CN113255764A - 利用机器学习检测电化学储能系统故障的方法、系统和装置 - Google Patents
利用机器学习检测电化学储能系统故障的方法、系统和装置 Download PDFInfo
- Publication number
- CN113255764A CN113255764A CN202110563054.9A CN202110563054A CN113255764A CN 113255764 A CN113255764 A CN 113255764A CN 202110563054 A CN202110563054 A CN 202110563054A CN 113255764 A CN113255764 A CN 113255764A
- Authority
- CN
- China
- Prior art keywords
- data
- vehicle
- input
- battery
- electric core
- 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
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000012983 electrochemical energy storage Methods 0.000 title claims abstract description 50
- 238000010801 machine learning Methods 0.000 title claims abstract description 44
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 52
- 238000012549 training Methods 0.000 claims abstract description 35
- 239000013598 vector Substances 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 210000004027 cell Anatomy 0.000 claims description 63
- 210000002569 neuron Anatomy 0.000 claims description 19
- 238000001514 detection method Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 14
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 229910001416 lithium ion Inorganic materials 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 208000003098 Ganglion Cysts Diseases 0.000 claims description 6
- 208000005400 Synovial Cyst Diseases 0.000 claims description 6
- 239000000446 fuel Substances 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 238000010835 comparative analysis Methods 0.000 claims description 4
- 238000013500 data storage Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 239000002253 acid Substances 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000006403 short-term memory Effects 0.000 claims description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 2
- 230000004913 activation Effects 0.000 claims description 2
- 230000000306 recurrent effect Effects 0.000 claims 2
- 238000006243 chemical reaction Methods 0.000 claims 1
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 20
- 230000015654 memory Effects 0.000 description 19
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 description 12
- 239000005977 Ethylene Substances 0.000 description 12
- 238000010586 diagram Methods 0.000 description 12
- 239000000178 monomer Substances 0.000 description 11
- 229910002092 carbon dioxide Inorganic materials 0.000 description 10
- 239000001569 carbon dioxide Substances 0.000 description 10
- 230000005291 magnetic effect Effects 0.000 description 10
- 239000000243 solution Substances 0.000 description 9
- 230000008859 change Effects 0.000 description 8
- 239000006260 foam Substances 0.000 description 7
- 238000007726 management method Methods 0.000 description 6
- 230000009897 systematic effect Effects 0.000 description 6
- RNFJDJUURJAICM-UHFFFAOYSA-N 2,2,4,4,6,6-hexaphenoxy-1,3,5-triaza-2$l^{5},4$l^{5},6$l^{5}-triphosphacyclohexa-1,3,5-triene Chemical compound N=1P(OC=2C=CC=CC=2)(OC=2C=CC=CC=2)=NP(OC=2C=CC=CC=2)(OC=2C=CC=CC=2)=NP=1(OC=1C=CC=CC=1)OC1=CC=CC=C1 RNFJDJUURJAICM-UHFFFAOYSA-N 0.000 description 5
- 239000003063 flame retardant Substances 0.000 description 5
