CN114594398A - 储能锂离子电池数据预处理方法 - Google Patents

Abstract

本发明的实施例提供了一种储能锂离子电池数据预处理方法，涉及锂电池技术领域。储能锂离子电池数据预处理方法包括：S1：对采集到的储能锂离子电池的原始多源数据进行去重与补漏；S2：对原始多源数据中缺失的数据段进行插值与平滑；S3：保留原始多源数据中正常波动范围内的数据，剔除异常数据；S4：对原始多源数据以及储能锂离子电池的多维特征量进行降维处理。该方法针对工程数据难以直接应用的困难，提供了一种适用于工程的数据前期预处理技术，以有效提高数据质量，便于对目标电池集进行后续数据分析处理。

Description

储能锂离子电池数据预处理方法

技术领域

本发明涉及锂电池技术领域，具体而言，涉及一种储能锂离子电池数据预处理方法。

背景技术

锂离子电池具备能量密度高、零排放、性价比高、无记忆效应、重量轻和携带方便等突出优点。目前，储能锂离子电池被广泛应用在电网储能领域，各个机构在其全寿命周期应用中会依据自己的需求去产生、传输和存储数据，但在工程中，上述数据是无法直接使用的。因此，采用预处理方法获取高质量数据是储能锂离子电池合理使用的技术前提。

在储能锂电池技术领域，工程中采集到的数据常常具有时间戳重复、存在噪音、缺失数据、存在异常点且数据维度较大等特点。面对工程中采集的数据，直接分析和使用是难以实现的。目前，部分掌握电池数据的企业将采集到的数据仅通过简单处理后便使用分析，这对后续数据分析结果的精准度会造成较大影响。此外，若不对数据进行较好的预处理，数据分析工程师在取用数据时会遇到极大的困难。

发明内容

本发明的目的包括，例如，提供了一种储能锂离子电池数据预处理方法，其能够有效提高数据质量，便于对目标电池集进行后续数据分析处理。

本发明的实施例可以这样实现：

本发明提供一种储能锂离子电池数据预处理方法，储能锂离子电池数据预处理方法包括：

S1：对采集到的储能锂离子电池的原始多源数据进行去重与补漏；

S2：对原始多源数据中缺失的数据段进行插值与平滑；

S3：保留原始多源数据中正常波动范围内的数据，剔除异常数据；

S4：对原始多源数据以及储能锂离子电池的多维特征量进行降维处理。

在可选的实施方式中，S1包括：

S11：根据主键进行查找和删除，实现去重操作；

S12：对空缺值进行填充，实现补漏操作。

在可选的实施方式中，S11包括：

以时间或时间戳作为主键，删除时间戳重复的数据，实现去重操作。

在可选的实施方式中，S12采用的方法包括：填充0、填充NaN或填充数据缺失前的最后一个有效值。

在可选的实施方式中，在S2中，插值与平滑的方法包括：选用一次多项式插值方法对数据进行线性插值、选用任意阶多项式插值方法对数据进行拟合或选用分段插值算法中的分段线性插值算法对数据进行拟合。

