基于改进的在线迁移学习算法的电池高压故障预警.pdf
《基于改进的在线迁移学习算法的电池高压故障预警.pdf》由会员分享,可在线阅读,更多相关《基于改进的在线迁移学习算法的电池高压故障预警.pdf(10页珍藏版)》请在咨信网上搜索。
1、第 12 卷 第 8 期2023 年 8 月Vol.12 No.8Aug.2023储能科学与技术Energy Storage Science and Technology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,孙大帅,王景龙(上海采日能源科技有限公司,上海 201802)摘要:锂电池作为一种电化学设备,在发生故障前的特征较为复杂,难以分析,并且生产环境中故障样本数量较少,正负样本比例严重不平衡。针对以上问题,本工作提出基于改进的在线迁移学习算法的电池高压故障预警。首先,引入下采样技术,解决样本不均衡问题,从而降低计算资源的使用。在电池高压故障预警场景下,设计分段下采样策略,使得算法
2、模型在故障发生前能学习到更多细微的特征。其次,提出基于分批增量学习的在线迁移学习方法(homogeneous online transfer learning under incremental training,HomOTL-UIT),源域中训练的离线分类器需要在合适的时间进行更新,以此来适应目标域中不断变化的数据分布,解决数据分布偏移和在线迁移学习退化为在线学习的问题。分批处理降低多次训练带来的计算资源的开销,通过增量学习,不断从目标域中学习,从而不断提高离线分类器的准确度。然后,设计一种滑动窗口下的F1-score评分方法,解决模型权重缓慢失衡问题,从而提高模型的准确性。最后,通过储能集
3、装箱的运行数据验证所提出方法的有效性和准确性,在正负样本严重不均衡时,F1-score达到0.88。关键词:电池故障预警;在线迁移学习;下采样;增量学习doi:10.19799/ki.2095-4239.2023.0119 中图分类号:TM 912 文献标志码:A 文章编号:2095-4239(2023)08-2575-10Battery high-voltage fault early warning based on improved online migration learning algorithmDONG Chenchen,SUN Dashuai,WANG Jinglong(Sha
4、nghai Cairi Energy Technology Co.,Ltd.,Shanghai 201802,China)Abstract:Analyzing the characteristics of lithium batteries before failure is a complex task owing to their nature as electrochemical devices.Moreover,the limited number of failure samples in the production environment and the severe imbal
5、ance between positive and negative samples pose considerable challenges.To address these issues,this study proposes an improved online migration learning algorithm for early warning of high-voltage battery faults in batteries.First,to solve the problem of sample imbalance and reduce the use of compu
6、ting resources,down-sampling technology is introduced.Specifically,a subsection down-sampling strategy is designed for the battery high-voltage fault early warning scenario.This strategy allows the algorithm model to learn more detailed features before the fault occurs.Second,an online transfer lear
7、ning method based on batch incremental learning(homogeneous online transfer learning under incremental training,HomOTL-UIT)is proposed.This method addresses 储能系统与工程收稿日期:2023-03-07;修改稿日期:2023-04-21。第一作者:董臣臣(1992),男,工程师,研究方向为电池故障预警,E-mail:dccsermatec-;通讯作者:孙大帅,硕士研究生,研究方向为电池故障预警、热失控、EMS和储能控制等,E-mail:sd
8、ssermatec-。引用本文:董臣臣,孙大帅,王景龙.基于改进的在线迁移学习算法的电池高压故障预警J.储能科学与技术,2023,12(8):2575-2584.Citation:DONG Chenchen,SUN Dashuai,WANG Jinglong.Battery high-voltage fault early warning based on improved online migration learning algorithmJ.Energy Storage Science and Technology,2023,12(8):2575-2584.2023 年第 12 卷储能科