- 238000004146 energy storage Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000007789 sealing Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- CNQQOBYZLPTRFU-UHFFFAOYSA-N C=C.C(=O)=O Chemical group C=C.C(=O)=O CNQQOBYZLPTRFU-UHFFFAOYSA-N 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 208000032953 Device battery issue Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 210000001787 dendrite Anatomy 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000010892 electric spark Methods 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000007373 indentation Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 231100000572 poisoning Toxicity 0.000 description 1
- 230000000607 poisoning effect Effects 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 230000003936 working memory Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/08—Learning methods
Abstract
一种利用机器学习检测电化学储能系统故障的方法,包括:提供检测电化学储能系统故障的数据集,所述数据集包括一个或多个子数据集,每一子数据集包括一个或多个为进行电化学储能系统故障采集和/或处理的输入对象或对象序列;提供自编码器结构,为检测电化学储能系统故障的至少一影响因子建立至少一机器学习算法训练并输出其所述影响因子的预测值;提取当前至少一个或更多个输入对象数据或对象序列数据,并各自投影到所述机器学习算法的集合的相应自动编码器,输出对应的潜向量,并将所述潜向量用作对应解码器的输入后,输出对应影响因子的预测值;通过所述些预测值的比对分析,以检测电化学储能系统故障的预测可能。
Description
技术领域
本发明涉及一种电化学储能系统故障检测领域,尤其涉及一种利用机器学习检测电化学储能系统故障的方法和系统。
背景技术
电化学储能系统是电动汽车、电网应用等重要的组成部分。这样的能量存储系统,例如锂离子电池、铅酸电池、燃料电池、液流电池等,由单独的较小的单元,如电池、电池组、模组等构成,这些单元以并联或串联的方式组合在一起,以实现相应的存储容量和性能。例如,多个锂离子电池组成的电池系统,可以作为能量存储系统,用于工业和消费领域,如电动汽车和电网应用等。利用电池管理系统可以实现对这些电池进行监视,以确保其安全和性能。
电池组单个电池中的故障会导致该电池的电压或温度等特征参数升高,热量或能量可以传播到相邻的电池中,这会导致安全问题和整个电池组的性能故障,也称为“热失控”。通常,电池组的电池管理系统(BMS)使用来自热敏电阻或热电偶的温度读数来监视电池组的温度。这些热敏电阻或热电偶可以放置在每个单元上,也可以策略性地放置以监视一定范围的单元。
吉林大学的CN201910717534.9公开了一种车载锂离子动力电池隐性损伤监测和热失控早期预警装置。该专利的申请人认为电池内部的隐性损伤是导致电池发生热失控或自燃的重要原因之一,热失控的发生与电池内短路高度相关,而电池内部结构的损伤则会成为内短路发生的直接诱因。对于电芯,其电极与隔膜界面的隐性损伤会导致载流子的不均匀沉积,诱发枝晶的产生,进而提高的内短路的发生几率;隔膜本身的隐性损伤则会显著削弱电芯的安全性,增加极端工况下电池内短路的发生几率。对于非活性部件,由于车载动力电池在使用中被逐级整合进输出电压为360伏到480伏的电池包内,任何连接件与密封件的失效都可能导致局部电火花的产生,使电池单体处于电冲击或热冲击的极端工况下,直接触发电池的热失控。因此,在该申请文件中提到对电池包模组进行改造,比如:
设置一在电池包模组内的二氧化碳-乙烯联合气敏传感器,用于检测二氧化碳和乙烯气体的浓度;
设置在电池壳体压痕式泄压阀处的压力传感器,用于检测电池单体的内压;
设置在电池包模组内的灌注管路,其上均匀设置有泡沫孔,用于排出阻燃泡沫;
设置在对应泡沫孔处的多个电磁阀;
设置在电池外部的阻燃泡沫存储箱,且与所述灌注管路连通;
控制器,其与所述二氧化碳-乙烯联合气敏传感器、压力传感器和电磁阀连接,用于控制所述电磁阀工作。
一种车载锂离子动力电池隐性损伤监测和热失控早期预警装置的预警方法,采集电池包模组内二氧化碳和乙烯气体的浓度与以及电池单体的内压,并基于BP神经网络确定电磁阀的工作状态,包括如下步骤:
步骤一、按照采样周期,通过传感器测量电池包模组内二氧化碳和乙烯气体的浓度以及电池单体的内压;
步骤二、确定三层BP神经网络的输入层神经元向量x={x1,x2,x3};其中,x1为电池单体所处模组内二氧化碳的浓度,x2为电池单体所处模组内乙烯气体的浓度,x3为电池单体的内压;
其中,所述输入层神经元xi={xi1,xi2,...,xiM},i={1,2,3}其中,M为电池单体的数量;
步骤三、所述输入层向量映射到隐层,隐层的神经元为m个;
步骤四、得到输出层神经元向量o={o1,o2};其中,o1为电磁阀的工作状态,o2为报警装置的工作状态,所述输出层神经元值为
N为电磁阀的数量,与电池包内模组数量相同,Wj为第j个电磁阀的工作状态,当Wj=1时,第j个电磁阀为开启状态,当Wj=0时,第j个电磁阀为关闭状态;所述输出层神经元值为
当o2=1时,报警装置进行电池单体损伤告警,当o2=2时,报警装置进行电池模组密封性破坏告警,当o2=3时,报警装置进行热失控风险告警,当o2=0时,报警装置不报警。
当电池单体的内压满足:
且电池包模组内二氧化碳,乙烯气体的浓度均满足:
确定对应的Wj=1,并控制阻燃泡沫的注入量为:
式中,x3为电池内压的检测数据,x30为电池内压的历史稳定数据,xi为第i项的检测数据,xi0为第i项的历史稳定数据,mr为阻燃泡沫的注入量,mmax为阻燃泡沫的最大注入量,p0为标准大气压;
报警装置进行热失控风险告警,提醒驾驶员靠边停车,并撤离。
上述专利设计开发的车载锂离子动力电池隐性损伤监测和热失控早期预警装置,能够实时检测电池包模组内二氧化碳和乙烯气体的浓度与以及电池单体的内压,确定车载锂离子动力电池隐性损伤程度,提高行车安全性。但是,热失控是一个非常重要的安全性问题,它是一种系统性的问题,不仅仅通过单纯检测电池单体的内压和某种气体浓度来即可判定电池隐性损伤由此就能解决热失控的问题,而且热失控会和其它因素都存在关联,检测及判定均较为简单,不利于系统性解决问题。
综上所述,现有的利用机器学习检测电化学储能系统故障的方法,存在以下问题:
1、现在的方法中,通过传感器测量电池包模组内二氧化碳和乙烯气体的浓度以及电池单体的内压,一般在一辆车内会设置多达108个电池单体,每个电池单体上分别设置二氧化碳浓度传感器、乙烯气体浓度传感器和内压传感器,其成本非常高,无法做成产业化的其中一个重要原因。
2、确定三层BP神经网络的输入层神经元向量x={x1,x2,x3},输入层神经元xi={xi1,xi2,…,xiM},i={1,2,3}其中,M为电池单体的数量,其分别以二氧化碳浓度为处理颗粒记录每一电池单体上的二氧化碳浓度,以乙烯气体浓度为处理颗粒记录每一电池单体上的乙烯气体浓度,以内压传感器为处理颗粒记录每一电池单体上的乙烯气体浓度,以处理颗粒为单元分别对比,每一车辆都分别考虑其中108个电池单体的每一电池单体的电池单体损伤告警,若该算法进行实际应用,则平台上同时车辆在途数量巨大,则并行处理的数据就会非常多,对于平台来说也是一种压力。算法需要进行优化,降低平台占用处理的资源。
