董臣臣，孫大帥，王景龍

（上海采日能源科技有限公司，上海 201802）

鋰電池是儲能集裝箱或者電動汽車的重要部件，電化學(xué)行為、機(jī)械行為和熱行為等會造成鋰電池故障[1]。由于這種電化學(xué)設(shè)備的復(fù)雜性，鋰離子電池的大規(guī)模使用給儲能系統(tǒng)的安全性帶來嚴(yán)峻的挑戰(zhàn)[2-3]。對于鋰離子電池故障診斷和預(yù)警，樣本的不足已經(jīng)成為一個瓶頸[4]。

提前預(yù)知鋰電池故障的發(fā)生，能夠避免安全事故[5]。Zhao 等[6]采樣云邊端一體化架構(gòu)，將邊緣設(shè)備采集到的故障信息上傳到云端，并在云端對數(shù)據(jù)進(jìn)行特征工程和模型訓(xùn)練。王志福等[7]將智能優(yōu)化算法引入鋰離子電池傳感器故障診斷，提出基于遺傳算法優(yōu)化粒子群算法和模糊神經(jīng)網(wǎng)絡(luò)的鋰離子電池傳感器故障診斷方法。然而，大多數(shù)的故障預(yù)警方法需要大量的故障數(shù)據(jù)來提供精確的結(jié)果，在實驗室或生產(chǎn)環(huán)境下獲取電池故障數(shù)據(jù)需要相當(dāng)長的時間和較高的經(jīng)濟(jì)成本，并且以上方法沒有解決數(shù)據(jù)分布偏移問題[8]。

最近，遷移學(xué)習(xí)在不同行業(yè)內(nèi)受到廣泛關(guān)注，遷移學(xué)習(xí)通過現(xiàn)有的領(lǐng)域知識解決不同但相關(guān)的領(lǐng)域的問題。遷移學(xué)習(xí)技術(shù)不僅解決源域和目標(biāo)域數(shù)據(jù)分布的偏移問題，而且能夠在樣本較少的情況下提高模型的泛化能力[8]。Mao等[9]使用遷移學(xué)習(xí)和卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network，CNN)模型實現(xiàn)電池健康狀態(tài)的估計。Ruan 等[10]利用遷移學(xué)習(xí)技術(shù)先使用相關(guān)的數(shù)據(jù)訓(xùn)練模型，然后再微調(diào)模型。Von Bülow 等[11]提出一種使用多層感知器(multilayer perceptron，MLP)的電池健康度(state of health，SOH)預(yù)測模型的遷移學(xué)習(xí)方法。文獻(xiàn)[9-11]由于訓(xùn)練過程中使用的是離線數(shù)據(jù)，在遷移學(xué)習(xí)過程中，模型只能根據(jù)目標(biāo)域中歷史的數(shù)據(jù)進(jìn)行微調(diào)，不能在線學(xué)習(xí)，此外在數(shù)據(jù)分布發(fā)生偏移時誤差較大。目前，在線遷移學(xué)習(xí)在電池故障預(yù)警中的應(yīng)用較少，多數(shù)是在電池健康狀態(tài)評估上的應(yīng)用。在文獻(xiàn)[12]中，采用在線遷移學(xué)習(xí)實現(xiàn)對電池SOH的估計。

針對上述存在的問題，本工作主要的貢獻(xiàn)闡述如下：

首先，結(jié)合增量學(xué)習(xí)[13]的概念，提出基于改進(jìn)的在線遷移學(xué)習(xí)的故障預(yù)警算法。通過使用源域中充足的故障數(shù)據(jù)來訓(xùn)練離線模型，并且離線模型隨著時序數(shù)據(jù)增加到合適的量后進(jìn)行增量學(xué)習(xí)，使其既能學(xué)習(xí)源域中的特征，又能學(xué)習(xí)目標(biāo)域中的特征。

