[0001] 本发明涉及数据处理技术领域，具体涉及一种用于电气储能的电池隔膜材料制备方法。

[0002] 电池隔膜是电气储能系统中的关键组成部分，它位于正负极之间，其主要功能是防止正负极材料直接接触而引起短路，同时允许电解质中的离子自由通过，维持电池的电荷和放电过程，隔膜材料的性能直接影响电池的安全性、能量密度、循环寿命和成本。而在电池隔膜材料的制备过程中，通过制备技术调控孔隙率和孔径分布，以达到最优的离子传输性能。在隔膜的生产过程中，可以通过热拉伸来调控孔隙结构。通过控制拉伸温度、速度和方向，可以得到不同孔径大小和孔隙率的隔膜。适宜的温度可以确保在拉伸过程中聚合物材料不会断裂，同时也不会过度软化。这样可以保证在隔膜中形成具有良好机械强度的多孔结构。因此需要对拉伸过程中的温度进行监测，使其在稳定的温度下进行材料拉伸，才能保证制备出的电池隔膜具有良好的性能。

[0003] 在现有技术中，对温度数据进行监测的过程主要体现在对数据进行异常识别，从而根据监测的结果来调节温度，使其在一个合理的区间范围。支持向量机（SVM）是一种监督学习算法，通常用于分类和回归问题。在异常检测领域，特别是One‑Class SVM被用来识别异常值或离群点。One‑Class SVM的目的是找到与数据集的正常模式最相似的小区域，任何不在这个区域内的点都被认为是异常的。但是因为电池隔膜材料在制备的过程中会有周期性的加热和冷却阶段，因此温度数据会显示出周期性的波动，因此在通过支持向量机算法对温度数据进行异常检测时，会因为数据的波动导致检测结果不准确。

[0019] 为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种用于电气储能的电池隔膜材料制备方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

[0020] 除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

[0021] 下面结合附图具体的说明本发明所提供的一种用于电气储能的电池隔膜材料制备方法的具体方案。

[0022] 请参阅图1，其示出了本发明一个实施例提供的一种用于电气储能的电池隔膜材料制备方法的步骤流程图，该方法包括以下步骤：步骤S001、采集电池隔膜制备过程中的温度数据，得到第一数据序列。

[0023] 本实施例的主要是为了对电池隔膜材料在生产制备过程中的温度进行监测，根据监测的结果对温度进行调节，使得制备过程中温度处于一个合理的范围，保证隔膜材料的孔隙率达标。因此首先需要采集获得隔膜材料制备过程中的温度监测数据。本实施例使用温度传感器获取隔膜材料制备过程中的温度数据，采集时间间隔设置为1秒，所述温度数据为时间序列数据，该温度数据包含若干个数据点，并且该段温度数据为正常数据，不存在异常数据点，将其作为参考数据。然后再采集电池隔膜制备过程中的实时温度监测数据，实时监测温度数据中包含若干实时监测得到的数据点，采集时间间隔仍为1秒，由参考数据与实时温度监测数据共同构成第一数据序列，然后对第一数据序列进行分析，检测实时温度数据是否存在异常。

[0024] 至此，获得了第一数据序列。

[0025] 步骤S002、根据第一数据序列中数据点幅值的变化，获得每个数据点的特征值；根据第一数据序列中每个数据点的特征值和幅值构建第一数据序列的二维数据平面；对二维数据平面中的数据点进行聚类，获得多个聚类簇；根据聚类簇中数据点的特征值和幅值变化获得每个聚类簇的异常程度。

[0026] 需要说明的是，在电池隔膜材料的制备过程中，温度是一个关键的控制参数，它对隔膜的多孔结构、机械强度、热稳定性以及最终的电池性能有着显著影响。制备过程中的温度可以影响隔膜材料的孔隙大小和孔隙分布。例如，在热致相分离过程中，较高的温度通常会导致更大的孔隙和较低的孔隙密度。温度变化还可以影响孔隙的形状，从而影响隔膜的各向异性和结构均匀性。隔膜的机械强度通常需要在较高的温度下通过拉伸或定向结晶过程来增强。温度的提高可以增强聚合物链的流动性，有助于聚合物分子链的取向，从而提高隔膜的机械强度。因此需要对电池隔膜生产制备过程中的温度进行监测，判断温度是否发生异常，当发生异常时，需要及时的进行调节，保证电池隔膜制备质量达标。

