CN113839107B - 软包锂离子电池跳水退化模式早期预警方法 - Google Patents

Abstract

本发明提供一种软包锂离子电池跳水退化模式早期预警方法，其包括以下步骤：S1、设置进行预警的锂离子电池循环次数；S2、提取锂离子充放电数据的特征数据；S3、使用过采样方法以增加特征数据的样本量；S4、利用线性判别分析法对特征数据进行数据降维；S5、利用量子聚类方法计算降维后数据的势能函数并进行分类。本发明能够对跳水退化模式下的软包锂离子电池进行提前预警，提前预警量达到15％到35％。从而为软包锂离子电池的异常退化模式的预警分类提供了方法支撑。

Description

软包锂离子电池跳水退化模式早期预警方法

技术领域

本发明涉及产品的异常检测领域，特别涉及一种软包锂离子电池跳水退化模式早期预警方法。

背景技术

锂离子电池由于其低成本、高比能量以及高效率等优点而被广泛应用。锂离子电池的可靠性和安全性不仅事关电池厂商的声誉，更和消费者的使用便捷和安全密切相关。然而在实际测试中发现，随着充放电循环次数的增加，少部分软包锂离子电池的容量会在某个循环之后突然出现“断崖式”的快速下降现象。该现象也常被称为“容量跳水”，而容量出现变化的循环次数则被称之为“跳水点”。根据对“容量跳水”的机理进行分析，发现出现该现象的主要原因是由于锂离子电池的负极析锂。如果放任发生跳水的锂离子电池继续进行充放电循环，在负极析出的锂晶枝可能会朝任意方向继续生长，可能穿破电池内的隔膜触碰正极，造成短路甚至引发爆炸等危险。

出现跳水现象的锂离子电池由于容量的快速衰减，会使得电池寿命远小于正常退化的电池，造成使用不便；同时任由跳水的电池继续充放电循环可能对消费者产生安全隐患。因此，需要构建合适的模型和方法对锂离子电池的跳水进行早期的预警。

发明内容

为解决上述问题，本发明提供了一种软包锂离子电池跳水退化模式早期预警方法，其基于模型驱动和数据驱动相结合的方法，从锂离子电池循环过程中的容量-电压数据以及电压-时间数据中提取特征数据，并经过数据预处理将得到的数据输入量子聚类模型中，以此在“跳水点”之前几十到一百的循环便将跳水电池完成区分。

具体地，本发明提供了一种软包锂离子电池跳水退化模式早期预警方法，其具体步骤如下所示：

S1：设置进行预警的软包锂离子电池循环次数n_cycle；

S2：利用第1循环到第n_cycle循环中各个循环的充放电过程中的容量-电压-时间数据，提取特征数据；

特征数据包括三类子特征数据：第一，软包锂离子电池充电过程中容量增量曲线的最大峰的峰值，第二，放电过程中不同电压下电池放电容量和第10循环下同等电压条件下放电容量的差值，第三，放电过程中不同时刻的电压值；特征数据为由上述三类子特征数据组成的多维数据；

S3：对每一个软包锂离子电池样本采用步骤S2提取特征数据，并对软包锂离子电池样本的特征数据使用过采样方法以增加样本量；

S4：使用线性判别分析方法对步骤S3中所得到的样本数据进行数据降维；

S5：对步骤S4中所得到的降维数据使用量子聚类方法进行分类以实现预警。

优选的，所述步骤S2中软包锂离子电池充电过程中容量增量曲线的最大峰的峰值类子特征数据的提取包括以下步骤：

步骤S21计算第n_cycle循环下的充电过程的容量增量曲线，容量增量曲线又称增量容量曲线，是表征软包锂离子电池充放电过程中电池充放电容量对电压的微分和电压之间关系的曲线，容量增量的具体计算方式为相邻测试间隔下充电容量的差值除以电压的差值；

步骤S22、使用低通滤波去除容量增量曲线的高频噪声干扰；

步骤S23、选取最高峰的峰值作为本次循环下的容量曲线最大峰峰值；

步骤S24、分别计算从第1循环到第n_cycle循环下的容量增量曲线，按照步骤S22到步骤S23的操作方法，获得从第1循环到第n_cycle循环共n_cycle个最大峰峰值，以这n_cycle个峰值作为所提取的特征数据。

