CN117092525B - 电池热失控预警模型的训练方法、装置及电子设备 - Google Patents
电池热失控预警模型的训练方法、装置及电子设备 Download PDFInfo
- Publication number
- CN117092525B CN117092525B CN202311360143.9A CN202311360143A CN117092525B CN 117092525 B CN117092525 B CN 117092525B CN 202311360143 A CN202311360143 A CN 202311360143A CN 117092525 B CN117092525 B CN 117092525B
- Authority
- CN
- China
- Prior art keywords
- thermal runaway
- battery thermal
- sampling
- sample
- data
- 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.)
- Active
Links
- 238000012549 training Methods 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000005070 sampling Methods 0.000 claims abstract description 170
- 238000013528 artificial neural network Methods 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 abstract description 13
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 3
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 229910052744 lithium Inorganic materials 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本申请提供了一种电池热失控预警模型的训练方法、装置及电子设备,包括:获取初始电池热失控样本数据;判断样本数据中正负样本不均衡时,采用近邻优先的下采样策略,对样本数据对应的样本时序曲线进行第一采样处理,得到第一电池热失控样本集;判断第一电池热失控样本集中的样本数量不大于预设值时,基于数据分布差异的Borderline‑SMOTE上采样策略,对第一电池热失控样本集进行第二采样处理以得到第二电池热失控样本集;采用第二电池热失控样本集训练神经网络以得到电池热失控预警模型。通过联合上采样和下采样方法实现对电池热失控数据的采样处理,得到正负样本均衡的训练数据,从而能够训练出预测准确率高的模型。
Description
技术领域
本申请涉及储能技术领域,尤其是涉及一种电池热失控预警模型的训练方法、装置及电子设备。
背景技术
在训练用于确定电池热失控诊断的神经网络模型时,需要采集数据构建相应的训练样本。通常是通过充放电试验收集电池故障数据,然后构建支持向量机模型以识别不同状态锂电池的故障类型。锂电池故障时的数据本身属于异常数据,通过试验收集到的故障数据有限,且存在严重的数据不平衡性(训练样本中电池正常工作的样本偏多),不均匀的数据直接结果就是导致模型预测准确率降低。
发明内容
本申请的目的在于提供一种电池热失控预警模型的训练方法、装置及电子设备,通过联合上采样和下采样方法实现对电池热失控数据的采样处理,得到正负样本均衡的训练数据,从而能够训练出预测准确率高的预警模型。
第一方面,本申请提供一种电池热失控预警模型的训练方法,方法包括:获取初始电池热失控样本数据;电池热失控样本数据包括:具有电池热失控故障时刻点的电池的电芯温度和/或电压时序曲线的采样数据;判断初始电池热失控样本数据中正负样本是否均衡,若是,则直接用于训练神经网络以获得电池热失控预警模型;若不均衡,则采用近邻优先的下采样策略,对初始电池热失控样本数据对应的样本时序曲线进行第一采样处理,得到第一电池热失控样本集;近邻优先的下采样策略包括:对于样本时序曲线上、距离发生热失控故障的时间点越近的部分,选择越高的采样率进行采样;判断第一电池热失控样本集中的样本数量是否大于预设值,若是,采用第一电池热失控样本集对神经网络模型进行训练以获得电池热失控故障预警模型;否则,基于数据分布差异的Borderline-SMOTE上采样策略,对第一电池热失控样本集进行第二采样处理以得到第二电池热失控样本集;采用第二电池热失控样本集训练神经网络以得到电池热失控预警模型。