[0027] 进一步需要说明的是，在通过支持向量机算法对温度数据进行异常检测时，该算法的目标是找到一个超平面，可以将数据空间中的两类样本完全分开，并且使得边界到最近的样本点的距离最大化，这个边界就是所谓的“最大边界超平面”，任何不在最大边界区域内的点都被认为是异常的。但是因为电池隔膜材料在制备的过程中会有周期性的加热和冷却阶段，因此温度数据会显示出周期性的波动，因此在通过支持向量机算法对温度数据进行异常检测时，部分数据会出现离群特征，会因为数据的波动导致检测结果不准确。在通过支持向量机算法对数据进行异常检测时，需要获得的超平面的位置，因此首先需要对第一数据序列进行可视化，通过计算每个数据点在第一数据序列中的特征，进而将其放在二维坐标系中，根据二维坐标系中数据点的变化关系来获得超平面的位置参数。

[0028] 具体的，首先对于第一数据序列中任意一个数据点，预设邻域数据点的数量 ，本实施例采用 进行叙述，将该数据点左右两侧各 个数据点作为该数据点的邻域数据点，特别说明的是，若该数据点靠近第一数据序列边界导致无法获取足够的邻域数据点，不进行补充，以实际存在的数据点作为邻域数据点；根据第一数据序列中数据点幅值的变化来获得每个数据点的特征值，其计算公式如下：式中， 表示第一数据序列中第 个数据点的特征值， 表示第一数据序列中第个数据点的幅值，表示第一数据序列中所有数据点幅值的均值， 表示第一数据序列中第 个数据点的第 个邻域数据点的幅值， 表示第一数据序列中第 个数据点的邻域数据点的数量， 表示绝对值函数。

[0029] 所需说明的是， 表示第一数据序列中第 个数据点的幅值与第一数据序列中所有数据点幅值的均值的差值，其差值越大，说明第 个数据点的幅值越偏离正常数据，因此其异常程度可能越大， 表示第 个数据点与其邻域数据点幅值的差异，其差值越大当前数据点与邻域数据点的差异越大，因此其异常程度越大。表示第 个数据点与其所有邻域数据点幅值差异的均值。

[0030] 进一步的，根据上述计算获得的第一数据序列中每个数据点的特征值，然后以每个数据点的幅值为横坐标，特征值为纵坐标构建二维坐标系，获得第一数据序列对应的二维数据平面。

[0031] 需要说明的是，因为电池隔膜材料在制备的过程中会有周期性的加热和冷却阶段，因此温度数据会显示出周期性的波动，而周期性的波动表现出温度数据出现上下的浮动变化，因此在通过支持向量机算法对数据进行异常检测时，表现出的数据离群特征更明显，也就是越远离超平面，会出现数据局部离群。因此为了能够准确的检测出现第一数据序列中存在的异常数据点，本实施例通过对二维数据平面中的数据进行分析，来获得数据点的离群程度，进而来检测存在异常的数据点；支持向量机算法是一种二分类算法，如果数据点位于超平面的错误一侧，这个点可能是被错误分类的，或者是一个异常值。因此为了能够准确的对数据进行分类，需要表征数据的正常特性。

[0032] 具体的，使用DBSCAN密度聚类算法对二维数据平面上的各数据点进行聚类，设置聚类半径为 ，最小聚类数为 ，获得多个聚类簇。其中上述阈值为经验值，实施者可根据不同实施环境自行设定；DBSCAN密度聚类算法为现有公知技术，在此不再进行赘述。然后对获得的聚类簇进行分析，获得每个聚类簇的异常程度，其计算公式如下：式中， 表示第 个聚类簇的异常程度， 表示第 个聚类簇中所有数据点特征值的均值， 表示第 个聚类簇中所有数据点幅值的均值， 表示第 个聚类簇中第 个数据点与第 个数据点之间的欧式距离， 表示第 个聚类簇中第 个数据点在第一数据序列中的幅值， 表示所有聚类簇中数据点幅值均值的最大值， 表示第 个聚类簇中数据点的数据量， 表示绝对值函数,  表示线性归一化函数；归一化对象为所有聚类簇的 。

