CN112444748A - 电池异常检测方法、装置、电子设备及存储介质 - Google Patents
电池异常检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112444748A CN112444748A CN202011087127.3A CN202011087127A CN112444748A CN 112444748 A CN112444748 A CN 112444748A CN 202011087127 A CN202011087127 A CN 202011087127A CN 112444748 A CN112444748 A CN 112444748A
- Authority
- CN
- China
- Prior art keywords
- battery
- detection model
- behavior data
- deviation degree
- detection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 155
- 230000005856 abnormality Effects 0.000 title claims description 34
- 230000006399 behavior Effects 0.000 claims abstract description 96
- 238000000034 method Methods 0.000 claims abstract description 36
- 230000002159 abnormal effect Effects 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000013526 transfer learning Methods 0.000 claims abstract description 13
- 230000003044 adaptive effect Effects 0.000 claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 230000015654 memory Effects 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 7
- 125000004122 cyclic group Chemical group 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims 2
- 206010000117 Abnormal behaviour Diseases 0.000 abstract description 17
- 230000008569 process Effects 0.000 description 12
- 238000013508 migration Methods 0.000 description 10
- 230000005012 migration Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 230000000306 recurrent effect Effects 0.000 description 7
- 230000006403 short-term memory Effects 0.000 description 6
- 238000011176 pooling Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 4
- 230000007787 long-term memory Effects 0.000 description 4
- 230000032683 aging Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/385—Arrangements for measuring battery or accumulator variables
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Secondary Cells (AREA)
Abstract
本申请提供的一种电池异常检测方法、装置、电子设备及存储介质,应用于电池检测技术领域,所述方法包括:获取待测电池的目标行为数据;利用所述目标行为数据对第一检测模型进行自适应迁移学习,得到第二检测模型,所述第一检测模型是根据合规电池的历史行为数据进行预先训练得到的;获取所述第二检测模型的第二偏离度;在所述第二偏离度大于偏离度阈值的情况下,确认所述待测电池为异常电池,所述偏离度阈值是预先根据所述第一检测模型的第一偏离度得到的。本方案可以有效对待测电池的多种潜在异常行为进行检测,大幅减少了电池检测模型训练所需的人力和计算资源。
Description
技术领域