优选的，所述步骤S2中不同电压下软包锂离子电池放电容量和第10循环下同等电压条件下放电容量的差值类子特征数据的提取包括以下步骤：

步骤S25、根据放电过程中电压的变化范围，选取电压变化范围内的N个电压值V₁,V₂,...,V_N；

步骤S26、利用放电过程的容量-电压曲线，分别计算在第10循环和第n_cycle循环下电压V₁,V₂,...,V_N所对应的放电容量；

步骤S27、将第n_cycle循环下的放电容量和第10循环的依次对应相减，由此获得的N个放电容量差值作为所提取的特征数据。

优选的，所述步骤S2中放电过程中不同时刻的电压值类子特征数据的提取包括以下步骤：

步骤S28、选取测试个数M，M为正整数；

步骤S29、获取从第1循环到第n_cycle循环中每个循环的前M个测试间隔的放电电压值，以获得的M×n_cycle个值作为所提取的特征数据。

优选的，所述步骤S2中特征数据为由三类子特征数据组成的多维数据具体为：

所述的特征数据为三类子特征数据的组合，每个软包锂离子电池样本所提取得到的特征数据包括n_cycle+N+M×n_cycle个数据维度。

优选的，软包锂离子电池跳水退化模式早期预警方法还包括步骤S6：

S6：对一个新软包锂离子电池进入跳水退化模式进行早期预警；

对步骤1中的n_cycle设置多个不同值，当新软包锂离子电池循环次数到达预设的n_cycle时，就根据步骤2提取新软包锂离子电池特征数据，将新软包锂离子电池特征数据根据步骤4进行降维，此时新软包锂离子电池特征数据相当于是测试集中的数据，使用步骤5中的量子聚类方法对新软包锂离子电池进行分类，如果此次新软包锂离子电池被分类为正常样本或模糊区样本，则不进行任何操作，等新软包锂离子电池循环次数达到下一个n_cycle值时重新进行分类，如果此次新软包锂离子电池被分类为异常样本，则给出新软包锂离子电池将进入跳水退化模式的预警。

优选的，步骤S3中所述的过采样方法具体包括以下步骤：

步骤S31：分别统计样本中正常线性退化的软包锂离子电池数量n₁和异常跳水退化的软包锂离子电池数量n₂，分别设置所需要的两类电池的过采样个数N_normal和N_abnormal；

步骤S32：随机选取两个正常线性退化的软包锂离子电池，二者所提取得到的特征数据分别为s_i和s_j；

步骤S33：随机生成一个在0到1之间服从均分分布的随机数rand(0,1)；

步骤S34：新生成样本的特征数据为rand(0,1)·s_i+(1-rand(0,1))·s_j；

步骤S35：重复步骤S32-S34直至正常线性退化的软包锂离子电池样本数量达到N_normal，由此完成对正常线性退化软包锂离子电池的过采样；

步骤S36：将步骤S32-S34中的正常线性退化的软包锂离子电池替换为异常跳水退化的软包锂离子电池，重复步骤S32-S34，直至异常跳水退化的软包锂离子电池样本数量达到N_abnormal，由此完成对异常跳水退化电池的过采样。

优选的，步骤S4中的数据降维需要将步骤S3过采样后的共N_normal+N_abnormal个数据分为训练集和测试集两类。

优选的，步骤S5中的量子聚类方法包括以下步骤：

S51：对步骤S4降维后得到的数据进行归一化处理，得到数据

S52：分别寻找每个数据点

最近的K个数据

并计算它们和

的距离平方的平均值y_i：

S53：计算y_i的平均值并开根，以此作为量子聚类的输入参数σ：

其中N_s为样本

的数量；

S54：根据量子聚类方法，计算势能函数：

其中x为势能函数的自变量；

S55：根据势能函数的极小值点个数作为分类的个数，势能函数的极大值作为类别间的分类边界；

S56：将软包锂离子电池分类为正常样本、异常样本和模糊区样本，对分类为异常样本的软包锂离子电池进行预警。

与现有技术相比，本发明的有益效果如下：

本发明提供了一种软包锂离子电池跳水退化模式早期预警方法，相比于现有的预警模型方法具有明显的优势，其基于数据驱动和模型驱动相结合的方法提供了一套分类模型。与现有模型相比，本发明的数据可以直接采自电池管理系统，而不需要额外将锂离子电池取出进行小充放电电流下的试验；本发明可以在软包锂离子电池“容量跳水”之前几十到几百循环下即可完成电池分类并进行预警，而不需要在“容量跳水”发生之后才进行判断，为软包锂离子电池退化模式的早期预警提供了一套有效的方法和框架。