[0033] 所需说明的是， 表示第 个聚类簇中数据点的密度，在这里使用数据点与数据点之间的距离来表示，其平均距离越小，则说明密度越大，因此其该聚类簇中的数据点越聚集，因此其异常程度越小；需要说明的是，两个数据点之间的欧式距离的计算公式如下： ，其中， 表示第 个数据点
与第 个数据点之间的欧式距离， 表示第 个数据点的横坐标， 表示第 个数据点的横坐标， 表示第 个数据点的纵坐标， 表示第 个数据点的纵坐标。
表示第 个聚类簇中数据点的幅值与最大值的差值，
其差值越大，说明当前聚类簇的异常程度越小。乘以聚类簇数据点的数量 是为了表示当聚类簇中数据点的数量越多时，说明在第一数据序列中，温度相近的数据点越多，因此该聚类簇中的数据点越可能是区域正常的；相反，聚类簇中数据点的数量越少，则在第一数据序列中，其温度数据点的变化与其他数据相差较大，因此越可能是异常的聚类簇。

[0034] 至此，获得了不同聚类簇的异常程度。

[0035] 步骤S003、将二维数据平面中每个聚类簇的数据点在第一数据序列中对应，对不同聚类簇的数据点分别进行标记，获得第一数据序列中的若干类标记数据点；对相同类的标记数据进行层次聚类，得到多个目标聚类簇；根据同一聚类簇中所有数据点对应的目标聚类簇的分布，以及聚类簇的异常程度，获得每个数据点的离群值。

[0036] 根据上述计算获得的不同聚类簇的异常程度，然后对原始数据进行分析，获得不同数据点的离群值。

[0037] 需要说明的是，因为在将第一数据序列转化到二维数据平面时，虽然第一数据序列中的数据呈现一定的周期变化，数据的幅值变化会有差异，但是是根据每个数据点与其邻域数据点的变化进行转化的，因此在二维数据平面中异常的数据点会出现离群特征，异常程度值越大，则其离群程度越大，那么就可以根据二维数据平面中数据的分布获得每个数据点的离群值。

[0038] 具体的，首先将二维数据平面中的每个聚类簇的数据点在第一数据序列中对应，并且对不同聚类簇的数据点分别进行标记，同一聚类簇标记的数据点记为同一类标记数据点，获得第一数据序列中的若干类标记数据点，然后使用层次聚类算法对不同标价数据点进行聚类，设置聚类层数为 ，获得二维数据平面中的任意一个聚类簇的数据点在第一数据序列的若干聚类簇，记为若干目标聚类簇。需要说明的是，二维数据平面中的一个聚类簇包含的多个数据点在第一数据序列中进行层次聚类时，会得到多个目标聚类簇，每一个目标聚类簇分布在第一数据序列中的不同位置上。

[0039] 需要说明的是，因为电池隔膜材料在加工时的温度存在周期变化，本步骤的目的就是为了描述二维数据平面中的数据点在第一数据序列中的周期特性。因此根据第一数据序列的聚类结果来获得每个数据点的离群值。

[0040] 具体的，根据同一目标聚类簇中数据点的横坐标差值，以及目标聚类簇对应类的标记数据点对应的聚类簇的异常程度，获得每个数据点的离群值的计算公式如下：式中， 表示第 个聚类簇中第 个数据点的离群值， 表示第 个聚类簇的异常程度， 表示第 个聚类簇中第 个数据点所在的第一数据序列中的目标聚类簇 的中心点的时间值， 表示第 个聚类簇中第 个数据点所在的第一数据序列中的目标聚类簇 的相邻前一个目标聚类簇的中心点的时间值， 表示第 个聚类簇中第个数据点所在的第一数据序列中的目标聚类簇 的相邻后一个目标聚类簇的中心点的时间点， 表示第 个聚类簇中所有数据点特征值的均值， 表示第 个聚类簇中所有数据点幅值的均值。

[0041] 所需说明的是， 表示二维数据平面中的第 个聚类簇的数据点在第一数据序列中的数据分布，因为处于同一数据区段内的数据在进行层次聚类时会聚为一类，因此通过描述目标聚类簇在时间上的变化关系表示数据点的周期，周期性越强，则说明二维数据平面中的第 个聚类簇中的数据点的离群程度越小，即 的比值越趋近于1，说明二维数据平面中的第 个聚类簇中的数据点的周期特性越强烈，因此其离群程度越小。 表示二维数据平面中的第 个聚类簇在平面中的分布位置，其比值越大或越小都说明该聚类簇中的数据点具有离群性，因此数据点的离群值越大。

