本发明涉及数据处理，特别是指一种基于深度学习的锂电池异常检测方法与系统。
背景技术：
1、随着电动汽车和储能系统的快速发展，锂电池作为高能量密度的储能装置，得到了广泛应用。然而，锂电池在实际使用过程中会由于多种原因出现性能衰减、温度过高或内部短路等异常情况，严重时甚至会导致安全事故。现有技术中，针对锂电池的异常检测主要依赖于电压、电流和温度等单一物理参数的实时监测，通过分析这些参数的变化趋势来判断电池的健康状态。然而，这种方法在应对多种因素引起的异常时往往缺乏准确性，尤其在外界环境复杂、负载频繁变化的情况下，可能出现误判或漏判的情况。
2、为提高检测的精准度，部分技术采用基于机器学习的多参数融合算法，对电压、电流、温度等多种数据进行综合分析，以识别锂电池的异常状态。然而，这些方法往往仅限于浅层特征的提取，并没有深入挖掘数据之间的复杂关系。特别是在处理电池的循环老化过程中，现有方法可能难以准确预测因老化导致的电池性能突变。这种缺陷在长时间运行的储能电站应用中尤为明显，因为在电池性能逐渐退化的后期，传统浅层特征难以捕捉到微小但关键的特征变化，从而可能导致电池异常的漏检。
技术实现思路
1、本发明的目的在于提供一种基于深度学习的锂电池异常检测方法与系统，旨在解决背景技术中所提到的问题。
2、为解决上述技术问题，本发明的技术方案如下：
3、第一方面，一种基于深度学习的锂电池异常检测方法，所述方法包括：
4、获取锂电池在多种工作状态下的原始数据集，所述原始数据集包括电压、温度和电流信息；
5、对原始数据集进行多层预处理，得到基础数据集，所述多层预处理包括对噪声数据的过滤、对异常点的剔除以及对不同物理参数的时间同步；
6、对基础数据集进行逐级特征提取，得到特征数据集，所述逐级特征提取包括对物理参数的基本特征提取及关联特征提取；
7、根据电池工作状态划，将特征数据集分为充电、放电、静止工作的状态数据集；
8、根据状态数据集，通过计算不同参数的协同关系，提取各个状态下的关键特征子集，得到分解数据集；
9、构建锂电池的多维状态模型，将分解数据集输入多维状态模型，对分解数据集的子特征进行逐级匹配，得到匹配结果集；
10、根据匹配结果集进行综合分析，生成异常判别数据，所述异常判别数据通过对特征比对数据的分析，识别异常发生的具体时间段和异常相关的物理参数信息；
11、根据异常判别数据，分析表征异常位置和严重程度的检测信息，生成异常识别信息。
12、优选地，对原始数据集进行多层预处理，得到基础数据集，包括：
13、对原始数据集中每个物理参数的采集数据逐个进行过滤处理，将不满足动态阈值的采样值剔除，生成初步数据集；动态阈值通过以下公式计算：
14、，其中，为动态阈值，为在时间的标准差，为在时间的均值，和为调整系数；
15、对初步数据集中的每一类数据分别进行采样调整，通过在采集周期内均匀插值的方式将不同物理参数的数据进行时间对齐，得到同步数据集；时间对齐通过以下公式计算：
16、，其中，为插值后的同步数据，为第个采样数据点，为采样数据点的总数；
17、对同步数据集的每个参数进行阈值检测，根据预设变化率标准剔除明显偏离预期的异常数据点，生成基础数据集；变化率通过以下公式计算：
18、，其中，为变化率，和为当前和前一采样点的数据值。
19、优选地，对基础数据集进行逐级特征提取，得到特征数据集，包括：
20、根据基础数据集，对电压、温度和电流信息分别提取每个采样周期内的均值、方差以及周期峰值变化，生成基础特征数据；均值、方差以及周期峰值变化通过以下公式计算：
21、，其中，为均值，为第个数据点；
22、，其中，为方差，为第个数据点，为均值；
23、，其中，为峰值，为数据点集合中的最大值；
24、根据基础特征数据，提取每个物理参数在不同状态下的关联信息；电压、温度和电流之间的关联信息通过以下公式表示：
25、，其中，为电压、温度和电流之间的关联信息，为电压，为温度，为电流，、、、、、为权重系数，为常数；
26、将基础特征和关联信息合并为一个集合，生成特征数据集，所述特征数据集用于描述电池在不同状态下的内部动态特征。
27、优选地，根据状态数据集，通过计算不同参数的协同关系，提取各个状态下的关键特征子集，得到分解数据集，包括：
28、在充电状态下，对电压和温度之间的变化关系进行分析，提取电压和温度的协同累积值，并筛选出充电过热特征子集；电压和温度的协同累积值通过以下公式计算：