本申请属于电池检测技术领域,特别是涉及一种电池异常检测方法、装置、电子设备及存储介质。
背景技术
随着科学水平发展和社会进步,市场上已经出现了众多类型的新能源车辆,其中电动车辆的前景被广泛看好。而电池技术是制约电动车辆发展的主要瓶颈之一,由于电池行为异常导致的事故也是频频发生,因此如不及时检测到动力电池的异常行为,将会严重威胁用户的生命财产安全。
在先技术中通常是通过建立等效电路模型、电化学模型和经验模型等多种检测模型,通过获取电池内各单体电池的特定行为参数在实际放电或充电过程中的正常波动范围,从而根据人工根据经验设置阈值结合相应的电池特性曲线对电池是否行为异常进行检测。
这种异常电池检测方式需要针对各种电池的异常行为设置不同的检测模型,由于异常行为样本有限,不仅需要耗费大量的人力资源和计算资源,而且无法对电池的多种潜在行为进行有效监测。
发明内容
有鉴于此,本申请第一方面提供一种电池异常检测方法,所述方法包括:
获取待测电池的目标行为数据;
利用所述目标行为数据对第一检测模型进行自适应迁移学习,得到第二检测模型,所述第一检测模型是根据合规电池的历史行为数据进行预先训练得到的;
获取所述第二检测模型的第二偏离度;
在所述第二偏离度大于偏离度阈值的情况下,确认所述待测电池为异常电池,所述偏离度阈值是预先根据所述第一检测模型的第一偏离度得到的。
依据本申请第二方面,提供一种电池异常检测装置,所述装置包括:
获取模块,用于获取待测电池的目标行为数据;
训练模块,用于利用所述目标行为数据对第一检测模型进行自适应迁移学习,得到第二检测模型,所述第一检测模型是根据合规电池的历史行为数据进行预先训练得到的;
处理模块,用于获取所述第二检测模型的第二偏离度;
确认模块,用于在所述第二偏离度大于偏离度阈值的情况下,确认所述待测电池为异常电池,所述偏离度阈值是预先根据所述第一检测模型的第一偏离度得到的。
依据本申请第三方面,提供一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第一方面任一所述的电池异常检测方法。
依据本申请第四方面,提供一种计算机可读存储介质,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现上述第一方面任一所述的电池异常检测方法。
针对现有技术,本申请具备如下优点:
本申请提供的一种电池异常检测方法、装置、电子设备及存储介质,通过根据表示合规电池以及待测电池的检测模型的偏离度来设置阈值以进行电池异常检测,可以有效对待测电池的多种潜在异常行为进行检测,并且通过自适应迁移学习对模型进行更新,大幅减少了电池检测模型训练所需的人力和计算资源。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本申请的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1是本申请实施例提供的一种电池异常检测方法的步骤流程图;
图2是本申请实施例提供的另一种电池异常检测方法的步骤流程图;
图3是本申请实施例提供的电池异常检测方法的逻辑流程图;
图4是本申请实施例提供的一种偏离度阈值获取方法的步骤流程图;
图5是本申请实施例提供一种CNN-LSTM检测模型的模型网络架构;
图6是本申请实施例提供的一种电池异常检测装置的结构框图;
图7是本申请实施例提供的一种电子设备的结构框图。
具体实施方式
下面将参照附图更详细地描述本申请的示例性实施例。虽然附图中显示了本申请的示例性实施例,然而应当理解,可以以各种形式实现本申请而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本申请,并且能够将本申请的范围完整的传达给本领域的技术人员。
图1是本申请实施例提供的一种电池异常检测方法的步骤流程图,所述方法包括:
步骤101,获取待测电池的目标行为数据。
在本申请实施例中,待测电池可以是指电动汽车中的动力电池,随着电动汽车的使用,其动力电池中可能出现各种异常行为,为避免给用户的生命和财产安全带来威胁,需要及时检测并发现动力电池的异常行为。目标行为数据是指电动汽车中电池系统上报的各种行为参数,例如:电流、电压、温度、绝缘电阻等。
步骤102,利用所述目标行为数据对第一检测模型进行自适应迁移学习,得到第二检测模型,所述第一检测模型是根据合规电池的历史行为数据进行预先训练得到的。
在本申请实施例中,自适应迁移学习是一种机器学习的方法,其可以把源领域模型学习到的成果迁移到另一个领域,可以显著提高模型训练的效率,具体可以包括实例的迁移、特征的迁移、模型参数迁移以及知识迁移的自适应迁移学习方式,本申请实施例主要采用的是模型参数迁移的方式。合规电池是指无异常行为表现的电池,该电池的历史行为数据可以视为其中的各项行为参数符合安全运行的要求。通过利用合规电池的历史行为数据进行离线训练得到的第一检测模型可以反映合规电池的行为特征。