在可选的实施方式中，在S3中，剔除异常数据的方法包括：基于概率的异常点剔除方法、基于时间序列预测的异常点剔除方法或基于平滑加准则的异常点剔除方法。

在可选的实施方式中，基于平滑加准则的异常点剔除方法包括：

S31：对原始多源数据的序列采用进行一次平滑，获得平滑曲线，计算平滑曲线中的数据与原始多源数据的差值；

S32：对差值采用肖维纳准则，记录偏离零值达到阈值的数据索引；

S33：剔除记录的数据索引。

在可选的实施方式中，在S4中，多维特征量的降维方法选用主成分分析法。

在可选的实施方式中，主成分分析法包括：

S41：通过计算矩阵的特征值，构建协方差矩阵；

S42：分析协方差矩阵中各个向量之间的相关性；

S43：通过特征值排序，计算各特征的信息贡献度，保留信息贡献度最大的前几个特征向量，转换得到新的矩阵。

在可选的实施方式中，通过特征值排序，计算各特征的信息贡献度，保留信息贡献度最大的前几个特征向量，转换得到新的矩阵的步骤包括：

按照信息贡献度从大到小的顺序依次选取多维特征量，当信息贡献度之和大于或等于98％时，舍弃剩余的多维特征量，转换得到新的矩阵。

本发明实施例提供的储能锂离子电池数据预处理方法的有益效果包括：

在大型储能电站中，随着锂电池系统持续运行，首先，通过获取锂离子电池的多源原始数据，对其进行去重与补漏，其次，对缺失的数据段进行插值与平滑，然后，在保留正常范围的数据波动下实现异常数据剔除，最后，对锂离子电池原始数据以及多维特征量进行降维处理。这样，通过对采集到的锂离子电池数据进行预处理，极大地提高了数据的分析效率，为后续技术提供支撑。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1是本发明实施例提供的储能锂离子电池数据预处理方法的流程图；

图2是S1的具体流程图；

图3是容量增量曲线平滑滤波前后的比较示意图；

图4是S3的具体流程图；

图5是某个无量纲特征序列示意图；

图6是某个无量纲特征序列原始数据与平滑曲线的差值示意图；

图7是某个无量纲特征序列经过异常点剔除后的特征曲线示意图；

图8是S4的具体流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

在本发明的描述中，需要说明的是，若出现术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

此外，若出现术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

需要说明的是，在不冲突的情况下，本发明的实施例中的特征可以相互结合。

请参考图1，本实施例提供了一种储能锂离子电池数据预处理方法，包括以下步骤：

S1：对采集到的储能锂离子电池的原始多源数据进行去重与补漏。

具体的，请参考图2，去重与补漏包括以下步骤：

S11：根据主键进行查找和删除，实现去重操作。其中，大部分的数据采集系统均以时间或时间戳作为主键，删除时间戳重复的数据可为数据去重。

S12：对空缺值进行填充，实现补漏操作。从而，提示技术人员在融合之后进行插值操作。空缺值填充方法有：填充0、填充NaN、填充数据缺失前的最后一个有效值等。

S2：对原始多源数据中缺失的数据段进行插值与平滑。

插值和平滑应用于填补缺失数据和去除噪音；插值与平滑统一称为拟合，插值要求拟合得到的结果必须经过原有数据点，而平滑则没有硬性要求，在锂离子电池数据分析过程中，上述两种方法都是为了提升原始数据的质量，不特意加以区分。

具体的，插值与平滑包括以下方法：

(1)选用一次多项式插值方法对数据进行线性插值。其中，一次多项式插值方法即为线性插值方法，其几何意义是在两个插值点间，采用直线替代真实值。由于其计算简单，在较平稳的数据序列中使用，不会引入过大误差，可以用在数据导入时对丢失点较少的数据块进行插值填充。

(2)选用任意阶多项式插值方法对数据进行拟合。其中，从理论上来说，任意阶多项式插值方法对任意曲线都能采用某个阶次的多项式实现拟合，例如对某开路电压曲线进行拟合。但是，阶次的增加不一定能增加插值的精度，并且对不容易重复的实验数据适应度不强。

(3)选用分段插值算法中的分段线性插值算法对数据进行拟合。其中，分段插值算法通过在各个相邻点之间采用直接连接，形成一条折线作为插值，但是，这种方法会导致节点处不光滑。

本实施例中，对原始多源数据中的充电数据的容量增量曲线采用Savitzky-Golay滤波器进行平滑滤波，请参阅图3，某单体电池充电数据的容量增量曲线采用Savitzky-Golay滤波器进行平滑滤波前后的比较，可见，拟合得到的曲线剔除了原始多源数据的噪音，便于研究人员进一步对原始多源数据的曲线特征进行提取。

