CN113552488B - 一种电池诊断方法、装置、电子设备和可存储介质 - Google Patents
一种电池诊断方法、装置、电子设备和可存储介质 Download PDFInfo
- Publication number
- CN113552488B CN113552488B CN202110851304.9A CN202110851304A CN113552488B CN 113552488 B CN113552488 B CN 113552488B CN 202110851304 A CN202110851304 A CN 202110851304A CN 113552488 B CN113552488 B CN 113552488B
- Authority
- CN
- China
- Prior art keywords
- sample
- function model
- fault
- normal
- preset
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000003745 diagnosis Methods 0.000 title claims abstract description 33
- 230000006870 function Effects 0.000 claims description 187
- 238000012549 training Methods 0.000 claims description 74
- 238000012360 testing method Methods 0.000 claims description 68
- 238000012795 verification Methods 0.000 claims description 44
- 238000012545 processing Methods 0.000 claims description 20
- 230000005669 field effect Effects 0.000 claims description 11
- 238000002405 diagnostic procedure Methods 0.000 claims 1
- 230000002159 abnormal effect Effects 0.000 abstract description 4
- 230000005856 abnormality Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 2
- KLARSDUHONHPRF-UHFFFAOYSA-N [Li].[Mn] Chemical group [Li].[Mn] KLARSDUHONHPRF-UHFFFAOYSA-N 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 229910052744 lithium Inorganic materials 0.000 description 2
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical group [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
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
Abstract
本发明公开了一种电池诊断方法、装置、电子设备和可存储介质,涉及电池诊断技术领域,具体实现方案为:提取电池性能数据;基于预先获得的目标函数模型,对所述电池性能数据进行判定,获得判定结果,其中,所述判定结果包括正常结果或故障结果;输出所述正常结果或所述故障结果。本发明通过目标函数模型对电池性能数据诊断,判定电池是否存在异常,优化了电池诊断的方法,使电池诊断更快速便捷。
Description
技术领域
本发明涉及电池诊断技术领域,具体涉及一种电池诊断方法、装置、电子设备和可存储介质。
背景技术
随着电气化的发展,能源换电业务也迅速发展以满足电动车等电气化设备的需求。目前主要通过更换锂电池和换电柜充电的方式实现设备持续地使用电气能源。但在现有技术中,电池异常的诊断繁琐,电池在更换和流动的过程中常出现单芯压差大、过压、欠压、过流、高温等异常,无法被及时诊断查出,可能造成电池的自燃烧毁情况出现,使电池的使用寿命较低。
可见,相关技术中存在着电池异常诊断繁琐的问题。
发明内容
本发明实施例提供一种电池诊断方法、装置、电子设备和可存储介质,以解决相关技术中存在着电池异常诊断繁琐的问题。
第一方面,本发明实施例提供一种电池诊断方法,包括:
提取电池性能数据;
