【技术实现步骤摘要】
本专利技术涉及电池故障检测，更具体地，涉及一种基于半监督深度聚类的析锂检测模型的训练方法、析锂检测方法。
技术介绍
1、随着技术的不断进步和应用场景的日益复杂，锂离子电池面临着更为严苛的运行条件。析锂现象作为锂离子电池故障的重要诱因之一， 不仅会降低电池的容量，不可逆锂的积累还可能形成锂枝晶，刺穿隔膜导致电池内部短路，进而引发热失控等严重安全问题。
2、目前，针对锂离子电池析锂故障的诊断方法主要包括基于电压数据的无损检测方法和基于多维特征聚类的无监督学习方法。其中，无损检测方法受限于电压数据包含的信息量有限，难以全面反映电池内部的状态变化，容易影响诊断精度和可靠性。无监督学习方法通过多维特征来捕捉电池状态的细微变化，然而，由于无监督学习缺乏明确的标签信息，模型的训练和评估都面临较大挑战，导致诊断结果的准确性较低。
技术实现思路
1、有鉴于此，本专利技术提供了一种基于半监督深度聚类的析锂检测模型的训练方法、析锂检测方法。
2、本专利技术的实施例提供了一种基于半监督深度聚类的析锂检测模型的训练方法，上述方法包括：获取多个锂电池各自的运行数据，多个锂电池包括具有析锂类别标签的多个第一类锂电池和无标签的多个第二类锂电池；分别对多个锂电池各自的运行数据进行特征提取，得到多个锂电池各自的第一特征数据；基于多个锂电池各自的第一特征数据和多个第一类锂电池各自的析锂类别标签，对初始模型进行半监督训练，得到析锂检测模型。
3、根据本专利技术的实施例，上述基于多个上述
4、根据本专利技术的实施例，上述利用具有析锂类别标签的多个上述第一类锂电池各自的第一特征数据和具有初始伪标签的多个第二类锂电池各自的第一特征数据来训练上述初始模型，得到上述析锂检测模型，包括：在第i个训练轮次中，从多个上述锂电池各自的第一特征数据中确定多个训练样本，多个上述训练样本包括至少一个第一训练数据和至少一个第二训练数据，上述第一训练数据为上述第一类锂电池的第一特征数据，上述第二训练数据为上述第二类锂电池的第一特征数据，i为正整数；将多个上述训练样本输入在第i-1个训练轮次中训练得到的模型中，得到多个输出数据；基于多个上述训练样本、至少一个上述第一训练数据各自的析锂类别标签和至少一个上述第二训练数据各自的当前伪标签，更新在上述第i-1个训练轮次中训练得到的模型的模型参数，得到在上述第i个训练轮次中训练得到的模型，在i=1的情况下，上述第二训练数据的当前伪标签表示为上述第二训练数据的初始伪标签，在满足训练条件的情况下，在上述第i个训练轮次中训练得到的模型表示为上述析锂检测模型。
5、根据本专利技术的实施例，上述的方法还包括：在不满足上述训练条件的情况下，基于与至少一个上述第二训练数据各自对应的输出数据，更新至少一个上述第二训练数据各自的当前伪标签。
6、根据本专利技术的实施例，上述基于与至少一个上述第二训练数据各自对应的输出数据，更新至少一个上述第二训练数据各自的当前伪标签，包括：基于与至少一个上述第二训练数据各自对应的输出数据，确定与至少一个上述第二训练数据各自对应的预测概率密度分布的最大值；在与上述第二训练数据对应的预测概率密度分布的最大值大于预设阈值的情况下，基于与上述第二训练数据对应的输出数据更新上述第二训练数据的当前伪标签，得到更新后的伪标签；以及在与上述第二训练数据对应的预测概率密度分布的最大值小于或等于上述预设阈值的情况下，确定上述更新后的伪标签为上述第二训练数据的当前伪标签。
7、根据本专利技术的实施例，上述的方法还包括：在不满足上述训练条件的情况下，基于至少一个上述第二训练数据各自的当前伪标签，得到聚类纯度判别结果；以及在上述聚类纯度判别结果表示聚类效果差的情况下，基于与至少一个上述第二训练数据各自对应的输出数据，更新至少一个上述第二训练数据各自的当前伪标签。
8、根据本专利技术的实施例，上述基于至少一个上述第二训练数据各自的当前伪标签，得到聚类纯度判别结果，包括：从至少一个上述第二训练数据中确定至少一个目标训练数据，上述目标训练数据与目标锂电池的第一特征数据相对应；利用析锂诊断方法，确定至少一个上述目标锂电池各自的析锂类别标签；以及基于至少一个上述目标锂电池各自的当前伪标签和析锂类别标签，得到上述聚类纯度判别结果。