3、热失控是电化学能量存储系统(如,锂离子电池、燃料电池等)普遍存在且非常重要的安全性问题,严重的热失控情况会引起电池、电池组及整个系统的电化学性能衰减、甚至起火、爆炸等安全事故的发生。目前,对热失控的检测,主要是利用电池管理系统(BMS)的功能,对电芯及电池组的温度、电压等单个参数进行检测,再依据温度读数或电压读数等,设置阈值进行判定。然而,这种方法过于简单,而且无法识别除温度、电压读数外的,其他可能导致电池故障的特征,而且对阈值的设定及读取时间等均存在很多不确定的要求。其中一个示例是可能的温度读数突然升高,但最终温度远低于阈值。此外,此阈值可能取决于几个因素,例如温度传感器的精度、放置位置,制造商也必须针对每种传感器配置调整阈值,这增加了确定阈值的额外时间和成本。
换个角度来说,检测电化学储能系统故障是系统性故障,现有技术中试图通过一个或几个参数的阈值调整解决某个引起电化学储能系统故障的问题,即使其中采用基于机器学习,如BP神经网络来训练预警引起电化学储能系统某一故障问题。但是,当增加一新的引起电化学储能系统故障的问题时,原有的检测电化学储能系统故障检测体系完全不能用,需要重新开发,即现有检测电化学储能系统故障的解决方案是点对点的问题解决,不具有体系化解决问题的能力,更不具有解决问题的扩展化、问题与问题之间的关联化。
发明内容
本发明提供一种利用机器学习检测电化学储能系统故障的方法,以解决检测电化学储能系统故障是系统性故障,现有技术中试图通过一个或几个参数的阈值调整解决某个引起电化学储能系统故障的问题、不具有体系化和扩展性的技术问题。
一种利用机器学习检测电化学储能系统故障的方法,包括:
提供检测电化学储能系统故障的数据集,所述数据集包括一个或多个子数据集,每一子数据集包括一个或多个为进行电化学储能系统故障采集和/或处理的输入对象或对象序列;
提供自编码器结构,为检测电化学储能系统故障的至少一影响因子建立至少一机器学习算法训练并输出其所述影响因子的预测值;
提取当前至少一个或更多个输入对象数据或对象序列数据,并各自投影到所述机器学习算法的集合的相应自动编码器,输出对应的潜向量,并将所述潜向量用作对应解码器的输入后,输出对应影响因子的预测值;
通过所述些预测值的比对分析,以检测电化学储能系统故障。
本发明还可以进一步包括:
S1中所述数据集包括以车辆为单位,建立每辆车辆的子数据集,确定所述子数据集的输入层神经元数据Txyz,x为车辆编号,y为当前车辆上单体电芯或电芯组或模组的编号,y从1到当前车辆具有最大单体电芯数或电芯组数或模组数n,z为采集或数据的当前数据时间节点,而神经元数据内容为该单体电芯或电芯组或模组对应的故障采集和/或处理的输入对象或对象序列;
S3中输入层向量映射到隐藏层,多层隐藏层中前若干层为编码器过程,获得潜向量,后若干层为解码器过程,获得输出层,得到该辆车辆的各个单体电芯或电芯组或模组相关的输出层神经元向量;
S4中通过所述些预测值的比对分析进一步包括:所述该车辆的各单体电芯或电芯组或模组之间的横向比对,以及该车辆的单体电芯或电芯组或模组与其它车辆的单体电芯或电芯组或模组相应输出的纵向对比,通过横向比对获知该车辆的某一单体电芯或电芯组或模组是否正常以及各单体电芯或电芯组或模组的一致性如何,通过纵向对比获知该车辆是否正常以及各车辆间的电池系统一致性如何。。
通过所述些预测值的比对分析以检测电化学储能系统故障进一步包括:
使用均方误差来评估输入层及输出层之间,以进行模型训练来获得对应模型,可按均方误差的大小划定阈值,可进行分类,以定义电池处于何种故障级别或预警状态。例如,定义均方误差小于某一阈值为正常车,大于某一阈值为异常车,同时计算出现均方误差每个值出现的频率,作为所述值的强度;
将训练好的模型用于真实行车数据:将真实车的实时数据Txyz作为输入,其中,x为车辆编号,y为每辆车单体电芯或电芯组或模组的数量编号,z为数据时间节点,通过与训练模型相同的编码器即解码器,获得输出层数据Oxyz,通过均方误差,以及训练模型的阈值判断是否发出预警以及何种级别的预警。
本发明较佳地,若增加一影响因子,则建立至少一对应的机器学习算法(该算法可以是新增的,也可以采用之前设置好的算法)来输出所述影响因子的预测值,或者,对同一影响因子还增设一新的适应的机器学习算法时建立该影响因子对应的模型以输出所述影响因子的预测值;
使D={X1,…,Xn}作为编码器的某一输入子数据集作为样本集,并训练后输出其所述影响因子的预测值,其中n为样本数,X1,…,Xn为输入对象数值或输入对象序列值。
较佳地,卷积层包含在编码器和解码器结构中,该结构先捕获来自车辆的传感设备采集数据或时间、压力在内的传感器采集参数序列数据特征,自编码器预先对真实运行的汽车的历史数据特征组成样本集,按照预先设定的机器学习算法或模型进行了预训练,在训练过程中,自编码器学习所述车辆的运行特征并输出其所述对应影响因子的预测值,以此将训练好的算法或模型将用于真实的车辆运行中,对其进行对应影响因子的故障检测进行预判。
本发明涉及一种用于检测电化学系统中故障的方法。该方法使用基于机器学习的算法对电化学储能系统进行故障检测。在故障检测应用中,来自系统内部传感器的各种采集数据(例如,温度,电压和电流等)被反馈到电池管理系统中。这些输入传感器的采集数据包括但不仅限于单个电池、电池组、模组或整个系统的温度,电压,电流值,并且对影响因子分别建立对应的机器学习算法或模型,当影响因子有增加时,只需要建立对应的模型并加以训练和验证,即可在本系统中得到应用,具有扩展性,且能体系化解决系统故障,使得本发明的故障检测或预测体系具有更强的鲁棒性。
还有,车辆的各单体电芯或电芯组或模组之间的横向比对,以及该车辆的单体电芯或电芯组或模组与其它车辆的单体电芯或电芯组或模组相应输出的纵向对比,通过横向比对获知该车辆的某一单体电芯或电芯组或模组是否正常以及各单体电芯或电芯组或模组的一致性如何,通过纵向对比获知该车辆是否正常以及各车辆间的电池系统一致性如何。通过上述方式,可以在车辆端进行比对或处理,降低平台并行数据的对比量,提升数据处理的效率,降低与平台交互的数据量。
附图说明
图1为一种利用机器学习检测电化学储能系统故障的方法的原理流程图;
图2为故障检测应用中来系统内部传感器的各种采集数据被反馈到电池管理系统的原理示意图;
图3为热失控发生的一种实例流程图;
图4为编码器和解码器的一种实现原理图;
图5为包括N层隐藏层的编码器和解码器的一种实现实例图;
图6为故障检测应用中一种检测方法示例图;
图7、图8分别为故障判定的不同输入参数的计算方法对应的示例图;
具体实施方式
以下结合附图,具体说明本发明。
检测电化学储能系统故障是一种体系化的工作,对于任何电化学储能系统均适用,如锂离子电池、燃料电池、铅酸电池、液流电池等。以燃料电池为例,电极堵塞、电解质膜缺陷导致短路、阴极阳极水淹、阴极阳极干燥缺水、催化剂CO中毒失效、操作温度不足或者过高等都有可能引起系统故障。本实例中,可以建立一检测电化学储能系统故障的模型。模型可能涉及“操作温度不足或者过高”等多种影响因子组成。针对影响因子建立一个或多个的机器学习模型进行训练,则当增加影响因子只需增设学习模型,或增加影响因子构建的系统故障模型即可,具有体系化解决故障的优点,具有极强的扩展性。
请参阅图1,其为一种利用机器学习检测电化学储能系统故障的方法。它可以包括:
S110:提供检测电化学储能系统故障的数据集,所述数据集包括一个或多个子数据集,每一子数据集包括一个或多个为进行电化学储能系统故障采集和/或处理的输入对象或对象序列;
S120:提供自编码器结构,为检测电化学储能系统故障的至少一影响因子建立至少一机器学习算法训练并输出其所述影响因子的预测值;
S130:提取当前至少一个或更多个输入对象数据或对象序列数据,并各自投影到所述机器学习算法的集合的相应自动编码器,输出对应的潜向量,并将所述潜向量用作对应解码器的输入后,输出对应影响因子的预测值;
S140:通过所述些预测值的比对分析,以检测电化学储能系统故障。
若增加一影响因子,则建立至少一对应的机器学习算法来输出所述影响因子的预测值,或者,对同一影响因子还增设一新的适应的机器学习算法时建立该影响因子对应的模型以输出所述影响因子的预测值;