基于预先获得的目标函数模型,对所述电池性能数据进行判定,获得判定结果,其中,所述判定结果包括正常结果或故障结果;
输出所述正常结果或所述故障结果。
第二方面,本发明实施例提供一种电池诊断装置,包括:
第一获取模块,用于提取电池性能数据;
处理模块,用于基于预先获得的目标函数模型,对所述电池性能数据进行判定,获得判定结果;
输出模块,用于输出所述判定结果。
本发明实施例中,通过提取电池性能数据再对该数据进行目标函数模型处理,判定出电池是否存在异常,优化了电池诊断的方法,使电池诊断更快速便捷。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种电池诊断方法的流程图;
图2是本发明实施例提供的一种获得目标函数模型的流程图;
图3是本发明实施例提供的一种电池诊断装置的结构图;
图4是本发明实施例提供的一种电池诊断的电子设备结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象,而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施,且“第一”、“第二”所区别的对象通常为一类,并不限定对象的个数,例如第一对象可以是一个,也可以是多个。
请参见图1,图1是本发明实施例提供的一种电池诊断方法的流程图,包括以下步骤:
步骤101、提取电池性能数据。
上述提取电池性能数据,可以是电池在换电柜充电时提取,也可以是在电池使用过程中提取。例如:电池在换电柜充电时,通过换电柜的相应装置提取电池性能数据。
上述电池性能数据可以包括:场效应管数据、单芯数据、采集线数据、电流电压数据和温度数据。
步骤102、基于预先获得的目标函数模型,对所述电池性能数据进行判定,获得判定结果,其中,所述判定结果包括正常结果或故障结果。
其中,目标函数模型是通过大量的数据优化和确认得到的核函数模型,通过目标函数模型对提取的电池性能数据进行计算分析处理,判定电池性能数据是否存在异常,若不存在则为正常结果,若存在则为故障结果。
步骤103、输出所述正常结果或所述故障结果。
本发明实施例中,通过上述步骤可以实现对电池的性能数据提取和分析,获得电池的正常结果或故障结果并输出,优化了电池诊断的方法,使电池诊断更快速便捷。
作为一种可选的实施方式,如图2所示,所述目标函数模型通过如下方式得到包括:
步骤201、提取预设的数据样本。
其中,数据样本为提前收集的电池性能数据,同样包括了场效应管数据、单芯数据、采集线数据、电流电压数据和温度数据。同时,为使后续对模型的优化更加精确,通常数据样本的时间为多组,例如:2021年第一季度、2021年第二季度等。
步骤202、基于专家知识库数据对所述数据样本处理,获得诊断样本,其中,所述诊断样本包括正常样本和故障样本;
步骤203、基于预设的样本分类规则,将所述正常样本和所述故障样本分为第一训练样本和第一测试样本、第二训练样本和第二测试样本。
为了使后续对模型验证过程更加精确,第一训练样本和第一测试样本的比例与第二训练样本和第二测试样本的比例一致,例如,第一训练样本和第一测试样本的比例为4:6,第二训练样本和第二测试样本的比例为4:6。
步骤204、导入所述第一训练样本和所述第一测试样本、所述第二训练样本和所述第二测试样本对预设的第一函数模型、第二函数模型和第三函数模型优化处理,获得优化后的所述第一函数模型、所述第二函数模型和所述第三函数模型和验证结果。
上述预设的第一函数模型、第二函数模型和第三函数模型为核函数模型。由于数据样本属于线性不可分问题,所以选取的第一函数模型为:
多项式核函数模型:К(Xi,Xj)=(γXi TXj+c)2;
RBF径向基核函数模型:К(Xi,Xj)=exp(-γ||Xi-Xj||2);
sigmoid核函数模型:К(Xi,Xj)=tanh(γXi TXj+c)。
其中C为错误分类样本的惩罚因子,C越大,惩罚力度越大,倾向于选择复杂的模型,减少错分样本;C越小,惩罚力度越小,倾向于选择简单的模型。γ为支持向量影响区域半径的倒数,γ越大,支持向量影响区域越小,决策边界倾向于只包含支持向量,模拟复杂度高,容易过拟合;γ越小,支持向量影响区域越大,决策边界倾向于光滑,模型复杂度低,容易欠拟合。
通过导入第一训练样本和第一测试样本、第二训练样本和第二测试样本对预设的第一函数模型、第二函数模型和第三函数模型优化处理,得到优化后的C和γ,及优化后的第一函数模型、第二函数模型和第三函数模型,以及相应的验证结果。
步骤205、基于所述验证结果在优化后的所述第一函数模型、所述第二函数模型和所述第三函数模型中判定并获得所述目标函数模型。
依据上述的多个验证结果,选取出最优的验证结果和相应的函数模型,即为目标函数模型。
作为一种可选的实施方式,所述数据样本包括:单芯压差样本、电芯样本、电压样本和场效应管样本;
所述专家知识库包括:预设的单芯压差参数、预设的电芯参数、预设的电压参数、预设的场效应管参数;