具体的,本申请实施例具体是采用模型参数迁移的方式,首先通过将预先训练的第一检测模型的各层级的权重参数文件进行存储;然后在对检测模型进行更新时,基于该第一检测模型的权重参数文件对待训练的检测模型进行参数调整,还原第一检测模型,最后基于待测电池的目标行为数据对第一检测模型进行在线训练,从而快捷地得到可以反映待测电池行为特征的第二检测模型,在线自适应迁移学习,例如:假如更新周期是1个月,则上个月第二检测模型是根据上上个月的在线数据反馈形成的,依次类推,所以本月第二模型的更新应该利用上个月的行为数据。偏离度是一种反映模型性能的重要参数,偏离度越高模型的性能越差,反之则越好。
步骤103,获取所述第二检测模型的第二偏离度。
在本申请实施例中,第二偏离度至第二检测模型预测值的平均绝对误差,具体可通过如下公式(1)算得:
其中,m>0,m≥j>0,m、j为正整数;
在实际应用中,可通过第二检测模型对特定时间段内待测电池的行为数据进行预测,得到m个预测行为数据,然后对该特定时间段内待测电池的实际行为数据进行记录,得到与m个预测行为数据相对应的m个实际行为数据,从而通过上述公式(1)计算得第二检测模型的第二偏离度。
步骤104,在所述第二偏离度大于偏离度阈值的情况下,确认所述待测电池为异常电池,所述偏离度阈值是预先根据所述第一检测模型的第一偏离度得到的。
在本申请实施例中,根据第一检测模型计算得到第一偏离度的过程与第二偏离度的计算过程类似,此处不再赘述。偏离度阈值是依据第一检测模型的第一偏离度确定的,可以根据实际需求对第一偏离度进行适当放大或者缩小作为偏离度阈值,相较于现有技术中对阈值依靠人力依据经验进行设置,本申请实施例的通过可以有效减少阈值设置所需的人力投入。
通过依据第二检测模型的第二偏离度是否大于偏离度阈值,可以有效发现存在潜在风险的异常电池,而并不是仅针对特定的异常行为表现。可以理解,由于现有技术中的异常行为样本有限,训练得到的检测模型无法兼顾到各种异常行为表现,无法及时对异常电池进行识别,从而给用户的生命和财产安全带来了风险。而本申请实施例的方案并不局限于针对某项异常行为表现,而是将可以表现合规电池的行为特征的第一检测模型和可以表现待测电池的行为特征的第二检测模型的偏离度之间进行比较,从而可以及时发现存在异常行为表现的异常电池。
本申请提供的一种电池异常检测方法,通过根据表示合规电池以及待测电池的检测模型的偏离度来设置阈值以进行电池异常检测,可以有效对待测电池的多种潜在异常行为进行检测,并且通过自适应迁移学习对模型进行更新,大幅减少了电池检测模型训练所需的人力和计算资源。
图2是本申请实施例提供的另一种电池异常检测方法的步骤流程图,所述方法包括:
步骤201,获取待测电池在预设时间周期的当前行为数据。
在本申请实施例中,预设时间周期是指第一检测模型进行模型更新的周期,具体可以根据待测电池的老化速率进行确定,例如该待测电池的老化速率为1%/月,此时可以预设时间周期可以为一个月,当然此处仅是示例性说明,具体预设时间周期可以根据实际需求确定,此处不做限定。
本申请实施例通过预设时间周期获取待测电池的行为数据进行模型更新,可以对检测模型进行及时更新,提高了电池异常检测的灵敏度。
步骤202,按照预设时间步长对所述当前行为数据进行切片处理,获得目标行为数据。
在本申请实施例中,当前行为数据是指待测电池在当前之前预设时间周期的行为数据,该当前行为数据可以是按照时间先后顺序进行排列。预设时间步长是至检测模型所需数据的时间步长,具体可以根据实际需求确定。为了使得所得到的当前行为数据可以适用于训练需求,需要将当前行为数据按照预设时间步长进行切片,得到可以反映时间的目标行为数据。例如在存在W个当前行为数据且预设时间步长为S时,所得到的目标行为数据的个数可以为W-S+1个,其中W、S为正整数。
步骤203,利用所述目标行为数据对所述第一检测模型的目标层级的权重参数进行更新,得到第二检测模型,所述第一检测模型是根据合规电池的历史行为数据进行预先训练得到的。
在本申请实施例中,目标层级是指第一检测模型在模型更新的过程中需要进行调整权重参数的层级、在采用自适应迁移学习技术并利用目标行为数据对第一检测模型进行更新的过程中,可以不对第一检测模型的所有层级中的权重参数进行调整,而是对部分层级,即目标层级的权重参数根据目标行为数据进行更新,相较于在先技术中在对模型进行更新时对模型的所有层级的权重参数进行调整,可以明显减少模型更新所需的时间,提高模型更新的效率,并且还可以减少模型更新所需的计算资源成本。在实际应用中,若高频率地对电动汽车的电池进行检测,需要频繁对检测模型进行更新,所需的时间和计算资源成本将成倍的增加,产生了极大的数据处理压力,而通过本实施例能够显著减少单次模型更新的时间和计算资源成本,减少了对检测模型进行更新的数据处理压力。
步骤204,获取所述第二检测模型的第二偏离度。
该步骤可参照步骤103的详细描述,此处不再赘述。
步骤205,在所述第二偏离度大于偏离度阈值的情况下,确认所述待测电池为异常电池,所述偏离度阈值是预先根据所述第一检测模型的第一偏离度得到的。
该步骤可参照步骤104的详细描述,此处不再赘述。
步骤206,对所述异常电池的目标行为数据进行分析,获取所述待测电池的异常类型。
其中,所述异常类型包括点异常、时序异常和集体异常中的至少一项。