使D={X1,…,Xn}作为编码器的某一输入子数据集作为样本集,并训练后输出其所述影响因子的预测值,其中n为样本数,X1,…,Xn为输入对象数值或输入对象序列值。
步骤S110-S120可以预先在平台或系统中设计好,S130-S140可以在检测周期实时获得经预处理后的当前输入对象数据或当前对象序列数据,实时判定化学储能系统故障的可能性,由此完成故障预测工作。
S110中所述数据集包括以车辆为单位,建立每辆车辆的子数据集,确定所述子数据集的输入层神经元数据Txyz,x为车辆编号,y为当前车辆上单体电芯或电芯组或模组的编号,y从1到当前车辆具有最大单体电芯数或电芯组数或模组数n,z为采集或数据的当前数据时间节点,而神经元数据内容为该单体电芯或电芯组或模组对应的故障采集和/或处理的输入对象或对象序列;比如,输入对象可以是温度或温度序列,电压或电压序列。当输入神经元T为温度时,则Txyz表明当前5号车辆(若X为5)的某一单体电芯某一时刻当前的温度值。Y取值为1-108,时间可以以秒为周期。序列可以为时间段连续的温度值构成的,也可以是某一时间段连续检测的电压值构成。
S130中输入层向量映射到隐藏层,多层隐藏层中前若干层为编码器过程,获得潜向量,后若干层为解码器过程,获得输出层,得到该辆车辆的各个单体电芯或电芯组或模组相关的输出层神经元向量;
S4中通过所述些预测值的比对分析进一步包括:所述该车辆的各单体电芯或电芯组或模组之间的横向比对,以及该车辆的单体电芯或电芯组或模组与其它车辆的单体电芯或电芯组或模组相应输出的纵向对比,通过横向比对获知该车辆的某一单体电芯或电芯组或模组是否正常以及各单体电芯或电芯组或模组的一致性如何,通过纵向对比获知该车辆是否正常以及各车辆间的电池系统一致性如何。
假设该车辆的相邻单体电芯或电芯组或模组之间的温度差阈值小于某一数为正常车,则Txyz相邻车的温度进行差值对比,计算出温度差,若大于某一阈值,则进行报警,即可获知该车辆的某一单体电芯或电芯组或模组可能涉及故障。当该车辆的单邻电芯正常时,可以通过纵向对比该车辆的单体电芯或电芯组或模组的相应参数强度值或均值与其它车辆的单体电芯或电芯组或模组的相应参数强度值或均值进行比对,可获知该车辆是否正常。
通过上述方式,可以在车辆端进行比对或处理,降低平台并行数据的对比量,提升数据处理的效率,降低与平台交互的数据量。
通过所述些预测值的比对分析以检测电化学储能系统故障进一步包括:
使用均方误差来评估输入层及输出层之间,以进行模型训练来获得对应模型,按均方误差的大小划定阈值,可进行分类,以定义电池处于何种故障级别或预警状态。例如,定义均方误差小于某一阈值为正常车,大于某一阈值为异常车,同时计算出现均方误差每个值出现的频率,作为所述值的强度;
将训练好的模型用于真实行车数据:将真实车的实时数据Txyz作为输入,其中,x为车辆编号,y为每辆车单体电芯或电芯组或模组的数量编号,z为数据时间节点,通过与训练模型相同的编码器即解码器,获得输出层数据Oxyz,通过均方误差,以及训练模型的阈值判断是否发出预警以及何种级别的预警。
若以对象序列为输入值时,还可以将对象与对象之间的连续变化做为一预警的参考,可以将连续变化值训练模型。同理将训练好的模型用于真实行车数据,将真实车的实时数据先设定一一对象序列输入,当其连续变化值或变化趋势值超过某阈值或变化曲率值,可以判断是否需要预警。某一输入的温度的变化曲率超过阈值,则可以初步认定对应的电芯温度升高过快,通过其可能预测的未来值预先对可能危险进行预警。
实例一
在进行基于机器算法的使用前,采集传感器的实时数据,比如采集数据可以(但非必须)进行整理和预处理。包括利用采集数据进行相关数学运算,或者可以作为一个模型的输入,进行相关计算后,产生输出数据、影像、或状态等。例如,可以对数据进行归一化处理或将单个数据值转换为时间序列数据等。或者,对数据进行统计学计算、输入物理或数学模型,产生输出。传感器采集的各类数据,以及其经过处理后的输出数据、影像或状态,均可以单独或联合的作为该专利中描述的算法的输入数据(reading)。
这些数据可以是对象,形成检测电化学储能系统故障的数据集,所述数据集可以包括一个或多个子数据集,每一子数据集包括一个或多个为进行电化学储能系统故障采集和/或处理的输入对象或对象序列。
请参阅图2,储能系统中采集到的传感器的实时数据,整理后放入到BMS系统。当车辆有多个单体电池时,检测到其大量的实时参数,若直接将该些实时参数放在数据集中,会使得整个数据集非常杂乱。在本实例,可以按照逻辑对数据集进行分层,比如,按照对象性质可以分成多个子数据集(温度集、电压集、温度序列集、电压序列集、某某影像集等)。另外,还可以对采集的实时数据进行变换、去噪等预处理,按照后续模型可训练的数据结构或形式进行保存。
设置自编码器结构,为检测电化学储能系统故障的至少一影响因子建立至少一机器学习算法训练并输出其所述影响因子的预测值。将数据输入到机器学习算法中,例如,自编码器(autoencoder)就是机器学习算法中的一种,属于深度神经网络法(deep neuralnetworks),由一个编码器(encoder)和一个解码器(decoder)组成。数据输入算法后,编码器输入端提取输入数据并输出潜向量(Latent vector),而此潜向量用作解码器的输入,产生输出数据(即为预测数据)。通过输出数据与输入数据之间的比较(如,均方误差)分析,判定是否有潜在热失控发生,以此作为BMS故障警告的依据。图3给出热失控发生的一种实例流程图,比如:当传感器采集到当前数据,并对采集的数据进行预处理后,将上一步的输出或传感器采集数据作为输入层,输入到自编码器结构,经机器学习算法的输出后,通过输出数据与输入数据之间的比较(如,均方误差)分析,即可判定出是否有潜在热失控发生。图4为编码器和解码器的一种实现原理图,即数据输入算法后,编码器输入端提取输入数据并输出潜向量(Latent vector),而此潜向量用作解码器的输入,产生输出数据(即为预测数据)。
编码器和解码器由深度学习算法,具体是由神经网络法构造而成。这些网络不仅限于神经网络,还可以由循环神经网络(Recurrent-neural Networks,RNN),门控递归网络(Gated Recurrent Networks,GRU),长短期记忆(Long Short-term Memory,LSTMs)、及卷积层(Convolutional Layers)等。当使用时间序列数据作为输入时,GRU和LSTM算法较合适。图5为编码器和解码器一种实现示例图。输入层向量映射到若干层隐藏层(层次一般为奇数次),以三层隐藏层为例,1-2层为编码器过程,获得潜向量,2-3层为解码器过程,获得输出层,即为重构数据。隐藏层算法可以包括以上提及的诸多机器学习算法中的一种或几种的组合,并与输入层及输出层分别构成编码器和解码器结构,该结构可以先捕获来自车辆的传感设备采集数据或时间、压力在内的传感器采集参数序列数据特征,自编码器预先对真实运行的汽车的历史数据特征组成样本集,按照预先设定的机器学习算法或模型进行了预训练,在训练过程中,自编码器学习所述车辆的运行特征并输出其所述对应影响因子的预测值。对该预测值可以按一定规则进行分类,对不同的类别划定不同的阈值,通过阈值定义电池的状态处于何种状态,包括不同的故障级别定义。预测值及该分类定义,将一同作为训练好的算法和模型。将训练好的算法或模型作为判断真实车辆运行的依据。以训练历史数据所采用的同样的算法及相关参数,布置到真实的车辆运行环境中,连同训练好的算法或模型,一同进行真实车辆运行中的故障检测。图6为故障检测应用中一种检测方法示例图,整个过程包括离线训练和模型部署,按照预先设定的机器学习算法进行了训练,考虑到数据训练的数据量,也可以采用离线训练。以训练好的算法,布置到真实的车辆运行环境中,采用到当前真实数据,即可输入到算法中,输出预测值后,再经过运算与比较分析,完成真实车辆运行中的故障检测。
比如,步骤一、按照采样周期,通过传感器,测量电池单体或模组的温度,去除噪音数据;