所述基于专家知识库数据对所述预设数据样本处理,获得所述诊断样本,包括:
基于所述预设的单芯压差参数对所述数据样本的所述单芯压差样本处理,判定所述数据样本属于所述正常样本或属于所述故障样本;
基于所述预设的电芯参数对所述数据样本的所述电芯样本处理,判定所述数据样本属于所述正常样本或属于所述故障样本;
基于所述预设的电压参数对所述数据样本的所述电压样本处理,判定所述数据样本属于所述正常样本或属于所述故障样本;
基于所述预设的场效应管参数对所述数据样本的所述场效应管样本处理,判定所述数据样本属于所述正常样本或属于所述故障样本。
本实施方式中,专家知识库数据对电池性能数据进行初步处理,形成如下专家知识库:
如果电池在运行过程中的单芯压差大于1000毫伏,判定为放电过程中单芯压差大,该数据样本属于故障样本;
如果电池在换电柜充电过程中单芯压差大于700毫伏,判定为充电过程中单芯压差大,该数据样本属于故障样本;
如果电芯温度或环境温度大于80摄氏度,判定为超高温保护,该数据样本属于故障样本;
如果电池在换电柜充电过程中,电池为磷酸铁锂电池,单芯电压不大于2.5伏,出现单芯欠压保护,判定为电池电芯故障,该数据样本属于故障样本;
如果电池在换电柜充电过程中,电池为锰系锂电池,电压不大于2.9伏,出现单芯欠压保护,判定为电池电芯故障,该数据样本属于故障样本;
如果电池在换电柜充电过程中,锂电池电芯电压下降超过300毫伏,且单芯压差大于1000毫伏,判定为电池电芯故障,该数据样本属于故障样本;
如果电池为磷酸铁锂电池,电压大于3.68伏,判定为单芯过压保护,该数据样本属于故障样本;
如果电池为锰系锂电池,电压大于4.25伏,判定为单芯过压保护,该数据样本属于故障样本;
如果BMS板(电池保护板)的MOS(场效应管)温度大于90摄氏度,判定为MOS高温保护,该数据样本属于故障样本。
通过上述方法将数据样本处理得到正常样本和故障样本。
作为一种可选的实施方式,所述基于预设的样本分类规则,将所述正常样本和所述故障样本分为第一训练样本和第一测试样本、第二训练样本和第二测试样本,包括:
基于预设的时间参数对所述正常样本和所述故障样本分组,获得第一正常样本和第二正常样本、第一故障样本和第二故障样本;
将所述第一正常样本和所述第一故障样本混合并按照固定比例随机分配,获得所述第一训练样本和所述第一测试样本;
将所述第二正常样本和所述第二故障样本混合并按照固定比例随机分配,获得所述第二训练样本和所述第二测试样本。
本实施方式中,预设一时间参数,例如,时间参数为2021年4月1日,将正常样本分为第一正常样本和第二正常样本,即早于时间参数的正常样本和晚于时间参数的正常样本;将故障样本分为第一故障样本和第二故障样本,即早于时间参数的故障样本和晚于时间参数的故障样本。
其中,为了优化函数模型,需要在单次导入样本时包括一定的正常样本和一定的故障样本,故需要将第一正常样本和第一故障样本混合,第二正常样本和第二故障样本混合。同时,为了使第一训练样本和第一测试样本的比例与第二训练样本与第二测试样本的比例一致,需要将混合后的第一正常样本和第一故障样本按固定比例随机分配,将混合后的第二正常样本和第二故障样本按固定比例随机分配。
例如,第一故障样本为1205组,第二故障样本为2865组,第一正常样本为18753组,第二正常样本为66451组,在第一故障样本和第一正常样本混合后按照固定比例4:6分为第一训练样本和第一测试样本,在第二故障样本和第二正常样本混合后按照固定比例4:6分为第二训练样本和第二测试样本。
作为一种可选的实施方式,所述导入所述第一训练样本和所述第一测试样本、所述第二训练样本和所述第二测试样本对预设的第一函数模型、第二函数模型和第三函数模型优化处理,获得优化后的所述第一函数模型、所述第二函数模型和所述第三函数模型和验证结果,包括:
基于所述第一训练样本对所述第一函数模型、所述第二函数模型和所述第三函数模型进行优化,获得优化后的所述第一、第二和第三函数模型;
导入所述第一训练样本和所述第一测试样本到所述第一函数模型、所述第二函数模型和所述第三函数模型,得到第一验证样本结果;
导入所述第二训练样本和所述第二测试样本到所述第一函数模型、所述第二函数模型和所述第三函数模型,得到第二验证样本结果;
导入所述第一训练样本和所述第二测试样本到所述第一函数模型、所述第二函数模型和所述第三函数模型,得到第三验证样本结果。
本实施方式中,通过第一训练样本和第一测试样本、第二训练样本和第二测试样本进行测试和交叉测试,获得不同的第一验证样本结果、第二验证样本结果和第三验证样本结果,再对第一验证样本结果、第二验证样本结果和第三验证样本结果进行比较获得目标函数模型。