9、学与技术the need to update the offline classifier,which is trained in the source domain,at an appropriate time to adapt to the constantly changing data distribution in the target domain.Furthermore,it solves data distribution deviation issues and prevents the degeneration of online transfer learning int
10、o online learning.Batch incremental learning reduces the computing resource cost of multiple training,enabling continuous learning from the target domain and continuously improving the accuracy of offline classifiers over time.Then,a sliding window-based F1-score scoring method is designed to solve
11、the problem of the slow and unbalanced weight of the model to improve its accuracy.Finally,the validity and accuracy of the proposed method are verified using the operation data from an energy storage container.The results demonstrate its effectiveness,particularly when dealing with severely unbalan
12、ced positive and negative samples,thereby achieving an impressive F1-score of 0.88.Keywords:battery failure warning;online transfer learning;lower sampling;incremental learning锂电池是储能集装箱或者电动汽车的重要部件,电化学行为、机械行为和热行为等会造成锂电池故障1。由于这种电化学设备的复杂性,锂离子电池的大规模使用给储能系统的安全性带来严峻的挑战2-3。对于锂离子电池故障诊断和预警,样本的不足已经成为一个瓶颈4。提前预
13、知锂电池故障的发生,能够避免安全事故5。Zhao等6采样云边端一体化架构,将边缘设备采集到的故障信息上传到云端,并在云端对数据进行特征工程和模型训练。王志福等7将智能优化算法引入锂离子电池传感器故障诊断,提出基于遗传算法优化粒子群算法和模糊神经网络的锂离子电池传感器故障诊断方法。然而,大多数的故障预警方法需要大量的故障数据来提供精确的结果,在实验室或生产环境下获取电池故障数据需要相当长的时间和较高的经济成本,并且以上方法没有解决数据分布偏移问题8。最近,迁移学习在不同行业内受到广泛关注,迁移学习通过现有的领域知识解决不同但相关的领域的问题。迁移学习技术不仅解决源域和目标域数据分布的偏移问题,而
14、且能够在样本较少的情况下提高模型的泛化能力8。Mao等9使用迁移学习和卷积神经网络(convolutional neural network,CNN)模型实现电池健康状态的估计。Ruan等10利用迁移学习技术先使用相关的数据训练模型,然后再微调模型。Von Blow等11提出一种使用多层感知器(multilayer perceptron,MLP)的电池健康度(state of health,SOH)预测模型的迁移学习方法。文献9-11由于训练过程中使用的是离线数据,在迁移学习过程中,模型只能根据目标域中历史的数据进行微调,不能在线学习,此外在数据分布发生偏移时误差较大。目前,在线迁移学习在电池
15、故障预警中的应用较少,多数是在电池健康状态评估上的应用。在文献12中,采用在线迁移学习实现对电池SOH的估计。针对上述存在的问题,本工作主要的贡献阐述如下:首先,结合增量学习13的概念,提出基于改进的在线迁移学习的故障预警算法。通过使用源域中充足的故障数据来训练离线模型,并且离线模型随着时序数据增加到合适的量后进行增量学习,使其既能学习源域中的特征,又能学习目标域中的特征。其次,设计一种分段下采样策略。在实际的储能项目中,电池故障相关的数据较少,正负样本严重不均衡。本工作通过采样技术来解决此问题,对负样本进行下采样来减少整体的数据量,从而降低计算资源的使用。电池故障预警场景下,设计分段下采样策
16、略使算法模型在故障发生前能学习到更多细微的特征。最后,通过在滑动窗口内计算F1-score解决模型权重缓慢失衡问题,从而提高模型的准确性。离线分类器在线学习的过程中权重会缓慢向1趋近,为解决这种权重缓慢失衡问题,使用当前的一个时间窗口,评估离线模型和在线模型,然后确定模型的权重。通过设置评分的时间窗口,保证评分能准确表示在线模型的当前误差,从而避免权重失衡问题。2576第 8 期董臣臣等:基于改进的在线迁移学习算法的电池高压故障预警1 增量学习增量学习可以从数据流中不断学习领域知识,是一种以增量方式进行学习的训练策略。只有少数类的训练数据必须同时存在,并且可以逐步添加新的类。传统的模型训练基于
17、固定的数据集进行训练学习,随着不同分布的数据流的加入,一般需要重新训练整个模型,此方式较为耗时耗力,在实际应用场景中并不适用,因此增量学习应运而生。增量学习只需使用一部分旧数据而非全部旧数据就能训练得到分类器。学习新的知识会使训练后的模型很快忘记旧的知识,这被称为灾难性遗忘,增量学习能够很好地解决灾难性遗忘问题14-15。2 在线迁移学习在线迁移学习16-17主要将数据分为源域和目标域;算法分为离线模型和在线模型。使用源域训练离线模型,使用目标域训练在线模型。最终的结果根据两种模型的输出进行加权获得。其中,离线分离器可以使用支持向量机(support vector machines,SVM)1