在本申请实施例中,异常电池的异常类型可以对异常电池的目标行为数据进行进一步分析得到,可以将异常电池的行为数据与合规电池的行为数据进行比较来确定,也可以采用现有技术中针对不同异常行为表现的常规经验模型对异常电池的行为数据进行检测来确定,具体可以根据实际需求确定,此处不做限定。
由于本申请实施例中的目标行为数据中不仅包含有待测电池的单点数据,还包含有集体数据,并且依据预设时间步长进行切片处理,因此可以有效地对待测电池的点异常、集体异常和时序异常进行检测,具体被确定的异常电池存在点异常、时序异常和集体异常中的哪项可以依据针对点异常、时序异常、集体异常的经验模型对异常电池的目标行为数据进行检测来确定。
具体的,参照图3,本申请实施例提供的电池异常检测方法的逻辑流程图,在离线预训练的过程中,对合规电池的历史行为数据进行预处理后进行模型训练得到的第一检测模型,并将第一检测模型的模型权重参数进行存储。然后在线模型更新的过程中,通过将离线预训练得到的模型权重参数对第二检测模型进行参数调整后,利用预处理后的当前行为数据,即目标行为数据进行模型训练,并利用训练完成的第二检测模型进行模型预测,以对电池进行异常检测。
可选的,所述步骤203,包括:利用所述目标行为数据对所述第一检测模型的全连接层的权重参数进行更新,得到第二检测模型。
在本申请实施例中,全连接层是用于将模型训练学习到的特征建立与输入数据建立映射关系。由于电池的行为表现主要与电池性能老化等因素相关,而全连接层正是将行为表现的特征与在电池当前性能下的行为数据建立映射关系,因此通过将第一检测模型中全连接层的权重参数进行更新,而其他层级中的权重参数保持不变,得到第二检测模型,可以显著减少模型更新所需的时间成本和计算资源。
本申请通过自适应迁移学习在模型更新的过程中仅对第一检测模型的全连接层的权重参数进行更新,显著减少了模型更新所需的时间成本和计算资源。
可选的,参照图4,所述偏离度是预先通过以下步骤S1至S2得到的:
步骤S1,获取所述第一检测模型的第一偏离度的目标分位数。
在本申请实施例中,目标分位数是偏离度中位于特定分布概率的数值,例如:中位数、四分位数、百分位数等,目标分位数的具体取值可以根据实际需求确定,此处不做限定。该目标分位数可以是一个,也可以是多个。
步骤S2,根据所述目标分位数获得偏离度阈值。
在本申请实施例中,在该目标分位数为一个的情况下,可直接对该目标分位数进行放大或缩小处理得到偏离度阈值;在该目标分位数据存在多个的情况下,可通过多个目标分位数按照特定算法进行结合,从而得到偏离度阈值,示例性的,该目标分位数可以包括第一偏离度的75%分位数pt以及25%分位数pf,通过以下公式(2)的算法进行结合得到偏离度阈值:
thresh=pt+α×(pt-pf) (2)
其中,thresh为偏离度阈值,α为模型超参数,α可以根据实际需求设置。
可选的,所述第一检测模型和第二检测模型是结合卷积神经网络和循环神经网络算法结合得到。
在本申请实施例中,卷积神经网络(CNN,Convolutional Neural Networks)是一种深度学习算法,可以是常规技术中的分层卷积、可分离卷积、空洞卷积、深度卷积等类型的卷积神经网络算法,具体可以根据实际需求选取卷积神经网络算法,此处不做具体限定。循环神经网络(RNN,Recurrent Neural Network)是一种用于处理序列数据的神经网络算法,例如LSTM(Long Short-Term Memory,长短期记忆网络)、GRU(Gated Recurrent Unitnetworks,门控循环单元网络)、SRNN(Stacked Recurrent Neural Network,堆叠循环神经网络)、Bi-RNN(bidirectional recurrent neural network,双向循环神经网络)等,具体可根据实际需求选取循环神经网络算法,此处不做限定。通过将可有效反应数据特征的卷积神经网络和有效反应时序特征的循环神经网络算法相结合得到的检测模型,可以有效地对电池的点异常、集体异常和时序异常进行检测,提高了检测模型的准确性。
可选的,所述循环神经网络算法包括长短时记忆网络算法。
在本申请实施例中,可通过CNN和LSTM进行结合的半监督模型作为检测模型,集合得到的CNN-LSTM是一种卷积循环神经网络模型,具有良好的表征能力,可以有效提高对于电池异常检测的准确性。
可选的,所述第一检测模型和第二检测模型的模型网络架构包括:依次连接的输入层、卷积层、池化层、压平层、长短期记忆层,其中,所述卷积层和池化层分别包括至少一个。
在本申请实施例中,参照图5,示出一种CNN-LSTM检测模型的模型网络架构:
其中,从上之下分别包含有输入层,CNN-卷积层、MaxPooing-池化层、Flatten压平层、LSTM-长短期记忆层以及全连接层。batch标识输入数据的批数量,steps标识输入数据的时间步长,channel标识输入数据的通道数据量。features标识输入数据的特征数据,Ki-1表示第i-1层卷积层的卷积核个数,Fi-1表示第i-1层卷积层输出的特征个数,N表示CNN层和MaxPooling层的组合对数量,i为整数并且满足1≤i≤N,当i=1时,K0=channel且F0=features;lstm_num表示LSTM层神经元的个数,m表示模型预测数据的个数。输入数据可以是本申请实施例中的历史行为数据和目标行为数据。其中卷积层可以是1维、2维、3维等各种形式的卷积层,具体可根据实际需求设置,此处不做限定。
