CN115079007A - 锂离子电池微短路识别方法、识别系统和电池管理系统 - Google Patents

Abstract

本申请提供了一种锂离子电池微短路识别方法、识别系统和电池管理系统。识别方法用于识别恒流工况下锂离子电池的微短路，包括步骤：在对锂离子电池的充电过程中，获得正常充电曲线，以及通过实验方法对微短路进行仿真，获得微短路充电曲线；将原始数据集随机分为训练集和验证集；建立一维卷积神经网络训练模型；用训练集进行训练，用验证集验证并获取准确率最高的最佳模型；用锂离子电池的实际充电曲线和最佳模型识别待评估锂离子电池的微短路。训练前对充电曲线进行归一化处理和数据拓展处理；数据拓展处理在充电曲线上叠加随机的正态扰动，生成额外的拓展数据曲线。识别系统和电池管理系统基于上述识别方法。

Description

锂离子电池微短路识别方法、识别系统和电池管理系统

技术领域

本申请涉及锂离子电池技术领域，尤其涉及一种锂离子电池微短路识别方法、识别系统和电池管理系统。

背景技术

锂离子电池因其能量密度和循环寿命等方面的优势，成为电动车和储能电站的主要选择之一。但是近年来，锂离子电池安全事故频繁发生，其中由锂离子电池微短路引起的热失控问题便是其中较为棘手的原因之一。所述微短路指的是电池内部的微短路，即正负级之间局部发生的短接现象，造成在充电过程中电压的异常现象，例如充电过程中电压表现出先上升后下降的现象。这些明显的电压变化征兆可以用来识别电池是否出现微短路征兆。

例如公布号为CN113884924A的发明专利申请提供了一种基于卷积神经网络的锂离子电池内部短路诊断方法及系统，通过建立锂离子电池三维电化学-热-内部短路耦合模型，通过三维有限元模拟的方式对恒流充电工况下锂离子电池内部短路情况进行仿真，得到锂离子电池内部短路特征参数数据，通过特征参数数据对卷积神经网络进行训练，得到锂离子电池内部短路诊断模型。上述方法通过理论模型产生训练数据，难以准确模拟实际的微短路充电曲线，因此往往诊断准确率偏低，且难以通过实际应用过程中的充电数据对诊断模型进行不断优化。

发明内容

针对现有技术中存在的以上不足之处，本申请的目的在于提供一种基于一维卷积神经网络，采用实际充电曲线进行训练和验证，并可持续优化最佳模型的锂离子电池微短路识别方法，以及基于该识别方法的锂离子电池识别系统和电池管理系统。

为了实现上述目的，本申请提供了以下技术方案。

一种锂离子电池微短路识别方法，基于一维卷积神经网络，包括步骤：获取原始数据集，包括在对锂离子电池的恒流充电过程中，获得的正常充电曲线，以及通过实验方法对微短路进行仿真，获得的微短路充电曲线；数据处理，包括将所述原始数据集随机分为训练集和验证集；建立训练模型，所述训练模型包括一维卷积神经网络；获取最佳模型，用所述训练集对所述训练模型进行训练，用所述验证集验证训练后的所述训练模型，以获取识别准确率最高的最佳模型；识别微短路，用待评估的锂离子电池的实际充电曲线和所述最佳模型识别所述待评估的锂离子电池的微短路。

在一些方式中，所述微短路充电曲线和所述正常充电曲线均为充电过程中获得的电压时间曲线，或均为所述电压时间曲线的微分曲线；所述充电过程包括连续充电过程或连续放电过程。