其次，設(shè)計一種分段下采樣策略。在實際的儲能項目中，電池故障相關(guān)的數(shù)據(jù)較少，正負(fù)樣本嚴(yán)重不均衡。本工作通過采樣技術(shù)來解決此問題，對負(fù)樣本進(jìn)行下采樣來減少整體的數(shù)據(jù)量，從而降低計算資源的使用。電池故障預(yù)警場景下，設(shè)計分段下采樣策略使算法模型在故障發(fā)生前能學(xué)習(xí)到更多細(xì)微的特征。

最后，通過在滑動窗口內(nèi)計算F1-score解決模型權(quán)重緩慢失衡問題，從而提高模型的準(zhǔn)確性。離線分類器在線學(xué)習(xí)的過程中權(quán)重會緩慢向1 趨近，為解決這種權(quán)重緩慢失衡問題，使用當(dāng)前的一個時間窗口，評估離線模型和在線模型，然后確定模型的權(quán)重。通過設(shè)置評分的時間窗口，保證評分能準(zhǔn)確表示在線模型的當(dāng)前誤差，從而避免權(quán)重失衡問題。

1 增量學(xué)習(xí)

增量學(xué)習(xí)可以從數(shù)據(jù)流中不斷學(xué)習(xí)領(lǐng)域知識，是一種以增量方式進(jìn)行學(xué)習(xí)的訓(xùn)練策略。只有少數(shù)類的訓(xùn)練數(shù)據(jù)必須同時存在，并且可以逐步添加新的類。傳統(tǒng)的模型訓(xùn)練基于固定的數(shù)據(jù)集進(jìn)行訓(xùn)練學(xué)習(xí)，隨著不同分布的數(shù)據(jù)流的加入，一般需要重新訓(xùn)練整個模型，此方式較為耗時耗力，在實際應(yīng)用場景中并不適用，因此增量學(xué)習(xí)應(yīng)運(yùn)而生。

增量學(xué)習(xí)只需使用一部分舊數(shù)據(jù)而非全部舊數(shù)據(jù)就能訓(xùn)練得到分類器。學(xué)習(xí)新的知識會使訓(xùn)練后的模型很快忘記舊的知識，這被稱為災(zāi)難性遺忘，增量學(xué)習(xí)能夠很好地解決災(zāi)難性遺忘問題[14-15]。

2 在線遷移學(xué)習(xí)

在線遷移學(xué)習(xí)[16-17]主要將數(shù)據(jù)分為源域和目標(biāo)域；算法分為離線模型和在線模型。使用源域訓(xùn)練離線模型，使用目標(biāo)域訓(xùn)練在線模型。最終的結(jié)果根據(jù)兩種模型的輸出進(jìn)行加權(quán)獲得。其中，離線分離器可以使用支持向量機(jī)(support vector machines，SVM)[18]、隨機(jī)森林[19]等，在線分類器可以使用Passive-Aggressive(PA)算法[20]。

在線遷移學(xué)習(xí)過程如圖1所示，具體步驟如下：

圖1 在線遷移學(xué)習(xí)算法Fig.1 Schematic diagram of online transfer learning algorithm

（1）使用源域中的離線數(shù)據(jù)訓(xùn)練一個離線分類器；

（2）使用離線分類器對目標(biāo)域中的在線時序數(shù)據(jù)進(jìn)行預(yù)測得到一個分類結(jié)果A；

（3）使用目標(biāo)域中的在線時序數(shù)據(jù)訓(xùn)練在線分類器，并預(yù)測當(dāng)前的在線數(shù)據(jù)得到一個分類結(jié)果B；

（4）最后A和B進(jìn)行加權(quán)求和得到最終的分類結(jié)果。

在線遷移學(xué)習(xí)主要分為同構(gòu)在線遷移學(xué)習(xí)(homogeneous online transfer learning，HomOTL)和異構(gòu)在線遷移學(xué)習(xí)(heterogeneous online transfer learning，HetOTL)[16]。HomOTL 中源域和目標(biāo)域的特征空間，即特征的種類和個數(shù)相同，而在HetOTL中，源域和目標(biāo)域的特征空間不同。