进一步地,上述采用近邻优先的下采样策略,对初始电池热失控样本数据对应的样本时序曲线进行第一采样处理,得到第一电池热失控样本集的步骤,包括:对于样本时序曲线上相同时长的分段,基于距离热失控故障时间点越近、对应设置的等间隔采样点的数量越多的原则,确定各所述分段对应的等间隔采样点的数量;根据各所述分段对应的等间隔采样点的数量对样本时序曲线进行采样,得到第一电池热失控样本集。
进一步地,上述基于数据分布差异的Borderline-SMOTE上采样策略,包括:对所述第一电池热失控样本集进行第二采样处理完成后,第一电池热失控样本集和第二电池热失控样本集的样本数据的分布差异小于或等于设定的阈值。
进一步地,上述基于数据分布差异的Borderline-SMOTE上采样策略,对第一电池热失控样本集进行第二采样处理以得到第二电池热失控样本集的步骤,包括:将预设采样比例作为当前采样比例后,执行以下采样逻辑:按照当前采样比例,采用Borderline-SMOTE上采样方式,对第一电池热失控样本集进行当前轮采样;根据当前轮采样前后的数据,计算采样前后的数据分布差异;判断数据分布差异是否超过预设差异阈值;如果否,完成所述第二采样处理、并将当前轮采样后的数据作为第二电池热失控样本集;如果是,按照预设比例调整策略调整当前采样比例,将调整后的采样比例作为新的当前采样比例,重新执行采样逻辑。
进一步地,上述根据当前轮采样前后的数据,计算采样前后的数据分布差异的步骤,包括:采用最大均值差异算法,计算采样前后的数据分布差异。
进一步地,上述按照预设比例调整策略,调整当前采样比例的步骤,包括:应用小于1的预设值与当前采样比例进行相乘,得到降低处理后的采样比例。
进一步地,上述正样本为样本数据对应的物理量偏离该物理量在电池正常工作时范围达到预定程度的时间点,至电池发生热失控故障时间点之间的样本数据;负样本为电池正常工作时的样本数据。
第二方面,本申请还提供一种电池热失控预警模型的训练装置,装置包括:数据获取模块,用于获取初始电池热失控样本数据;电池热失控样本数据包括:具有电池热失控故障时刻点的电池的电芯温度和/或电压时序曲线的采样数据;模型训练模块,用于判断初始电池热失控样本数据中正负样本是否均衡,若是,则直接用于训练神经网络以获得电池热失控预警模型;若不均衡,则采用近邻优先的下采样策略,对初始电池热失控样本数据对应的样本时序曲线进行第一采样处理,得到第一电池热失控样本集;近邻优先的下采样策略包括:对于样本时序曲线上、距离发生热失控故障的时间点越近的部分,选择越高的采样率进行采样;判断第一电池热失控样本集中的样本数量是否大于预设值,若是,采用第一电池热失控样本集对神经网络模型进行训练以获得电池热失控故障预警模型;否则,基于数据分布差异的Borderline-SMOTE上采样策略,对第一电池热失控样本集进行第二采样处理以得到第二电池热失控样本集;采用第二电池热失控样本集训练神经网络以得到电池热失控预警模型。
第三方面,本申请还提供一种电子设备,包括处理器和存储器,存储器存储有能够被处理器执行的计算机可执行指令,处理器执行计算机可执行指令以实现上述第一方面所述的方法。
第四方面,本申请还提供一种计算机可读存储介质,计算机可读存储介质存储有计算机可执行指令,计算机可执行指令在被处理器调用和执行时,计算机可执行指令促使处理器实现上述第一方面所述的方法。
本申请提供的一种电池热失控预警模型的训练方法、装置及电子设备中,首先获取初始电池热失控样本数据;电池热失控样本数据包括:具有电池热失控故障时刻点的电池的电芯温度和/或电压时序曲线的采样数据;判断初始电池热失控样本数据中正负样本是否均衡,若是,则直接用于训练神经网络以获得电池热失控预警模型;若不均衡,则采用近邻优先的下采样策略,对初始电池热失控样本数据对应的样本时序曲线进行第一采样处理,得到第一电池热失控样本集;近邻优先的下采样策略包括:对于样本时序曲线上、距离发生热失控故障的时间点越近的部分,选择越高的采样率进行采样;判断第一电池热失控样本集中的样本数量是否大于预设值,若是,采用第一电池热失控样本集对神经网络模型进行训练以获得电池热失控故障预警模型;否则,基于数据分布差异的Borderline-SMOTE上采样策略,对第一电池热失控样本集进行第二采样处理以得到第二电池热失控样本集;采用第二电池热失控样本集训练神经网络以得到电池热失控预警模型。本申请通过联合上采样和下采样方法实现对电池热失控数据的采样处理,得到正负样本均衡的训练数据,从而能够训练出预测准确率高的预警模型。
附图说明
为了更清楚地说明本申请具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施方式,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。
图1为本申请实施例提供的一种电池热失控预警模型的训练方法的流程图;
图2为本申请实施例提供的一种热失控电压温度曲线的示意图;
图3为本申请实施例提供的一种邻近优先的下采样策略示意图;
图4为本申请实施例提供的一种基于数据分布差异的Borderline-SMOTE上采样算法示意图;
图5为本申请实施例提供的另一种电池热失控预警模型的训练方法的流程图;