步骤二、算法由输入层、输出层、具有三层隐藏层的神经网络组成。确定输入层神经元数据Txyz,其中,x为车的数量编号为100,y为每辆车单体电芯(电芯组)数量编号为108,z为数据时间节点,按1s记录,共6个月历史数据。
步骤三、所述输入层向量映射到隐藏层,三层隐藏层中1-2层为编码器过程,获得潜向量,2-3层为解码器过程,获得输出层,即为重构数据。三层隐藏层均选择线性单元函数ReLU,神经节点数选择分别为20、10和20
步骤四、得到输出层神经元向量Oxyz,x为车的数量编号为100,y为每辆车单体电芯(电芯组)数量编号为108,z为数据时间节点,按1s记录,对应6个月输出数据;
步骤五、使用均方误差评估输入层及输出层间,获得模型,即为模型训练,可定义均方误差小于某一阈值1.0为正常车,大于某一阈值1.0为异常车,同时计算出现均方误差每个值出现的频率,即为强度,获得图7的关于强度示例图所表示的内容,图7中分别表明以时间轴为考虑量的正常车的均方误差值,故障车的均方误差值。并且,图7的最后一张图以均方误差出现的强度为纵坐标,均方误差值为横坐标,很清楚地看出均方误差值超出某一阈值后,故障车可能的等级也可以看出,超出的阈值后强度越大,故障车可能越差。
步骤六、将训练好的模型用于真实行车数据。即将真实车的实时数据Txyz作为输入,其中,x为车辆编号,y为每辆车单体电芯或电芯组或模组数量编号,z为数据时间节点。通过与训练模型相同的编码器即解码器,获得输出层数据Oxyz,通过均方误差,以及训练模型的阈值判断是否发出预警。
实例一
所述影响因子为温度值,则:
提取输入对象数据包括对电池温度传感器进行预处理后的温度数据或温度序列数据;
电池温度可直接反映单体电芯的表面温度状态,若某些温度值比正常温度值偏高,则预示发生热失控的可能性变高。因此,温度值可以作为故障预警判断的影响因子。
所述机器学习算法由输入层、输出层、具有三层隐藏层的神经网络组成,输入和输出层中的节点数为48,第一,第二和第三隐藏层中的神经节点数分别为20、10和20,输出和10节点层的激活函数是线性的,而整体线性单元函数ReLU用于所有其他层;将处理后的所述些温度数据或温度序列数据作为样本集训练所述对应的自编码器模型,并使用“Adam”优化器和均方误差在内的对模型进行了训练,并且用验证数据来衡量自编码器的性能,该模型至少训练若干次迭代;
初始隐藏层层数、神经节点数可选择较少的数量,一般来讲选择层数及节点数的增加有利于提高输出结果的准确性,但考虑计算量的平衡,可选择合适的层数及节点数。
训练好模型后提取当前的电池温度传感器实时采集的温度数据或温度序列数据进行测试,获得通过所述电池温度输出其故障的预测值。
实例二:
所述影响因子为单体电池的电压值,则:
提取输入对象数据包括对电压传感器进行预处理后的电压数据或若干时间点采集的电压序列数据;
电池电压与电池的状态紧密相关,通过电池电压数据的检测,可判断电池所处的状态或使用情况是否正常。因此,电压值可以作为故障预警判断的影响因子。
所述机器学习算法由输入层、输出层、具有五层隐藏层的长短期记忆Long Short-term Memory,LSTMs网络组成,输入和输出层中的节点数为96,第1-5隐藏层中的神经节点数分别为20、10、30、20和20,并使用均方误差在内的对模型进行了训练,并且用验证数据来衡量自编码器的性能,该模型至少训练了若干次迭代,
训练好模型后提取当前的电压传感器进行预处理后的电压数据或若干时间点采集的电压序列数据进行测试,获得通过所述电池电压输出其故障的预测值。图7、图8分别为故障判定的不同输入参数的计算方法对应的示例图。图7可以为温度值为输入参数显示的示例图;图8可以为电压作为输入参数显示的示例图。仅是举例说明。
比如,电池组的电池管理系统(BMS)使用来自热敏电阻或热电偶的温度读数来监视电池组的温度。这些热敏电阻或热电偶可以放置在每个单元上,也可以策略性地放置以监视一定范围的单元,由此增设检测电化学储能系统的故障的一种影响因子,进而增设一系统故障的预测。
一种计算机程序,至少包括上述的方法和/或任何上述所述的方法指令。一种系统,包括其上记录有上述所述的一个或更多个相应机器语言学习的集合和/或根据上述计算机程序的数据存储介质,所述系统可选地还包括耦合到所述数据存储介质的处理器一种利用机器学习检测电化学储能系统故障的方法。即一种计算机可读存储介质,计算机可读存储介质存储有计算机代码,当计算机代码被执行时,如上述任何一种方法被执行。
本发明还提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机代码,当计算机代码被执行时,如上述方法被执行。本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁盘或光盘、云服务器等。
以上所述仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
本发明的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地,本发明的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中,例如,RAM存储器,磁或光驱动器或软磁盘及类似设备。另外,本发明的一些步骤或功能可采用硬件来实现,例如,作为与处理器配合从而执行各个功能或步骤的电路。如本说明书实施例所示实施例揭示的方法可以应用于处理器中,或者由处理器实现。处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital S1gnal Processor,DSP)、专用集成电路(Application SpecificIntegrated Circuit,AS工C)、现场可编程门阵列(Field-Programmab1e Gate Array,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。可以实现或者执行本说明书实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本说明书实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被包括多个应用程序的电子系统执行时,使得所述电子系统执行实施例一所述的方法。在此不再赘述。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。还需要说明的是,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、商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、商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、商品或者设备中还存在另外的相同要素。
另外,本发明的一部分可被应用为计算机程序产品,例如计算机程序指令,当其被计算机执行时,通过该计算机的操作,可以调用或提供根据本发明的方法和/或技术方案。而调用本发明的方法的程序指令,可能被存储在固定的或可移动的记录介质中,和/或通过广播或其他信号承载媒体中的数据流而被传输,和/或被存储在根据所述程序指令运行的计算机设备的工作存储器中。在此,根据本发明的一个实施例包括一个装置,该装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器,其中,当该计算机程序指令被该处理器执行时,触发该装置运行基于前述根据本发明的多个实施例的方法和/或技术方案。
Claims (12)
1.一种利用机器学习检测电化学储能系统故障的方法,其特征在于,包括:
S1:提供检测电化学储能系统故障的数据集,所述数据集包括一个或多个子数据集,每一子数据集包括一个或多个为进行电化学储能系统故障采集和/或处理的输入对象或对象序列;