3 理論分析

3.1 總體框架

本工作提出的HomOTL-UIT 算法在整體框架上與HomOTL 類似，分為源域和目標(biāo)域，但是在算法內(nèi)部實現(xiàn)上引入下采樣和批量增量學(xué)習(xí)部分。該算法的結(jié)構(gòu)和流程如圖2所示。

圖2 HomOTL-UIT算法Fig.2 Schematic diagram of HomOTL-UIT algorithm

最外層兩方框分別表示源域和目標(biāo)域，要實現(xiàn)源域到目標(biāo)域的遷移學(xué)習(xí)；源域中獲取離線訓(xùn)練數(shù)據(jù)，然后下采樣；與此同時，目標(biāo)域中的在線時序數(shù)據(jù)進(jìn)行分批處理，分批數(shù)據(jù)與下采樣后的數(shù)據(jù)進(jìn)行合并，合并后的數(shù)據(jù)訓(xùn)練離線分類器；隨著時間的推移，每次分批數(shù)據(jù)都要訓(xùn)練離線模型，實現(xiàn)離線模型的增量學(xué)習(xí)；同時，每次的分批數(shù)據(jù)訓(xùn)練在線分類器；α1、α2分別代表離線分類器和在線分類器的權(quán)重，在線學(xué)習(xí)的過程中，會根據(jù)損失函數(shù)更新α1、α2，通過集成學(xué)習(xí)的思想提高算法的準(zhǔn)確度。

3.2 分段下采樣策略

通常在使用遷移學(xué)習(xí)解決數(shù)據(jù)分布偏移的問題時，目標(biāo)域的數(shù)據(jù)量較少，而源域的數(shù)據(jù)量較大。此特點(diǎn)在故障預(yù)警中更為明顯，而且正負(fù)樣本比例嚴(yán)重不平衡。異常時間點(diǎn)不久前的數(shù)據(jù)往往更具有價值，因為模型可以在故障發(fā)生前學(xué)習(xí)到前期細(xì)微的特征。比如電池在發(fā)生故障之前，電壓數(shù)據(jù)將發(fā)生異常變化[21]。

圖3表示不同電芯、不同時間下異常發(fā)生時，電芯的電流、電壓、溫度和荷電狀態(tài)(state of charge，SOC)的變化情況。子標(biāo)題中逗號分割后依次表示：簇架號，Pack 號，電芯號和日期?？煽闯霎惓０l(fā)生前，電芯有相似的整體特征，但又有細(xì)微的差異，前期這些細(xì)微的差異對模型的學(xué)習(xí)至關(guān)重要。

圖3 異常發(fā)生時的數(shù)據(jù)分布情況Fig.3 The data situation before the exception occurred

然而，故障發(fā)生的N小時前或者N天前的樣本對短時序的預(yù)測來說，模型的重要性相對較低。所以故障預(yù)警場景下，本工作采用分段下采樣策略，異常時間點(diǎn)后不采樣，異常時間點(diǎn)前采樣比例依次減少。

如圖4所示，若8:10發(fā)生異常，則異常時間點(diǎn)的前10分鐘內(nèi)(8:00—8:10)的數(shù)據(jù)，采樣個數(shù)為總采樣個數(shù)的35%；7:30—8:00采樣個數(shù)為總樣本個數(shù)的30%；同理，6:30—7:30采樣20%，4:00—6:30采樣10%，00:00—4:00 采樣5%。異常時間點(diǎn)之前的數(shù)據(jù)，通過下采樣處理后，使用采樣后樣本訓(xùn)練離線分類器。正樣本的比例提高使得離線分類器更容易學(xué)習(xí)到異常樣本的特征。因此，本工作引入的分段下采樣技術(shù)，解決樣本不均衡問題，并且減少樣本數(shù)量，降低計算資源的使用。