具体的,例如第一训练样本和第一测试样本的总数据为20038组,其中的故障数据为1285组,第一训练样本和第一测试样本的比例为4:6。首先将第一训练样本导入多项式核函数模型、RBF径向基核函数模型和sigmoid核函数模型,分别获得优化后的多项式核函数模型、RBF径向基核函数模型和sigmoid核函数模型。再将第一测试样本和第一训练样本导入优化后的函数模型,得到第一验证样本结果,其中,假设第一验证样本结果的准确率最高为RBF径向基核函数模型的96%。
然后,再导入第二训练样本和第二测试样本到优化后的函数模型中,得到第二验证样本结果,其中,假设第二验证样本结果的准确率最高为RBF径向基核函数模型的95%。
最后,进行交叉验证,将第一训练样本和第二测试样本同时导入到优化后的函数模型中,得到第三验证样本结果,其中,假设第三验证样本结果的准确率最高为RBF径向基核函数模型的93%。
通过第一验证样本结果、第二验证样本结果和第三验证样本结果可以得到正确率最高的函数模型为RBF径向基核函数模型,此时的目标函数模型即为RBF径向基核函数模型。在实际使用过程中通过获得的目标函数模型分析提取的电池性能数据,判定电池是否存在异常,提醒人员进行检查和维修,从而提高电池的使用寿命。
参见图3,图3是本发明实施例提供的一种电池诊断装置,包括:
获取模块301,用于提取电池性能数据;
处理模块302,用于基于预先获得的目标函数模型,对所述电池性能数据进行判定,获得判定结果;
输出模块303,用于输出所述判定结果。
作为一种可选的实施方式,所述目标函数模型通过如下方式得到包括:
提取预设的数据样本;
基于专家知识库数据对所述数据样本处理,获得诊断样本,其中,所述诊断样本包括正常样本和故障样本;
基于预设的样本分类规则,将所述正常样本和所述故障样本分为第一训练样本和第一测试样本、第二训练样本和第二测试样本;
导入所述第一训练样本和所述第一测试样本、所述第二训练样本和所述第二测试样本对预设的第一函数模型、第二函数模型和第三函数模型优化处理,获得优化后的所述第一函数模型、所述第二函数模型和所述第三函数模型和验证结果;
基于所述验证结果在优化后的所述第一函数模型、所述第二函数模型和所述第三函数模型中判定并获得所述目标函数模型。
作为一种可选的实施方式,所述基于预设的样本分类规则,将所述正常样本和所述故障样本分为第一训练样本和第一测试样本、第二训练样本和第二测试样本,包括:
基于预设的时间参数对所述正常样本和所述故障样本分组,获得第一正常样本和第二正常样本、第一故障样本和第二故障样本;
将所述第一正常样本和所述第一故障样本混合并按照固定比例随机分配,获得所述第一训练样本和所述第一测试样本;
将所述第二正常样本和所述第二故障样本混合并按照固定比例随机分配,获得所述第二训练样本和所述第二测试样本;
所述导入所述第一训练样本和所述第一测试样本、所述第二训练样本和所述第二测试样本对预设的第一函数模型、第二函数模型和第三函数模型优化处理,获得优化后的所述第一函数模型、所述第二函数模型和所述第三函数模型和验证结果,包括:
基于所述第一训练样本对所述第一函数模型、所述第二函数模型和所述第三函数模型进行优化,获得优化后的所述第一、第二和第三函数模型;
导入所述第一训练样本和所述第一测试样本到所述第一函数模型、所述第二函数模型和所述第三函数模型,得到第一验证样本结果;
导入所述第二训练样本和所述第二测试样本到所述第一函数模型、所述第二函数模型和所述第三函数模型,得到第二验证样本结果;
导入所述第一训练样本和所述第二测试样本到所述第一函数模型、所述第二函数模型和所述第三函数模型,得到第三验证样本结果。
本申请实施例中的电池诊断装置可以是装置,也可以是终端中的部件、集数据成电路、或芯片。该装置可以是移动电子设备,也可以为非移动电子设备。示例性的,移动电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、可穿戴设备、超级移动个人计算机(ultra-mobile personal computer,UMPC)、上网本或者个人数字助理(personal digital assistant,PDA)等,非移动电子设备可以为服务器、网络附属存储器(Network Attached Storage,NAS)、个人计算机(personal computer,PC)、电视机(television,TV)、柜员机或者自助机等,本申请实施例不作具体限定。
本申请实施例中的电池诊断装置可以为具有操作系统的装置。该操作系统可以为安卓(Android)操作系统,可以为ios操作系统,还可以为其他可能的操作系统,本申请实施例不作具体限定。
本申请实施例提供的电池诊断装置能够实现图1的方法实施例实现的各个过程,为避免重复,这里不再赘述。
请参见图4,图4是本发明实施例提供的一种电子设备的结构图,如图4所示,电子设备包括:存储器401、处理器402及存储在所述存储器401上并可在所述处理器402上运行的程序或者指令,所述程序或者指令被所述处理器402执行时实现上述电池诊断方法中的步骤。