当然,此处仅是示例性说明,还可以是采用其他模型网络架构,例如在模型网络架构中还采用正规化算法或者dropout算法,可以添加避免过度集合的层级等,以本方案的可实现性为准,此处不做限定。
本申请提供的另一种电池异常检测方法,通过根据表示合规电池以及待测电池的检测模型的偏离度来设置阈值以进行电池异常检测,可以有效对待测电池的多种潜在异常行为进行检测,并且通过自适应迁移学习对模型进行更新,大幅减少了电池检测模型训练所需的人力和计算资源。并且采用基于卷积神经网络和循环神经网络得到检测模型,优化了模型的表征能力,有效提高了电池异常检测的准确性。以及通过预设时间周期获取待测电池的行为数据进行模型更新,可以对检测模型进行及时更新,提高了电池异常检测的灵敏度。
图6是本申请实施例提供的第一种电池异常检测装置30,所述装置包括:
获取模块301,用于获取待测电池的目标行为数据.
训练模块302,用于利用所述目标行为数据对第一检测模型进行自适应迁移学习,得到第二检测模型,所述第一检测模型是根据合规电池的历史行为数据进行预先训练得到的。
处理模块303,用于获取所述第二检测模型的第二偏离度。
确认模块304,用于在所述第二偏离度大于偏离度阈值的情况下,确认所述待测电池为异常电池,所述偏离度阈值是预先根据所述第一检测模型的第一偏离度得到的。
可选的,所述训练模块302,还用于:
利用所述目标行为数据对所述第一检测模型的目标层级的权重参数进行更新,得到第二检测模型。
可选的,所述训练模块302,还用于:
利用所述目标行为数据对所述第一检测模型的全连接层的权重参数进行更新,得到第二检测模型。
可选的,所述装置,还包括:
分析模块305,用于对所述异常电池的目标行为数据进行分析,获取所述待测电池的异常类型;
其中,所述异常类型包括点异常、时序异常和集体异常中的至少一项。
可选的,所述获取模块301,还用于:
获取待测电池在预设时间周期的当前行为数据;
按照预设时间步长对所述当前行为数据进行切片处理,获得目标行为数据。
可选的,所述确认模块304,还用于
获取所述第一检测模型的第一偏离度的目标分位数;
根据所述目标分位数获得偏离度阈值。
可选的,所述第一检测模型和第二检测模型是结合卷积神经网络和循环神经网络算法结合得到。
可选的,所述循环神经网络算法包括长短时记忆网络算法。
可选的,所述第一检测模型和第二检测模型的模型网络架构包括:依次连接的输入层、卷积层、池化层、压平层、长短期记忆层,其中,所述卷积层和池化层分别包括至少一个。
本申请提供的一种电池异常检测装置,通过根据表示合规电池以及待测电池的检测模型的偏离度来设置阈值以进行电池异常检测,可以有效对待测电池的多种潜在异常行为进行检测,并且通过自适应迁移学习对模型进行更新,大幅减少了电池检测模型训练所需的人力和计算资源。
对于上述服务器的实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本申请实施例还提供了一种电子设备,如图7所示,包括处理器401、通信接口402、存储器403和通信总线404,其中,处理器401,通信接口402,存储器403通过通信总线404完成相互间的通信,
存储器403,用于存放计算机程序;
处理器401,用于执行存储器403上所存放的程序时,实现如下步骤:
获取待测电池的目标行为数据;利用所述目标行为数据对第一检测模型进行自适应迁移学习,得到第二检测模型,所述第一检测模型是根据合规电池的历史行为数据进行预先训练得到的;获取所述第二检测模型的第二偏离度;在所述第二偏离度大于偏离度阈值的情况下,确认所述待测电池为异常电池,所述偏离度阈值是预先根据所述第一检测模型的第一偏离度得到的。
上述终端提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述终端与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,简称RAM),也可以包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本申请提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述实施例中任一所述的电池异常检测方法。
在本申请提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一所述的电池异常检测方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的较佳实施例而已,并非用于限定本申请的保护范围。凡在本申请的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本申请的保护范围内。