29、，其中，为电压和温度的协同累积值，、为时间时的电压和温度，、为电压和温度的均值，、分别为起始时间和终止时间；
30、在放电状态下，评估电流和电压随时间的变化同步性，提取放电过程中电流与电压的同步比率，生成非正常放电特征子集；电流与电压的同步比率通过以下公式计算：
31、，其中，为电流与电压的同步比率，为电流变化，为电压变化；
32、在静止状态下，记录温度和电压的波动幅度，识别出能够反映自放电特性的特征，生成自放电特征子集；温度和电压的波动幅度通过以下公式计算：
33、，其中，、为温度和电压的波动幅度，、为温度的最大值和最小值，、为电压的最大值和最小值；
34、对充电过热特征子集、非正常放电特征子集和自放电特征子集进行组合，得到分解数据集。
35、优选地，构建锂电池的多维状态模型，将分解数据集输入多维状态模型，对分解数据集的子特征进行逐级匹配，得到匹配结果集，包括：
36、根据历史原始数据集，使用高斯分布建立每个状态的正常特征分布范围，生成多维状态模型，以向量表示锂电池在不同状态下的特征分布，其中，表示电压，表示温度，表示电流；多维状态模型通过维高斯分布的概率密度函数表示，其中，概率密度函数的公式为：
37、，其中，为多维高斯分布的概率密度，为特征向量，为多维特征的均值向量，为特征向量的协方差矩阵；
38、将分解数据集内每个状态的特征向量输入至多维状态模型，计算实时特征值与基准特征的偏差值和标准偏差；
39、根据第一预设阈值、偏差值和标准偏差，筛选异常特征并对其标记，得到异常特征；
40、根据异常特征，生成不同状态下的匹配结果集。
41、优选地，根据匹配结果集进行综合分析，生成异常判别数据，包括：
42、对匹配结果集进行时间序列分析，并根据特征趋势变化计算异常特征的累积偏差，根据累积偏差判断异常特征的持续性和严重性，得到累计偏差数据；累计偏差通过以下公式计算：
43、，其中，为累积偏差，为时间衰减权重，为第个数据点，为均值，为衰减系数，、为当前时间和第个数据点的时间，为时间点总数；
44、当累计偏差数据超过第二预设阈值时，记录异常的具体时间段，并对异常相关的物理参数进行多层特征分解，确定异常变化模式；
45、根据异常变化模式和累计偏差数据，生成异常判别数据，所述异常判别数据包含异常发生的具体时间段、异常特征的波动范围以及与异常特征关联的物理参数信息。
46、优选地，根据异常判别数据，分析表征异常位置和严重程度的检测信息，生成异常识别信息，包括：
47、对异常判别数据中的时间段和物理参数的偏差幅度进行量化处理，将每个异常特征的偏差幅度、发生频率和持续时间进行分级，生成分级的异常检测信息；异常检测信息通过以下公式分级：
48、，其中，为风险等级，为偏差幅度，为偏差发生频率，为持续时间，、、、为权重系数；
49、根据异常检测信息中的异常特征位置，确定该异常在电池模块或电池组中的具体位置，生成位置标识信息；
50、对异常检测信息中的严重程度进行评估，标记出特征变化较为剧烈的异常情况，得到异常识别信息。
51、第二方面，一种基于深度学习的锂电池异常检测系统，所述系统包括：
52、数据获取模块，用于获取锂电池在多种工作状态下的原始数据集，所述原始数据集包括电压、温度和电流信息；
53、预处理模块，用于对原始数据集进行多层预处理，得到基础数据集，所述多层预处理包括对噪声数据的过滤、对异常点的剔除以及对不同物理参数的时间同步；
54、特征提取模块，用于对基础数据集进行逐级特征提取，得到特征数据集，所述逐级特征提取包括对物理参数的基本特征提取及关联特征提取；
55、数据划分模块，用于将特征数据集根据电池工作状态划分为多个状态数据集，包括充电、放电、静止工作的状态数据集；
56、特征分解模块，用于基于状态数据集，通过计算不同参数的协同关系，提取各个状态下的关键特征子集，得到分解数据集；
57、特征匹配模块，用于构建锂电池的多维状态模型，将分解数据集输入多维状态模型，对分解数据集的子特征进行逐级匹配，得到匹配结果集；
58、特征分析模块，用于根据匹配结果集进行综合分析，生成异常判别数据，所述异常判别数据通过对特征比对数据的分析，识别异常发生的具体时间段和异常相关的物理参数信息；
59、异常识别模块，用于根据异常判别数据，分析表征异常位置和严重程度的检测信息，生成异常识别信息。
60、本发明的上述方案至少包括以下有益效果：