S3：保留原始多源数据中正常波动范围内的数据，剔除异常数据。

其中，剔除异常数据包括以下方法：

(1)基于概率的异常点剔除方法。其中，基于概率的异常点剔除方法有3σ准则、莱因达准则、格拉布斯准则、肖维纳准则等，这些方法对正态或近似正态分布的样本数据处理，剔除明显超过误差范围的数据点，然而，锂离子电池的运行数据多数情况下并不是正态分布。

(2)基于时间序列预测的异常点剔除方法。其中，基于时间序列预测的异常点剔除方法会在实际数据与预测数据的差值处于可接受范围之外的情况下剔除该点，这类方法经常意外剔除波动较大但属于正常范围的数据。

(3)基于平滑加准则的异常点剔除方法，请参阅图4，该方法具体包括以下步骤：

S31：对原始多源数据的序列采用进行一次平滑，获得平滑曲线，计算平滑曲线中的数据与原始多源数据的差值，以便后续对差值的序列采用基于概率的准则进行判断，剔除差值超过阈值的点。

S32：对差值采用肖维纳准则，记录偏离零值达到阈值的数据索引；

S33：剔除记录的数据索引。其中，若改变肖维纳准则的参数，可控制波动数据的剔除比例。

请参阅图5，本实施例中采集得到某单体电池运行过程中与循环寿命相关性较大的某个无量纲特征序列。可见该特征存在较多异常点，若直接进行平滑，会导致异常点附近出现“鼓包”，影响模型的建立。首先，使用Savitzky-Golay滤波器采用较宽的滑动窗口进行平滑，得到的平滑曲线可以理解为滑动窗口的平均值。

请参阅图6，图6记录了图5中描述的某无量纲特征序列的原始数据与其平滑曲线的差值。图6表示各个数据点偏离平均值的程度，对差值采用肖维纳准则即能找出偏离零值较远的数据索引。

请参阅图7，图7为剔除图6中所记录的偏离零值较远的数据索引后可得到的特征曲线。可见，本方法保留原始多源数据中正常波动范围内的数据，对偏离正常值较远的数据点实现了有效剔除。

S4：对原始多源数据以及储能锂离子电池的多维特征量进行降维处理。

其中，对于原始多源数据的降维，由于锂离子电池数据来源广泛，且常常设置多个传感器进行冗余测量，以减小采集误差，因而导致原始数据维度变大，部分数据之间存在较强的相关性。

对于多维特征量的降维，可以基于经验或算法对数据提取特征量，以便更直接地与算法所求目标建立关联，由于经验的缺乏或算法的考虑不周，可能出现特征量之间存在较强相关性的情况，这些特征并不需要同时采用。

请参阅表1，图2示出了本实施例中储能锂离子电池的多维特征量。使用这些多维特征量作为输入，各电池的循环寿命作为输出，可建立机器学习模型用于电池健康管理。

表1

多维特征量的降维方法可选用主成分分析法。请参阅图8，主成分分析法具体包括以下步骤：

S41：通过计算矩阵的特征值，构建协方差矩阵。

S42：分析协方差矩阵中各个向量之间的相关性。

S43：通过特征值排序，计算各特征的信息贡献度，保留信息贡献度最大的前几个特征向量，转换得到新的矩阵。

请参阅表2，表2示出了对表1中所示的多维特征量采用主成分分析法降维后得到的特征量，按照信息贡献度从大到小的顺序依次选取多维特征量，当信息贡献度之和大于或等于98％时，舍弃剩余的多维特征量。

表3

从表3中可看出，在未使用降维前特征集共有8个，降维后剩余5个。进行特征降维后明显降低了计算负担，同时对算法准确率的影响很小。

本实施例提供的储能锂离子电池数据预处理方法可应用于用户侧储能电站，其应用场景为用户侧需求响应，该用户侧储能电站使用磷酸铁锂电池，6个电池簇，每个电池簇由3个模组并联，每个模组由96个单体串联，集成4个温度探头。每个电池簇配置一个能量转换系统与配电网交互，各电池簇独立运行，工况互不相同，因此，电池对象集合为3个模组。