圖4 分段下采樣策略Fig.4 Schematic diagram of segmentation downsampling strategy

3.3 分批增量學(xué)習(xí)

為方便算法步驟的描述，將不同符號所表示的含義列于表1。

表1 不同符號的含義Table 1 Meaning of the different symbols

當(dāng)源域X和目標(biāo)域Y的數(shù)據(jù)差異很大時，離線分類器v如果僅僅根據(jù)源域的數(shù)據(jù)進(jìn)行訓(xùn)練，則離線分類器的預(yù)測誤差始終最大。即離線模型在遷移學(xué)習(xí)中的權(quán)重α1始終為0，使得在線遷移學(xué)習(xí)退化成在線學(xué)習(xí)。為解決此問題，本工作采用分批增量學(xué)習(xí)的方法進(jìn)行模型的訓(xùn)練。

分批增量學(xué)習(xí)，首先源域中訓(xùn)練的離線分類器需要在合適的時間進(jìn)行更新，以此來適應(yīng)目標(biāo)域中不斷變化的數(shù)據(jù)分布，從而解決數(shù)據(jù)分布偏移問題。在目標(biāo)域中，為降低多次訓(xùn)練帶來的計算資源的開銷，將在線數(shù)據(jù)進(jìn)行分批處理，通過增量學(xué)習(xí)，不斷從目標(biāo)域中學(xué)習(xí)，從而不斷提高離線分類器的準(zhǔn)確度。

如圖5 所示，Xs為分批后的源域數(shù)據(jù)，Yt1、Yt2、Yt3，…，Ytn為分批后的目標(biāo)域數(shù)據(jù)。時序數(shù)據(jù)到達(dá)分批的時間時，進(jìn)行下采樣處理，然后對離線分類器進(jìn)行全量數(shù)據(jù)x1,t的離線模型訓(xùn)練，圖中，t=0 時，使用源域中的數(shù)據(jù)Xs訓(xùn)練離線分類器v；若t=1 時，到達(dá)分批處理的時間點(diǎn)，此時使用源域中的數(shù)據(jù)Xs和目標(biāo)域中的數(shù)據(jù)Yt1訓(xùn)練離線分類器v；同理，若t=2 時，到達(dá)分批處理的時間點(diǎn)，此時使用源域中的數(shù)據(jù)Xs，目標(biāo)域中的數(shù)據(jù)Yt1和Yt2訓(xùn)練離線分類器v。每次分批處理后都要更新模型權(quán)重α，最后根據(jù)模型權(quán)重α進(jìn)行模型融合求取最終預(yù)測結(jié)果。

圖5 算法結(jié)構(gòu)Fig.5 Structure of HomOTL-UIT algorithm

3.4 組合權(quán)重的更新

混淆矩陣(表2)能夠有效而全面評估分類模型的性能。通常用于評估多分類或單標(biāo)簽分類模型[22]。

表2 混淆矩陣Table 2 Confusion matrix

根據(jù)混淆矩陣可以計算出分類模型的性能評價指標(biāo)。精準(zhǔn)率P(Precision)[式(1)]表示預(yù)測為正例的樣本中預(yù)測正確的比重。當(dāng)數(shù)據(jù)集不平衡時，P不能再用來度量分類模型性能，因為它對大多數(shù)類提供過度樂觀的估計[20]。

召回率R(Recall) [式(2)]，表示實際為正例的樣本中預(yù)測正確的比例。

F1-score [式(3)]是精準(zhǔn)率和召回率的調(diào)和平均。調(diào)和平均數(shù)的特點(diǎn)是易受極端值影響，該特點(diǎn)的具體表現(xiàn)如下：