附图说明

图1是根据本发明的软包锂离子电池跳水退化模式早期预警方法流程图；

图2是根据本发明的正常线性退化、具有容量跳水退化模式的软包锂离子电池容量-循环次数图及容量跳水的跳水点示例图；

图3是根据本发明的提取特征数据方法步骤流程图；

图4是根据本发明的滤波前的容量增长曲线和滤波后的容量增长曲线对比图；

图5是根据本发明的量子聚类势能函数示意图。

具体实施方式

以下将参考附图详细说明本发明的示例性实施例、特征和方面。尽管实施例中示出了实施例的各种参数取值和方面，但是除非特别指出，不必按照完全相同的参数和方法来完成仿真流程。

本发明的软包锂离子电池跳水退化模式早期预警方法，如图1所示，为了描述的方便，本申请中涉及到的电池都是指软包锂离子电池。本方法包括以下步骤：

步骤S1：设置进行预警的电池循环次数n_cycle。

为了起到预警效果，n_cycle的值一般不小于电池预估跳水点循环数的65％。

步骤S2：利用第1循环到第n_cycle循环中各个循环的充放电过程中的容量-电压-时间数据，提取特征数据。

本发明所提取的特征数据包括三类子特征数据：电池充电过程中容量增量曲线的最大峰的峰值，放电过程中不同电压下电池放电容量和第10循环下同等电压条件下放电容量的差值，放电过程中不同时刻的电压值。

其中电池充电过程中容量增量曲线的最大峰的峰值这一类特征数据的提取包括以下步骤：

步骤S21计算第n_cycle循环下的充电过程的容量增量曲线。容量增量曲线又称增量容量曲线，是表征电池充(放)电过程中电池充(放)电容量对电压的微分和电压之间关系的曲线(dQ/dV-V)。容量增量的具体计算方式为相邻测试间隔下充电容量的差值除以电压的差值；

步骤S22、使用低通滤波去除容量增量曲线的高频噪声干扰；

步骤S23、选取最高峰的峰值作为本次循环下的容量曲线最大峰峰值；

步骤S24、分别计算从第1循环到第n_cycle循环下的容量增量曲线，按照步骤S22到步骤S23的操作方法，获得从第1循环到第n_cycle循环共n_cycle个最大峰峰值，以这n_cycle个峰值作为所提取的特征数据。

其中不同电压下电池放电容量和第10循环下同等电压条件下放电容量的差值这一类特征数据的提取包括以下步骤：

步骤S25、根据放电过程中电压的变化范围，选取电压变化范围内的N个电压值V₁,V₂,...,V_N；

步骤S26、利用放电过程的容量-电压曲线，分别计算在第10循环和第n_cycle循环下电压V₁,V₂,...,V_N所对应的放电容量；

步骤S27、将第n_cycle循环下的放电容量和第10循环的依次对应相减，由此获得的N个放电容量差值作为所提取的特征数据。

其中放电过程中不同时刻的电压值这一类特征数据的提取包括以下步骤：

步骤S28、选取测试个数M；

步骤S29、获取从第1循环到第n_cycle循环中每个循环的前M个测试间隔的放电电压值，以获得的M×n_cycle个值作为所提取的特征数据。

步骤2的特征数据为三类特征数据的和，每个电池样本所提取得到的特征数据包括n_cycle+N+M×n_cycle个数据维度，步骤2的特征数据计算方法如图3所示。

步骤S3：对每一个电池样本采用步骤2提取特征数据，并对电池样本的特征数据使用过采样方法以增加样本量。

其中作为优选的实施例方案，过采样方法具体包括以下步骤：

步骤S31：分别统计样本中正常线性退化的电池数量n₁和异常跳水退化的电池数量n₂，设置所需要的正常线性退化的电池过采样个数N_normal和异常跳水退化的电池过采样个数N_abnormal；

