本發(fā)明涉及電池儲能，具體涉及電池早期微短路故障檢測方法、裝置、計算機(jī)設(shè)備及介質(zhì)。

背景技術(shù)：

1、為了滿足大規(guī)模的工商業(yè)電量需求，現(xiàn)有的儲能電池組常常由大量高容量單體電池串聯(lián)或并聯(lián)構(gòu)成。當(dāng)電池組中的某單體發(fā)生故障時，整個電池組的儲能和放電效率會降低，無法滿足預(yù)期的電量需求，影響工商業(yè)的正常運(yùn)行。同時故障電池可能引發(fā)過熱、漏液、甚至爆炸等安全問題，尤其是在大規(guī)模儲能系統(tǒng)中，可能帶來嚴(yán)重的財產(chǎn)損失和安全事故。

2、目前對于電池故障診斷的方法有直接分析故障電池電壓來提取故障特征，故障特征包含樣本熵等，通過設(shè)置閾值進(jìn)行判斷，該方法實現(xiàn)簡單，但是容易受到噪聲影響而產(chǎn)生誤判，而且只適用突變的嚴(yán)重故障的情況，不能察覺電池組早期微短路故障?；蛘呤褂蒙疃壬窠?jīng)網(wǎng)絡(luò)模型對正常電池和故障電池的電壓、溫度等信息自動提取特征，估計電池故障概率，這種方法通常需要大量的數(shù)據(jù)作為支撐，成本較高，同時神經(jīng)網(wǎng)絡(luò)模型規(guī)模偏大，不能實現(xiàn)快速診斷。除此以外，在串聯(lián)電池組故障方面，利用電池的一致性來判斷電池組中的故障電池，通常體現(xiàn)在電壓的不一致性，故障電池滿充電壓偏低，通過滿充工況下的電壓不一致性診斷故障電池實際電池使用環(huán)境中適用性有限，受電池生產(chǎn)差異，傳感器測量精度影響較大，不能準(zhǔn)確判定電池早期的微短路故障。

技術(shù)實現(xiàn)思路

1、有鑒于此，本發(fā)明提供了一種電池早期微短路故障檢測方法、裝置、計算機(jī)設(shè)備及介質(zhì)，以解決現(xiàn)有技術(shù)中所需數(shù)據(jù)量較大、不易獲取，導(dǎo)致不能準(zhǔn)確快速診斷電池早期微短路故障的問題。

2、第一方面，本發(fā)明提供了一種電池早期微短路故障檢測方法，該方法包括：

3、分別獲取正常電池和故障電池充電過程樣本數(shù)據(jù)；

4、從充電過程樣本數(shù)據(jù)中提取故障特性特征，并將故障特性特征劃分為訓(xùn)練集和測試集；

5、采用訓(xùn)練集對預(yù)設(shè)初始提升樹模型進(jìn)行訓(xùn)練，得到訓(xùn)練完成的待測試提升樹模型；

6、采用測試集對待測試提升樹模型進(jìn)行測試，得到測試完成的電池故障預(yù)測模型；

7、獲取待預(yù)測電池充電時的電壓電流時間序列數(shù)據(jù)，并將待預(yù)測電池充電時的電壓電流時間序列數(shù)據(jù)輸入至電池故障預(yù)測模型中，以檢測電池的故障狀態(tài)。

8、本發(fā)明提供的電池早期微短路故障檢測方法，分別獲取正常電池和故障電池充電過程樣本數(shù)據(jù)，根據(jù)充電過程樣本數(shù)據(jù)，提取具有故障特性的特征，利用提升樹模型進(jìn)行訓(xùn)練，使用訓(xùn)練完成的故障檢測模型檢測電池故障，可以有效的發(fā)現(xiàn)電池早期微短路故障，受噪聲影響小。同時相較于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，該方法所需的訓(xùn)練數(shù)據(jù)量較少，著重于預(yù)先提取故障特征，且模型參數(shù)較小，易于部署，通過早期診斷電池微短路故障，可以確保電池組的正常運(yùn)行，避免因為個別故障電池影響整個系統(tǒng)的性能。也有助于維持電池組的一致性，減少對其他電池的損耗，延長電池的使用壽命，降低維護(hù)和更換成本，解決了現(xiàn)有技術(shù)中所需數(shù)據(jù)量較大、不易獲取，導(dǎo)致不能準(zhǔn)確快速診斷電池早期微短路故障的問題。

9、在一種可選的實施方式中，從充電過程樣本數(shù)據(jù)中提取故障特性特征，并將故障特性特征劃分為訓(xùn)練集和測試集包括：

10、從充電過程樣本數(shù)據(jù)中提取電壓標(biāo)準(zhǔn)差、電壓偏度、平均充電電流、電池容量變化量與電池電壓變化量比值的曲線的左右端點值、電池容量變化量與電池電壓變化量比值的曲線的峰值以及充電末端6min的電壓連線的斜率作為故障特性特征；

