CN113591404A - 一种基于深度学习的电池异常检测系统及方法 - Google Patents

一种基于深度学习的电池异常检测系统及方法 Download PDF

Info

Publication number
CN113591404A
CN113591404A CN202111153645.5A CN202111153645A CN113591404A CN 113591404 A CN113591404 A CN 113591404A CN 202111153645 A CN202111153645 A CN 202111153645A CN 113591404 A CN113591404 A CN 113591404A
Authority
CN
China
Prior art keywords
battery
class
misjudgment
model
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.)
Granted
Application number
CN202111153645.5A
Other languages
English (en)
Other versions
CN113591404B (zh
Inventor
肖劼
胡雄毅
余为才
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Yugu Technology Co ltd
Original Assignee
Hangzhou Yugu Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Yugu Technology Co ltd filed Critical Hangzhou Yugu Technology Co ltd
Priority to CN202111153645.5A priority Critical patent/CN113591404B/zh
Publication of CN113591404A publication Critical patent/CN113591404A/zh
Application granted granted Critical
Publication of CN113591404B publication Critical patent/CN113591404B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Secondary Cells (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及电池异常检测技术领域，具体地说，涉及一种基于深度学习的电池异常检测系统及方法。该系统包括DCN模型，DCN模型具有输入层、交叉网络层、深度网络层和输出层；其中，DCN模型还具有人工校验单元，人工校验单元用于对输出层的误判进行校正并添加标签后更新至样本库中，样本库用于在误判率达到设定误判率阈值时基于更新后的样本库D对DCN模型进行重新训练。该方法基于上述系统实现。本发明中，通过构建DCN模型所具备的较强的拟合能力和学习能力，能够在通过大量的样本训练后，使得所构建的DCN模型能够具备较佳的扩张性和鲁棒性；故而不仅能够较佳地实现重要特征的自动选择，且使得其能够对未知的异常具有较佳的判别能力。