图6为本申请实施例提供的一种电池热失控预警模型的训练装置的结构框图;
图7为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合实施例对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
现有的电池热失控训练样本的构造存在以下不足:
1.对热失控数据的预处理,现有方案通常是异常值筛选,缺失值填充和数据归一化等处理。对电池热失控数据进行采样处理获得的一条训练样本中往往正常的数据点过多,故障状态下的数据点过少,样本数据质量低将导致训练模型的精度降低。
2.仅使用smote算法对电池热失控数据进行过采样以扩充样本数量,存在样本重叠,且采样前后的样本数据分布存在偏差。
电池热失控数据一般情况下会有样本不均衡的问题,在没有样本均衡处理的情况下,后期的算法模型性能较差。另外,单纯的使用上采样或下采样算法增加或减少样本来解决样本均衡问题,通常会由于产生的样本质量较差,降低算法模型的稳定性。
基于此,本申请实施例提供一种电池热失控预警模型的训练方法、装置及电子设备,通过联合上采样和下采样方法实现对电池热失控数据的采样处理,得到正负样本均衡的训练数据,从而能够训练出预测准确率高的预警模型。
为便于对本实施例进行理解,首先对本申请实施例所公开的一种电池热失控预警模型的训练方法进行详细介绍。
图1为本申请实施例提供的一种电池热失控预警模型的训练方法的流程图,该方法具体包括以下步骤:
步骤S102,获取初始电池热失控样本数据;电池热失控样本数据包括:具有电池热失控故障时刻点的电池的电芯温度和/或电压时序曲线的采样数据。
步骤S104,判断初始电池热失控样本数据中正负样本是否均衡;其中,正样本为样本数据对应的物理量偏离该物理量在电池正常工作时范围达到预定程度的时间点,至电池发生热失控故障时间点之间的样本数据;负样本为电池正常工作时的样本数据。
若是,则执行步骤S106,直接用于训练神经网络以获得电池热失控预警模型;
若不均衡,则执行步骤S108,采用近邻优先的下采样策略,对初始电池热失控样本数据对应的样本时序曲线进行第一采样处理,得到第一电池热失控样本集;近邻优先的下采样策略包括:对于样本时序曲线上、距离发生热失控故障的时间点越近的部分,选择越高的采样率进行采样。
步骤S110,判断第一电池热失控样本集中的样本数量是否大于预设值;
若是,执行步骤S112,采用第一电池热失控样本集对神经网络模型进行训练以获得电池热失控故障预警模型;
否则,执行步骤S114,基于数据分布差异的Borderline-SMOTE上采样策略,对第一电池热失控样本集进行第二采样处理以得到第二电池热失控样本集;
上述基于数据分布差异的Borderline-SMOTE上采样策略,包括:对所述第一电池热失控样本集进行第二采样处理完成后,第一电池热失控样本集和第二电池热失控样本集的样本数据的分布差异小于或等于设定的阈值。
步骤S116,采用第二电池热失控样本集训练神经网络以得到电池热失控预警模型。
本申请实施例提供的一种电池热失控预警模型的训练方法中,通过联合上采样和下采样方法实现对电池热失控数据的采样处理,得到正负样本均衡的训练数据,从而能够训练出预测准确率高的预警模型。
本申请实施例还提供另一种电池热失控预警模型的训练方法,该方法在上述实施例的基础上实现;本实施例重点描述两种采样策略。
上述采用近邻优先的下采样策略,对初始电池热失控样本数据对应的样本时序曲线进行第一采样处理,得到第一电池热失控样本集的步骤,包括:
对于样本时序曲线上相同时长的分段,基于距离热失控故障时间点越近、对应设置的等间隔采样点的数量越多的原则,确定各分段对应的等间隔采样点的数量;根据各分段对应的等间隔采样点的数量对样本时序曲线进行采样,得到第一电池热失控样本集。
如图2所示的热失控电压温度曲线示意图,从图中可以看出热失控发生前具有明显的阶段性(即热失控时间点可以观测视频记录冒烟的时间点,结合电池的供电电压/温度突变观测到一个大概的时间点进行人工确定),每个阶段有不同的特征。阶段可以划分为前5分钟,10分钟,20分钟和30分钟(具体分钟数根据不同电池特性设置)。
在发生热失控之前,电池的电压和温度将发生异常变化。虽然电芯有相似的整体特征,但是又有细微的差异,前期这些细微的差异对模型的学习至关重要。因此,热失控时间点不久前的数据往往更具有价值。所以热失控场景下,本申请实施例中采用近邻优先的下采样策略获取更多有利于热失控模型学习的样本。具体策略内容包括:
1.热失控时间点后不采样;
2.热失控时间点前采样比例随着与离热失控发生时间相隔越远,依次减少(采样点优先选择离热失控发生时间近的)。
如图3所示,9:10发生热失控,热失控时间点后不采样;热失控时间点的前5分钟,10分钟,20分钟和30分钟的采样占比依次减少;采样点优先选择离热失控发生时间近的。
Borderline-SMOTE把样本分为3类:
1.若 K 个近邻中都是多数类样本,则认为该少数类样本属于噪声样本;
2.若 K 个近邻中都是少数类样本,则认为该少数类样本属于安全样本;