在一些实施方式中，所述数据处理步骤还包括对所述微短路充电曲线和所述正常充电曲线进行归一化处理和数据拓展处理；所述归一化处理将所述微短路充电曲线和所述正常充电曲线的时间区间归一化至设定时间区间[0,T]、纵坐标区间归一化至设定范围[0,1]；所述数据拓展处理根据所述微短路充电曲线y生成额外的拓展数据曲线y_generated：

y_generated＝y±a*y₁，

其中y₁为呈正态分布的扰动曲线，t为充电时间，μ为扰动中心且μ∈[0,T],σ为扰动方差且

a为调整系数。

在一些实施方式中，所述数据拓展处理还根据所述正常充电曲线生成额外的拓展数据曲线。

在一些实施方式中，所述扰动中心在取值范围μ∈[0.4T,0.6T]内随机取值,和/或，所述扰动方差在取值范围

内随机取值。

在一些实施方式中，所述一维卷积神经网络包括至少一个一维卷积层、至少一个激活函数层、至少一个批量归一化层、至少一个池化模块和至少一个全连接层；所述池化模块包括并联的至少一个最大池化层、至少一个最小池化层和至少一个平均池化层；所述锂离子电池微短路识别方法还包括模型持续优化步骤：当识别微短路步骤出现识别错误时，用所述实际充电曲线对所述最优模型进行进一步训练，以对所述最佳模型进行持续优化。

在一些实施方式中，所述一维卷积神经网络包括：至少一个由一个一维卷积层和一个激活函数层组成的第一卷积模块，至少一个由一个一维卷积层、一个激活函数层、一个批量归一化层组成的第二卷积模块，至少一个依次由一个全连接层、一个激活函数层、一个全连接层组成的全连接模块；所述池化模块位于一个所述第二卷积模块和一个所述全连接模块之间。

在一些实施方式中，所述识别微短路步骤通过实时获取的设定长度的所述实际充电曲线，实时识别所述待评估的锂离子电池的微短路。

在一些实施方式中，所述实验方法包括国际针刺测试、钝针测试、圆杆冲击测试、电芯内置杂质后挤压测试、内置低熔点金属后加热测试、内置记忆金属后加热测试中的至少一种。

本申请还提供了一种锂离子电池微短路识别系统，包括：充电模块，用于对待评估的锂离子电池进行恒流充电，并获取所述待评估的锂离子电池的实际充电曲线；微短路识别模块，包括前述的任一种锂离子电池微短路识别方法获得的最佳模型，通过所述实际充电曲线和所述最佳模型识别所述待评估的锂离子电池在充电过程中是否存在微短路。

本申请还提供了一种电池管理系统，包括：充电管理模块，用于为锂离子电池充电，并获取持续恒流充电状态下的充电曲线；主控模块，用于利用前述的任一种锂离子电池微短路识别方法获得的最佳模型，通过所述充电曲线监控所述锂离子电池在充电过程中是否存在微短路。

本申请的各个实施例具有以下技术效果中的至少一种：

1.通过针对性地设计的一维卷积神经网络进行锂离子电池微短路的识别，通过实际充电曲线中的微短路电压信号特征可靠识别微短路；并利用一维卷积神经网路的计算速度实现实时监测；

2.通过设置最大池化层、平均池化层、最小值池化层并联的池化模块，减少池化过程的信息损失，提高训练效率；

3.通过实验方法获得微短路充电曲线，为一维卷积神经网络提供更加准确的训练数据；

4.通过数据拓展处理，生成包括微短路的电压信号特征的不同数据曲线，为训练模型提供更多的输入，节约实验所需的锂离子电池的数量和实验时间，解决了采用实际充电曲线时样本数量较少的问题；