步骤S32：随机选取两个正常线性退化的电池，二者所提取得到的特征数据分别为s_i和s_j；

步骤S33：随机生成一个在0到1之间服从均分分布的随机数rand(0,1)；

步骤S34：新生成样本的特征数据为rand(0,1)·s_i+(1-rand(0,1))·s_j；

步骤S35：重复步骤S32-S34直至正常线性退化的电池样本数量达到N_normal，由此完成对正常线性退化电池的过采样；

步骤S36：将步骤S32-S34中的正常线性退化的电池替换为异常跳水退化的电池，重复步骤S32-S34，直至异常跳水退化的电池样本数量达到N_abnormal，由此完成对异常跳水退化电池的过采样。

步骤S4：使用线性判别分析方法对步骤S3中所得到的样本数据进行数据降维；

线性判别分析(Linear Discriminant Analysis)是一种经典的线性学习方法，是一种监督学习方法。将原来在R维空间的样本投影到维度较低的D维空间去，然后在D维空间中再进行分类。投影的原则是使得每一类的差异尽可能小，而不同类间投影的离差尽可能大。

本实施例中，数据降维需要将步骤3过采样后的共N_normal+N_abnormal个数据分为训练集和测试集两类，使用训练集对线性判别分析方法进行训练，对测试集中电池样本的特征数据根据训练结果进行降维。

优选的，由于放电过程中不同时刻的电压值这一类子特征数据的维度过高，因此可以先针对这一类子特征数据采用主成分分析法进行降维处理，之后再将三类特征合并，再使用线性判别分析法进行降维。

步骤S5：对步骤4中所得到的降维数据使用量子聚类方法进行分类。

本步骤所用到的数据均来自于测试集所降维得到的数据。

其中作为优选的实施例方案，量子聚类方法包括以下步骤：

步骤S51：对步骤S4降维后得到的数据进行归一化处理，得到数据

步骤S52：分别寻找每个数据点

最近的K个数据

并计算它们和

的距离平方的平均值y_i：

步骤S53：计算y_i的平均值并开根，以此作为量子聚类的输入参数σ：

其中N_s为样本

的数量；

步骤S54：根据量子聚类方法，计算势能函数：

其中x为势能函数的自变量，其取值范围为0到1；e为自然常数。

步骤S55：根据势能函数的极小值点个数作为分类的个数，势能函数的极大值作为类别间的分类边界；

步骤S56：将所分成的两个大多数样本组成的分类作为正常样本和异常样本，对所分成的少数几个样本组成的类作为模糊区样本。

步骤S1-S5实现了对电池达到指定循环次数后，判断电池是否将进入跳水退化模式，如果电池被分类为异常样本，就可以进行电池跳水退化模式预警。在此基础上，本发明还可对电池进行持续的监测，以便及早对电池进入电池跳水退化模式进行预警。

步骤S6：对一个新电池进入跳水退化模式进行早期预警；

对步骤S1中的n_cycle设置多个不同值，当新电池循环次数到达预设的n_cycle时，就根据步骤S2提取新电池特征数据，将新电池特征数据根据步骤S4进行降维，此时新电池特征数据相当于是测试集中的数据，使用步骤S5中的量子聚类方法对新电池进行分类，如果此次新电池被分类为正常样本或模糊区样本，则不进行任何操作，等新电池循环次数达到下一个n_cycle值时重新进行分类，如果此次新电池被分类为异常样本，则给出新电池将进入跳水退化模式的预警。

以下将结合一个具体的软包锂离子电池跳水退化模式早期预警方法案例对本发明做进一步的详细说明，图1是一种软包锂离子电池跳水退化模式早期预警方法流程图。图2是根据本发明的正常线性退化、具有容量跳水退化模式的软包锂离子电池容量-循环次数图及容量跳水的跳水点示例图；图2是示例性的，在多个样本中选择了4个电池样本进行展示，横坐标为电池循环次数，纵坐标为电池容量，点断线“﹒﹒﹒”为电池循环次数n_cycle为第280循环时进行预警，根据本发明这4个电池样本进行分类后得到2个为正常样本，2个为异常样本，连续线“—”为分类为正常样本的正常线性退化电池容量变化曲线，虚线“---”为分类为异常样本的跳水电池容量变化曲线，“+”为分类为异常样本的电池实际跳水点。本方法的具体实施方式如下：