3.若 K 个近邻中多数类样本个数多于少数类样本数,则认为该少数类样本属于边界样本。
Borderline-SMOTE只处理第3种情况。对于边界样本中的每个少数类样本,利用SMOTE 方法生成新样本。相较于 SMOTE 算法,Borderline-SMOTE 算法虽然改善了样本重叠的问题,但是生成新样本的方式与 SMOTE 算法相同,当对处于边界的少数类样本过采样时,新生成的样本也会处于样本边界,这样会造成数据分布的偏移,样本的数据分布的偏移将造成训练模型的精度降低。
为了解决上述问题,本申请实施例中提出了基于数据分布差异的Borderline-SMOTE上采样方法。
进一步地,采用基于数据分布差异的Borderline-SMOTE上采样策略,对第一电池热失控样本集进行第二采样处理,得到第二电池热失控样本集的步骤,包括:
将预设采样比例作为当前采样比例后,执行以下采样逻辑:
按照当前采样比例,采用Borderline-SMOTE上采样方式,对第一电池热失控样本集进行当前轮采样;
根据当前轮采样前后的数据,计算采样前后的数据分布差异(可以采用最大均值差异算法,计算采样前后的数据分布差异);
判断数据分布差异是否超过预设差异阈值;
如果否,完成所述第二采样处理、并将当前轮采样后的数据作为第二电池热失控样本集;
如果是,按照预设比例调整策略,调整当前采样比例(比如,应用小于1的预设值与当前采样比例进行相乘,得到降低处理后的采样比例),将调整后的采样比例作为新的当前采样比例,重新执行采样逻辑。
具体实施时,使用Borderline-SMOTE上采样后,使用最大均值差异(MMD)计算采样前后数据分布的差异大小d。当差异大小d>β时,说明生成的样本与原有的样本存在较大的数据分布偏移,这会极大的降低后续算法模型的性能。因此,降低采样比例,然后再进行Borderline-SMOTE上采样,如此往复,直到获得较小的分布差异。其中,β参数的大小根据具体的目标对数据分布差异的影响程度进行设置,目标受数据分布差异影响小时,设置较大的β(0.7<β<0.95),反之,设置较小的β值。最大均值差异MMD公式如下所示:
其中,P表示一个数据集的数据分布,Q表示另一个数据集的数据分布,表示特征映射,m和n表示两个数据集的样本个数;/>表示P数据集中的第/>个样本;/>表示Q数据集中的第/>个样本。
基于数据分布差异的Borderline-SMOTE上采样算法步骤如图4所示。
参见图5所示的完整流程图:
步骤1.对于采集的电池热失控数据,首先判断正负样本是否均衡,如果样本均衡,数据不做处理,并交给算法模型进行训练。
步骤2.通常情况下,正负样本处于不均衡状态,尤其是电池相关的热失控数据,更多的是无热失控数据,所以需要对电池数据进行下采样,去掉一部分无热失控数据。同时,为了让算法模型更好的学习热失控与非热失控直接的边界特征,本申请实施例提出了邻近优先的下采样策略。
步骤3.下采样后,如果样本总数大于N(机器学习一般的样本数量不低于2000),则直接将数据交给算法模型进行训练。
步骤4.通常情况下,电池热失控数据较少,一般需要进一步生成数据。本申请实施例中提出了基于数据分布差异的Borderline-SMOTE上采样方法。首先使用Borderline-SMOTE进行电池热失控样本的上采样,然后判断生成的样本与原有的样本是否存在较大的数据分布偏移。如果数据分布偏移较大,降低采样比例,然后再进行Borderline-SMOTE上采样,如此往复,直到获得较小的分布差异,得到符合要求的完整训练样本。
步骤5.由步骤4得到完整训练样本构成的训练样本集进行算法模型的训练。
本申请实施例针对传统预处理存在的不足提出了联合上采样和下采样方法实现正负样本的均衡处理。其中针对热失控场景,本申请实施例提出了邻近优先的下采样策略,通过该策略筛选出的热失控数据更有利于算法模型的特征学习,提高算法性能。为了让算法模型更好的学习热失控与非热失控直接的边界特征,本申请实施例采用Borderline-SMOTE上采样技术,针对Borderline-SMOTE采样算法生成的样本会造成数据分布的偏移问题,提出了基于数据分布差异的Borderline-SMOTE上采样方法,通过计算分布差异,使得获得的新样本与原始样本的分布趋于一致,从而减少噪音数据对算法模型的影响。最后,本申请实施例联合上采样和下采样进行数据预处理,通过多重因素的识别保证正负样本平衡,提高模型性能。
基于上述方法实施例,本申请实施例还提供一种电池热失控数据的处理装置,参见图6所示,装置包括:数据获取模块62,用于获取初始电池热失控样本数据;电池热失控样本数据包括:具有电池热失控故障时刻点的电池的电芯温度和/或电压时序曲线的采样数据;模型训练模块64,用于判断初始电池热失控样本数据中正负样本是否均衡,若是,则直接用于训练神经网络以获得电池热失控预警模型;若不均衡,则采用近邻优先的下采样策略,对初始电池热失控样本数据对应的样本时序曲线进行第一采样处理,得到第一电池热失控样本集;近邻优先的下采样策略包括:对于样本时序曲线上、距离发生热失控故障的时间点越近的部分,选择越高的采样率进行采样;判断第一电池热失控样本集中的样本数量是否大于预设值,若是,采用第一电池热失控样本集对神经网络模型进行训练以获得电池热失控故障预警模型;否则,基于数据分布差异的Borderline-SMOTE上采样策略,对第一电池热失控样本集进行第二采样处理以得到第二电池热失控样本集;采用第二电池热失控样本集训练神经网络以得到电池热失控预警模型。