本发明实施例还提供一种可读存储介质,所述可读存储介质上存储有程序或指令,该程序或指令被处理器执行时实现上述电池诊断方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
需要说明的是,在本文中,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、物品或者装置不仅包括那些要素,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、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外,需要指出的是,本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能,还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能,例如,可以按不同于所描述的次序来执行所描述的方法,并且还可以添加、省去、或组合各种步骤。另外,参照某些示例所描述的特征可在其他示例中被组合。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述,但是本申请并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本申请的启示下,在不脱离本申请宗旨和权利要求所保护的范围情况下,还可做出很多形式,均属于本申请的保护之内。
Claims (7)
1.一种电池诊断方法,其特征在于,包括:
提取电池性能数据;
基于预先获得的目标函数模型,对所述电池性能数据进行判定,获得判定结果,其中,所述判定结果包括正常结果或故障结果;
输出所述正常结果或所述故障结果;
所述目标函数模型通过如下方式得到包括:
提取预设的数据样本;
基于专家知识库数据对所述数据样本处理,获得诊断样本,其中,所述诊断样本包括正常样本和故障样本;
基于预设的样本分类规则,将所述正常样本和所述故障样本分为第一训练样本和第一测试样本、第二训练样本和第二测试样本;
导入所述第一训练样本和所述第一测试样本、所述第二训练样本和所述第二测试样本对预设的第一函数模型、第二函数模型和第三函数模型优化处理,获得优化后的所述第一函数模型、所述第二函数模型和所述第三函数模型和验证结果;
基于所述验证结果在优化后的所述第一函数模型、所述第二函数模型和所述第三函数模型中判定并获得所述目标函数模型;
所述第一函数模型、所述第二函数模型和所述第三函数模型为核函数模型,所述核函数模型为多项式核函数模型、RBF径向基核函数模型和sigmoid核函数模型中的一项;
所述基于预设的样本分类规则,将所述正常样本和所述故障样本分为第一训练样本和第一测试样本、第二训练样本和第二测试样本,包括:
基于预设的时间参数对所述正常样本和所述故障样本分组,获得第一正常样本和第二正常样本、第一故障样本和第二故障样本;
将所述第一正常样本和所述第一故障样本混合并按照固定比例随机分配,获得所述第一训练样本和所述第一测试样本;
将所述第二正常样本和所述第二故障样本混合并按照固定比例随机分配,获得所述第二训练样本和所述第二测试样本。
2.根据权利要求1所述的方法,其特征在于,所述数据样本包括:单芯压差样本、电芯样本、电压样本和场效应管样本;
所述专家知识库包括:预设的单芯压差参数、预设的电芯参数、预设的电压参数、预设的场效应管参数;
所述基于专家知识库数据对所述数据样本处理,获得所述诊断样本,包括:
基于所述预设的单芯压差参数对所述数据样本的所述单芯压差样本处理,判定所述数据样本属于所述正常样本或属于所述故障样本;
基于所述预设的电芯参数对所述数据样本的所述电芯样本处理,判定所述数据样本属于所述正常样本或属于所述故障样本;
基于所述预设的电压参数对所述数据样本的所述电压样本处理,判定所述数据样本属于所述正常样本或属于所述故障样本;
基于所述预设的场效应管参数对所述数据样本的所述场效应管样本处理,判定所述数据样本属于所述正常样本或属于所述故障样本。
3.根据权利要求1所述的方法,其特征在于,所述导入所述第一训练样本和所述第一测试样本、所述第二训练样本和所述第二测试样本对预设的第一函数模型、第二函数模型和第三函数模型优化处理,获得优化后的所述第一函数模型、所述第二函数模型和所述第三函数模型和验证结果,包括:
基于所述第一训练样本对所述第一函数模型、所述第二函数模型和所述第三函数模型进行优化,获得优化后的所述第一、第二和第三函数模型;
导入所述第一训练样本和所述第一测试样本到所述第一函数模型、所述第二函数模型和所述第三函数模型,得到第一验证样本结果;
导入所述第二训练样本和所述第二测试样本到所述第一函数模型、所述第二函数模型和所述第三函数模型,得到第二验证样本结果;