5.通过大量的试验，确定了数据拓展处理的参数、一维卷积神经网络结构的最佳设置；

6.通过获取设定长度的部分充电曲线，实现电池管理系统的实时微短路监测，例如对常规充电过程进行监测。

附图说明

下面将以明确易懂的方式，结合附图说明优选实施方式，对本发明的上述特性、技术特征、优点及其实现方式予以进一步说明。

图1是锂离子电池微短路识别方法的一个实施例的流程图；

图2是图1实施例的详细流程图；

图3是图1实施例的一维卷积神经网络示意图；

图4是图3的一维卷积神经网络部分网络层用PyTorch系统的实施代码示意图；

图5是锂离子电池微短路识别方法一个实施例的部分微短路充电曲线示意图；

图6是图5实施例的部分正常充电曲线示意图；

图7是图5实施例的扰动曲线示意图；

图8是图5实施例的充电曲线和扰动曲线的对比示意图；

图9是图5实施例的一条微短路充电曲线及其拓展数据曲线的示意图；

图10是图5实施例的一条正常充电曲线及其拓展数据曲线的示意图；

图11是图3实施例的训练过程准确率和损失变化图；

图12是图3实施例的训练过程和验证过程的准确率对比图；

附图标号说明：

100.一维卷积神经网络；110.第一卷积模块，120.第二卷积模块，130.池化模块，140.全连接模块。

具体实施方式

为了更清楚地说明本申请的实施例或现有技术中的技术方案，下面将对照附图说明本申请的具体实施方式。下面描述中的附图仅仅是本申请的一些实施例，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的附图，并获得其他的实施方式。

为使图面简洁，各图中只示意性地表示出了与本申请相关的部分，它们并不代表其作为产品的实际结构。在有些图中具有相同结构或功能的部件，仅示意性地绘示了其中的一个，或仅标出了其中的一个。在本文中，“一个”不仅表示“仅此一个”，也可以表示“多于一个”的情形。在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。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。

除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。

图1所示为本申请提供的基于一维卷积神经网络的锂离子电池微短路识别方法的一个实施例的流程图，包括以下步骤：

S100.获取原始数据集，原始数据集包括在对锂离子电池进行恒流充电实验的充电过程中获得的正常充电曲线，以及通过锂离子电池微短路先兆实验等实验方法对微短路进行仿真而获得的微短路充电曲线；正常充电曲线和微短路充电曲线在本说明书中又统称为充电曲线；

S200.数据处理，包括将原始数据集随机分为训练集和验证集；优选的训练集和验证集的充电曲线数量之比为8:2；

S300.建立训练模型，如图2所示，训练模型包括一维卷积神经网络100；

S400.获取最佳模型，用训练集对训练模型进行训练，用验证集对训练过程中各个阶段的训练模型进行验证，并将识别准确率最高的训练模型作为最佳模型；

S500.识别微短路，用待评估的锂离子电池的实际充电曲线和S400中得到的最佳模型识别待评估的锂离子电池的微短路。

在上述步骤中，充电过程中至少部分过程为连续充电或连续放电，优选为恒流充电或恒流放电过程。且训练集和验证集的充电条件的设置相同，例如均在设定的开路电压范围内或SOC范围内进行充电或放电。由于微短路特征通常为充电电压的突然下降和回升，其中的突然下降由微短路引起，回升由微短路产生的高温将微短路融化消除造成。为了和锂离子电池在正常使用中的随机充电过程相区分，需要充电曲线在至少部分区间内为持续充电或持续放电过程所产生的数据。由于本申请的原始数据集可以为充电曲线，也可以是放电曲线，因此在本说明书中，“充电”或“放电”指某个实施例涉及的过程为具体的充电过程或放电过程，“充电”指某个实施例涉及的过程既可以为充电过程，也可以为放电过程，在描述相关数据时也是如此。

在一些实施例中，获取原始数据集步骤S100中的微短路充电曲线和正常充电曲线均为充电过程中获取的电压时间曲线，或均为这些电压时间曲线的微分曲线；充电过程包括连续充电过程或连续放电过程。电压时间曲线的微分曲线至少可以对部分类型的微短路征兆有放大的作用，使之更容易被识别，从而可以提高对这些类型的微短路征兆的识别率。

在一些实施例中，数据处理步骤S200还包括对微短路充电曲线和正常充电曲线进行归一化处理和数据拓展处理；归一化处理将微短路充电曲线和正常充电曲线的时间区间归一化至设定时间区间[0,T]、纵坐标区间归一化至设定范围[0,1]。如图5和图6所示的实施例中，设定时间区间为[0,6000s]，但为了更直观地显示锂离子电池的充电电压数值，本说明书的各附图中的电压值均尚未归一化至设定范围，这有助于理解数据拓展处理的具体过程，且并不影响说明本申请的技术方案。

