與傳統(tǒng)方法相比，檢測性能提升16%?33%，與最先進的深度學習算法相比，成本降低33%，最重要的是它經(jīng)過大規(guī)模實車數(shù)據(jù)集的驗證，具備極強的實際應用價值，它就是來自昇科能源的電池異常檢測深度學習模型。

9月23日，昇科能源攜手清華大學歐陽明高院士團隊和北大科研團隊的最新研究成果《動態(tài)深度學習實現(xiàn)鋰離子電池異常檢測》(《Realistic Battery Fault Detection with Dynamical Deep Learning》)正式在Nature子刊《Nature Communications》刊出，它面向?qū)嶋H數(shù)據(jù)的鋰離子電池安全預警問題，搭建了基于動態(tài)變分自編碼器的電池異常檢測深度學習框架（dynamical autoencoder for anomaly detection, DyAD），并通過實際社會經(jīng)濟影響因子分析優(yōu)化深度學習模型，實現(xiàn)高檢出率、低誤報率的電池異常檢測，同時發(fā)布了包含347輛電動汽車的69萬條充電片段的大規(guī)模實車電池數(shù)據(jù)集。

電動汽車電池的故障預測可以節(jié)省社會成本并推動EV的普及，但由于電池系統(tǒng)是高度復雜的非線性系統(tǒng)，相關研究在實際應用中還有很長的路要走。原因有兩個：

第一，現(xiàn)有算法的驗證僅在小規(guī)模實驗室環(huán)境中進行，算法需要進一步測試；

第二，現(xiàn)有的很多算法依賴于在現(xiàn)實世界環(huán)境中不可用的信息，無法顧及數(shù)據(jù)可用性、經(jīng)濟性、傳感器噪聲和模型隱私等因素，無法應用于實際場景。

昇科能源攜手清華大學歐陽明高院士團隊和北大科研團隊開發(fā)了一種名為DyAD的深度學習模型，能更有效地預測鋰離子電池異常，同時顯著降低成本，提高實用性。

圖1 發(fā)布的大規(guī)模實車電池數(shù)據(jù)集

動態(tài)變分自編碼器提取大規(guī)模實車電池異常數(shù)據(jù)

發(fā)布的大規(guī)模實車電池數(shù)據(jù)集如圖1所示，來源于三家制造商，存在快充慢充等不同充電工況，數(shù)據(jù)樣本多樣且不規(guī)則，通過簡單的電壓、電流、溫度變化、充電曲線對比等手段無法區(qū)分正常車輛和異常車輛，因此，利用動態(tài)變分自編碼器對如此大規(guī)模的實車電池數(shù)據(jù)蘊含異常信息進行特征提取。

圖2 基于動態(tài)變分自編碼器的電池異常檢測深度學習框架

DyAD深度學習模型對電池特征進行動態(tài)編譯和解譯

文章提出的深度學習架構(gòu)如圖2所示，該模型架構(gòu)可直接部署于實際場景的充電站、電動汽車以及云端服務器（圖2a），充電站收集BMS數(shù)據(jù)并進行編譯以保護用戶隱私，進而上傳至云端服務器，實現(xiàn)云端獨立的電池異常檢測結(jié)果輸出，同時還考慮了異常檢測引起的社會經(jīng)濟效益并進行經(jīng)濟性最優(yōu)檢測分析。

圖3 實車電池數(shù)據(jù)集的檢測結(jié)果及經(jīng)濟性分析

DyAD深度學習模型檢測性能提升16%?33%，成本降低33%

DyAD深度學習架構(gòu)對大規(guī)模實車電池數(shù)據(jù)集的檢測結(jié)果及經(jīng)濟性如圖3所示。文章將DyAD模型與現(xiàn)有幾種常見深度學習算法進行比較，分別是graph deviation network（GDN)， vanilla autoencoder (AE), support vector data description (SVDD), Gaussian process model (GP)，以及一種統(tǒng)計數(shù)據(jù)驅(qū)動電池檢測算法 (variation evaluation, VE)，并用受試者工作特征曲線面積（Area Under the Receiver Operating Characteristic Curve，AUROC）作為對比量化指標。實驗結(jié)果表明，相比于幾種常見算法，文章提出的深度學習架構(gòu)可以提升16%?33%的AUROC并保持微小的性能波動（圖3a）。

而在經(jīng)濟性方面，通過昇科能源在北京、上海等國內(nèi)一線城市的車輛數(shù)據(jù)統(tǒng)計，對DyAD以及幾種常見算法的經(jīng)濟性進行優(yōu)化對比，得到DyAD深度學習模型在不同故障成本與檢修成本情況下可平均減少33%的直接成本（圖3c與圖3d）。

圖4 異常檢測算法對電池物理知識的學習原理解析

DyAD深度學習模型保證電池異常檢測的高檢出率、低誤報率

此外，文章還對DyAD模型在實際實車數(shù)據(jù)中學習到的物理知識原理進行解析，如圖4所示。研究者觀察了訓練過程中所有電池充電片段在提出的深度學習架構(gòu)的三個代表性層級（輸入層 圖4a、隱藏層 圖4b、輸出層 圖4c）之間的演化歸類情況，并用t-SNE (t-distributed stochastic neighbor embedding)的可視化技術(shù)把每個充電片段映射成一個二維空間中的一個點。為了便于觀察，隨機挑選公開的大規(guī)模數(shù)據(jù)集中某輛車輛，并突出標注了該輛車輛的異常片段（紅色點）和正常片段（藍色點）。圖4c的輸出層可以清楚看到所有車輛的異常片段和正常片段被DyAD分為了兩塊明顯區(qū)分的區(qū)域，而從圖4a到圖4c的演化過程中，隨機挑選的某輛車輛的異常片段（紅色點）和正常片段（藍色點）也從輸入層（圖4a）的無序隨機分布狀態(tài)變化為輸出層（圖4c）在兩塊區(qū)域幾乎獨立分布狀態(tài)。此現(xiàn)象表明，DyAD深度學習架構(gòu)的底層訓練邏輯是通過重構(gòu)誤差聚類實現(xiàn)了對電池關鍵物理特征信息的提取學習，從而能夠保證電池異常檢測的高檢出率、低誤報率。

返回第一電動網(wǎng)首頁 >