Description

一种基于深度学习的电池异常检测系统及方法
技术领域
本发明涉及电池异常检测技术领域，具体地说，涉及一种基于深度学习的电池异常检测系统及方法。
背景技术
电池已经广泛应用于手机、笔记本电脑、电动工具、新能源汽车等多种日常生活场景。电池具有储能密度高、使用寿命长、自放电率低、重量轻、绿色环保等优点，但也存在安全性差、在高温条件下容易发生爆炸的危险。故而电池异常检测变得十分重要，通过在电池的使用过程中对电池进行异常判断，若能及时检测出电池异常并对电池进行维护修理，即可较佳地避免更大的损失。
目前，对于电池异常检测的技术通常基于依据人为经验所制定的规则，比如对电池的如充放电时的电压、电流、压差、温度、功率等指标定义一个异常阈值范围，若超出该阈值范围，则认为电池存在异常。比如，设置电池的高温阈值为70℃，若电池当前温度高于70℃则认为电池出现高温异常；设置电池电芯压差最高阈值为200mV，若超出200mV则认为电池出现压差异常；设置充电电流最高阈值为10A，若超出10A则认为电池出现充电过流异常等。
该种通过人工经验的规则实现电池异常检测的方式，虽然较为简单高效，但缺点也较为明显，具体表现为：
1、通过人工设定规则的方式，后期维护成本较高，一旦电池正常参数随使用寿命发生变化，则需要逐一地对其进行维护调整；
2、电池的正常参数会随因其使用环境的不同而发生变化，故而难以适用多种使用场景，在使用场景发生变化时，容易造成误判率显著增加；
3、针对电池的每个指标，通常需要设置多个阈值，故而使得维护成本较多。
换电行业，作为一个新兴的产业，其需要处理大量的电池数据，基于大数据的思路对该庞大的数据进行处理时，通常都是采用深度算法予以实现，但目前涉足于此的技术较为稀缺，故难以有较佳的参考。
发明内容
本发明提供了一种基于深度学习的电池异常检测系统及方法，相较于现有采用人工经验的规则实现电池异常检测的方式，本发明所提供的方案能够较佳地通过构建DCN模型实现对较为庞大的数据的处理，且其能够通过人工校验实现在误判率达到设定阈值时实现对DCN模型的更新，故而能够较佳地克服现有方式中所存在的诸如应用场景较窄、所需维护数据较多等缺陷。
根据本发明的一种基于深度学习的电池异常检测系统，包括DCN模型，DCN模型具有输入层、交叉网络层、深度网络层和输出层；其中，DCN模型还具有人工校验单元，人工校验单元用于对输出层的误判进行校正并添加标签后更新至样本库中，样本库用于在误判率达到设定误判率阈值时基于更新后的样本库D对DCN模型进行重新训练。
通过上述，能够较佳地通过人工校验的方式，实现对DCN模型的判定结果的校验，故而能够较佳地实现DCN模型的持续训练，故而能够较佳地逐步提升、校正DCN模型的性能。
基于上述系统，本发明还提供了一种基于深度学习的电池异常检测方法，其包括如下步骤：
步骤S1、构建DCN模型并建立样本库D对其进行训练
该步骤中，基于历史数据建立样本库D，样本库D中具有多个样本，每个样本均包括异常类别标签、误判标签和样本的特征序列；初始样本库中，误判标签的值为空值；
具体地，在该步骤中，能够基于历史数据建立样本库D，
Figure 713430DEST_PATH_IMAGE001
；
Figure 742566DEST_PATH_IMAGE002
表示第i个样本的特征序列，
Figure 920737DEST_PATH_IMAGE003
，
Figure 605796DEST_PATH_IMAGE004
；
Figure 940832DEST_PATH_IMAGE005
表示特征序列
Figure 824474DEST_PATH_IMAGE002
中的第j个特征，
Figure 173547DEST_PATH_IMAGE006
表示特征序列的总量；特征序列
Figure 142640DEST_PATH_IMAGE002
中，将数值类特征处理成数值形式，将类别类特征处理成embedding向量形式；
Figure 219049DEST_PATH_IMAGE007
为样本总数且为正整数；
Figure 222777DEST_PATH_IMAGE008
为第i个样本的误判标签，
Figure 70648DEST_PATH_IMAGE009
初始值为空；
Figure 402403DEST_PATH_IMAGE010
为第i个样本的异常类别标签，
Figure 423449DEST_PATH_IMAGE011
表示正常，
Figure 140738DEST_PATH_IMAGE012
为异常类别的总数，
Figure 956247DEST_PATH_IMAGE012
为正整数；
步骤S2、基于步骤S1中训练完成的DCN模型，对待检测对象进行检测
该步骤中，构建待检测对象的特征序列，经DCN模型处理后，判定待检测对象的异常类别并输出；
具体地，在该步骤中，首先构建待检测对象的特征序列
Figure 775298DEST_PATH_IMAGE013
，
Figure 334456DEST_PATH_IMAGE013
表示第k个待检测对象的特征序列，
Figure 168901DEST_PATH_IMAGE014
；之后基于待检测对象的特征序列
Figure 92995DEST_PATH_IMAGE013
判定待检测对象的异常类别并输出；
步骤S3、构建待检测对象的样本数列并更新至样本库D中
该步骤中，待检测对象的样本数列包括异常类别标签、误判标签和样本的特征序列，异常类别标签为DCN模型所判定的类别；
若待检测对象判定为无异常，则误判标签为空值；
若待检测对象判定为存在异常，则人工校验单元对其校验，若判定正确则误判标签为“1”，若判定不正确则误判标签为“0”；
具体地，在该步骤中，待检测对象的样本数列为
Figure 789555DEST_PATH_IMAGE015
，
Figure 762190DEST_PATH_IMAGE016
为第k个待检测对象的误判标签，对于步骤S2中判定存在异常的待检测对象通过人工对其进行检测，并校验步骤S2中所判定的异常类别是否正确，若正确则
Figure 798279DEST_PATH_IMAGE017
，若不正确则
Figure 690012DEST_PATH_IMAGE018
；
Figure 998503DEST_PATH_IMAGE019
为第k个待检测对象的实际异常类别，
Figure 899462DEST_PATH_IMAGE020
；
步骤S4、DCN模型的反馈调试
该步骤中，对样本库中的误判率进行计算并设置误判率阈值，若误判率达到误判率阈值，则采用更新后的样本库对DCN模型进行重新训练，同时将样本库中所有样本的误判标签设为空值；
具体地，在该步骤中，设定误判率阈值，若对待检测对象进行判断的误判率达到设定误判率阈值则基于更新后的样本库D对DCN模型进行重新训练。