数据拓展处理根据微短路充电曲线y生成额外的拓展数据曲线y_generated：

y_generated＝y±a*y₁，

其中y₁为呈正态分布的扰动曲线，t为充电时间，μ为扰动中心且μ∈[0,T],σ为扰动方差且

a为调整系数。

由于通过实验方法在充电过程中构建锂离子电池的微短路进行仿真需要更高的成本，因此获得大量的微短路充电曲线对一维卷积神经网络100进行训练不太现实。为此本申请提供了一种数据拓展处理方法，在保留原始数据集里的微短路充电曲线包含的微短路特征的同时，获得大量的拓展数据曲线，从而使得采用实验方法获得微短路充电曲线对训练模型进行训练成为可能。根据训练模型的需要，可以通过选择多个扰动中心的数据和多个扰动方差的数据，进行组合构成所需数量的拓展数据曲线。上述步骤当然也可放在一维卷积神经网络100的输入层，构成等同的技术方案。

由于需要保留微短路充电曲线的微短路特征，因此上述扰动曲线的幅度必须进行限制，否则会造成数据拓展处理过程中上述微短路特征的丢失。因为正态分布曲线的峰值和扰动方差相关，通过大量的实验，本申请提供了上述扰动方差的优选范围，通过设置调整系数a和扰动方差，使之满足

相当于把扰动曲线的幅值限制在原始数据集中接受数据拓展处理的原始数据曲线幅值的20％。

在一些实施例中，数据拓展处理还根据正常充电曲线生成额外的拓展数据曲线。由于锂离子电池在研发和监测过程中需要进行很多充电试验，在生产流程中也会进行预充和常规充电质检试验，因此正常充电曲线容易比微短路充电曲线容易获取。但在新型锂离子电池的研发过程中或特殊型号的小批量产品的生产研发中，也可通过数据拓展处理生成额外的拓展数据曲线，以补充容量有限的原始数据集。

在一些实施例中，扰动中心在取值范围μ∈[0.4T,0.6T]内随机取值,或者扰动方差在取值范围

内随机取值，或者两者同时进行随机取值。经过搭配组合后即可生成所需数量的拓展数据曲线。上述取值范围为最优范围，既可以提供拓展数据曲线之间足够的区分度，又可以充分保留微短路特征，提高模型训练效率和训练得到的最佳模型的识别率。

下面以图5至图10中的充电曲线为例，详细说明数据拓展处理的过程。图5示出了原始数据集中的3条微短路充电曲线，编号分别为1、3和15。图6示出了原始数据集中的3条正常充电曲线，编号分别为2、8和17。图7是不同的扰动中心和不同的扰动方差生成的5条扰动曲线在乘以调整系数a＝10后的曲线，即y₁*10的曲线。图8左侧示出了没有乘以调整系数a时的一条扰动曲线和一条正常充电曲线的对比，图8右侧示出了乘以调整系数a＝1000后的一条扰动曲线和一条正常充电曲线的对比。其中图8右侧仅用作示意性的对比，以直观地展示扰动曲线的幅值范围，此时的调整系数和扰动方差的组合

已超出了合适的取值范围。如图9所示，在一条原始数据集中的微短路充电曲线y的基础上生成了两条拓展数据曲线y_generated1和y_generated2；如图10所示，在一条原始数据集中的正常充电曲线y的基础上生成了两条拓展数据曲线y_generated1和y_generated2。通过在优选取值范围内选取多个扰动中心值和扰动方差值，即可获得所需数量的拓展数据曲线。这些拓展数据曲线仍然保留了微短路充电曲线或正常充电曲线的特征。