步骤1：设置进行预警的电池循环次数为第280循环，n_cycle＝280。

步骤2：利用第1循环到第280循环中各个循环的充放电过程中的容量-电压-时间数据，提取特征数据。图3为提取特征数据方法的计算流程图。

在提取对电池充电过程的容量增量曲线的最大峰的峰值这一特征数据的过程中，低通滤波采取有限脉冲响应(FIR)滤波器，其设计方法采用等波纹设计法，滤波器的阶数为50阶，通带频率为0.1·π(弧度/采样点)，阻带频率为0.2·π(弧度/采样点)，通带波纹为0.1dB，阻带衰减为40dB。图4为滤波前的容量增长曲线和滤波后的容量增长曲线对比图。

在提取不同电压下电池放电容量和第10循环下同等电压条件下放电容量的差值这一类特征数据的过程中，设置N＝130，选取的电压变化范围为从3.0V到4.3V每间隔0.01V取一个值。

在提取放电过程中不同时刻的电压值这一类特征数据的过程中，选择的测试个数M＝150。

步骤3：对每一个电池样本采用步骤2提取特征数据，并对电池样本的特征数据使用过采样方法以增加样本量。设置过采样个数N_normal＝800个，N_abnormal＝200个。

步骤4：使用线性判别分析方法对步骤S3中所得到的样本数据进行数据降维。其中设置训练集的个数为步骤3过采样后随机挑选的400个正常线性退化的电池样本以及100个跳水退化的电池样本，测试集为剩余的400个正常线性退化的电池样本以及100个跳水退化的电池样本。

在进行线性判别分析法之前，由于放电过程中不同时刻的电压值这一类特征数据的维度过高，因此先针对这一类数据采用主成分分析法进行降维处理，选择降至1000维。之后再将三类特征合并，使用线性判别分析法进行降维。

步骤5：对步骤4中所得到的降维数据使用量子聚类方法进行分类。设置K＝400。图5是所得到的量子聚类势能函数图像。

归类结果显示该方法所得到的正常电池归类准确度达到了99％，跳水电池的归类准确度达到了100％。所归类的跳水电池的实际“跳水点”比n_cycle＝280大几十到一百循环，因此本方法的提前预警量达到15％到35％。说明该方法可以在电池“容量跳水”发生前完成归类以实现预警。

最后应说明的是：以上所述的各实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案或者参数进行修改，或者对其中部分或全部技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (5)

1.一种软包锂离子电池跳水退化模式早期预警方法，其特征在于：其包括以下步骤：

S1：设置进行预警的软包锂离子电池循环次数n_cycle；

S2：利用第1循环到第n_cycle循环中各个循环的充放电过程中的容量-电压-时间数据，提取特征数据；

特征数据包括三类子特征数据：第一，软包锂离子电池充电过程中容量增量曲线的最大峰的峰值，第二，放电过程中第n_cycle循环不同电压下电池放电容量和第10循环下同等电压条件下放电容量的差值，第三，放电过程中不同时刻的电压值；特征数据为由上述三类子特征数据组成的多维数据；

S3：对每一个软包锂离子电池样本采用步骤S2提取特征数据，并对软包锂离子电池样本的特征数据使用过采样方法以增加样本量；

所述的过采样方法具体包括以下步骤：

步骤S31：分别统计样本中正常线性退化的软包锂离子电池数量n₁和异常跳水退化的软包锂离子电池数量n₂，分别设置所需要的两类电池的过采样个数N_normal和N_abnormal；

步骤S32：随机选取两个正常线性退化的软包锂离子电池，二者所提取得到的特征数据分别为s_i和s_j；

步骤S33：随机生成一个在0到1之间服从均分分布的随机数rand(0,1)；

步骤S34：新生成样本的特征数据为rand(0,1)·s_i+(1-rand(0,1))·s_j；

步骤S35：重复步骤S32-S34直至正常线性退化的软包锂离子电池样本数量达到N_normal，由此完成对正常线性退化软包锂离子电池的过采样；

步骤S36：将步骤S32-S34中的正常线性退化的软包锂离子电池替换为异常跳水退化的软包锂离子电池，重复步骤S32-S34，直至异常跳水退化的软包锂离子电池样本数量达到N_abnormal，由此完成对异常跳水退化电池的过采样；