进一步地,上述模型训练模块64,用于对于样本时序曲线上相同时长的分段,基于距离热失控故障时间点越近、对应设置的等间隔采样点的数量越多的原则,确定各所述分段对应的等间隔采样点的数量;根据各所述分段对应的等间隔采样点的数量对样本时序曲线进行采样,得到第一电池热失控样本集。
进一步地,上述基于数据分布差异的Borderline-SMOTE上采样策略,包括:对所述第一电池热失控样本集进行第二采样处理完成后,第一电池热失控样本集和第二电池热失控样本集的样本数据的分布差异小于或等于设定的阈值。
进一步地,上述模型训练模块64,用于将预设采样比例作为当前采样比例后,执行以下采样逻辑:按照当前采样比例,采用Borderline-SMOTE上采样方式,对第一电池热失控样本集进行当前轮采样;根据当前轮采样前后的数据,计算采样前后的数据分布差异;判断数据分布差异是否超过预设差异阈值;如果否,完成所述第二采样处理、并将当前轮采样后的数据作为第二电池热失控样本集;如果是,按照预设比例调整策略,调整当前采样比例,将调整后的采样比例作为新的当前采样比例,重新执行采样逻辑。
进一步地,上述模型训练模块64,用于采用最大均值差异算法,计算采样前后的数据分布差异。
进一步地,上述模型训练模块64,用于应用小于1的预设值与当前采样比例进行相乘,得到降低处理后的采样比例。
进一步地,上述正样本为样本数据对应的物理量偏离该物理量在电池正常工作时范围达到预定程度的时间点,至电池发生热失控故障时间点之间的样本数据;负样本为电池正常工作时的样本数据。
本申请实施例提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置的实施例部分未提及之处,可参考前述方法实施例中相应内容。
本申请实施例还提供了一种电子设备,如图7所示,为该电子设备的结构示意图,其中,该电子设备包括处理器71和存储器70,该存储器70存储有能够被该处理器71执行的计算机可执行指令,该处理器71执行该计算机可执行指令以实现上述方法。
在图7示出的实施方式中,该电子设备还包括总线72和通信接口73,其中,处理器71、通信接口73和存储器70通过总线72连接。
其中,存储器70可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口73(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。总线72可以是ISA(IndustryStandard Architecture,工业标准体系结构)总线、PCI(Peripheral ComponentInterconnect,外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。所述总线72可以分为地址总线、数据总线、控制总线等。为便于表示,图7中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
处理器71可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器71中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器71可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessor,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器71读取存储器中的信息,结合其硬件完成前述实施例的方法的步骤。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令在被处理器调用和执行时,该计算机可执行指令促使处理器实现上述方法,具体实现可参见前述方法实施例,在此不再赘述。
本申请实施例所提供的方法、装置和电子设备的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本申请的范围。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本申请的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“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,仅是为了便于描述本申请和简化描述,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申请的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