在一些实施例中，如图3所示，一维卷积神经网络100包括至少一个一维卷积层、至少一个激活函数层、至少一个批量归一化层、至少一个池化模块130和至少一个全连接层；池化模块130包括并联的至少一个最大池化层、至少一个最小池化层和至少一个平均池化层；恒流充电工况下锂离子电池微短路识别方法还包括模型持续优化步骤：当识别微短路步骤出现识别错误时，用待评估的锂离子电池的实际充电曲线对最优模型进行进一步训练，以实现最佳模型的持续优化。由于本申请的一维卷积神经网络100的训练和验证均采用了实际的充电曲线，因此在实际应用中，通过专业人员或其他监测软件发现识别微短路步骤出现识别错误时，可以将相关的实际充电曲线补充至图2所示的原始数据集，并对识别微短路步骤所采用的最佳模型进行进一步训练，从而实现其持续优化，同时进一步提高充电曲线数据库的多样性和模型的泛化能力，实现基于现实工况的动态模型更新。

在一些实施例中，图3示出了一维卷积神经网络100的一种优选具体结构，包括：由一个一维卷积层和一个激活函数层组成的第一卷积模块110，两个由一个一维卷积层、一个激活函数层、一个批量归一化层组成的第二卷积模块120，一个依次由一个全连接层、一个激活函数层、一个前述的池化模块130，一个全连接层组成的全连接模块140；其中池化模块130位于一个第二卷积模块120和全连接模块140之间。当然根据锂离子电池的具体类型、获取充电曲线的实验方法的具体参数等信息，可以仅设置一个、或设置多个第二卷积模块120，还可设置多个第一卷积模块110、池化模块130和全连接模块140。

卷积神经网络可以十分有效的提取数据特征，一维卷积神经网络100可以充分提取时间序列相关的特征。电压时间曲线是标准的时间序列，符合一维卷积神经网络100的输入要求特征。一维卷积神经网络100可以通过开源的神经网络框架PyTorch实现。图3所示的一维卷积神经网络100包括1个输入层，3个1维卷积层，4个激活函数层，2个批量归一化层(又叫BN层)，3个池化层，1个展平层(又叫Flatten层)，2个全连接层(又叫FC层)和1个输出层。

其中批量归一化层是通过一定的规范化手段，把每层神经网络的任意神经元的输入值的分布强行拉回到均值为0方差为1的标准正态分布，这样使得激活输入值落在非线性函数对输入比较敏感的区域，网络的输出就不会很大，可以得到比较大的梯度，避免梯度消失问题产生，而且梯度变大意味着学习收敛速度快，能大大加快训练模型的训练速度。对于包含N个样本的批量数据，批量归一化层的实现过程如下：

其中x_n为样本值，

为归一化输入值，

为归一化输出值，∈、γ、β为模型参数。上述过程相当于计算样本均值μ_BN、计算样本方差σ_BN，然后对样本数据进行标准化处理和进行平移缩放。

激活函数层采用ReLU函数，使一部分神经元的输出为0，这样就造成了网络的稀疏性，并且减少了参数的相互依存关系，缓解了过拟合问题的发生，ReLU函数的具体表达式为：

池化层对于一个数据特征x池化过程如下：

x_meanpool＝Meanpooling(x)

x_maxpool＝Maxpooling(x)

x_minpool＝MinPooling(x)

x_poolimg＝[x_meampool,x_maxpool,x_minpool]

即将三个池化层并联拼接，得到最后的池化结果。

仍以神经网络框架PyTorch内的实施方式为例，图3实施例的一维卷积神经网络100构成的训练模型的训练损失函数为BCEWithLogitsLoss，优化器为Adam，学习率为0.0001，训练周期为200，Batch大小为128。损失函数BCEWithLogitsLoss为Sigmoid函数加BCELoss函数，即对网络输出预测进行Sigmoid处理，再计算BCELoss，其中第n个样本对应的损失值Loss为：

l_n＝-(y_n×ln x_n+(1-y_n)×ln(1-x_n))；

包含N个样本的Batch数据对应的损失值Loss为：

其中y是目标标签Target(锂电池电池出现微短路征兆的输出标签为1，为出现微短路征兆的输出标签为0)，此处的x是模型的输出值。

将数据处理步骤S200得到的训练集作为训练模型的输入进行训练，如图11所示，train_loss为训练过程中的损失值曲线，tran_acc为训练过程中的识别准确率曲线。如图12所示，val_acc为用验证集对训练过程中各个阶段的一维卷积神经网络100进行验证的识别准确率曲线。在验证集上取识别准确率最高的最优模型，并保存最优模型参数。如图11所示，典型实施例的训练模型可通过训练集得到最高99％的准确率，如图12所示，最优模型在验证集上也可得到99％的识别准确率。