本发明中，通过基于深度学习构建DCN模型，使得其不需要人工设计特征，通过其所具备的较强的拟合能力和学习能力，能够在通过大量的样本训练后，使得所构建的DCN模型能够具备较佳的扩张性和鲁棒性；故而不仅能够较佳地实现重要特征的自动选择，且使得其能够对未知的异常具有较佳的判别能力。且通过本发明中的方法，能够同时构建交叉网络层和深度网络层，并分别对特征序列进行处理，故而能够较佳地考虑到不同特征间的相互影响，故而能够具备较佳地预测性能。
作为优选，步骤S1中，所构建的DCN模型具有输入层、交叉网络层、深度网络层和输出层；输入层用于输入样本或待检测对象的特征序列；交叉网络层具有至少1个交叉层，第
Figure 524479DEST_PATH_IMAGE021
层交叉层的计算公式为
Figure 118271DEST_PATH_IMAGE022
，
Figure 258266DEST_PATH_IMAGE023
表示第
Figure 166179DEST_PATH_IMAGE021
层交叉层的输出，
Figure 98231DEST_PATH_IMAGE024
表示输入层的原始输入，
Figure 597346DEST_PATH_IMAGE025
表示第
Figure 427899DEST_PATH_IMAGE021
层交叉层的输入，
Figure 546027DEST_PATH_IMAGE026
和
Figure 942374DEST_PATH_IMAGE027
分别表示第
Figure 739953DEST_PATH_IMAGE021
层交叉层的权重和偏置，
Figure 854539DEST_PATH_IMAGE028
表示
Figure 776359DEST_PATH_IMAGE025
的转置矩阵；深度网络层具有至少1个全连接层，第h层全连接层的计算公式为
Figure 27212DEST_PATH_IMAGE029
，
Figure 258342DEST_PATH_IMAGE030
表示第h层全连接层的输出，
Figure 860225DEST_PATH_IMAGE031
表示第h层全连接层的输入，
Figure 648052DEST_PATH_IMAGE032
和
Figure 159936DEST_PATH_IMAGE033
分别表示第h层全连接层的权重和偏置，
Figure 171754DEST_PATH_IMAGE034
为激活函数；输出层用于对交叉网络层的输出
Figure 198616DEST_PATH_IMAGE035
和和深度网络层的输出
Figure 711506DEST_PATH_IMAGE036
进行合并，进而获取数列
Figure 202530DEST_PATH_IMAGE037
，并用于根据公式
Figure 260616DEST_PATH_IMAGE038
输出对应不同异常类别的概率，其中
Figure 40353DEST_PATH_IMAGE039
。故而能够较佳地构建DCN模型。
作为优选，步骤S1中，将样本库D划分为用于对DCN模型进行训练、验证及测试的训练集
Figure 966721DEST_PATH_IMAGE040
、验证集
Figure 436885DEST_PATH_IMAGE041
和测试集
Figure 56085DEST_PATH_IMAGE042
。故而能够较佳地实现对对DCN模型的训练、验证及测试。
作为优选，特征序列包括电池材质、电池型号、电池使用时间、电池温度、电池电流、电池电压、电池当前所处环境温度、电池当前所处环境湿度、电芯的序列电压及电池压差中的一个或多个。故而能够最大限度挖掘模型的特征，且可不断扩充。
作为优选，步骤S1中，对于分布均匀且有明显上下界取值的数值类特征，对其进行归一化处理，即
Figure 729643DEST_PATH_IMAGE043
；
Figure 459702DEST_PATH_IMAGE044
表示特征序列
Figure 515864DEST_PATH_IMAGE002
中的某一分布均匀且有明显上下界取值的数值类特征，
Figure 305966DEST_PATH_IMAGE045
为该特征所对应的原始数值，
Figure 466820DEST_PATH_IMAGE046
为所有样本中该类特征原始数值的最小值，
Figure 938252DEST_PATH_IMAGE047
为所有样本中该类特征原始数值的最大值。故而能够较佳地对如电池电压等特征进行数据预处理。
作为优选，步骤S1中，对于分布不均匀且界限不确定的数值类特征，对其进行标准化处理，即
Figure 992796DEST_PATH_IMAGE048
；
Figure 344012DEST_PATH_IMAGE049
表示特征序列
Figure 851216DEST_PATH_IMAGE002
中的某一分布不均匀且界限不确定的数值类特征，
Figure 798444DEST_PATH_IMAGE050
为该特征所对应的原始数值，
Figure 176336DEST_PATH_IMAGE051
为所有样本中该类特征原始数值的均值，
Figure 42660DEST_PATH_IMAGE052
为所有样本中该类特征原始数值的标准差。故而能够较佳地对如电池当前所处环境温度等特征进行数据预处理。
作为优选，数值类特征的中，对于缺失的特征，采用该特征集的原始数据值的均值填充，即
Figure 427374DEST_PATH_IMAGE053
；
Figure 302926DEST_PATH_IMAGE054
表示特征序列
Figure 207428DEST_PATH_IMAGE002
中缺失的数值类特征，
Figure 244655DEST_PATH_IMAGE055
表示该特征集的原始数据值之和，
Figure 116664DEST_PATH_IMAGE056
为该特征集的元素总数。故而能够较佳地实现对数值类特征的缺失值的处理。
作为优选，步骤S1中，对于类别类特征，对其进行embedding向量化处理；也即对于每个类别类特征均随机生成一个embedding向量，不同样本的特征序列
Figure 530328DEST_PATH_IMAGE002
中对应每个类别类特征的数值均采用对应的embedding向量。故而能够较佳地对如电池材质、电池型号等特征的数据预处理。
作为优选，类别类特征中，定义一个新的embedding向量作为缺失类别，不同样本的特征序列
Figure 289337DEST_PATH_IMAGE002
中任意类别类特征的缺失值均采用该缺失类别的embedding向量。故而能够较佳地对类别类特征中的缺失值进行处理。
作为优选，在步骤S1中，基于Adam优化器对DCN模型进行优化。故而能够较佳地实现对DCN模型的优化。