18、8、随机森林19等,在线分类器可以使用Passive-Aggressive(PA)算法20。在线迁移学习过程如图1所示,具体步骤如下:(1)使用源域中的离线数据训练一个离线分类器;(2)使用离线分类器对目标域中的在线时序数据进行预测得到一个分类结果A;(3)使用目标域中的在线时序数据训练在线分类器,并预测当前的在线数据得到一个分类结果B;(4)最后A和B进行加权求和得到最终的分类结果。在线迁移学习主要分为同构在线迁移学习(homogeneous online transfer learning,HomOTL)和异构在线迁移学习(heterogeneous online transfer lea
19、rning,HetOTL)16。HomOTL 中源域和目标域的特征空间,即特征的种类和个数相同,而在HetOTL中,源域和目标域的特征空间不同。3 理论分析3.1总体框架本工作提出的HomOTL-UIT算法在整体框架上与HomOTL类似,分为源域和目标域,但是在算法内部实现上引入下采样和批量增量学习部分。该算法的结构和流程如图2所示。图1在线迁移学习算法Fig.1Schematic diagram of online transfer learning algorithm在线分类器离线分类器离线训练数据在线时序数据模型融合并预测21Batch1Batch2BatchN离线分类器离线分类器离线分
20、类器下采样增量学习增量学习增量学习迁移学习源域目标域图2HomOTL-UIT算法Fig.2Schematic diagram of HomOTL-UIT algorithm25772023 年第 12 卷储能科学与技术最外层两方框分别表示源域和目标域,要实现源域到目标域的迁移学习;源域中获取离线训练数据,然后下采样;与此同时,目标域中的在线时序数据进行分批处理,分批数据与下采样后的数据进行合并,合并后的数据训练离线分类器;随着时间的推移,每次分批数据都要训练离线模型,实现离线模型的增量学习;同时,每次的分批数据训练在线分类器;1、2分别代表离线分类器和在线分类器的权重,在线学习的过程中,会根据
21、损失函数更新1、2,通过集成学习的思想提高算法的准确度。3.2分段下采样策略通常在使用迁移学习解决数据分布偏移的问题时,目标域的数据量较少,而源域的数据量较大。此特点在故障预警中更为明显,而且正负样本比例严重不平衡。异常时间点不久前的数据往往更具有价值,因为模型可以在故障发生前学习到前期细微的特征。比如电池在发生故障之前,电压数据将发生异常变化21。图3表示不同电芯、不同时间下异常发生时,电芯的电流、电压、温度和荷电状态(state of charge,SOC)的变化情况。子标题中逗号分割后依次表示:簇架号,Pack号,电芯号和日期。可看出异常发生前,电芯有相似的整体特征,但又有细微的差异,前
22、期这些细微的差异对模型的学习至关重要。然而,故障发生的N小时前或者N天前的样本对短时序的预测来说,模型的重要性相对较低。所以故障预警场景下,本工作采用分段下采样策略,异常时间点后不采样,异常时间点前采样比例依次减少。如图4所示,若8:10发生异常,则异常时间点的前10分钟内(8:008:10)的数据,采样个数为总采样个数的35%;7:308:00采样个数为总样本个数的30%;同理,6:307:30采样20%,4:006:30采样10%,00:004:00采样5%。异常时间点之前的数据,通过下采样处理后,使用采样后样本训练离线分类器。正样本的比例提高使得离线分类器更容易学习到异常样本的特征。因此
23、,本工作引入的分段下采样技术,解决样本不均衡问题,并且减图3异常发生时的数据分布情况Fig.3The data situation before the exception occurred图4分段下采样策略Fig.4Schematic diagram of segmentation downsampling strategy2578第 8 期董臣臣等:基于改进的在线迁移学习算法的电池高压故障预警少样本数量,降低计算资源的使用。3.3分批增量学习为方便算法步骤的描述,将不同符号所表示的含义列于表1。当源域X和目标域Y的数据差异很大时,离线分类器v如果仅仅根据源域的数据进行训练,则离线分类器的预
24、测误差始终最大。即离线模型在迁移学习中的权重1始终为0,使得在线迁移学习退化成在线学习。为解决此问题,本工作采用分批增量学习的方法进行模型的训练。分批增量学习,首先源域中训练的离线分类器需要在合适的时间进行更新,以此来适应目标域中不断变化的数据分布,从而解决数据分布偏移问题。在目标域中,为降低多次训练带来的计算资源的开销,将在线数据进行分批处理,通过增量学习,不断从目标域中学习,从而不断提高离线分类器的准确度。如图 5 所示,Xs为分批后的源域数据,Yt1、Yt2、Yt3,Ytn为分批后的目标域数据。时序数据到达分批的时间时,进行下采样处理,然后对离线分类器进行全量数据x1,t的离线模型训练,
25、图中,t=0时,使用源域中的数据Xs训练离线分类器v;若t=1时,到达分批处理的时间点,此时使用源域中的数据Xs和目标域中的数据Yt1训练离线分类器v;同理,若t=2时,到达分批处理的时间点,此时使用源域中的数据Xs,目标域中的数据Yt1和Yt2训练离线分类器v。每次分批处理后都要更新模型权重,最后根据模型权重进行模型融合求取最终预测结果。3.4组合权重的更新混淆矩阵(表2)能够有效而全面评估分类模型的性能。通常用于评估多分类或单标签分类模型22。根据混淆矩阵可以计算出分类模型的性能评价指标。精准率P(Precision)式(1)表示预测为正例的样本中预测正确的比重。当数据集不平衡时,P不能再
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 改进 在线 迁移 学习 算法 电池 高压 故障 预警
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。