11、按照預(yù)設(shè)數(shù)值比例將故障特性特征劃分為訓(xùn)練集和測試集。

12、在一種可選的實施方式中，充電過程樣本數(shù)據(jù)包括電壓序列數(shù)據(jù)、電流序列數(shù)據(jù)和時間序列數(shù)據(jù)；

13、從充電過程樣本數(shù)據(jù)中提取電壓標(biāo)準(zhǔn)差、電壓偏度、平均充電電流、電池容量變化量與電池電壓變化量比值的曲線的左右端點值、電池容量變化量與電池電壓變化量比值的曲線的峰值以及充電末端6min的電壓連線的斜率作為故障特性特征包括：

14、基于電壓序列數(shù)據(jù)和時間序列數(shù)據(jù)計算電壓標(biāo)準(zhǔn)差、電壓偏度、電池電壓變化量、電池容量變化量和充電末端6min的電壓連線的斜率；

15、基于電流序列數(shù)據(jù)和時間序列數(shù)據(jù)計算平均充電電流；

16、基于電池電壓變化量和電池容量變化量構(gòu)建電池容量變化量與電池電壓變化量比值的曲線，并獲取比值的曲線的左右端點值和峰值。

17、本發(fā)明提供的電池早期微短路故障檢測方法，從充電過程樣本數(shù)據(jù)中提取電壓標(biāo)準(zhǔn)差、電壓偏度、平均充電電流、電池容量變化量與電池電壓變化量比值的曲線的左右端點值、電池容量變化量與電池電壓變化量比值的曲線的峰值以及充電末端6min的電壓連線的斜率作為故障特性特征，增加了更明顯的故障特性特征，通過電池容量變化量與電池電壓變化量的情況進(jìn)一步凸顯正常電池和故障電池的區(qū)別，同時將故障特性特征分為訓(xùn)練集和測試集，為提升樹模型的訓(xùn)練提供了數(shù)據(jù)基礎(chǔ)。

18、在一種可選的實施方式中，預(yù)設(shè)初始提升樹模型通過下述方式構(gòu)建：

19、設(shè)置提升樹模型的超參數(shù)，超參數(shù)包括樹的深度、學(xué)習(xí)率和訓(xùn)練輪數(shù)；

20、采用網(wǎng)格搜索算法對不同參數(shù)范圍組合下的樹的深度、學(xué)習(xí)率和訓(xùn)練輪數(shù)進(jìn)行計算，得到對應(yīng)的不同結(jié)果；

21、從不同結(jié)果中確定最佳結(jié)果，將最佳結(jié)果對應(yīng)的不同參數(shù)范圍組合下的樹的深度、學(xué)習(xí)率和訓(xùn)練輪數(shù)作為最優(yōu)參數(shù)，基于最優(yōu)參數(shù)構(gòu)建初始提升樹模型。

22、本發(fā)明提供的電池早期微短路故障檢測方法，設(shè)置提升樹模型的超參數(shù)，超參數(shù)包括樹的深度、學(xué)習(xí)率和訓(xùn)練輪數(shù)；采用網(wǎng)格搜索算法對不同參數(shù)范圍組合下的樹的深度、學(xué)習(xí)率和訓(xùn)練輪數(shù)進(jìn)行計算，得到對應(yīng)的不同結(jié)果；從不同結(jié)果中確定最佳結(jié)果，將最佳結(jié)果對應(yīng)的不同參數(shù)范圍組合下的樹的深度、學(xué)習(xí)率和訓(xùn)練輪數(shù)作為最優(yōu)參數(shù)，實現(xiàn)了基于最優(yōu)參數(shù)構(gòu)建初始提升樹模型，為后續(xù)提升樹模型的訓(xùn)練提供了初始模型條件。

23、在一種可選的實施方式中，采用訓(xùn)練集對初始提升樹模型進(jìn)行訓(xùn)練，得到訓(xùn)練完成的待測試提升樹模型包括：

24、將訓(xùn)練集輸入至初始提升樹模型中進(jìn)行迭代計算，在每一輪迭代中，輸出正常電池分類預(yù)測值或故障電池分類預(yù)測值；

25、計算正常電池分類預(yù)測值或故障電池分類預(yù)測值與其對應(yīng)的真實值之間的殘差，并將殘差作為下一輪迭代的輸入數(shù)據(jù)進(jìn)行迭代，直到迭代結(jié)果達(dá)到預(yù)設(shè)目標(biāo)函數(shù)時迭代結(jié)束，將最后一次迭代的得到的提升樹模型作為待測試提升樹模型。