S2:提供自编码器结构,为检测电化学储能系统故障的至少一影响因子建立至少一机器学习算法训练并输出其所述影响因子的预测值;
S3:提取当前至少一个输入对象数据或对象序列数据,并各自投影到所述机器学习算法的集合的相应自动编码器,输出对应的潜向量,并将所述潜向量用作对应解码器的输入后,输出对应影响因子的预测值;
S4:通过所述些预测值的比对分析,以检测电化学储能系统故障。
2.如权利要求1所述的方法,其特征在于,其中:
S1中所述数据集包括以车辆为单位,建立每辆车辆的子数据集,确定所述子数据集的输入层神经元数据Txyz,x为车辆编号,y为当前车辆上单体电芯或电芯组或模组的编号,y从1到当前车辆具有最大单体电芯数或电芯组数或模组数n,z为采集或数据的当前数据时间节点,而神经元数据内容为该单体电芯或电芯组或模组对应的故障采集和/或处理的输入对象或对象序列;
S3中输入层向量映射到隐藏层,多层隐藏层中前若干层为编码器过程,获得潜向量,后若干层为解码器过程,获得输出层,得到该辆车辆的各个单体电芯或电芯组或模组相关的输出层神经元向量;
S4中通过所述些预测值的比对分析进一步包括:所述该车辆的各单体电芯或电芯组或模组之间的横向比对,以及该车辆的单体电芯或电芯组或模组与其它车辆的单体电芯或电芯组或模组相应输出的纵向对比,通过横向比对获知该车辆的某一单体电芯或电芯组或模组是否正常以及各单体电芯或电芯组或模组的一致性如何,通过纵向对比获知该车辆是否正常以及各车辆间的电池系统一致性如何。
3.如权利要求2所述的方法,其特征在于,通过所述些预测值的比对分析以检测电化学储能系统故障进一步包括:
自编码器的输入与解码器的输出通过均方误差评估,获得模型,对模型进行训练:按均方误差的大小划定阈值,可进行分类,以定义电池处于何种故障级别或预警状态,其中包括定义均方误差小于某一阈值为正常车,大于某一阈值为异常车,同时计算出现均方误差每个值出现的频率,作为所述值的强度;
将训练好的模型用于真实行车数据:将真实车的实时数据Txyz作为输入,其中,x为车辆编号,y为每辆车单体电芯或电芯组或模组的数量编号,z为数据时间节点,通过所述模型获得输出后,再通过均方误差及训练模型得到的阈值判断是否发出预警以及何种级别的预警。
4.如权利要求1或2所述的方法,其特征在于,还包括:
若增加一影响因子,则可建立至少对应的机器学习算法来输出所述影响因子的预测值,或者,对同一影响因子还增设一新的适应的机器学习算法时建立该影响因子对应的模型以输出所述影响因子的预测值;
使D={X1,…,Xn}作为编码器的某一输入子数据集作为样本集,并训练后输出其所述影响因子的预测值,其中n为样本数,D=X1,…,Xn为输入对象数值或输入对象序列值。
5.如权利要求1或2所述的方法,还包括:
卷积层包含在编码器和解码器结构中,该结构先捕获来自车辆的传感设备采集数据或时间、压力在内的传感器采集参数序列数据特征,自编码器预先对真实运行的汽车的历史数据特征组成样本集,按照预先设定的机器学习算法或模型进行了预训练,在训练过程中,自编码器学习所述车辆的运行特征并输出其所述对应影响因子的预测值,以此将训练好的算法或模型将用于真实的车辆运行中,对其进行对应影响因子的故障检测进行预判。
6.如权利要求1或2所述的方法,其特征在于,数据集的对象为传感器读取和/或转换的单体电池、电池组、模组、系统的温度、电压、电流在内的参数数据或参数数据序列,包括利用采集参数数据进行相关数学运算,或者作为一个模型的输入数据或数据序列,进行相关计算后产生输出数据信息、影像、或状态在内的信息,这些信息单独或联合作为子集的输入对象或对象序列。
7.如权利要求6所述的方法,其特征在于,“提取当前至少一个或更多个输入对象数据或对象序列数据”进一步包括:
对传感器读取和/或转换的参数数据或参数数据序列进行预处理操作,删除异常数据在内的去噪操作,并变换成预先设定格式的输入对象数据或对象序列数据,以此对应机器学习算法或模型能接受的输入数据。
8.如权利要求1所述的方法,其特征在于,机器学习算法包括自编码器、神经网络、递归神经网络、门控递归网络GRU、长短期记忆LSTM和卷积层,电化学储能系统适用锂离子电池、燃料电池铅酸电池、液流电池在内的其中一储能系统。
9.如权利要求1所述的方法,其特征在于,所述影响因子为温度值,则:
提取输入对象数据包括对电池温度传感器进行预处理后的温度数据或温度序列数据;
所述机器学习算法由输入层、输出层、具有三层隐藏层的神经网络组成,输入和输出层中的节点数为48,第一,第二和第三隐藏层中的神经节点数分别为20、10和20,输出和10节点层的激活函数是线性的,而整体线性单元函数ReLU用于所有其他层;将处理后的所述些温度数据或温度序列数据作为样本集训练所述对应的自编码器模型,并使用“Adam”优化器和均方误差在内的对模型进行了训练,并且用验证数据来衡量自编码器的性能,该模型至少训练若干次迭代;
训练好模型后提取当前的电池温度传感器实时采集的温度数据或温度序列数据进行测试,获得通过所述电池温度输出其故障的预测值。
10.如权利要求1所述的方法,其特征在于,所述影响因子为单体电池的电压值,则:
提取输入对象数据包括对电压传感器进行预处理后的电压数据或若干时间点采集的电压序列数据;
所述机器学习算法由输入层、输出层、具有五层隐藏层的长短期记忆Long Short-termMemory,LSTMs网络组成,输入和输出层中的节点数为96,第1-5隐藏层中的神经节点数分别为20、10、30、20和20,并使用均方误差在内的对模型进行了训练,并且用验证数据来衡量自编码器的性能,该模型至少训练了若干次迭代,
训练好模型后提取当前的电压传感器进行预处理后的电压数据或若干时间点采集的电压序列数据进行测试,获得通过所述电池电压输出其故障的预测值。
11.一种计算机程序,至少包括如权项1至权项10中任何一项的方法和/或任何中权项1至权项10所述的方法指令。
12.一种系统,包括其上记录有根据权利要求1至权项10的任何一项所述的至少一个或更多个相应机器语言学习的集合和/或根据权利要求10所述的计算机程序的数据存储介质,所述系统可选地还包括耦合到所述数据存储介质的处理器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110563054.9A CN113255764A (zh) | 2021-05-21 | 2021-05-21 | 利用机器学习检测电化学储能系统故障的方法、系统和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110563054.9A CN113255764A (zh) | 2021-05-21 | 2021-05-21 | 利用机器学习检测电化学储能系统故障的方法、系统和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113255764A true CN113255764A (zh) | 2021-08-13 |
Family
ID=77183934
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110563054.9A Pending CN113255764A (zh) | 2021-05-21 | 2021-05-21 | 利用机器学习检测电化学储能系统故障的方法、系统和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113255764A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114500957A (zh) * | 2022-02-28 | 2022-05-13 | 重庆长安汽车股份有限公司 | 一种电子外后视镜延时监控报警系统及方法 |
CN116502530A (zh) * | 2023-04-27 | 2023-07-28 | 重庆大学 | 基于机器学习的膜污染预警方法及其装置 |