Claims (10)
1.一种电池异常检测方法,其特征在于,所述方法包括:
获取待测电池的目标行为数据;
利用所述目标行为数据对第一检测模型进行自适应迁移学习,得到第二检测模型,所述第一检测模型是根据合规电池的历史行为数据进行预先训练得到的;
获取所述第二检测模型的第二偏离度;
在所述第二偏离度大于偏离度阈值的情况下,确认所述待测电池为异常电池,所述偏离度阈值是预先根据所述第一检测模型的第一偏离度得到的。
2.根据权利要求1所述的方法,其特征在于,所述利用所述目标行为数据对第一检测模型进行自适应迁移学习,得到第二检测模型,包括:
利用所述目标行为数据对所述第一检测模型的目标层级的权重参数进行更新,得到第二检测模型。
3.根据权利要求2所述的方法,其特征在于,所述利用所述目标行为数据对所述第一检测模型的目标层级的权重参数进行更新,得到第二检测模型,包括:
利用所述目标行为数据对所述第一检测模型的全连接层的权重参数进行更新,得到第二检测模型。
4.根据权利要求1所述的方法,其特征在于,在所述确认所述待测电池为异常电池之后,还包括:
对所述异常电池的目标行为数据进行分析,获取所述待测电池的异常类型;
其中,所述异常类型包括点异常、时序异常和集体异常中的至少一项。
5.根据权利要求1所述的方法,其特征在于,所述获取待测电池的目标行为数据,包括:
获取待测电池在预设时间周期的当前行为数据;
按照预设时间步长对所述当前行为数据进行切片处理,获得目标行为数据。
6.根据权利要求1所述的方法,其特征在于,所述偏离度阈值是通过以下步骤得到的:,还包括:
获取所述第一检测模型的第一偏离度的目标分位数;
根据所述目标分位数获得偏离度阈值。
7.根据权利要求1所述的方法,其特征在于,所述第一检测模型和第二检测模型是结合卷积神经网络和循环神经网络算法结合得到。
8.一种电池异常检测装置,其特征在于,所述装置包括:
获取模块,用于获取待测电池的目标行为数据;
训练模块,用于利用所述目标行为数据对第一检测模型进行自适应迁移学习,得到第二检测模型,所述第一检测模型是根据合规电池的历史行为数据进行预先训练得到的;
处理模块,用于获取所述第二检测模型的第二偏离度;
确认模块,用于在所述第二偏离度大于偏离度阈值的情况下,确认所述待测电池为异常电池,所述偏离度阈值是预先根据所述第一检测模型的第一偏离度得到的。
9.一种电子设备,其特征在于,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现权利要求1至7中任一所述的电池异常检测方法。
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上存储计算机程序,所述计算机程序被处理器执行时实现权利要求1至7中任一所述的电池异常检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011087127.3A CN112444748A (zh) | 2020-10-12 | 2020-10-12 | 电池异常检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011087127.3A CN112444748A (zh) | 2020-10-12 | 2020-10-12 | 电池异常检测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112444748A true CN112444748A (zh) | 2021-03-05 |
Family
ID=74735977
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011087127.3A Pending CN112444748A (zh) | 2020-10-12 | 2020-10-12 | 电池异常检测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112444748A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114137421A (zh) * | 2021-11-30 | 2022-03-04 | 蜂巢能源(上海)有限公司 | 电池异常检测方法、装置、设备及存储介质 |
WO2023142685A1 (zh) * | 2022-01-29 | 2023-08-03 | 宁德时代新能源科技股份有限公司 | 电池绝缘故障的预警方法、装置、系统和计算机设备 |
CN117110976A (zh) * | 2023-10-24 | 2023-11-24 | 烽台科技(北京)有限公司 | 电表异常检测方法、装置、电子设备和存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108089962A (zh) * | 2017-11-13 | 2018-05-29 | 北京奇艺世纪科技有限公司 | 一种异常检测方法、装置及电子设备 |