导入所述第一训练样本和所述第二测试样本到所述第一函数模型、所述第二函数模型和所述第三函数模型,得到第三验证样本结果。
4.一种电池诊断装置,其特征在于,包括:
获取模块,用于提取电池性能数据;
处理模块,用于基于预先获得的目标函数模型,对所述电池性能数据进行判定,获得判定结果;
输出模块,用于输出所述判定结果;
所述目标函数模型通过如下方式得到包括:
提取预设的数据样本;
基于专家知识库数据对所述数据样本处理,获得诊断样本,其中,所述诊断样本包括正常样本和故障样本;
基于预设的样本分类规则,将所述正常样本和所述故障样本分为第一训练样本和第一测试样本、第二训练样本和第二测试样本;
导入所述第一训练样本和所述第一测试样本、所述第二训练样本和所述第二测试样本对预设的第一函数模型、第二函数模型和第三函数模型优化处理,获得优化后的所述第一函数模型、所述第二函数模型和所述第三函数模型和验证结果;
基于所述验证结果在优化后的所述第一函数模型、所述第二函数模型和所述第三函数模型中判定并获得所述目标函数模型;
所述第一函数模型、所述第二函数模型和所述第三函数模型为核函数模型,所述核函数模型为多项式核函数模型、RBF径向基核函数模型和sigmoid核函数模型中的一项;
所述基于预设的样本分类规则,将所述正常样本和所述故障样本分为第一训练样本和第一测试样本、第二训练样本和第二测试样本,包括:
基于预设的时间参数对所述正常样本和所述故障样本分组,获得第一正常样本和第二正常样本、第一故障样本和第二故障样本;
将所述第一正常样本和所述第一故障样本混合并按照固定比例随机分配,获得所述第一训练样本和所述第一测试样本;
将所述第二正常样本和所述第二故障样本混合并按照固定比例随机分配,获得所述第二训练样本和所述第二测试样本。
5.根据权利要求4所述的装置,其特征在于,所述导入所述第一训练样本和所述第一测试样本、所述第二训练样本和所述第二测试样本对预设的第一函数模型、第二函数模型和第三函数模型优化处理,获得优化后的所述第一函数模型、所述第二函数模型和所述第三函数模型和验证结果,包括:
基于所述第一训练样本对所述第一函数模型、所述第二函数模型和所述第三函数模型进行优化,获得优化后的所述第一、第二和第三函数模型;
导入所述第一训练样本和所述第一测试样本到所述第一函数模型、所述第二函数模型和所述第三函数模型,得到第一验证样本结果;
导入所述第二训练样本和所述第二测试样本到所述第一函数模型、所述第二函数模型和所述第三函数模型,得到第二验证样本结果;
导入所述第一训练样本和所述第二测试样本到所述第一函数模型、所述第二函数模型和所述第三函数模型,得到第三验证样本结果。
6.一种电子设备,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程序或者指令,所述程序或者指令被所述处理器执行时实现如权利要求1至3中任一项所述电池诊断方法中的步骤。
7.一种可读存储介质,其特征在于,所述可读存储介质上存储有程序或指令,所述程序或指令被处理器执行时实现如权利要求1至3中任一项所述电池诊断方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110851304.9A CN113552488B (zh) | 2021-07-27 | 2021-07-27 | 一种电池诊断方法、装置、电子设备和可存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110851304.9A CN113552488B (zh) | 2021-07-27 | 2021-07-27 | 一种电池诊断方法、装置、电子设备和可存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113552488A CN113552488A (zh) | 2021-10-26 |
CN113552488B true CN113552488B (zh) | 2024-03-19 |
Family
ID=78104577
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110851304.9A Active CN113552488B (zh) | 2021-07-27 | 2021-07-27 | 一种电池诊断方法、装置、电子设备和可存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113552488B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101142732A (zh) * | 2005-03-16 | 2008-03-12 | Lg化学株式会社 | 用于估算电池充电状态的系统和方法 |