（1）精準(zhǔn)率和召回率都很高時，F(xiàn)1-score很高；

（2）精準(zhǔn)率和召回率都很低時，F(xiàn)1-score很低；

（3）精準(zhǔn)率和召回率中的一個很高，另一個很低，F(xiàn)1-score為中等。

單純追求精準(zhǔn)率，會造成分類器或者模型少預(yù)測為正樣本，這時FP 低，P就會很高。故障預(yù)警中，由于正負(fù)樣本極度不平衡，正樣本極其稀少，而負(fù)樣本較多，所以本工作更關(guān)注正樣本的評分情況，同時，根據(jù)調(diào)和平均數(shù)易受極端值影響的特點(diǎn)，即精準(zhǔn)率和召回率過大或過小都會使F1-score變低，需要兼顧精準(zhǔn)率和召回率，所以使用F1-score更能反映分類模型的性能。

在線遷移學(xué)習(xí)中分類器的權(quán)重更新相關(guān)的原理見式(4)。

式(4)中損失函數(shù)為(z-y)2，其中變量z表示預(yù)測值，變量y表示真實值，u表示分類器，n表示學(xué)習(xí)率，整個公式表示使用分類器u時預(yù)測值和真實值之間的誤差大小。該損失函數(shù)考慮的是正負(fù)樣本的預(yù)測情況，故障預(yù)警中，由于正負(fù)樣本比例嚴(yán)重不平衡，對于負(fù)樣本的預(yù)測一般都比較準(zhǔn)確。然而，本工作更關(guān)注正樣本的預(yù)測情況，所以在模型訓(xùn)練的過程中，使用F1-score 進(jìn)行度量模型的誤差。t+1 時刻的權(quán)重由上一時刻的分類器的損失值占全部損失值的比例來決定[式(5)]。

在線遷移學(xué)習(xí)的模型誤差考慮的是FP 和FN，離線分類器的FP+FN個數(shù)始終小于PA模型的，因為統(tǒng)計的是累計值，在線模型前期在試錯，所以錯誤比較多，后期在線模型如果不能更優(yōu)越，累計錯誤會始終很高，所以在線學(xué)習(xí)的過程中，離線分類器的權(quán)重會緩慢向1趨近。為解決這種權(quán)重緩慢失衡問題，使用當(dāng)前的一個時間窗口，評估離線模型和在線模型，然后確定模型的權(quán)重。使用累計的FP+FN 評估在線模型不能反映當(dāng)前模型的情況，設(shè)置評分的時間窗口，保證評分能準(zhǔn)確表示在線模型的當(dāng)前誤差。

隨著時間的推移，固定窗口大小的滑動窗口，不斷新加入數(shù)據(jù)，并且去除舊的數(shù)據(jù)，F(xiàn)1-score僅根據(jù)當(dāng)前時間下滑動窗口內(nèi)的數(shù)據(jù)進(jìn)行計算，從而保證模型評分是最新的(圖6)。

圖6 滑動窗口下的F1-score示意圖Fig.6 Schematic diagram of F1-score under sliding window

然后使用基于滑動窗口下的F1-score進(jìn)行權(quán)重更新[式(6)]，F(xiàn)1,1t表示t時刻離線模型的F1-score，F(xiàn)1,2t表示t時刻在線模型的F1-score。

最后，使用預(yù)測函數(shù)[16][式(7)]進(jìn)行模型融合，其中sign 函數(shù)為符號函數(shù)，將最終結(jié)果映射成-1或1，Π函數(shù)實現(xiàn)歸一化。