作为优选，在步骤S1中，基于准确率获取最优DCN模型。故而能够较佳地对DCN模型进行评估。
附图说明
图1为实施例1中的DCN模型的结构示意图；
图2为实施例1中的一种基于深度学习的电池异常检测系统的示意图；
图3为实施例1中的一种基于深度学习的电池异常检测方法的流程示意图。
具体实施方式
为进一步了解本发明的内容，结合附图和实施例对本发明作详细描述。应当理解的是，实施例仅仅是对本发明进行解释而并非限定。
实施例1
基于图1-图3所示，本实施例提供了一种基于深度学习的电池异常检测系统及方法。本发明基于DCN算法模型（Deep & Cross Network，深度交叉网络）能够较佳地构建出分类模型，故而能够通过对大量历史异常数据的处理，较佳地挖掘出电池的特征数据，进而实现对电池异常的较佳检测。相较于传统的基于特征工程的机器学习方法，本实施例中的方法不需要进行繁琐的特征设计，且也不会因特征工程的好坏而对模型性能造成影响。
结合图1-图2所示，本实施例中的一种基于深度学习的电池异常检测系统，包括DCN模型，DCN模型具有输入层、交叉网络层、深度网络层和输出层；其中，DCN模型还具有人工校验单元，人工校验单元用于对输出层的误判进行校正并添加标签后更新至样本库中，样本库用于在误判率达到设定误判率阈值时基于更新后的样本库D对DCN模型进行重新训练。
结合图3所示，为本实施例中的一种基于深度学习的电池异常检测方法的流程示意图，其包括如下步骤：
步骤S1、构建DCN模型并建立样本库D对其进行训练
该步骤中，基于历史数据建立样本库D，样本库D中具有多个样本，每个样本均包括异常类别标签、误判标签和样本的特征序列；初始样本库中，误判标签的值为空值；
该步骤中，所构建的DCN模型具有输入层、交叉网络层、深度网络层和输出层；输入层用于输入样本或待检测对象的特征序列；交叉网络层具有至少1个交叉层，第
Figure 763044DEST_PATH_IMAGE021
层交叉层的计算公式为
Figure 935399DEST_PATH_IMAGE022
，
Figure 811476DEST_PATH_IMAGE023
表示第
Figure 18466DEST_PATH_IMAGE021
层交叉层的输出，
Figure 385379DEST_PATH_IMAGE024
表示输入层的原始输入，
Figure 513872DEST_PATH_IMAGE025
表示第
Figure 393972DEST_PATH_IMAGE021
层交叉层的输入，
Figure 455469DEST_PATH_IMAGE026
和
Figure 536558DEST_PATH_IMAGE027
分别表示第
Figure 355609DEST_PATH_IMAGE021
层交叉层的权重和偏置，
Figure 304980DEST_PATH_IMAGE028
表示
Figure 220983DEST_PATH_IMAGE025
的转置矩阵；深度网络层具有至少1个全连接层，第h层全连接层的计算公式为
Figure 472973DEST_PATH_IMAGE029
，
Figure 779320DEST_PATH_IMAGE030
表示第h层全连接层的输出，
Figure 876589DEST_PATH_IMAGE031
表示第h层全连接层的输入，
Figure 647099DEST_PATH_IMAGE032
和
Figure 929045DEST_PATH_IMAGE033
分别表示第h层全连接层的权重和偏置，
Figure 112902DEST_PATH_IMAGE034
为激活函数；输出层用于对交叉网络层的输出
Figure 358069DEST_PATH_IMAGE035
和和深度网络层的输出
Figure 45402DEST_PATH_IMAGE036
进行合并，进而获取数列
Figure 501179DEST_PATH_IMAGE037
，并用于根据公式
Figure 641173DEST_PATH_IMAGE038
输出对应不同异常类别的概率，其中
Figure 486770DEST_PATH_IMAGE039
；
该步骤中，基于历史数据建立样本库D，
Figure 28609DEST_PATH_IMAGE001
；
Figure 917937DEST_PATH_IMAGE002
表示第i个样本的特征序列，
Figure 686173DEST_PATH_IMAGE003
，
Figure 663356DEST_PATH_IMAGE004
；
Figure 528544DEST_PATH_IMAGE005
表示特征序列
Figure 57614DEST_PATH_IMAGE002
中的第j个特征，
Figure 296835DEST_PATH_IMAGE006
表示特征序列的总量；特征序列
Figure 77709DEST_PATH_IMAGE002
中，将数值类特征处理成数值形式，将类别类特征处理成embedding向量形式；
Figure 797403DEST_PATH_IMAGE007
为样本总数且为正整数；
Figure 779266DEST_PATH_IMAGE008
为第i个样本的误判标签，
Figure 381148DEST_PATH_IMAGE009
初始值为空；
Figure 168976DEST_PATH_IMAGE010
为第i个样本的异常类别标签，
Figure 661618DEST_PATH_IMAGE011
表示正常，
Figure 939016DEST_PATH_IMAGE012
为异常类别的总数，
Figure 965878DEST_PATH_IMAGE012
为正整数；
步骤S2、基于步骤S1中训练完成的DCN模型，对待检测对象进行检测
该步骤中，构建待检测对象的特征序列，经DCN模型处理后，判定待检测对象的异常类别并输出；
该步骤中，首先构建待检测对象的特征序列
Figure 229500DEST_PATH_IMAGE013
，
Figure 720524DEST_PATH_IMAGE013
表示第k个待检测对象的特征序列，
Figure 106506DEST_PATH_IMAGE014
；之后基于待检测对象的特征序列
Figure 807615DEST_PATH_IMAGE013
判定待检测对象的异常类别并输出；
步骤S3、构建待检测对象的样本数列并更新至样本库D中
该步骤中，待检测对象的样本数列包括异常类别标签、误判标签和样本的特征序列，异常类别标签为DCN模型所判定的类别；
若待检测对象判定为无异常，则误判标签为空值；
若待检测对象判定为存在异常，则人工校验单元对其校验，若判定正确则误判标签为“1”，若判定不正确则误判标签为“0”；