在一些实施例中，识别微短路步骤S500通过实时获取的设定长度的实际充电曲线，实时识别待评估的锂离子电池的微短路。由于一维卷积神经网络100的计算量较更高维的卷积神经网络要小得多，因此可以实现对实际充电曲线的实时处理。多个设定长度的实际充电曲线相互连续，还可以相互重叠；设定长度的选取可根据微短路特征的长度确定，还可结合实时性的要求确定，比如需要对出现的微短路特征进行即时响应时，可以选取较短的设定长度；而常规监测时则可选取较长的设定长度。

在一些实施例中，步骤S100中用于获取微短路充电曲线的实验方法包括国际针刺测试、钝针测试、圆杆冲击测试、电芯内置杂质后挤压测试、内置低熔点金属后加热测试、内置记忆金属后加热测试中的至少一种，上述实验方法可以选择在充电过程中不同的SOC状态下实施，以对更多的微短路工况进行仿真。

本申请提供的恒流充电工况下锂离子电池微短路识别系统的一些实施例包括：充电模块，用于对待评估的锂离子电池进行充电，并获取该待评估的锂离子电池的实际充电曲线；微短路识别模块，包括前述任一实施例的锂离子电池微短路识别方法获得的最佳模型，通过待评估的锂离子电池的实际充电曲线和训练获得的最佳模型识别待评估的锂离子电池在充电过程中是否存在微短路。充电曲线不需要是完整的0-100％SOC的充电曲线，可以是充电过程中的片段数据，最佳模型会在数据处理步骤S200对数据的长度进行合理的处理。

本申请提供的电池管理系统的一个实施例包括：充电管理模块，用于为锂离子电池充电，并获取持续恒流充电状态下的充电曲线；主控模块，用于利用前述任一实施例的锂离子电池微短路识别方法获得的最佳模型，通过获取的充电曲线监控锂离子电池在充电过程中是否存在微短路。实际应用中，充电曲线可为车载锂离子电池在充电桩持续充电时获得的完整的或部分长度的曲线；或太阳能电站的锂离子储能设备的持续充电曲线。不同工况下的锂电池的开路电压变化复杂，本申请的最佳模型需要输入的充电曲线应相对平滑，因此需要较良好的工况和较高的采样精度，若是出现噪声会影响模型的判别结果。因此上述持续充电过程优选为恒流充电过程，例如通过在储能电站或者电动车的检修状态下，加上1C激励，得到电压时间充电曲线测试集。

上述仅为本申请的较佳实施例及所运用的技术原理，在不脱离本申请构思的情况下，还可以进行各种明显的变化、重新调整和替代。本领域技术人员可由本说明书所揭露的内容轻易地了解本申请的其他优点和功效。本申请还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本申请的精神的情况下进行各种修饰或改变。在不冲突的情况下，以上实施例及实施例中的特征可以相互组合。

Claims (11)

