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...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。展开更多
文摘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。
