电池析锂预警方法、系统及电子设备与流程

本发明涉及电池安全预警，特别涉及一种电池析锂预警方法、系统及电子设备。

背景技术：

1、当前，锂离子电池在数码、储能设备以及电动汽车等方面使用日益广泛。随之而来的电池老化、析锂、容量跳水等问题也逐渐突显，亟需解决的是电池在充电过程中发生的析锂现象，不仅会导致电池性能下降，大大缩短电池寿命，还会限制电池的快充容量和速率，甚至会引起燃烧、爆炸等灾难性的安全事故。

技术实现思路

1、本技术的实施例提供一种电池析锂预警方法、系统及电子设备，以解决现有技术中电池析锂不能提前预警的技术问题。

2、为了解决上述技术问题，本技术的实施例公开了如下技术方案：

3、第一方面，提供了一种电池析锂预警方法，所述方法包括：

4、获取实验电池充放电循环过程中的第一实测数据；

5、对所述第一实测数据进行预处理后构建数据样本集；

6、根据所述数据样本集提取析锂电池的析锂特征；

7、将提取的所述析锂特征输入预构建的xgb模型进行训练，并采用寻优算法获得析锂阈值s1和不析锂阈值s2；

8、将待测电池的第二实测数据输入至所述xgb模型中分析，获得所述待测电池的析锂概率；

9、对所述析锂概率大于所述析锂阈值s1的所述待测电池进行预警。

10、结合第一方面，所述的根据所述数据样本集提取析锂电池的析锂特征的方法包括：

11、绘制单个所述析锂电池的充放电电压、充放电电流、充放电时间或电池容量的变化曲线；

12、对比多个所述析锂电池的所述变化曲线获得析锂特征；

13、其中，所述析锂特征包括一般特征和重要特征，所述一般特征的个数至少为30个，所述重要特征的个数至少为10个。

14、结合第一方面，所述的提取析锂电池的析锂特征之前，还包括对所述实验电池的析锂情况进行判别，所述判别方法包括：

15、将所述实验电池进行拆解，根据所述实验电池的内部情况进行判别；

16、将具有析锂情况的所述实验电池的所述第一实测数据构成数据样本集。

17、结合第一方面，所述的将提取的所述析锂特征输入预构建的xgb模型进行训练的方法包括：

18、建立xgb模型，采用分层抽样将数据样本集划分为训练集和测试集；

19、将所述训练集中的数据和所述析锂特征输入至xgb模型中进行训练；

20、采用交叉验证迭代所述xgb模型，同时使用粒子群算法对所述xgb模型的关键参数进行辨识，辨别所述xgb模型的最终参数；

21、所述参数包括树的深度、叶子节点最小样本数、学习率、l1正则化项和l2正则化项中的一种或多种。

22、结合第一方面，所述采用寻优算法获得析锂阈值s1和不析锂阈值s2的方法包括：

23、初始化m个粒子，每个粒子随机分布在n维空间中，每个维度上粒子位置在0-1内；

24、建立适应度函数：交叉熵损失；

25、将每个粒子的当前适应度和历史适应度进行比较；

26、若当前适应度大于历史适应度，则该粒子的当前适应度更新为较小的那个历史适应度；

27、比较粒子群中每个粒子的最小值和群体历史最小值；

28、若当前适应度更低，则更新群体历史最佳为当前群体最佳适应度；

29、更新每个粒子的速度与位置：粒子id在第k+1代的速度：

30、

31、其中，代表惯性部分，由惯性权重和粒子自身速度构成，表示粒子对先前自身运动状态的信任；ω表示惯性权重；代表认知部分，表示粒子本身的思考，即粒子自己的经验部分，是粒子当前位置与自身历史最优位置之间的距离和方向；代表社会部分，表示粒子之间的信息共享与合作，是粒子当前位置与群体历史最优位置之间的距离和方向；在公式中，k表示迭代的次数；id表示粒子；v表示粒子自身速度；c1表示个体学习因子；c2表示群体学习因子；r1和r2均表示随机数，区间[0,1]，增加搜索随机性；代表粒子i在第k次迭代中第d维的历史最优位置，即在第k次迭代后，第i个粒子搜索得到的最优解；代表群体在第k次迭代后，第i个粒子搜索得到的最优解；代表粒子i在第k次迭代中第d维的位置向量；代表粒子i在第k次迭代中第d维的速度变量；