该步骤中，待检测对象的样本数列为
Figure 999562DEST_PATH_IMAGE015
，
Figure 954879DEST_PATH_IMAGE016
为第k个待检测对象的误判标签，对于步骤S2中判定存在异常的待检测对象通过人工对其进行检测，并校验步骤S2中所判定的异常类别是否正确，若正确则
Figure 777342DEST_PATH_IMAGE017
，若不正确则
Figure 841113DEST_PATH_IMAGE018
；
Figure 508854DEST_PATH_IMAGE019
为第k个待检测对象的实际异常类别，
Figure 833525DEST_PATH_IMAGE020
；
步骤S4、DCN模型的反馈调试
该步骤中，对样本库中的误判率进行计算并设置误判率阈值，若误判率达到误判率阈值，则采用更新后的样本库对DCN模型进行重新训练，同时将样本库中所有样本的误判标签设为空值；
该步骤中，设定误判率阈值，若对待检测对象进行判断的误判率达到设定误判率阈值则基于更新后的样本库D对DCN模型进行重新训练。
本实施例中，通过基于深度学习构建DCN模型，使得其不需要人工设计特征，通过其所具备的较强的拟合能力和学习能力，能够在通过大量的样本训练后，使得所构建的DCN模型能够具备较佳的扩张性和鲁棒性；故而不仅能够较佳地实现重要特征的自动选择，且使得其能够对未知的异常具有较佳的判别能力。
在本实施例的步骤S1中，所建立的样本库D的数据来源于现有发生不同类型异常的电池的参数，通过对多种类型异常的多个电池在异常时的数据进行整合处理，即可较佳地实现对样本库D的建立，并使得所建立的样本库D中能够包括多种类型异常的数据，且每种类型异常均具有多个样本，从而较佳有利于DCN模型的优化。
在建立样本库D时，具体能够基于历史反馈和人工经验收集大量电池不同类别异常的样本，如电池高温异常、电池过流异常、电池功率异常、电池压差异常等。通过设置异常类别标签即可较佳地对每条样本的异常类别进行标记，可以理解的是，集合
Figure 889206DEST_PATH_IMAGE057
为异常类别的集合，数值0表示正常，数值1-Q则分别对应不同类型的异常类别。此外，可以理解的是DCN模型的输出层输出的为每条样本对应所有类型异常类别的概率，也即是DCN模型的输出层输出的数据为列数等于Q+1的输出向量，通过对输出向量中的每个数值均通过函数
Figure 112377DEST_PATH_IMAGE039
进行的运算，即可较佳地输出对应所有类型异常类别的概率。
此外，通过对设置标签
Figure 787072DEST_PATH_IMAGE008
，能够较佳地在模型实际投入运行时对模型的误判率进行统计，并使得在误判率达到设定误判率阈值时实现对模型的重新训练，故而能够较佳地保持模型的最优性能。
此处需要进行说明的是：
1、在模型构建之初所搭建的样本库为基于历史数据所构建的，故原始样本库中每条样本的标签
Figure 841616DEST_PATH_IMAGE008
均为空值，也即在对模型的首次训练并不会引入误判率的概念；
2、在模型实际投入运行时，在任一待检测对象经模型检测出异常后，均会送修，也即所述的“人工对其进行检测”，在人工接入检测后，即可判定出每个待检测对象经模型判定的异常是否正确，也即所述的“并校验步骤S2中所判定的异常类别是否正确”；
3、只有经过校验的待检测对象的样本数列才会更新至样本库中，也即更新至样本库中的待检测对象的样本数列包括如下情形：a、实际无异常，但模型判定为异常；b、实际存在异常，且模型判定的异常类别正确；c、实际存在异常，但模型判定的异常类别错误；
4、在步骤步骤S4中，在统计误判率时，仅针对所有待检测对象的样本数列进行，误判率的公式能够表达为
Figure 740301DEST_PATH_IMAGE058
，该公式中，K表示待检测对象的样本的总数。
本实施例中，设定误判率阈值能够设置为0.1%。
在步骤S1中，能够按照7:2:1的比例将样本库D随机划分为训练集
Figure 637719DEST_PATH_IMAGE040
、验证集
Figure 975160DEST_PATH_IMAGE041
和测试集
Figure 87472DEST_PATH_IMAGE042
。故而能够较佳地实现对DCN模型的训练、验证和测试。并且在步骤S1中，能够预先定义训练的学习率（learning rate）、批次大小（batch size）、迭代次数(epoch)等参数。
对于本实施例的方法而言，其尤为重要的是能够通过步骤S4采用人工校验的方式确认是否存在误判，且判断准确和判断错误的数据能够标记不同的标签并更新至样本库中，故而能够较佳地对样本库进行丰富，且能够在误判例达到设定阈值时，原先模型基础上重新训练迭代模型，故而能够较佳地不断提高模型的鲁棒性和健壮性。
本实施例中，特征序列包括电池材质、电池型号、电池使用时间、电池温度、电池电流、电池电压、电池当前所处环境温度、电池当前所处环境湿度、电芯的序列电压及电池压差中的一个或多个。故而能够最大限度挖掘模型的特征，且可不断扩充。
本实施例的步骤S1中，对于分布均匀且有明显上下界取值的数值类特征，对其进行归一化处理，即
Figure 94742DEST_PATH_IMAGE043
；
Figure 354822DEST_PATH_IMAGE044
表示特征序列
Figure 433637DEST_PATH_IMAGE002
中的某一分布均匀且有明显上下界取值的数值类特征，
Figure 590336DEST_PATH_IMAGE045
为该特征所对应的原始数值，
Figure 893142DEST_PATH_IMAGE046
为所有样本中该类特征原始数值的最小值，
Figure 843780DEST_PATH_IMAGE047
为所有样本中该类特征原始数值的最大值。故而能够较佳地对如电池电压等特征进行数据预处理。
本实施例的步骤S1中，对于分布不均匀且界限不确定的数值类特征，对其进行标准化处理，即
Figure 132810DEST_PATH_IMAGE048
；
Figure 282032DEST_PATH_IMAGE049
表示特征序列
Figure 693421DEST_PATH_IMAGE002
中的某一分布不均匀且界限不确定的数值类特征，
Figure 52728DEST_PATH_IMAGE050
为该特征所对应的原始数值，
Figure 270082DEST_PATH_IMAGE051
为所有样本中该类特征原始数值的均值，
Figure 211493DEST_PATH_IMAGE052
为所有样本中该类特征原始数值的标准差。故而能够较佳地对如电池当前所处环境温度等特征进行数据预处理。
本实施例中，在数值类特征的中，对于缺失的特征，采用该特征集的原始数据值的均值填充，即