CN117007979A (zh) * | 2023-10-07 | 2023-11-07 | 深圳市众航物联网有限公司 | 基于数据驱动的电源输出掉电异常预警方法 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914735A (zh) * | 2014-04-17 | 2014-07-09 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
CN105373849A (zh) * | 2015-10-22 | 2016-03-02 | 华北电力大学(保定) | 光伏电池组件温度的分步预测方法 |
US20160349330A1 (en) * | 2015-06-01 | 2016-12-01 | Verizon Patent And Licensing Inc. | Systems and methods for determining vehicle battery health |
CN109283469A (zh) * | 2018-09-21 | 2019-01-29 | 四川长虹电器股份有限公司 | 电池管理系统故障预测方法、装置及可读存储介质 |
CN109934130A (zh) * | 2019-02-28 | 2019-06-25 | 中国空间技术研究院 | 基于深度学习的卫星故障在轨实时故障诊断方法及系统 |
CN110163659A (zh) * | 2019-04-17 | 2019-08-23 | 平安城市建设科技(深圳)有限公司 | 数据估算方法、装置、设备及存储介质 |
CN110262463A (zh) * | 2019-07-09 | 2019-09-20 | 河海大学常州校区 | 一种基于深度学习的轨道交通站台门故障诊断系统 |
CN110263767A (zh) * | 2019-07-12 | 2019-09-20 | 南京工业大学 | 结合压缩数据采集和深度学习的智能转轴故障诊断方法 |
CN110674999A (zh) * | 2019-10-08 | 2020-01-10 | 国网河南省电力公司电力科学研究院 | 基于改进聚类和长短期记忆深度学习的小区负荷预测方法 |
CN110865628A (zh) * | 2019-10-25 | 2020-03-06 | 清华大学深圳国际研究生院 | 基于工况数据的新能源汽车电控系统故障预测方法 |
CN110873841A (zh) * | 2019-11-05 | 2020-03-10 | 北京匠芯电池科技有限公司 | 一种基于数据驱动与电池特性相结合的电池寿命预测方法 |
CN210400665U (zh) * | 2019-09-26 | 2020-04-24 | 天目湖先进储能技术研究院有限公司 | 一种在线测量锂离子电池膨胀力分布的装置 |
CN111310314A (zh) * | 2020-01-21 | 2020-06-19 | 北京瑞风协同科技股份有限公司 | 一种基于人工智能确定机电装置寿命的方法和系统 |
US20210049480A1 (en) * | 2019-08-12 | 2021-02-18 | Micron Technology, Inc. | Predictive maintenance of automotive battery |
US20210057920A1 (en) * | 2019-08-21 | 2021-02-25 | SparkCognition, Inc. | Systems and methods of applying artificial intelligence to battery technology |
CN112731159A (zh) * | 2020-12-23 | 2021-04-30 | 江苏省电力试验研究院有限公司 | 一种储能电站电池舱电池故障预判及定位的方法 |
CN112763929A (zh) * | 2020-12-31 | 2021-05-07 | 华东理工大学 | 一种储能电站系统电池单体健康预测方法及装置 |
-
2021
- 2021-05-21 CN CN202110563054.9A patent/CN113255764A/zh active Pending
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914735A (zh) * | 2014-04-17 | 2014-07-09 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
US20160349330A1 (en) * | 2015-06-01 | 2016-12-01 | Verizon Patent And Licensing Inc. | Systems and methods for determining vehicle battery health |
CN105373849A (zh) * | 2015-10-22 | 2016-03-02 | 华北电力大学(保定) | 光伏电池组件温度的分步预测方法 |
CN109283469A (zh) * | 2018-09-21 | 2019-01-29 | 四川长虹电器股份有限公司 | 电池管理系统故障预测方法、装置及可读存储介质 |
CN109934130A (zh) * | 2019-02-28 | 2019-06-25 | 中国空间技术研究院 | 基于深度学习的卫星故障在轨实时故障诊断方法及系统 |
CN110163659A (zh) * | 2019-04-17 | 2019-08-23 | 平安城市建设科技(深圳)有限公司 | 数据估算方法、装置、设备及存储介质 |
CN110262463A (zh) * | 2019-07-09 | 2019-09-20 | 河海大学常州校区 | 一种基于深度学习的轨道交通站台门故障诊断系统 |
CN110263767A (zh) * | 2019-07-12 | 2019-09-20 | 南京工业大学 | 结合压缩数据采集和深度学习的智能转轴故障诊断方法 |
US20210049480A1 (en) * | 2019-08-12 | 2021-02-18 | Micron Technology, Inc. | Predictive maintenance of automotive battery |
US20210057920A1 (en) * | 2019-08-21 | 2021-02-25 | SparkCognition, Inc. | Systems and methods of applying artificial intelligence to battery technology |
CN210400665U (zh) * | 2019-09-26 | 2020-04-24 | 天目湖先进储能技术研究院有限公司 | 一种在线测量锂离子电池膨胀力分布的装置 |
CN110674999A (zh) * | 2019-10-08 | 2020-01-10 | 国网河南省电力公司电力科学研究院 | 基于改进聚类和长短期记忆深度学习的小区负荷预测方法 |
CN110865628A (zh) * | 2019-10-25 | 2020-03-06 | 清华大学深圳国际研究生院 | 基于工况数据的新能源汽车电控系统故障预测方法 |
CN110873841A (zh) * | 2019-11-05 | 2020-03-10 | 北京匠芯电池科技有限公司 | 一种基于数据驱动与电池特性相结合的电池寿命预测方法 |
CN111310314A (zh) * | 2020-01-21 | 2020-06-19 | 北京瑞风协同科技股份有限公司 | 一种基于人工智能确定机电装置寿命的方法和系统 |