CN109143094A (zh) * | 2018-06-29 | 2019-01-04 | 上海科列新能源技术有限公司 | 一种动力电池的异常数据检测方法和装置 |
CN109143085A (zh) * | 2018-07-18 | 2019-01-04 | 中国电力科学研究院有限公司 | 一种基于人工智能算法对锂离子电池进行预警的方法及系统 |
WO2019017991A1 (en) * | 2017-07-21 | 2019-01-24 | Quantumscape Corporation | PREDICTIVE MODEL FOR ESTIMATING BATTERY CONDITIONS |
CN109918752A (zh) * | 2019-02-26 | 2019-06-21 | 华南理工大学 | 基于迁移卷积神经网络的机械故障诊断方法、设备及介质 |
CN110377447A (zh) * | 2019-07-17 | 2019-10-25 | 腾讯科技(深圳)有限公司 | 一种异常数据检测方法、装置及服务器 |
CN111130940A (zh) * | 2019-12-26 | 2020-05-08 | 众安信息技术服务有限公司 | 异常数据检测方法、装置及服务器 |
CN111340217A (zh) * | 2020-02-24 | 2020-06-26 | 南京星火技术有限公司 | 电子设备、神经网络训练装置和计算机可读介质 |
CN111582298A (zh) * | 2020-03-18 | 2020-08-25 | 宁波送变电建设有限公司永耀科技分公司 | 一种基于人工智能的传感异常数据实时检测方法 |
CN111638465A (zh) * | 2020-05-29 | 2020-09-08 | 浙大宁波理工学院 | 基于卷积神经网络和迁移学习的锂电池健康状态估计方法 |
-
2020
- 2020-10-12 CN CN202011087127.3A patent/CN112444748A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019017991A1 (en) * | 2017-07-21 | 2019-01-24 | Quantumscape Corporation | PREDICTIVE MODEL FOR ESTIMATING BATTERY CONDITIONS |
CN108089962A (zh) * | 2017-11-13 | 2018-05-29 | 北京奇艺世纪科技有限公司 | 一种异常检测方法、装置及电子设备 |
CN109143094A (zh) * | 2018-06-29 | 2019-01-04 | 上海科列新能源技术有限公司 | 一种动力电池的异常数据检测方法和装置 |
CN109143085A (zh) * | 2018-07-18 | 2019-01-04 | 中国电力科学研究院有限公司 | 一种基于人工智能算法对锂离子电池进行预警的方法及系统 |
CN109918752A (zh) * | 2019-02-26 | 2019-06-21 | 华南理工大学 | 基于迁移卷积神经网络的机械故障诊断方法、设备及介质 |
CN110377447A (zh) * | 2019-07-17 | 2019-10-25 | 腾讯科技(深圳)有限公司 | 一种异常数据检测方法、装置及服务器 |
CN111130940A (zh) * | 2019-12-26 | 2020-05-08 | 众安信息技术服务有限公司 | 异常数据检测方法、装置及服务器 |
CN111340217A (zh) * | 2020-02-24 | 2020-06-26 | 南京星火技术有限公司 | 电子设备、神经网络训练装置和计算机可读介质 |
CN111582298A (zh) * | 2020-03-18 | 2020-08-25 | 宁波送变电建设有限公司永耀科技分公司 | 一种基于人工智能的传感异常数据实时检测方法 |
CN111638465A (zh) * | 2020-05-29 | 2020-09-08 | 浙大宁波理工学院 | 基于卷积神经网络和迁移学习的锂电池健康状态估计方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114137421A (zh) * | 2021-11-30 | 2022-03-04 | 蜂巢能源(上海)有限公司 | 电池异常检测方法、装置、设备及存储介质 |
CN114137421B (zh) * | 2021-11-30 | 2023-09-19 | 章鱼博士智能技术(上海)有限公司 | 电池异常检测方法、装置、设备及存储介质 |
WO2023142685A1 (zh) * | 2022-01-29 | 2023-08-03 | 宁德时代新能源科技股份有限公司 | 电池绝缘故障的预警方法、装置、系统和计算机设备 |