Figure 731468DEST_PATH_IMAGE053
；
Figure 453436DEST_PATH_IMAGE054
表示特征序列
Figure 412165DEST_PATH_IMAGE002
中缺失的数值类特征，
Figure 395033DEST_PATH_IMAGE055
表示该特征集的原始数据值之和，
Figure 476122DEST_PATH_IMAGE056
为该特征集的元素总数。故而能够较佳地实现对数值类特征的缺失值的处理。
本实施例中，步骤S1中，对于类别类特征，对其进行embedding向量化处理；也即对于每个类别类特征均随机生成一个embedding向量，不同样本的特征序列
Figure 357490DEST_PATH_IMAGE002
中对应每个类别类特征的数值均采用对应的embedding向量。故而能够较佳地对如电池材质、电池型号等特征的数据预处理。
本实施例中，类别类特征中，定义一个新的embedding向量作为缺失类别，不同样本的特征序列
Figure 57593DEST_PATH_IMAGE002
中任意类别类特征的缺失值均采用该缺失类别的embedding向量。故而能够较佳地对类别类特征中的缺失值进行处理。
其中，embedding向量的维度能够设置为8。
本实施例作为一个优选的实施例，特征序列能够同时包括电池材质、电池型号、电池使用时间、电池温度、电池电流、电池电压、电池当前所处环境温度、电池当前所处环境湿度、电芯的序列电压及电池压差的参数。
也即对于任一个特征序列
Figure 770334DEST_PATH_IMAGE002
，均具有
Figure 960007DEST_PATH_IMAGE059
，
Figure 515622DEST_PATH_IMAGE060
至
Figure 878470DEST_PATH_IMAGE061
分别表示特征电池材质、电池型号、电池使用时间、电池温度、电池电流、电池电压、电池当前所处环境温度、电池当前所处环境湿度、电芯的序列电压及电池压差在特征序列
Figure 648980DEST_PATH_IMAGE002
中的表示。
其中， 电池材质和电池型号为类别类特征，基于本实施例中的方法，例如样本库D中所收集的电池具有两种材质A和B，具有3种型号a、b和c。故而基于embedding向量能够将材质A和B以及型号a、b和c分别表示为如下：
材质A：
Figure 681658DEST_PATH_IMAGE062
；
材质B：
Figure 599935DEST_PATH_IMAGE063
；
型号a：
Figure 704158DEST_PATH_IMAGE064
；
型号b：
Figure 513195DEST_PATH_IMAGE065
；
型号c：
Figure 106987DEST_PATH_IMAGE066
。
同时能够将缺失特征的embedding向量设置为如
Figure 450244DEST_PATH_IMAGE067
，故而能够较佳地实现对类别类特征的处理。
其中，电池温度、电池电流、电池电压、电芯的序列电压及电池压差为分布均匀且有明显上下界取值的数值类特征，通过本实施例的方法，能够对该类特征进行归一化处理，并采用均值对缺失值进行填充。
其中，电池使用时间、电池当前所处环境温度及电池当前所处环境湿度为分布不均匀且界限不确定的数值类特征，通过本实施例的方法，能够对该类特征进行标准化处理，并采用均值对缺失值进行填充。
本实施例中，步骤S1中，交叉网络层能够具有依次连接的3层交叉层，分别为第一交叉层
Figure 30261DEST_PATH_IMAGE068
、第二交叉层
Figure 572101DEST_PATH_IMAGE069
和第三交叉层
Figure 274478DEST_PATH_IMAGE070
；深度网络层能够具有3层全连接层，分别为具有256个神经元的第一全连接层
Figure 291981DEST_PATH_IMAGE071
、具有128个神经元的第二全连接层
Figure 738006DEST_PATH_IMAGE072
和
Figure 399931DEST_PATH_IMAGE073
；
通过本实施例中的方法，能够同时构建交叉网络层和深度网络层，并分别对特征序列进行处理，故而能够较佳地考虑到不同特征间的相互影响，故而能够具备较佳地预测性能。
其中，交叉网络层的输入为输入层的原始输入
Figure 210893DEST_PATH_IMAGE024
，输出为
Figure 263162DEST_PATH_IMAGE035
，每个交叉层的输出均为下一交叉层的输入。
其中，深度网络层的输入为输入层的原始输入
Figure 309616DEST_PATH_IMAGE024
，输出为
Figure 216261DEST_PATH_IMAGE036
，每个全连接层的输出均为下一交叉层的输入。
其中，通过输出层能够获取对应特征序列对应不同类别电池异常的概率，故而能够较佳地实现对电池异常的预测。
本实施例中，在步骤S4中，基于Adam优化器对DCN模型进行优化。故而能够较佳地实现对DCN模型的优化。
其中，Adam优化器所采用的损失函数为：
Figure 260440DEST_PATH_IMAGE074
。
本实施例中，在步骤S4中，基于准确率获取最优DCN模型。故而能够较佳地对DCN模型进行评估。
其中，准确率acc的计算公式为：
Figure 862323DEST_PATH_IMAGE075
。I(x)为指示函数，当x为真时，其返回值为1；当x为假时，其返回值为0；
Figure 322254DEST_PATH_IMAGE076
表示样本总数。
通过上述，能够在模型训练完成后对其准确率进行评估，通过多次训练能够使得模型的准确达到设计要求，之后即可上线对实际数据进行处理。
通过本实施例的方法，使得所搭建的模型能够具备较强的可扩展性，且能够较佳地对未知的异常检测类型进行识别。其通过大量的历史数据并挖掘丰富的特征，相比于单一维度阈值规则判断的方法，其能够综合地考虑到电池的其它因子指标，且由于交叉网络层引入了对不同特征间的影响，故而能够较佳地实现对电池异常的检测。
并且，由于本实施例中的方法，引入了误判标签的概念，故而能够较佳地实现对模型的不断优化，使得模型识别的准确率和召回率能够进一步提高，且由于样本库的可扩展性，使得其能够具备较佳的鲁棒性。
以上示意性的对本发明及其实施方式进行了描述，该描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。所以，如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。