61、首先，本发明通过获取多种工作状态下的原始数据集，包括电压、温度和电流信息，使得系统能够从多维度监控电池的实时状态。与现有技术相比，单一参数监测通常只能捕捉电池状态的某一侧面，而本发明基于多参数的实时采集和同步处理，使检测方法具有更全面的数据基础。通过对多种物理参数的联合分析，本发明能够更准确地反映锂电池的工作状态，为异常检测提供了更可靠的数据支持。
62、其次，本发明在数据预处理阶段，通过噪声过滤、异常点剔除和时间同步等多层预处理方法，显著提高了数据的准确性和一致性。现有技术中的数据预处理多局限于简单的噪声处理，难以应对复杂工况中数据的波动和异常点对检测结果的干扰。而本发明通过动态阈值和变化率剔除机制，能够有效去除无效数据，并保证不同物理参数的时间对齐，从而提升数据的精确度和可用性，为后续的特征提取奠定了坚实基础。
63、在特征提取方面，本发明采用逐级特征提取方法，不仅提取了电压、温度和电流的基础特征，如均值、方差和峰值，还挖掘了不同物理参数之间的关联信息，形成多维特征数据集。现有技术大多仅限于基础特征的简单提取，而忽略了参数之间的协同关系。本发明通过非线性关系公式进一步量化电压、温度和电流之间的协同关系，从而能够更全面地捕捉电池内部的动态变化，尤其在异常早期阶段能够快速识别不同参数间的相互影响。这种细化的特征提取方式显著增强了异常检测的灵敏度和准确性。
64、本发明还构建了锂电池的多维状态模型，利用多维高斯分布对充电、放电和静止状态下的正常特征分布进行建模，并作为基准状态模型进行实时数据匹配。与现有技术中简单的单维度模型相比，本发明的多维状态模型能够同时考虑电压、温度和电流的多维特征分布，提供了更为精确的异常识别基准。通过将实时数据逐级输入多维状态模型，并计算偏差程度，本发明能够及时捕捉到细微的异常变化，实现高精度的异常检测。这种多维度建模方法能够在不同的电池状态下自适应地进行特征对比，提升了系统的鲁棒性和检测效果。
65、在异常判别方面，本发明通过时间序列分析和累积偏差计算方法，显著增强了对异常特征持续性和严重性的判断能力。现有技术中通常通过单一时间点的特征偏差判断异常，而本发明通过在时间序列上的累积偏差分析，使得系统能够识别出长时间内逐步积累的异常特征，尤其在电池老化或长时间自放电的情况下具有明显优势。同时，本发明的异常判别数据包含异常的时间段、特征波动范围和关联物理参数信息，为后续的故障预警和维护提供了详尽的数据支持。相比之下，现有技术在异常判别的持续性和精准性方面相对不足，难以及时识别出潜在的风险。
66、综上所述，本发明通过全面的数据获取、精细的特征提取、多维状态建模、逐级匹配分析和时间序列异常判别，形成了系统化、准确性高且鲁棒性强的锂电池异常检测方法，能够显著提高检测的准确度和可靠性，避免电池异常未被及时发现所可能带来的安全隐患，为锂电池的长时间安全运行提供了有效保障。
1.一种基于深度学习的锂电池异常检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种基于深度学习的锂电池异常检测方法，其特征在于，对原始数据集进行多层预处理，得到基础数据集，包括：
3.根据权利要求2所述的一种基于深度学习的锂电池异常检测方法，其特征在于，对基础数据集进行逐级特征提取，得到特征数据集，包括：
4.根据权利要求3所述的一种基于深度学习的锂电池异常检测方法，其特征在于，根据状态数据集，通过计算不同参数的协同关系，提取各个状态下的关键特征子集，得到分解数据集，包括：
5.根据权利要求4所述的一种基于深度学习的锂电池异常检测方法，其特征在于，构建锂电池的多维状态模型，将分解数据集输入多维状态模型，对分解数据集的子特征进行逐级匹配，得到匹配结果集，包括：
6.根据权利要求5所述的一种基于深度学习的锂电池异常检测方法，其特征在于，根据匹配结果集进行综合分析，生成异常判别数据，包括：
7.根据权利要求6所述的一种基于深度学习的锂电池异常检测方法，其特征在于，根据异常判别数据，分析表征异常位置和严重程度的检测信息，生成异常识别信息，包括：
8.一种基于深度学习的锂电池异常检测系统，其特征在于，应用于如权利要求1至7任一项所述的方法中，所述系统包括：
9.一种计算设备，其特征在于，包括：
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有程序，该程序被处理器执行时实现如权利要求1至7中任一项所述的方法。