9、根据本专利技术的实施例，上述的方法还包括：将至少一个上述目标锂电池均确定为第一类锂电池。
10、根据本专利技术的实施例，上述分别对多个上述锂电池各自的运行数据进行特征提取，得到多个上述锂电池各自的第一特征数据，包括：利用多个特征提取模型分别基于上述锂电池的运行数据进行特征提取，得到多个电化学特征；以及基于上述多个电化学特征，得到上述锂电池的第一特征数据。
11、本专利技术的另一个方面提供了一种基于半监督深度聚类的析锂检测方法，上述方法包括：采集电池的实时运行数据；对上述电池的实时运行数据进行特征提取，得到上述电池的特征数据；以及将上述电池的特征数据输入析锂检测模型，得到析锂检测结果；其中，上述析锂检测模型是利用上述任一项上述的基于半监督深度聚类的析锂检测模型的训练方法训练得到的。
12、本专利技术的另一个方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上所述的方法。
13、本专利技术的另一方面提供了一种计算机可读存储介质，存储有计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。
14、本专利技术的另一方面提供了一种计算机程序产品，所述计算机程序产品包括计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。
15、根据本专利技术的实施例，利用多个锂电池各自的第一特征数据和少量第一类锂电池各自的析锂类别标签训练得到半监督析锂检测模型，以减少对标签数据的依赖，降低数据标注的成本和难度；此外，利用多个锂电池各自的第一特征数据使该模型在训练过程中学习到更多的运行数据信息，从而提升了析锂检测模型的鲁棒性和稳定性，使得该模型更准确地识别锂电池的析锂现象。
本文档来自技高网...【技术保护点】
1.一种基于半监督深度聚类的析锂检测模型的训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述基于多个所述锂电池各自的第一特征数据和多个所述第一类锂电池各自的析锂类别标签，对初始模型进行半监督训练，得到析锂检测模型，包括：
3.根据权利要求2所述的方法，其特征在于，所述利用具有析锂类别标签的多个所述第一类锂电池各自的第一特征数据和具有初始伪标签的多个第二类锂电池各自的第一特征数据来训练所述初始模型，得到所述析锂检测模型，包括：
4.根据权利要求3所述的方法，其特征在于，还包括：
5.根据权利要求4所述的方法，其特征在于，所述基于与至少一个所述第二训练数据各自对应的输出数据，更新至少一个所述第二训练数据各自的当前伪标签，包括：
6.根据权利要求3所述的方法，其特征在于，还包括：
7.根据权利要求3所述的方法，其特征在于，所述基于至少一个所述第二训练数据各自的当前伪标签，得到聚类纯度判别结果，包括：
8.根据权利要求7所述的方法，其特征在于，还包括：
9.根
10.一种基于半监督深度聚类的析锂检测方法，其特征在于，所述方法包括：
...【技术特征摘要】
1.一种基于半监督深度聚类的析锂检测模型的训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述基于多个所述锂电池各自的第一特征数据和多个所述第一类锂电池各自的析锂类别标签，对初始模型进行半监督训练，得到析锂检测模型，包括：
3.根据权利要求2所述的方法，其特征在于，所述利用具有析锂类别标签的多个所述第一类锂电池各自的第一特征数据和具有初始伪标签的多个第二类锂电池各自的第一特征数据来训练所述初始模型，得到所述析锂检测模型，包括：
4.根据权利要求3所述的方法，其特征在于，还包括：
5.根据权利要求4所述的方法，其特征在于，...
【专利技术属性】
技术研发人员：李谦，赵越，郝爽，张智达，李晓辉，戚艳，张旭泽，李磊，崔迎宾，张川，梁彬，王炎彬，高帅，李铮，
申请(专利权)人：国网天津市电力公司电力科学研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。