Claims (10)

1.一种基于深度学习的电池异常检测系统，包括DCN模型，DCN模型具有输入层、交叉网络层、深度网络层和输出层；其特征在于：DCN模型还具有人工校验单元，人工校验单元用于对输出层的误判进行校正并添加标签后更新至样本库中，样本库用于在误判率达到设定误判率阈值时基于更新后的样本库D对DCN模型进行重新训练。
2.一种基于深度学习的电池异常检测方法，其包括如下步骤：
步骤S1、构建DCN模型并建立样本库D对其进行训练
该步骤中，基于历史数据建立样本库D，样本库D中具有多个样本，每个样本均包括异常类别标签、误判标签和样本的特征序列；初始样本库中，误判标签的值为空值；
步骤S2、基于步骤S1中训练完成的DCN模型，对待检测对象进行检测
该步骤中，构建待检测对象的特征序列，经DCN模型处理后，判定待检测对象的异常类别并输出；
步骤S3、建立待检测对象的样本数列并更新至样本库D中
该步骤中，待检测对象的样本数列包括异常类别标签、误判标签和样本的特征序列，异常类别标签为DCN模型所判定的类别；
若待检测对象判定为无异常，则误判标签为空值；
若待检测对象判定为存在异常，则人工校验单元对其校验，若判定正确则误判标签为“1”，若判定不正确则误判标签为“0”；
步骤S4、DCN模型的反馈调试
该步骤中，对样本库中的误判率进行计算并设置误判率阈值，若误判率达到误判率阈值，则采用更新后的样本库对DCN模型进行重新训练，同时将样本库中所有样本的误判标签设为空值。
3.根据权利要求2所述的一种基于深度学习的电池异常检测方法，其特征在于：特征序列包括电池材质、电池型号、电池使用时间、电池温度、电池电流、电池电压、电池当前所处环境温度、电池当前所处环境湿度、电芯的序列电压及电池压差中的一个或多个。
4.根据权利要求2所述的一种基于深度学习的电池异常检测方法，其特征在于：步骤S1中，对于分布均匀且有明显上下界取值的数值类特征，对其进行归一化处理，即
Figure 811245DEST_PATH_IMAGE001
；
Figure 462806DEST_PATH_IMAGE002
表示特征序列
Figure 166845DEST_PATH_IMAGE003
中的某一分布均匀且有明显上下界取值的数值类特征，
Figure 296475DEST_PATH_IMAGE004
为该特征所对应的原始数值，
Figure 907585DEST_PATH_IMAGE005
为所有样本中该类特征原始数值的最小值，
Figure 464468DEST_PATH_IMAGE006
为所有样本中该类特征原始数值的最大值。
5.根据权利要求2所述的一种基于深度学习的电池异常检测方法，其特征在于：步骤S1中，对于分布不均匀且界限不确定的数值类特征，对其进行标准化处理，即
Figure 403605DEST_PATH_IMAGE007
；
Figure 133664DEST_PATH_IMAGE008
表示特征序列
Figure 536963DEST_PATH_IMAGE003
中的某一分布不均匀且界限不确定的数值类特征，
Figure 451698DEST_PATH_IMAGE009
为该特征所对应的原始数值，
Figure 940449DEST_PATH_IMAGE010
为所有样本中该类特征原始数值的均值，
Figure 474198DEST_PATH_IMAGE011
为所有样本中该类特征原始数值的标准差。
6.根据权利要求4或5所述的一种基于深度学习的电池异常检测方法，其特征在于：数值类特征的中，对于缺失的特征，采用该特征集的原始数据值的均值填充，即
Figure 732004DEST_PATH_IMAGE012
；
Figure 833952DEST_PATH_IMAGE013
表示特征序列
Figure 809999DEST_PATH_IMAGE003
中缺失的数值类特征，
Figure 85122DEST_PATH_IMAGE014
表示该特征集的原始数据值之和，
Figure 525331DEST_PATH_IMAGE015
为该特征集的元素总数。
7.根据权利要求2所述的一种基于深度学习的电池异常检测方法，其特征在于：步骤S1中，对于类别类特征，对其进行embedding向量化处理；也即对于每个类别类特征均随机生成一个embedding向量，不同样本的特征序列
Figure 594918DEST_PATH_IMAGE003
中对应每个类别类特征的数值均采用对应的embedding向量。
8.根据权利要求7所述的一种基于深度学习的电池异常检测方法，其特征在于：类别类特征中，定义一个新的embedding向量作为缺失类别，不同样本的特征序列
Figure 245211DEST_PATH_IMAGE003
中任意类别类特征的缺失值均采用该缺失类别的embedding向量。
9.根据权利要求2所述的一种基于深度学习的电池异常检测方法，其特征在于：在步骤S1中，基于Adam优化器对DCN模型进行优化。
10.根据权利要求2所述的一种基于深度学习的电池异常检测方法，其特征在于：在步骤S1中，基于准确率获取最优DCN模型。
CN202111153645.5A 2021-09-29 2021-09-29 一种基于深度学习的电池异常检测系统及方法 Active CN113591404B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111153645.5A CN113591404B (zh) 2021-09-29 2021-09-29 一种基于深度学习的电池异常检测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111153645.5A CN113591404B (zh) 2021-09-29 2021-09-29 一种基于深度学习的电池异常检测系统及方法

