗孤立树的建立,每一个子样本容量为m/n,以K代表其中一个子样本。基于样本容量m,由公式(3)计算孤立树高度上限:
其中H(m-1)使用公式(4)进行计算:
H(m-1)=ln(m)+0.5772156649 (4)
设定分割值p,其中p∈K。子样本数据聚集在孤立树的根节点处,在子样本数据的最大值与最小值之间随机选取p,小于或等于p的样本数据置于树的左叶子节点,大于p的样本点置于树的右叶子节点,直到节点上只有一个样本数据或者树的高度达到公式(3)计算出的树的高度上限,孤立树停止生长,得到一颗孤立树,孤立树结构如图3所示;将全部子样本序列进行孤立树建立之后,得到孤立森林模型。在孤立森林模型中,异常点由于其稀疏性以及数量极少,因此异常点孤立树路径长度极短的概率极大,生长到平均高度后意味着此孤立树上不携带异常点信息,因此不继续生长。
对于本实施例中涉及到的数据融合,可以采用SOM模型进行数据的融合:对SOM神经网络模型赋初始权值,设定初始优胜邻域及初始学习率,完成SOM算法的准备工作;将输入神经元与全部输出神经元实现全连接,每个输入数据依次选择欧氏距离最近的输出神经元,将此神经元称为最佳匹配单元。调整最佳匹配单元及其优胜邻域内输出神经元的权值使它们更靠近输入神经元;若学习率仍然大于阈值,则继续迭代,直至学习率小于阈值,输出一融合值。其具体过程可以如下:
1)对每一神经元对应的权值随机赋予较小初始值。设定初始优胜邻域半径R(t0),设定初始学习率α(t0)以及阈值F。使用欧几里得距离公式计算输入样本与每一个权值之间的欧氏距离,其中,输入样本为需要融合的温度值,比如在监测过程中,需要融合的温度值为当前各特定周围测温点的温度数据;在孤立森林模型的构建过程中,需要融合的温度值为各特定周围测温点在某历史时刻的温度数据。比如,需要融合aj,bj,cj,dj,ej五个样本数据,则将每一个样本数据输入一个输入神经元。以ni代表输出层中的第i个输出神经元,定义对应输出神经元ni的权值zi。SOM结构如图4所示。
由于输入为一维变量,故欧氏距离公式简化至公式(5):
dji=|aj-zi| (5)
式中dji表示第j个输入向量与第i个输出神经元之间的欧式距离大小,公式(5)以aj与zi计算为例说明计算过程。
此时具有最小距离的神经元nBMU称为最佳匹配神经元(Best Maching Unit,BMU)。使用公式(6)对BMU及其相邻神经元的权值进行修正:
zi(t+1)=zi(t)+α(t)·h(nBMU,ni,t)·(ajzi(t)) (6)
式中zi(t)为第i个输出神经元权值,t为训练时间,h(nBMU,ni,t)为相邻神经元。aj为输入的样本,公式(6)以aj为例说明计算方法。α(t)为学习率,是一个递减函数,在(0,1)的范围内递减。
2)优胜邻域半径R(t)为关于时间t的递减函数。优胜邻域即为以BMU节点为中心,R(t)为半径的圆,优胜邻域内神经元均获得权值的调整,根据公式(6),距离BMU越近的输出神经元将获得越大的调整量,使其更靠近输入向量。计算出aj的BMU之后,对其余bj,cj,dj,ej进行相同计算以及对输出神经元权值进行调整,此为一次迭代。
3)检验学习率是否低于阈值F,若不低于阈值F则回到2)进行迭代,直到学习率低于阈值,得到一个融合数据yj。
本发明通过筛选与磷酸铁锂电池内部温度非线性相关程度高的周围测温点,并基于筛选出的周围测温点的温度融合数据确定磷酸铁锂电池是否发生了热失控。相较于现有技术,由于本发明无需测量电池内部的温度数据,因此提高了效率,且操作上更加的便捷。另外,由于采用了测温点的温度融合数据,在一定程度上保障了检测的准确性。
实施例2
参见图5,本实施例提供了一种基于信息融合的磷酸铁锂电池热失控监测系统,该系统包括:
特定周围测温点筛选模块501,用于采用斯皮尔曼等级相关法从磷酸铁锂电池的周围测温点中筛选出若干与磷酸铁锂电池内部温度非线性相关程度相对高的测温点,将筛选出的测温点记为特定周围测温点;
温度数据采集模块502,用于采集某时刻至少两个特定周围测温点的温度数据;
温度数据融合模块503,用于将特定周围测温点的温度数据进行融合,得到温度融合值;
异常检测模块504,用于将温度融合值输入孤立森林模型检测磷酸铁锂电池是否发生热失控,孤立森林模型为在磷酸铁锂电池正常运行时,基于特定周围测温点的温度数据建立的孤立森林模型。
其中,特定周围测温点筛选模块501,具体包括:
温区划分单元,用于分别以磷酸铁锂电池正常运行时的温度最大值以及最小值为上限和下限,将磷酸铁锂电池正常运行时的温度范围划分为多个等长的等级区间;
温度时序数据获取单元,用于获取同一时序下磷酸铁锂电池内部的温度时序数据以及磷酸铁锂电池周围测温点的温度时序数据;
数据分组单元,用于按时间将磷酸铁锂电池内部的温度时序数据以及磷酸铁锂电池周围测温点的温度时序数据分别划分为多个子样本组,其中,每个子样本组中的元素数量相同;
等级确定单元,用于计算子样本组的温度均值,并按均值大小选择其对应的等级区间,并用等级区间的等级作为子样本组的等级;
相关系数计算单元,用于根据
计算相关系数ρ,其中,k为磷酸铁锂电池内部温度时序数据或磷酸铁锂电池周围测温点温度时序数据的子样本组数量,d
r为磷酸铁锂电池周围测温点温度数据的第r个子样本组的等级与磷酸铁锂电池内部温度数据的第r个子样本组的等级相减得到等级差;
特定周围测温点选取单元,用于选取相对大的前设数量的相关系数所对应的周围测温点作为特定周围测温点。
异常检测模块504,具体包括:
遍历单元,用于将温度融合值在孤立森林模型中的每一棵孤立树上遍历,得到温度融合值在每一颗孤立树上的路径长度;
异常确定单元,用于根据路径长度确定磷酸铁锂电池是否发生热失控。
在本实施例中,温度数据采集模块502还用于获取磷酸铁锂电池正常运行时,各特定周围测温点的历史时序温度数据;温度数据融合模块503还用于对各特定周围测温点的历史时序温度数据中相同时刻的温度数据进行融合,得到温度融合数据组。磷酸铁锂电池热失控监测系统还包括:孤立森林模型构建模块505,用于基于温度融合数据组,根据孤立森林规则,建立由若干孤立树组成孤立森林模型。
在本实施例中,温度数据融合模块503采用SOM模型对特定周围测温点的温度数据进行融合。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。