Claims (9)
1.一种电池热失控预警模型的训练方法,其特征在于,所述方法包括:
获取初始电池热失控样本数据;所述电池热失控样本数据包括:具有电池热失控故障时刻点的电池的电芯温度和/或电压时序曲线的采样数据;
判断初始电池热失控样本数据中正负样本是否均衡,若是,则直接用于训练神经网络以获得电池热失控预警模型;若不均衡,则采用近邻优先的下采样策略,对所述初始电池热失控样本数据对应的样本时序曲线进行第一采样处理,得到第一电池热失控样本集;所述近邻优先的下采样策略包括:对于所述样本时序曲线上、距离发生热失控故障的时间点越近的部分,选择越高的采样率进行采样;
判断所述第一电池热失控样本集中的样本数量是否大于预设值,若是,采用第一电池热失控样本集对神经网络模型进行训练以获得电池热失控故障预警模型;否则,基于数据分布差异的Borderline-SMOTE上采样策略,对所述第一电池热失控样本集进行第二采样处理以得到第二电池热失控样本集;采用第二电池热失控样本集训练神经网络以得到电池热失控预警模型;所述基于数据分布差异的Borderline-SMOTE上采样策略包括:对所述第一电池热失控样本集进行第二采样处理完成后,第一电池热失控样本集和第二电池热失控样本集的样本数据的分布差异小于或等于设定的阈值。
2.根据权利要求1所述的方法,其特征在于,采用近邻优先的下采样策略,对所述初始电池热失控样本数据对应的样本时序曲线进行第一采样处理,得到第一电池热失控样本集的步骤,包括:
对于样本时序曲线上相同时长的分段,基于距离热失控故障时间点越近、对应设置的等间隔采样点的数量越多的原则,确定各所述分段对应的等间隔采样点的数量;根据各所述分段对应的等间隔采样点的数量对样本时序曲线进行采样,得到第一电池热失控样本集。
3.根据权利要求1所述的方法,其特征在于,基于数据分布差异的Borderline-SMOTE上采样策略,对所述第一电池热失控样本集进行第二采样处理以得到第二电池热失控样本集的步骤,包括:
将预设采样比例作为当前采样比例后,执行以下采样逻辑:
按照所述当前采样比例,采用Borderline-SMOTE上采样方式对所述第一电池热失控样本集进行当前轮采样;
根据当前轮采样前后的数据,计算采样前后的数据分布差异;
判断所述数据分布差异是否超过预设差异阈值;
如果否,完成所述第二采样处理、并将当前轮采样后的数据作为所述第二电池热失控样本集;
如果是,按照预设比例调整策略调整所述当前采样比例,将调整后的采样比例作为新的当前采样比例,重新执行所述采样逻辑。
4.根据权利要求3所述的方法,其特征在于,根据当前轮采样前后的数据,计算采样前后的数据分布差异的步骤,包括:
采用最大均值差异算法,计算采样前后的数据分布差异。
5.根据权利要求3所述的方法,其特征在于,按照预设比例调整策略,调整所述当前采样比例,包括:
应用小于1的预设值与所述当前采样比例进行相乘,得到降低处理后的采样比例。
6.根据权利要求1所述的方法,其特征在于,正样本为样本数据对应的物理量偏离该物理量在电池正常工作时范围达到预定程度的时间点,至电池发生热失控故障时间点之间的样本数据;负样本为电池正常工作时的样本数据。
7.一种电池热失控预警模型的训练装置,其特征在于,所述装置包括:
数据获取模块,用于获取初始电池热失控样本数据;所述电池热失控样本数据包括:具有电池热失控故障时刻点的电池的电芯温度和/或电压时序曲线的采样数据;
模型训练模块,用于判断初始电池热失控样本数据中正负样本是否均衡,若是,则直接用于训练神经网络以获得电池热失控预警模型;若不均衡,则采用近邻优先的下采样策略,对所述初始电池热失控样本数据对应的样本时序曲线进行第一采样处理,得到第一电池热失控样本集;所述近邻优先的下采样策略包括:对于所述样本时序曲线上、距离发生热失控故障的时间点越近的部分,选择越高的采样率进行采样;判断所述第一电池热失控样本集中的样本数量是否大于预设值,若是,采用第一电池热失控样本集对神经网络模型进行训练以获得电池热失控故障预警模型;否则,基于数据分布差异的Borderline-SMOTE上采样策略,对所述第一电池热失控样本集进行第二采样处理以得到第二电池热失控样本集;采用第二电池热失控样本集训练神经网络以得到电池热失控预警模型;所述基于数据分布差异的Borderline-SMOTE上采样策略包括:对所述第一电池热失控样本集进行第二采样处理完成后,第一电池热失控样本集和第二电池热失控样本集的样本数据的分布差异小于或等于设定的阈值。