本实施例提供的储能锂离子电池数据预处理方法的有益效果包括：

1)针对大型储能电站，本方法能对初步采集数据存在的重复、遗漏和噪点等质量问题进行改善，有效提高了数据质量，为电池后续分析使用提供支撑；

2)算法不受限于某种电池型号，且在电池单体、模组、电池簇等结构层级都可使用，通用性较强；

3)采用数据降维手段，可以在减轻计算量的前提下保证较高的算法准确率。

以上，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，可轻易想到的变化或替换，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 (10)

1.一种储能锂离子电池数据预处理方法，其特征在于，所述储能锂离子电池数据预处理方法包括：

S1：对采集到的储能锂离子电池的原始多源数据进行去重与补漏；

S2：对所述原始多源数据中缺失的数据段进行插值与平滑；

S3：保留所述原始多源数据中正常波动范围内的数据，剔除异常数据；

S4：对所述原始多源数据以及所述储能锂离子电池的多维特征量进行降维处理。

2.根据权利要求1所述的储能锂离子电池数据预处理方法，其特征在于，所述S1包括：

S11：根据主键进行查找和删除，实现去重操作；

S12：对空缺值进行填充，实现补漏操作。

3.根据权利要求2所述的储能锂离子电池数据预处理方法，其特征在于，所述S11包括：

以时间或时间戳作为所述主键，删除时间戳重复的数据，实现去重操作。

4.根据权利要求2所述的储能锂离子电池数据预处理方法，其特征在于，所述S12采用的方法包括：填充0、填充NaN或填充数据缺失前的最后一个有效值。

5.根据权利要求1所述的储能锂离子电池数据预处理方法，其特征在于，在所述S2中，插值与平滑的方法包括：选用一次多项式插值方法对数据进行线性插值、选用任意阶多项式插值方法对数据进行拟合或选用分段插值算法中的分段线性插值算法对数据进行拟合。

6.根据权利要求1所述的储能锂离子电池数据预处理方法，其特征在于，在所述S3中，剔除异常数据的方法包括：基于概率的异常点剔除方法、基于时间序列预测的异常点剔除方法或基于平滑加准则的异常点剔除方法。

7.根据权利要求6所述的储能锂离子电池数据预处理方法，其特征在于，所述基于平滑加准则的异常点剔除方法包括：

S31：对所述原始多源数据的序列采用进行一次平滑，获得平滑曲线，计算所述平滑曲线中的数据与所述原始多源数据的差值；

S32：对所述差值采用肖维纳准则，记录偏离零值达到阈值的数据索引；

S33：剔除记录的所述数据索引。

8.根据权利要求1所述的储能锂离子电池数据预处理方法，其特征在于，在S4中，所述多维特征量的降维方法选用主成分分析法。

9.根据权利要求8所述的储能锂离子电池数据预处理方法，其特征在于，所述主成分分析法包括：

S41：通过计算矩阵的特征值，构建协方差矩阵；

S42：分析所述协方差矩阵中各个向量之间的相关性；

S43：通过特征值排序，计算各特征的信息贡献度，保留所述信息贡献度最大的前几个特征向量，转换得到新的矩阵。

10.根据权利要求9所述的储能锂离子电池数据预处理方法，其特征在于，所述通过特征值排序，计算各特征的信息贡献度，保留所述信息贡献度最大的前几个特征向量，转换得到新的矩阵的步骤包括：

按照所述信息贡献度从大到小的顺序依次选取所述多维特征量，当所述信息贡献度之和大于或等于98％时，舍弃剩余的所述多维特征量，转换得到新的矩阵。

Images