基于改进的在线迁移学习算法的电池高压故障预警.pdf

第 12 卷 第8 期 储 能 科 学 与 技 术 Vol.12 No.8 2023 年8 月 Energy Storage Science and Technology Aug. 2023 储能系统与工程 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F -score 评分方法，解决 1 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，F -score 达到0.88 。 1 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