32、更新粒子速度与位置，若粒子位置超出0-1范围，则将粒子位置设为边界的0或1；

33、检查此时最优参数是否已经满足最小化阈值标准，若满足则取该参数；

34、若不满足则继续更新轨迹直至满足；

35、通过多次循环分别确定析锂阈值s1和不析锂阈值s2。

36、结合第一方面，所述对所述第一实测数据进行预处理的方法包括：

37、对所述第一实测数据进行预处理的方法包括数据去重、去伪或一致勘验中的一种或多种。

38、结合第一方面，所述的获取实验电池充放电循环过程中的第一实测数据的方法包括：

39、将实验电池的电量耗尽之后开始充电，并且每隔t1秒获取一次第一实测数据，直至所述实验电池的电量充满，并静置30秒以上；

40、将所述实验电池从满电量放电至电量耗尽，并且每隔t2秒获取一次所述第一实测数据，并静置30秒以上；

41、其中，所述充电的方式包括恒流充电、恒流恒压充电、恒功率充电的一种或多种结合；

42、所述放电的方式包括恒流放电或恒功率放电中的一种或两种结合。

43、结合第一方面，所述第一实测数据包括工步名称、工步序号、循环圈数、充放电电流、充放电电压、电池容量和充放电时间中的一种或多种。

44、结合第一方面，所述实验电池和所述待测电池均为锂电池，所述锂电池包括以石墨为负极的铝壳或软包；

45、所述锂电池的充电倍率为0.01-5c之间。

46、第二方面，提供了一种电池析锂预警系统，所述系统包括：

47、采样模块，所述采样模块用于获取实验电池充放电循环过程中的第一实测数据；

48、预处理模块，所述预处理模块用于对所述第一实测数据进行预处理后构建数据样本集；

49、提取模块，所述提取模块与用于根据所述数据样本集提取析锂电池的析锂特征；

50、训练模块，所述训练模块用于将提取的所述析锂特征输入预构建的xgb模型进行训练；

51、寻优模块，所述寻优模块用于采用寻优算法获得析锂阈值s1和不析锂阈值s2；

52、分析模块，所述分析模块用于将待测电池的第二实测数据输入至所述xgb模型中分析，获得所述待测电池的析锂概率；

53、预警模块，所述预警模块用于对所述析锂概率大于所述析锂阈值s1的所述待测电池进行预警。

54、第三方面，提供了一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如第一方面任一项所述的电池析锂预警方法。

55、上述技术方案中的一个技术方案具有如下优点或有益效果：

56、本技术提供的一种电池析锂预警方法，方法包括：获取实验电池充放电循环过程中的第一实测数据；对第一实测数据进行预处理后构建数据样本集；根据数据样本集提取析锂电池的析锂特征；将提取的析锂特征输入预构建的xgb模型进行训练，并采用寻优算法获得析锂阈值s1和不析锂阈值s2；将待测电池的第二实测数据输入至xgb模型中分析，获得待测电池的析锂概率；对析锂概率大于析锂阈值s1的待测电池进行预警。本技术提供的方法将锂电池机理模型与机器学习融合，一方面放宽了检测条件，实现无损检测的目的；另一方面嵌入机理改善了传统机器学习完全依靠纯数据驱动不具有可解释性的弊端。并且通过机器学习模型对析锂电池进行提前预警，能够提前检测出有析锂迹象的电池，降低事故发生，提高电池使用的安全性。本技术提供的方法对析锂电池的误判率低，模型的准确率高。