8.一种电子设备,其特征在于,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的计算机可执行指令,所述处理器执行所述计算机可执行指令以实现权利要求1至6任一项所述的方法。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令在被处理器调用和执行时,计算机可执行指令促使处理器实现权利要求1至6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311360143.9A CN117092525B (zh) | 2023-10-20 | 2023-10-20 | 电池热失控预警模型的训练方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311360143.9A CN117092525B (zh) | 2023-10-20 | 2023-10-20 | 电池热失控预警模型的训练方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117092525A CN117092525A (zh) | 2023-11-21 |
CN117092525B true CN117092525B (zh) | 2024-01-09 |
Family
ID=88770199
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311360143.9A Active CN117092525B (zh) | 2023-10-20 | 2023-10-20 | 电池热失控预警模型的训练方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117092525B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109344960A (zh) * | 2018-09-01 | 2019-02-15 | 哈尔滨工程大学 | 一种防止数据信息丢失的dgru神经网络及其预测模型建立方法 |
CN109344907A (zh) * | 2018-10-30 | 2019-02-15 | 顾海艳 | 基于改进评判标准分类算法的判别方法 |
CN110362997A (zh) * | 2019-06-04 | 2019-10-22 | 广东工业大学 | 一种基于生成对抗网络的恶意url过采样方法 |
CN111612628A (zh) * | 2020-05-28 | 2020-09-01 | 深圳博普科技有限公司 | 一种非平衡数据集的分类方法及系统 |
CN112101489A (zh) * | 2020-11-18 | 2020-12-18 | 天津开发区精诺瀚海数据科技有限公司 | 一种联邦学习与深度学习融合驱动的设备故障诊断方法 |
CN113111054A (zh) * | 2021-04-13 | 2021-07-13 | 中国石油大学(华东) | 一种基于过采样和欠采样结合的工业数据平衡处理算法 |
CN113487495A (zh) * | 2021-06-02 | 2021-10-08 | 湖北地信科技集团股份有限公司 | 一种基于深度学习的多尺度高分影像抗噪生成方法 |
CN114926261A (zh) * | 2022-04-26 | 2022-08-19 | 厦门大学 | 汽车金融用户申请欺诈概率预测方法及介质 |
CN116502088A (zh) * | 2023-04-26 | 2023-07-28 | 鹏城实验室 | 一种网络入侵检测方法、系统、电子设备及存储介质 |
CN116821759A (zh) * | 2023-06-27 | 2023-09-29 | 中国工商银行股份有限公司 | 类别标签的识别预测方法、装置和处理器及电子设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11682166B2 (en) * | 2021-03-15 | 2023-06-20 | Adobe Inc. | Fitting 3D primitives to a high-resolution point cloud |
-
2023
- 2023-10-20 CN CN202311360143.9A patent/CN117092525B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109344960A (zh) * | 2018-09-01 | 2019-02-15 | 哈尔滨工程大学 | 一种防止数据信息丢失的dgru神经网络及其预测模型建立方法 |
CN109344907A (zh) * | 2018-10-30 | 2019-02-15 | 顾海艳 | 基于改进评判标准分类算法的判别方法 |
CN110362997A (zh) * | 2019-06-04 | 2019-10-22 | 广东工业大学 | 一种基于生成对抗网络的恶意url过采样方法 |
CN111612628A (zh) * | 2020-05-28 | 2020-09-01 | 深圳博普科技有限公司 | 一种非平衡数据集的分类方法及系统 |