總體的算法步驟如下：

Algorithm 1 展示HomOTL-UIT 算法的整體步驟。首先，算法的輸入為：離線分類器ν、批大小B和系數(shù)τ的下限值；初始化PA 算法函數(shù)[16]w和模型權(quán)重α。然后隨著時間t的推移，不斷接收時序數(shù)據(jù)xt；對接受的時序數(shù)據(jù)進(jìn)行下采樣(序號3)；然后通過預(yù)測函數(shù)預(yù)測出結(jié)果?t(序號4)；接收真實數(shù)據(jù)yt；計算下一時刻(t+1)的模型權(quán)重α1、α2，其中，Precison和Recall是根據(jù)預(yù)測數(shù)據(jù)?t和真實數(shù)據(jù)yt計算得到(序號6)；計算真實數(shù)據(jù)和預(yù)測數(shù)據(jù)的損失值lt(序號7)；當(dāng)累計的數(shù)據(jù)量達(dá)到分批大小時，更新離線分類器ν(序號8～10)；最后，當(dāng)存在預(yù)測錯誤時，更新PA算法函數(shù)w。

4 實 驗

電池故障類型較多，本工作主要針對電池高壓故障進(jìn)行生產(chǎn)環(huán)境下的驗證。

4.1 不同電芯的數(shù)據(jù)分布情況

生產(chǎn)環(huán)境下電芯的基礎(chǔ)信息見表3。

表3 電芯信息Table 3 Battery cell infomation

由于電芯A 先上線運(yùn)行，已經(jīng)存在大量的數(shù)據(jù)，但是電芯B為后上線運(yùn)行，數(shù)據(jù)量較少。本工作希望通過電芯A的數(shù)據(jù)訓(xùn)練模型，能從電芯A中學(xué)習(xí)到一些電池高壓故障的前期癥狀，并且根據(jù)這些癥狀也能推斷出電芯B的健康狀態(tài)。因此首先需了解兩種電芯在數(shù)據(jù)分布上的差異[23]。

本工作以數(shù)據(jù)分布圖的形式展現(xiàn)5天(2022-10-02、2022-10-16、2022-11-27、2022-10-30、2022-11-13)的數(shù)據(jù)分布情況。在圖7中，圖(a)、(b)為電芯A和B的電壓折線圖和數(shù)據(jù)分布圖，從圖7(a)可以看出，電芯A和B在一天內(nèi)的電壓變化情況有較大差異；從圖7(b)可以看出，電芯A和B在電壓數(shù)據(jù)分布有很大差異；圖7(c)、(d)展示的是電芯A和電芯B的溫度的折線圖和數(shù)據(jù)分布圖，可以看出電芯A和B溫度的數(shù)據(jù)分布發(fā)生了偏移；同理，從圖7(e)、(f)可以看出電芯A和B電流的數(shù)據(jù)分布發(fā)生了較大的偏移。綜上所述，可以得出電芯A和B的數(shù)據(jù)分布發(fā)生了更大的偏移。

圖7 告警發(fā)生時的數(shù)據(jù)分布情況Fig.7 Data distribution when an alarm occurs

4.2 分類器性能評分

4.2.1 訓(xùn)練過程中的評分

訓(xùn)練過程中，使用部分未參與訓(xùn)練的數(shù)據(jù)對模型進(jìn)行的評分，能夠反映模型的性能。

圖8 為遷移學(xué)習(xí)算法在訓(xùn)練過程中的評分情況。訓(xùn)練集正負(fù)比例為1∶10。其中圖8(a)表示的是在線遷移學(xué)習(xí)的評分情況，Offline 模型使用SVM 實現(xiàn)，可以看出訓(xùn)練過程中，SVM 的評分始終很低，說明在數(shù)據(jù)分布發(fā)生偏移的情況下，傳統(tǒng)機(jī)器學(xué)習(xí)技術(shù)已經(jīng)不再適用。PA為在線學(xué)習(xí)算法，通過不斷糾錯來提高模型的準(zhǔn)確性[20]。圖8(b)是HomOTL-UIT訓(xùn)練過程中的評分情況，其中Offline模型使用LightGBM 實現(xiàn)，可看出Offline 模型的評分明顯提高。圖8(c)是LightGBM、HomOTL 和HomOTL-UIT的評分對比，可以看出HomOTL-UIT算法評分始終高于其他模型。