[0042] 至此，获得了每个数据点的离群值。

[0043] 步骤S004、根据每个数据点的离群值获得最优超平面。

[0044] 需要说明的是，最优超平面的作用是找到一个决策边界，这个边界能够最大化不同类别数据点之间的间隔，可以将数据集中的样本根据类别分割开来。最优超平面的目标是最大化两个类别之间的间隔，间隔是最近的相反类别的数据点（支持向量）到超平面的最小距离的两倍，这个最大间隔特性有助于提高模型的泛化能力。因此根据上述计算获得的每个数据点的离群值，然后获得最优超平面，在二维数据中，最优超平面为一条直线。

[0045] 具体的，最优超平面的计算公式如下：式（1）中， 表示超平面函数，其中 表示超平面函数的纵坐标，表示
超平面函数的斜率，表示超平面函数的横坐标，表示超平面函数的纵截距。

[0046] 式（2）中， 表示所有数据点离群值的最大值， 表示所有数据点离群值的最小值， 表示在二维数据平面中每个聚类簇中所有数据点特征值均值的最大值， 表示在二维数据平面中每个聚类簇中所有数据点特征值均值的最小值，表示在二维数据平面中每个聚类簇中所有数据点幅值均值的最大值， 表示在二维数据平面中每个聚类簇中所有数据点幅值均值的最小值。

[0047] 所需说明的是， 表示所有数据点离群值的最大值与最小值的比值，表示数据点的发散程度，其比值越大，那么说明数据点在二维数据平面中越发散，因此其比值越大，斜率越大； 表示二维数据平面中聚类簇的分布， 表示纵坐标的分布， 表示横坐标的分布，其比值决定了超平面函数的斜率，分子越大时，说明在二维数据平面中数据点的纵坐标变化越大，因此应该斜率应越大，这样才能够将特征值大的数据点分离出来；同理，分母越大，说明在二维数据平面中数据点的横坐标变化越大，因此应该斜率应越小，这样才能够将幅值大的数据点分离出来。

[0048] 式（3）中， 表示斜率的反正切的余弦值， 表示聚类簇中所有数据点特征值均值最大的聚类簇质心点到聚类簇中所有数据点特征值均值最小的聚类簇质心点之间的欧式距离， 表示聚类簇中所有数据点幅值
均值最大的聚类簇质心点到聚类簇中所有数据点幅值均值最小的聚类簇质心点之间的欧式距离。

[0049] 所需说明的是， 表示对应特征值均值最大的聚类簇与对应特征值均值最小的聚类簇到斜率为k的直线的垂直距离之和，表示对应幅值均值最大的聚类簇与对应幅值均值
最小的聚类簇到斜率为k的直线的垂直距离之和。

[0050] 至此，获得了最优超平面。

[0051] 步骤S005、根据最优超平面获得二维数据平面中的异常数据点，根据异常数据点对电池隔膜生产制备过程中的温度进行调节。

[0052] 根据上述获得的最优超平面，然后获得二维数据平面中的异常数据点。在支持向量机算法中，超平面是在特征空间中分隔不同类别的决策边界，异常数据位于超平面的一侧。在本实施例中，因为特征值较大或幅值较大的数据存在异常，因此异常数据位于超平面的右侧，那么在二维数据平面中，位于超平面的右侧的数据为异常数据点，从而获得异常数据点。然后根据异常数据点对电池隔膜生产制备过程中温度进行调节。

[0053] 具体的，在二维数据平面中，将位于超平面的右侧的数据点作为异常数据点。

[0054] 进一步的，当检测到温度数据出现异常数据点时，说明此时温度数据存在异常，那么就需要及时的进行温度调节，在调节时，根据先验知识，获得电池隔膜材料制备过程中的最佳温度 ，当检测到异常数据点的温度过高时，则需要往小调节；当检测到异常数据点的温度过低时，则需要往大调节。

[0055] 至此，完成了一种用于电气储能的电池隔膜材料制备方法。

[0056] 以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。