CN112101489A (zh) * | 2020-11-18 | 2020-12-18 | 天津开发区精诺瀚海数据科技有限公司 | 一种联邦学习与深度学习融合驱动的设备故障诊断方法 |
CN113111054A (zh) * | 2021-04-13 | 2021-07-13 | 中国石油大学(华东) | 一种基于过采样和欠采样结合的工业数据平衡处理算法 |
CN113487495A (zh) * | 2021-06-02 | 2021-10-08 | 湖北地信科技集团股份有限公司 | 一种基于深度学习的多尺度高分影像抗噪生成方法 |
CN114926261A (zh) * | 2022-04-26 | 2022-08-19 | 厦门大学 | 汽车金融用户申请欺诈概率预测方法及介质 |
CN116502088A (zh) * | 2023-04-26 | 2023-07-28 | 鹏城实验室 | 一种网络入侵检测方法、系统、电子设备及存储介质 |
CN116821759A (zh) * | 2023-06-27 | 2023-09-29 | 中国工商银行股份有限公司 | 类别标签的识别预测方法、装置和处理器及电子设备 |
Non-Patent Citations (3)
Title |
---|
基于卷积神经网络的室外运行太阳能电池板裂纹检测;姜瑾 等;扬州大学学报(自然科学版);第23卷(第01期);第49-53页 * |
基于改进的在线迁移学习算法的电池高压故障预警;董臣臣 等;储能科学与技术;第12卷(第8期);第2575-2584页 * |
基于混合采样和支持向量机的变压器故障诊断;李亮 等;中国电力;第54卷(第012期);第150-155页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117092525A (zh) | 2023-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3553712A1 (en) | Information processing device, information processing method, and program | |
CN104811344B (zh) | 网络动态业务监控方法及装置 | |
CN112858919A (zh) | 一种基于聚类分析的电池系统在线故障诊断方法和系统 | |
CN107422266B (zh) | 一种大容量电池储能系统的故障诊断方法及装置 | |
CN113687250B (zh) | 电芯容量预测方法、装置、电子设备及介质 | |
CN115796708B (zh) | 一种工程建设用的大数据智能质检方法、系统和介质 | |
CN116184247A (zh) | 一种检测异常车辆电池的方法、装置、设备及介质 | |
CN111784160A (zh) | 一种河流水文情势变化的评估方法及系统 | |
CN110909826A (zh) | 一种能源设备的诊断监测方法、装置及电子设备 | |
CN113536066A (zh) | 一种数据异常检测算法确定方法、装置及计算机设备 | |
CN112819797A (zh) | 一种糖尿病性视网膜病变分析方法、装置、系统、以及存储介质 | |
CN115542176A (zh) | 电池模组中电压一致性监测方法、系统、存储介质及终端 | |
CN113743661A (zh) | 锂离子电池在线容量预测的方法、系统、设备及存储介质 | |
CN116973788A (zh) | 内短路故障检测方法、装置、计算机设备及存储介质 | |
CN117092525B (zh) | 电池热失控预警模型的训练方法、装置及电子设备 | |
CN111626360B (zh) | 用于检测锅炉故障类型的方法、装置、设备和存储介质 | |
CN117067920A (zh) | 动力电池的故障检测方法、装置、电子设备及电动汽车 | |
CN114389241B (zh) | 有源配电网的继电保护定值整定方法及装置 | |
CN117092526B (zh) | 电池故障预警模型的训练方法、装置及电子设备 | |
CN110826904A (zh) | 风机的数据处理方法、装置、处理设备及可读存储介质 | |
CN110867920A (zh) | 电池系统的充电控制方法、装置、电子设备及电池系统 | |
CN111753598A (zh) | 人脸检测方法及设备 | |
CN117872166B (zh) | 储能电池热失控检测方法、装置及电子设备 | |
CN111371594B (zh) | 设备异常告警方法、装置及电子设备 | |
CN115291111B (zh) | 电池静置时间预测模型的训练方法以及静置时间预测方法 |
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 |