CN117110976A (zh) * | 2023-10-24 | 2023-11-24 | 烽台科技(北京)有限公司 | 电表异常检测方法、装置、电子设备和存储介质 |
CN117110976B (zh) * | 2023-10-24 | 2024-02-06 | 烽台科技(北京)有限公司 | 电表异常检测方法、装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112444748A (zh) | 电池异常检测方法、装置、电子设备及存储介质 | |
KR102362532B1 (ko) | 신경망 기반의 배터리 잔존 수명 예측 방법 및 장치 | |
CN111382929A (zh) | 一种构建河流硅藻水华预警模型的方法及装置 | |
CN112153002B (zh) | 告警信息分析方法、装置、计算机设备和存储介质 | |
CN109633448B (zh) | 识别电池健康状态的方法、装置和终端设备 | |
CN111625516A (zh) | 检测数据状态的方法、装置、计算机设备和存储介质 | |
He et al. | MTAD-TF: Multivariate time series anomaly detection using the combination of temporal pattern and feature pattern | |
Jiang et al. | A fault diagnosis method for electric vehicle power lithium battery based on wavelet packet decomposition | |
CN114065653A (zh) | 电力负荷预测模型的构建方法与电力负荷预测方法 | |
CN114399321A (zh) | 一种业务系统稳定性分析方法、装置和设备 | |
CN111159481B (zh) | 图数据的边预测方法、装置及终端设备 | |
US20210357729A1 (en) | System and method for explaining the behavior of neural networks | |
Zhang et al. | A deep learning approach to estimate the state of health of lithium-ion batteries under varied and incomplete working conditions | |
Sheikh et al. | A data-driven comparative analysis of lithium-ion battery state of health and capacity estimation | |
CN114266284A (zh) | 开关柜绝缘缺陷类型检测方法、装置、设备和程序产品 | |
EP4293373A1 (en) | Method and apparatus with battery short detection | |
Zhang et al. | SOH estimation and RUL prediction of lithium batteries based on multidomain feature fusion and CatBoost model | |
CN116930759A (zh) | 动力电池电压时间序列异常检测方法、电子设备、存储介质 | |
CN112649716B (zh) | 一种超级电容使用安全的检测方法及装置 | |
Wang et al. | A conditional random field based feature learning framework for battery capacity prediction | |
CN114492994A (zh) | 一种基于电力大数据的电力信息处理系统、方法及装置 | |
CN112348226A (zh) | 预测数据生成方法、系统、计算机设备及存储介质 | |
Gao et al. | A novel intrusion detection method based on WOA optimized hybrid kernel RVM | |
EP4379617A1 (en) | Assessment of input-output datasets using neighborhood criteria in input space and output space | |
US20240185136A1 (en) | Method of assessing input-output datasets using neighborhood criteria in the input space and the output space |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |