一种电池组充放电温度异常行为的检测方法及系统与流程

本发明涉及电池组安全，更具体的，涉及一种电池组充放电温度异常行为的检测方法及系统。

背景技术：

1、作为环境友好型清洁能源，得益于充电时间短、循环性能好、能量密度高等优点，锂离子电池进入了快速发展阶段，常通过串并联的方式集成为电池组为大型设备提供动力。锂电池发生热失控风险的主要原因在于内部温度与外部表面温度表现出高度不一致，随着充放电的持续进行，这种温度差异由于积累导致越来越大，轻则导致电池组损坏无法正常工作，重则可能会发生爆炸危险，从而给使用者带去很大的安全隐患。

2、锂电池在充放电时会产生热量，当电池温度过高或者电池组内电池间温差过大时，不仅会影响电池的使用性能和使用寿命，甚至会发生起火、爆炸等危险。所以，对电池组进行有效的温度控制，使电池处于适宜的温度范围内正常工作，对于锂电池的安全使用具有重要意义。但是传统的锂离子电池安全性检测技术难以满足在线检测和检测精度的要求，基于机器学习的锂离子电池安全性检测技术的实现，满足了这两方面的需求。因此，如何根据锂电池的状态参数对锂电池充放电过程中的温度进行检测与监控，实现锂电池异常分类和报警是亟不可待需要解决的问题。

技术实现思路

1、为了解决上述技术问题，本发明提出了一种电池组充放电温度异常行为的检测方法及系统。

2、本发明第一方面提供了一种电池组充放电温度异常行为的检测方法，包括：

3、获取目标电池组的历史充放电数据及温度监测数据，构建电池组温度分布与历史充放电数据匹配生成历史状态数据；

4、根据温度分布变化获取目标电池组在充放电过程中的热特性并分析影响因素，根据影响因素设置异常检测规则筛选温度异常的历史状态数据进行剔除，生成优化后历史状态数据集；

5、对所述优化后的历史状态数据利用聚类进行目标电池组的工况划分，获取目标电池组在不同工况下温度正常对应的历史状态数据子集；

6、根据不同工况对应的历史状态数据子集利用状态估计算法构建温度正常行为模型，并利用联邦学习将不同工况的温度正常行为模型进行集成，生成温度异常检测模型；

7、将目标电池组当前状态数据导入所述温度异常检测模型，获取当前状态与正常行为之间的残差，根据所述残差分析是否为温度异常状况，基于分析结果判断是否生成报警信息。

8、本方案中，构建电池组温度分布与历史充放电数据匹配生成历史状态数据，具体为：

9、获取目标电池组的三维模型，将所述三维模型进行空间格栅块划分，分析目标电池组在历史充放电过程中的红外温度测值，将所述红外温度测值进行预处理，筛选在时序上的温度突变点；

10、获取温度突变点对应监测时间戳的环境温度，根据所述环境温度将所述温度突变点进行聚合，生成不同环境温度下温度突变点集合，在各温度突变点集合中获取各温度突变点对应的空间格栅；

11、在不同环境温度下统计所述空间格栅的出现频次，基于所述出现频次筛选预设数量的空间格栅作为电池组温度关键测点，将电池组温度关键测点及与预设邻域范围的红外温度测值作为热源耦合到三维模型生成电池组温度分布；

12、将目标电池组的历史充放电数据根据时间戳与电池组温度分布匹配生成历史状态数据。

13、本方案中，根据影响因素设置异常检测规则筛选温度异常的历史状态数据进行剔除，具体为：

14、根据历史状态数据获取目标电池组在不同环境温度下的温度变化曲线，并根据所述温度变化曲线提取温度时序变化特征，通过所述温度时序变化特征获取目标电池组的热特性；

15、利用大数据检索获取电池温升对应的影响因子，根据目标电池组的规格参数获取不同影响因子下的热特性分析实例，根据不同环境温度将所述热特性分析实例进行分组，在不同分组下利用目标电池组的热特性进行相似度计算；

16、筛选符合预设相似度标准的影响因子，利用relief-f算法计算各影响因子的权重信息，利用所述权重信息进行排序，选取预设数量的影响因子获取目标电池组热特性的影响因素；

17、根据所述影响因素设置评价指标，在历史状态数据中检索指标参数，根据指标参数进行聚类获取离群点，基于离群点设定评价指标阈值，生成异常检测规则，根据异常检测规则筛选温度异常的历史状态数据进行剔除。

18、本方案中，对所述优化后的历史状态数据利用聚类进行目标电池组的工况划分，具体为：

19、获取优化后的历史状态数据利用聚类算法进行聚类，利用遗传算法对聚类簇数进行优化，生成最佳聚类簇数，初始化聚类中心，根据状态数据样本与聚类中心的欧式距离获取隶属度；

20、预设层级隶属度阈值，当隶属度大于高层级隶属度阈值时，根据所述隶属度将数据样本归于最近聚类中心，生成聚类类簇，通过迭代聚类更新聚类中心；

21、当隶属度小于高层级隶属度阈值时，根据隶属度筛选大于低层级隶属度阈值的聚类中心，将数据样本分别归于筛选的聚类中心生成聚类类簇，并更新聚类中心；

22、获取最终聚类结果生成目标电池组的工况划分，获取目标电池组在不同工况下温度正常对应的历史状态数据子集。

23、本方案中，构建温度正常行为模型，并利用联邦学习将不同工况的温度正常行为模型进行集成，生成温度异常检测模型，具体为：

24、利用状态估计算法根据不同工况的历史状态数据子集分别构建温度正常行为模型，根据所述历史状态数据子集构建训练集，通过马氏距离构建窗口函数；

25、利用所述窗口函数遍历训练集，计算输入数据与训练样本的相似度，根据所述相似度将训练样本进行排序，从大到小选取预设数量训练样本构建记忆矩阵存储目标电池组充放电的温度正常运行状态；

26、将不同工况对应的温度正常行为模型作为局部模型，在所述训练集中添加温度异常行为对应的历史状态数据作为验证集，利用联邦学习基于所述训练集及验证集进行训练，并计算每个局部模型的平均检测误差；

27、根据所述平均检测误差对局部模型进行评分生成置信度，筛选大于全局温度异常检测模型对应平均检测误差的局部模型，将筛选的局部模型的评分设为零；

28、将评分不为零的局部模型根据置信度进行上传并压缩，对每个局部模型进行聚合，进行温度异常检测模型的参数更新，通过迭代后获取最优模型参数，输出温度异常检测模型。

29、本方案中，获取当前状态与正常行为之间的残差，根据所述残差分析是否为温度异常状况，具体为：

30、获取目标电池组当前时间戳的充放电数据及电池组温度分布生成当前状态数据，根据所述当前状态数据作为输入数据导入度异常检测模型，生成输入矩阵；

31、根据所述输入矩阵选取训练样本构建记忆矩阵，通过所述记忆矩阵计算当前状态数据在温度正常运行状态下的估计矩阵，获取所述输入矩阵与估计矩阵的残差；

32、获取所述残差的相对熵来判定目标电池组当前状态数据与温度正常运行状态的偏差程度，作为异常判定得分，预设得分阈值判断目标电池组是否异常；

33、若目标电池组出现温度异常行为，则根据所述异常判定得分生成不同等级的报警信息，并通过预设方式进行发送显示。

34、本发明第二方面还提供了一种电池组充放电温度异常行为的检测系统，该系统包括：存储器、处理器，所述存储器中包括电池组充放电温度异常行为的检测方法程序，所述电池组充放电温度异常行为的检测方法程序被所述处理器执行时实现如下步骤：

35、获取目标电池组的历史充放电数据及温度监测数据，构建电池组温度分布与历史充放电数据匹配生成历史状态数据；

36、根据温度分布变化获取目标电池组在充放电过程中的热特性并分析影响因素，根据影响因素设置异常检测规则筛选温度异常的历史状态数据进行剔除，生成优化后历史状态数据集；

37、对所述优化后的历史状态数据利用聚类进行目标电池组的工况划分，获取目标电池组在不同工况下温度正常对应的历史状态数据子集；

38、根据不同工况对应的历史状态数据子集利用状态估计算法构建温度正常行为模型，并利用联邦学习将不同工况的温度正常行为模型进行集成，生成温度异常检测模型；

39、将目标电池组当前状态数据导入所述温度异常检测模型，获取当前状态与正常行为之间的残差，根据所述残差分析是否为温度异常状况，基于分析结果判断是否生成报警信息。

40、本发明公开了一种电池组充放电温度异常行为的检测方法及系统，包括：获取目标电池组的历史充放电数据及温度监测数据生成历史状态数据，剔除温度异常的历史状态数据利用聚类进行目标电池组的工况划分；利用状态估计算法构建温度正常行为模型，并利用联邦学习将不同工况的温度正常行为模型进行集成，生成温度异常检测模型；将目标电池组当前状态数据作为模型输入获取当前状态与正常行为之间的残差，根据残差分析是否为温度异常状况，并生成报警信息。本发明根据多工况划分结合联邦学习建立电池组充放电正常温度行为的全局模型，提高了模型的泛化能力及温度异常检测精确度，并通过实时报警确保对异常状况的及时运维，进而延长电池组的使用寿命。