圖8 訓(xùn)練過程中的評分情況Fig.8 Scoring during training

不同的采樣策略對模型的影響不同，如圖8(e)～(g)所示，圖8(e)展示不進(jìn)行采樣時的模型評分情況，可以看出模型訓(xùn)練過程中，F(xiàn)1-score始終很低；圖8(f)展示隨機(jī)采樣后模型的評分情況，結(jié)果表明，采樣相比不采樣評分更高；圖8(g)展示分段采樣后的模型評分情況，可以看出分段采樣在分批到達(dá)20 后，明顯高于隨機(jī)采樣，并且最終的評分也高于隨機(jī)采樣。因此，本實驗驗證了分段采樣策略的有效性。

4.2.2 測試集的模型評分

測試集評分是使用B電芯最后3天(2022-11-13、2022-11-20、2022-11-27)的電池高壓故障相關(guān)數(shù)據(jù)，這3天數(shù)據(jù)未參與過模型的訓(xùn)練，能夠反映算法模型的最新評分情況。

表4展示HomOTL模型、SVM模型、LightGBM模型和HomOTL-UIT 模型在測試集的評分情況?？梢钥闯?，HomOTL模型和SVM模型在1989條數(shù)據(jù)中，39 條故障都沒預(yù)測出來，說明在數(shù)據(jù)分布發(fā)生偏移時，HomOTL模型和SVM模型性能較差；LightGBM模型僅能預(yù)測在1989條數(shù)據(jù)中，不存在誤報情況，但是39條故障中僅預(yù)測出8條。

表4 測試集的模型評分Table 4 Model scores on the test set

表4中第7條對應(yīng)的混淆矩陣見表5。

表5 正負(fù)樣本嚴(yán)重不平衡時混淆矩陣Table 5 Confusion matrix when positive and negative samples are seriously unbalanced

本工作提出的HomOTL-UIT 算法在1927 條數(shù)據(jù)中(表4中序號4)，39條故障預(yù)測出37條，僅2條漏報，并且不存在誤報情況；在17434 條數(shù)據(jù)中(序號6)，39條故障預(yù)測出37條，僅2條漏報，并且僅4 條誤報；在26526 條數(shù)據(jù)中(序號7)，39 條故障預(yù)測出37 條，僅2 條漏報，并且僅8 條誤報。由此說明，HomOTL-UIT算法不僅在正負(fù)樣本比例不均衡的情況下能較為準(zhǔn)確地預(yù)測故障，而且在樣本嚴(yán)重不均衡時，也能達(dá)到較高的準(zhǔn)確率。

5 結(jié)論

在儲能領(lǐng)域的電池高壓故障預(yù)警方向，提出HomOTL-UIT算法模型，主要的結(jié)論總結(jié)如下。

（1）針對正負(fù)樣本不均衡問題，設(shè)計出一種新的采樣策略。

（2）提出分批增量學(xué)習(xí)的方法，解決在線遷移學(xué)習(xí)退化為在線學(xué)習(xí)的問題。

（3）針對模型權(quán)重緩慢失衡問題，提出一種新的模型評估方法，即滑動窗口下的F1-score，解決模型權(quán)重緩慢失衡問題，從而提高模型的準(zhǔn)確性。

最后，本工作使用生產(chǎn)環(huán)境下的兩種真實電芯的儲能集裝箱數(shù)據(jù)對算法進(jìn)行驗證，并與當(dāng)下常用的算法模型(如SVM、LightGBM 和HomOTL 等)進(jìn)行對比，結(jié)果表明HomOTL-UIT 算法具有較高的準(zhǔn)確性。本工作提出的HomOTL-UIT 算法模型在儲能領(lǐng)域電池上取得了較好的效果，在新能源汽車領(lǐng)域也具有實際的應(yīng)用價值，切實降低電池的安全隱患，為實現(xiàn)動力電池的故障預(yù)警和提高動力電池的安全性提供了一條新的路徑。