S4：使用线性判别分析方法对步骤S3中所得到的样本数据进行数据降维；

数据降维需要将步骤S3过采样后的共N_normal+N_abnormal个数据分为训练集和测试集两类，使用训练集对线性判别分析方法进行训练，对测试集中电池样本的特征数据根据训练结果进行降维；

S5：对步骤S4中所得到的测试集的降维数据使用量子聚类方法进行分类以实现预警；

量子聚类方法包括以下步骤：

S51：对步骤S4降维后得到的数据进行归一化处理，得到数据

S52：分别寻找每个数据点

最近的K个数据

并计算它们和

的距离平方的平均值y_i：

S53：计算y_i的平均值并开根，以此作为量子聚类的输入参数σ：

其中N_s为样本

的数量；

S54：根据量子聚类方法，计算势能函数：

其中x为势能函数的自变量；

S55：根据势能函数的极小值点个数作为分类的个数，势能函数的极大值作为类别间的分类边界；

S56：将软包锂离子电池分类为正常样本、异常样本和模糊区样本，对分类为异常样本的软包锂离子电池进行预警；

S6：对一个新软包锂离子电池进入跳水退化模式进行早期预警；

对步骤S1中的n_cycle设置多个不同值，当新软包锂离子电池循环次数到达预设的n_cycle时，就根据步骤S2提取新软包锂离子电池特征数据，将新软包锂离子电池特征数据根据步骤S4进行降维，此时新软包锂离子电池特征数据相当于是测试集中的数据，使用步骤S5中的量子聚类方法对新软包锂离子电池进行分类，如果此次新软包锂离子电池被分类为正常样本或模糊区样本，则不进行任何操作，等新软包锂离子电池循环次数达到下一个n_cycle值时重新进行分类，如果此次新软包锂离子电池被分类为异常样本，则给出新软包锂离子电池将进入跳水退化模式的预警。

2.根据权利要求1所述的软包锂离子电池跳水退化模式早期预警方法，其特征在于：所述步骤S2中软包锂离子电池充电过程中容量增量曲线的最大峰的峰值类子特征数据的提取包括以下步骤：

步骤S21计算第n_cycle循环下的充电过程的容量增量曲线，容量增量曲线又称增量容量曲线，是表征软包锂离子电池充放电过程中电池充放电容量对电压的微分和电压之间关系的曲线，容量增量的具体计算方式为相邻测试间隔下充电容量的差值除以电压的差值；

步骤S22、使用低通滤波去除容量增量曲线的高频噪声干扰；

步骤S23、选取最高峰的峰值作为本次循环下的容量曲线最大峰峰值；

步骤S24、分别计算从第1循环到第n_cycle循环下的容量增量曲线，按照步骤S22到步骤S23的操作方法，获得从第1循环到第n_cycle循环共n_cycle个最大峰峰值，以这n_cycle个峰值作为所提取的特征数据。

3.根据权利要求1所述的软包锂离子电池跳水退化模式早期预警方法，其特征在于：所述步骤S2中不同电压下软包锂离子电池放电容量和第10循环下同等电压条件下放电容量的差值类子特征数据的提取包括以下步骤：

步骤S25、根据放电过程中电压的变化范围，选取电压变化范围内的N个电压值V₁,V₂,...,V_N；

步骤S26、利用放电过程的容量-电压曲线，分别计算在第10循环和第n_cycle循环下电压V₁,V₂,...,V_N所对应的放电容量；

步骤S27、将第n_cycle循环下的放电容量和第10循环的依次对应相减，由此获得的N个放电容量差值作为所提取的特征数据。

4.根据权利要求1所述的软包锂离子电池跳水退化模式早期预警方法，其特征在于：所述步骤S2中放电过程中不同时刻的电压值类子特征数据的提取包括以下步骤：

步骤S28、选取测试个数M；

步骤S29、获取从第1循环到第n_cycle循环中每个循环的前M个测试间隔的放电电压值，以获得的M×n_cycle个值作为所提取的特征数据。

5.根据权利要求1所述的软包锂离子电池跳水退化模式早期预警方法，其特征在于：所述步骤S2中特征数据为由三类子特征数据组成的多维数据具体为：

所述的特征数据为三类子特征数据的组合，每个软包锂离子电池样本所提取得到的特征数据包括n_cycle+N+M×n_cycle个数据维度。

Images