1.一种锂离子电池微短路识别方法，基于一维卷积神经网络，其特征在于，包括步骤：

获取原始数据集，包括在对锂离子电池的恒流充电过程中获得的充电曲线，以及通过实验方法对微短路进行仿真获得的微短路充电曲线；

数据处理，包括将所述原始数据集随机分为训练集和验证集；

建立训练模型，所述训练模型包括一维卷积神经网络；

获取最佳模型，用所述训练集对所述训练模型进行训练，用所述验证集验证训练后的所述训练模型，以获取识别准确率最高的最佳模型；

识别微短路，用待评估的锂离子电池的实际恒流工况下充电曲线和所述最佳模型识别所述待评估的锂离子电池的微短路。

2.根据权利要求1所述的锂离子电池微短路识别方法，其特征在于，

所述微短路充电曲线和所述正常充电曲线均为恒流充电过程中得到的电压时间曲线，或均为所述电压时间曲线的微分曲线；

所述充电过程为连续恒流充电过程。

3.根据权利要求1所述的锂离子电池微短路识别方法，其特征在于，

所述数据处理步骤还包括对所述微短路充电曲线和所述正常充电曲线进行归一化处理和数据拓展处理；

所述归一化处理将所述微短路充电曲线和所述正常充电曲线的时间区间归一化至设定时间区间[0,T]、纵坐标区间归一化至设定范围[0,1]；

所述数据拓展处理根据所述微短路充电曲线y生成额外的拓展数据曲线y_generated：

y_generated＝y±a*y₁，

其中y₁为呈正态分布的扰动曲线，t为充电时间，μ为扰动中心且μ∈[0,T],σ为扰动方差且

a为调整系数。

4.根据权利要求1所述的锂离子电池微短路识别方法，其特征在于，

所述数据拓展处理还根据所述正常充电曲线生成额外的拓展数据曲线。

5.根据权利要求3所述的锂离子电池微短路识别方法，其特征在于，

所述扰动中心在取值范围μ∈[0.4T,0.6T]内随机取值,

和/或，所述扰动方差在取值范围

内随机取值。

6.根据权利要求1至5中任一项所述的锂离子电池微短路识别方法，其特征在于，

所述一维卷积神经网络包括至少一个一维卷积层、至少一个激活函数层、至少一个批量归一化层、至少一个池化模块和至少一个全连接层；

所述池化模块包括并联的至少一个最大池化层、至少一个最小池化层和至少一个平均池化层；

所述锂离子电池微短路识别方法还包括模型持续优化步骤：当识别微短路步骤出现识别错误时，用所述实际充电曲线对所述最优模型进行进一步训练，以对所述最佳模型进行持续优化。

7.根据权利要求6所述的锂离子电池微短路识别方法，其特征在于，

所述一维卷积神经网络包括：至少一个包括一个一维卷积层和一个激活函数层的第一卷积模块，至少一个包括一个一维卷积层、一个激活函数层、一个批量归一化层的第二卷积模块，至少一个包括依次设置的一个全连接层、一个激活函数层、一个全连接层的全连接模块；

所述池化模块位于一个所述第二卷积模块和一个所述全连接模块之间。

8.根据权利要求1至5或7中任一项所述的锂离子电池微短路识别方法，其特征在于，

所述识别微短路步骤通过实时获取的设定长度的所述实际充电曲线，实时识别所述待评估的锂离子电池的微短路。

9.根据权利要求1至5或7中任一项所述的锂离子电池微短路识别方法，其特征在于，

所述实验方法包括国际针刺测试、钝针测试、圆杆冲击测试、电芯内置杂质后挤压测试、内置低熔点金属后加热测试、内置记忆金属后加热测试中的至少一种。

10.一种锂离子电池微短路识别系统，其特征在于，包括：

充电模块，用于对待评估的锂离子电池进行恒流充电，并获取所述待评估的锂离子电池的实际充电曲线；

微短路识别模块，包括权利要求1至9中任一项所述的锂离子电池微短路识别方法获得的最佳模型，通过所述实际充电曲线和所述最佳模型识别所述待评估的锂离子电池在充电过程中是否存在微短路。

11.一种电池管理系统，其特征在于，包括：

充电管理模块，用于为锂离子电池充电，并获取恒流持续充电状态下的充电曲线；

主控模块，用于利用权利要求1至9中任一项所述的锂离子电池微短路识别方法获得的最佳模型，通过所述充电曲线监控所述锂离子电池在充电过程中是否存在微短路。

Images