CN112731159A (zh) * | 2020-12-23 | 2021-04-30 | 江苏省电力试验研究院有限公司 | 一种储能电站电池舱电池故障预判及定位的方法 |
CN112763929A (zh) * | 2020-12-31 | 2021-05-07 | 华东理工大学 | 一种储能电站系统电池单体健康预测方法及装置 |
Non-Patent Citations (2)
Title |
---|
LEI REN 等: "A data-driven auto-CNN-LSTM prediction model for lithium-ion battery remaining useful life", vol. 17, pages 3478 - 3487, XP011839714, DOI: 10.1109/TII.2020.3008223 * |
谢建江 等: "锂电池储能舱运行状态信息采集系统研究", pages 1 - 11 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114500957A (zh) * | 2022-02-28 | 2022-05-13 | 重庆长安汽车股份有限公司 | 一种电子外后视镜延时监控报警系统及方法 |
CN116502530A (zh) * | 2023-04-27 | 2023-07-28 | 重庆大学 | 基于机器学习的膜污染预警方法及其装置 |
CN116502530B (zh) * | 2023-04-27 | 2023-11-07 | 重庆大学 | 基于机器学习的膜污染预警方法及其装置 |
CN117007979A (zh) * | 2023-10-07 | 2023-11-07 | 深圳市众航物联网有限公司 | 基于数据驱动的电源输出掉电异常预警方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Battery fault diagnosis for electric vehicles based on voltage abnormality by combining the long short-term memory neural network and the equivalent circuit model | |
Wang et al. | Voltage fault diagnosis and prognosis of battery systems based on entropy and Z-score for electric vehicles | |
CN113255764A (zh) | 利用机器学习检测电化学储能系统故障的方法、系统和装置 | |
Gan et al. | Data-driven fault diagnosis of lithium-ion battery overdischarge in electric vehicles | |
CN112098850B (zh) | 基于sdo算法的锂离子电池电压故障诊断方法及系统 | |
CN114559819B (zh) | 一种基于信号处理的电动汽车电池安全预警方法 | |
CN113505926B (zh) | 一种基于阻抗预测模型自更新的燃料电池故障预测方法 | |
CN114152880B (zh) | 一种软包电池传感器故障在线检测方法 | |
Jiang et al. | A fault diagnosis method for electric vehicle power lithium battery based on wavelet packet decomposition | |
CN113791364A (zh) | 模型融合信号驱动的锂离子电池内部短路诊断方法与系统 | |
He et al. | Voltage abnormality-based fault diagnosis for batteries in electric buses with a self-adapting update model | |
Ding et al. | Diagnosis of connection fault for parallel-connected lithium-ion batteries based on long short-term memory networks | |
Wu et al. | A fault detection method of electric vehicle battery through Hausdorff distance and modified Z-score for real-world data | |
Li et al. | Battery safety issue detection in real-world electric vehicles by integrated modeling and voltage abnormality | |
CN116572747B (zh) | 电池故障检测方法、装置、计算机设备和存储介质 | |
Wang et al. | An inconsistency fault diagnosis method for lithium-ion cells in the battery pack based on piecewise dimensionality reduction and outlier identification | |
Wei et al. | Spatiotemporal entropy for abnormality detection and localization of Li-ion battery packs | |
CN116184209A (zh) | 一种适用于动力电池热失控的预警方法及装置 | |
CN115718260A (zh) | 基于cnn-lstm结合相关系数的电池故障预测方法及系统 | |
CN113935423A (zh) | 耦合模糊控制规则与Elman神经网络的动力电池故障预警方法与系统 | |
Xie et al. | A Fault Prognosis Model of Battery Packs of Electric Vehicles based on Long Short-term Memory Neural Networks | |
Wang et al. | A double-layer fault diagnosis strategy for electric vehicle batteries based on Gaussian mixture model | |
Ren et al. | Multi-fault diagnosis strategy based on a non-redundant interleaved measurement circuit and improved fuzzy entropy for the battery system | |
CN117067920B (zh) | 动力电池的故障检测方法、装置、电子设备及电动汽车 | |
Cheng et al. | A method for battery fault diagnosis and early warning combining isolated forest algorithm and sliding window |
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 | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20240301 |
|
AD01 | Patent right deemed abandoned |