26、本發(fā)明提供的電池早期微短路故障檢測方法，通過將訓(xùn)練集輸入至初始提升樹模型中進(jìn)行迭代計算，在每一輪迭代中，輸出正常電池分類預(yù)測值或故障電池分類預(yù)測值；計算正常電池分類預(yù)測值或故障電池分類預(yù)測值與其對應(yīng)的真實值之間的殘差，并將殘差作為下一輪迭代的輸入數(shù)據(jù)進(jìn)行迭代，直到迭代結(jié)果達(dá)到預(yù)設(shè)目標(biāo)函數(shù)時迭代結(jié)束，實現(xiàn)了將最后一次迭代的得到的提升樹模型作為待測試提升樹模型，得到的待測試提升樹模型規(guī)模小，且模型具有參數(shù)小易于部署的優(yōu)點，在訓(xùn)練過程中不斷對殘差進(jìn)行擬合，從而不斷修正錯誤，逐漸提高模型的預(yù)測精度。

27、在一種可選的實施方式中，預(yù)設(shè)目標(biāo)函數(shù)采用下述公式計算：

28、

29、其中：obj(t)為第t輪的目標(biāo)函數(shù)，為損失函數(shù)，l為二元交叉熵?fù)p失函數(shù)，yi為第i個樣本的真實值，為第i個樣本在t-1輪提升樹模型的預(yù)測值，ft(xi)為當(dāng)前第t個提升樹模型對樣本xi的預(yù)測值，所述樣本為故障特性特征，ω(ft)為正則化項，用來控制提升樹模型的復(fù)雜度，包含葉子節(jié)點數(shù)和權(quán)重，t為提升樹的葉子節(jié)點數(shù)，wj為第j個葉子的權(quán)重，γ、λ為正則化系數(shù)。

30、本發(fā)明提供的電池早期微短路故障檢測方法，通過預(yù)設(shè)目標(biāo)函數(shù)中的損失函數(shù)和正則化系數(shù)尋找故障特性特征達(dá)到的最佳分裂點，最小化目標(biāo)函數(shù)，使得訓(xùn)練后的提升樹模型具有較高的預(yù)測精度，計算高效、有良好的正則化能力，防止訓(xùn)練過程中的過擬合現(xiàn)象發(fā)生。

31、在一種可選的實施方式中，采用測試集對待測試提升樹模型進(jìn)行測試，得到測試完成的電池故障預(yù)測模型包括：

32、將測試集輸入待測試提升樹模型，得到測試輸出值；

33、將測試輸出值與測試集對應(yīng)的真實值進(jìn)行比較，計算得出待測試提升樹模型的預(yù)測正確率，如果待測試提升樹模型的預(yù)測正確率達(dá)到預(yù)設(shè)閾值，則將待測試提升樹模型確定為電池故障預(yù)測模型。

34、本發(fā)明提供的電池早期微短路故障檢測方法，通過將測試集輸入待測試提升樹模型，得到測試輸出值；將測試輸出值與測試集對應(yīng)的真實值進(jìn)行比較，計算得出待測試提升樹模型的預(yù)測正確率，如果待測試提升樹模型的預(yù)測正確率達(dá)到預(yù)設(shè)閾值，則將待測試提升樹模型確定為電池故障預(yù)測模型，使得電池故障預(yù)測模型具有良好的檢測能力，有效提高模型檢測的準(zhǔn)確率。

35、第二方面，本發(fā)明提供了一種電池早期微短路故障檢測裝置，該裝置包括：

36、樣本數(shù)據(jù)獲取模塊，用于分別獲取正常電池和故障電池充電過程樣本數(shù)據(jù)；

37、故障特性特征提取模塊，用于從充電過程樣本數(shù)據(jù)中提取故障特性特征，并將故障特性特征劃分為訓(xùn)練集和測試集；

38、訓(xùn)練模塊，用于采用訓(xùn)練集對預(yù)設(shè)初始提升樹模型進(jìn)行訓(xùn)練，得到訓(xùn)練完成的待測試提升樹模型；

39、測試模塊，用于采用測試集對待測試提升樹模型進(jìn)行測試，得到測試完成的電池故障預(yù)測模型；

40、預(yù)測模塊，用于獲取待預(yù)測電池充電時的電壓電流時間序列數(shù)據(jù)，并將待預(yù)測電池充電時的電壓電流時間序列數(shù)據(jù)輸入至電池故障預(yù)測模型中檢測電池的故障狀態(tài)。

41、第三方面，本發(fā)明提供了一種計算機(jī)設(shè)備，包括：存儲器和處理器，存儲器和處理器之間互相通信連接，存儲器中存儲有計算機(jī)指令，處理器通過執(zhí)行計算機(jī)指令，從而執(zhí)行上述第一方面或其對應(yīng)的任一實施方式的電池早期微短路故障檢測方法。

42、第四方面，本發(fā)明提供了一種計算機(jī)可讀存儲介質(zhì)，該計算機(jī)可讀存儲介質(zhì)上存儲有計算機(jī)指令，計算機(jī)指令用于使計算機(jī)執(zhí)行上述第一方面或其對應(yīng)的任一實施方式的電池早期微短路故障檢測法。