Publications (2)

Publication Number Publication Date
CN113591404A true CN113591404A (zh) 2021-11-02
CN113591404B CN113591404B (zh) 2021-12-07

Family

ID=78242511

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111153645.5A Active CN113591404B (zh) 2021-09-29 2021-09-29 一种基于深度学习的电池异常检测系统及方法

Country Status (1)

Country Link
CN (1) CN113591404B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115358295A (zh) * 2022-07-27 2022-11-18 蔚来汽车科技(安徽)有限公司 建立电池异常检测模型的方法及电池异常检测的方法
WO2023088202A1 (zh) * 2021-11-17 2023-05-25 江苏天合储能有限公司 储能电池管理系统的修正方法、装置、系统及介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101576581A (zh) * 2008-04-04 2009-11-11 株式会社电装 具有压控振荡器的电压检测装置以及电池状态控制系统
CN102680903A (zh) * 2012-05-11 2012-09-19 山东轻工业学院 便携式蓄电池状态检测系统及其检测方法
CN108896567A (zh) * 2018-08-06 2018-11-27 慧泉智能科技（苏州）有限公司 一种对钮扣电池表面压伤缺陷进行检测的方法
CN110175247A (zh) * 2019-03-13 2019-08-27 北京邮电大学 一种优化基于深度学习的异常检测模型的方法
CN110988723A (zh) * 2019-12-17 2020-04-10 国网上海市电力公司 一种基于lstm的电池内阻预测及故障预警方法
CN112379269A (zh) * 2020-10-14 2021-02-19 武汉蔚来能源有限公司 电池异常检测模型训练及其检测方法、装置
CN112986829A (zh) * 2021-04-21 2021-06-18 杭州宇谷科技有限公司 基于大数据及云计算的电池压差异常阈值确认方法及系统
AU2021102629A4 (en) * 2021-04-22 2021-07-08 Huazhong University Of Science And Technology Lithium battery thermal runaway multi-level detection and early warning system and judgment method
CN113343633A (zh) * 2021-06-10 2021-09-03 上海交通大学 动力锂电池热失控故障分类及风险预测方法、系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101576581A (zh) * 2008-04-04 2009-11-11 株式会社电装 具有压控振荡器的电压检测装置以及电池状态控制系统
CN102680903A (zh) * 2012-05-11 2012-09-19 山东轻工业学院 便携式蓄电池状态检测系统及其检测方法
CN108896567A (zh) * 2018-08-06 2018-11-27 慧泉智能科技（苏州）有限公司 一种对钮扣电池表面压伤缺陷进行检测的方法
CN110175247A (zh) * 2019-03-13 2019-08-27 北京邮电大学 一种优化基于深度学习的异常检测模型的方法
CN110988723A (zh) * 2019-12-17 2020-04-10 国网上海市电力公司 一种基于lstm的电池内阻预测及故障预警方法
CN112379269A (zh) * 2020-10-14 2021-02-19 武汉蔚来能源有限公司 电池异常检测模型训练及其检测方法、装置
CN112986829A (zh) * 2021-04-21 2021-06-18 杭州宇谷科技有限公司 基于大数据及云计算的电池压差异常阈值确认方法及系统
AU2021102629A4 (en) * 2021-04-22 2021-07-08 Huazhong University Of Science And Technology Lithium battery thermal runaway multi-level detection and early warning system and judgment method
CN113343633A (zh) * 2021-06-10 2021-09-03 上海交通大学 动力锂电池热失控故障分类及风险预测方法、系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
HEFRON, R等: ""Cross-Participant EEG-Based Assessment of Cognitive Workload Using Multi-Path Convolutional Recurrent Neural Networks"", 《SENSORS》 *
卿平勇: ""混合动力汽车电池管理系统故障诊断与健康管理研究"", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》 *
李国政: ""数据驱动的航天器电池性能退化建模方法研究"", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》 *
高心乐 等: ""粒子群优化深度交叉神经网络推荐算法设计研究"", 《西昌学院学报（自然科学版）》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023088202A1 (zh) * 2021-11-17 2023-05-25 江苏天合储能有限公司 储能电池管理系统的修正方法、装置、系统及介质
CN115358295A (zh) * 2022-07-27 2022-11-18 蔚来汽车科技(安徽)有限公司 建立电池异常检测模型的方法及电池异常检测的方法

Also Published As

Publication number Publication date
CN113591404B (zh) 2021-12-07

Similar Documents

Publication Publication Date Title
CN112379269B (zh) 电池异常检测模型训练及其检测方法、装置
CN110224192B (zh) 一种梯次利用动力电池寿命预测方法
CN113591404B (zh) 一种基于深度学习的电池异常检测系统及方法
CN113723010B (zh) 一种基于lstm温度-位移相关模型的桥梁损伤预警方法
CN107422266B (zh) 一种大容量电池储能系统的故障诊断方法及装置
CN110879377B (zh) 基于深度信念网络的计量装置故障溯源方法
CN111598179B (zh) 电力监控系统用户异常行为分析方法、存储介质和设备
CN114167180B (zh) 一种基于图注意力神经网络的充油电气设备故障诊断方法
CN109633448B (zh) 识别电池健康状态的方法、装置和终端设备
CN113935440A (zh) 一种电压互感器误差状态迭代评估方法及系统
CN115563563A (zh) 基于变压器油色谱分析的故障诊断方法及装置
CN113067798B (zh) Ics入侵检测方法、装置、电子设备和存储介质
CN115905959B (zh) 基于缺陷因子的电力断路器关联性故障分析方法及装置
CN116562114A (zh) 一种基于图卷积神经网络的电力变压器故障诊断方法
CN117312939A (zh) 基于深度学习的sofc系统工况辨识方法
CN114460481B (zh) 基于Bi-LSTM和注意力机制的储能电池热失控预警方法
CN115481796A (zh) 基于贝叶斯混合神经网络的电池剩余使用寿命预测方法
CN113204894B (zh) 一种电能计量异常诊断模型的构建方法及应用
CN114662613A (zh) 基于弹性时间序列相似度网络的异常电池检测系统和方法
CN114422262A (zh) 一种基于自动机器学习的工控网络入侵检测模型构建方法
CN116894180B (zh) 一种基于异构图注意力网络的产品制造质量预测方法
CN114189047A (zh) 面向有源配电网状态估计的虚假数据检测与修正方法
CN112016597A (zh) 一种机器学习中基于贝叶斯不平衡度量的深度采样方法
CN117805616A (zh) 一种锂离子储能系统异常电芯识别方法
CN114565051A (zh) 基于神经元影响程度的产品分类模型的测试方法

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
GR01 Patent grant
GR01 Patent grant
CP01 Change in the name or title of a patent holder

Address after: Room 603, 6th floor, building 1, No.1, Qixian Road, Liangzhu street, Yuhang District, Hangzhou City, Zhejiang Province

Patentee after: Hangzhou Yugu Technology Co.,Ltd.

Address before: Room 603, 6th floor, building 1, No.1, Qixian Road, Liangzhu street, Yuhang District, Hangzhou City, Zhejiang Province

Patentee before: HANGZHOU YUGU TECHNOLOGY Co.,Ltd.

CP01 Change in the name or title of a patent holder