CN109085813A (zh) * | 2018-06-29 | 2018-12-25 | 国家能源投资集团有限责任公司 | 故障的诊断方法和装置 |
CN110632519A (zh) * | 2019-09-30 | 2019-12-31 | 潍柴动力股份有限公司 | 燃料电池故障诊断方法和装置 |
CN111090050A (zh) * | 2020-01-21 | 2020-05-01 | 合肥工业大学 | 一种基于支持向量机和k均值的锂电池故障诊断方法 |
CN112630660A (zh) * | 2020-12-14 | 2021-04-09 | 湖北工业大学 | 一种基于支持向量机的电池故障识别方法 |
CN112710956A (zh) * | 2020-12-17 | 2021-04-27 | 四川虹微技术有限公司 | 一种基于专家系统的电池管理系统故障检测系统及方法 |
-
2021
- 2021-07-27 CN CN202110851304.9A patent/CN113552488B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101142732A (zh) * | 2005-03-16 | 2008-03-12 | Lg化学株式会社 | 用于估算电池充电状态的系统和方法 |
CN109085813A (zh) * | 2018-06-29 | 2018-12-25 | 国家能源投资集团有限责任公司 | 故障的诊断方法和装置 |
CN110632519A (zh) * | 2019-09-30 | 2019-12-31 | 潍柴动力股份有限公司 | 燃料电池故障诊断方法和装置 |
CN111090050A (zh) * | 2020-01-21 | 2020-05-01 | 合肥工业大学 | 一种基于支持向量机和k均值的锂电池故障诊断方法 |
CN112630660A (zh) * | 2020-12-14 | 2021-04-09 | 湖北工业大学 | 一种基于支持向量机的电池故障识别方法 |
CN112710956A (zh) * | 2020-12-17 | 2021-04-27 | 四川虹微技术有限公司 | 一种基于专家系统的电池管理系统故障检测系统及方法 |
Non-Patent Citations (1)
Title |
---|
基于知识学习的储能电站健康监测与预警;刘建军 等;《电力系统保护与控制》;第第49 卷卷(第第4 期 期);第64-70页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113552488A (zh) | 2021-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | A novel state-of-charge estimation method of lithium-ion batteries combining the grey model and genetic algorithms | |
Kim et al. | Data-driven state of health estimation of li-ion batteries with RPT-reduced experimental data | |
Zhao et al. | A compact methodology via a recurrent neural network for accurate equivalent circuit type modeling of lithium-ion batteries | |
Chen et al. | Remaining useful life prediction of battery using a novel indicator and framework with fractional grey model and unscented particle filter | |
Jiang et al. | An adaptive capacity estimation approach for lithium-ion battery using 10-min relaxation voltage within high state of charge range | |
EP4113139A1 (en) | Lithium battery soc estimation method and apparatus, and computer-readable storage medium | |
CN109031138B (zh) | 一种动力电池的安全评估方法和装置 | |
CN113391229B (zh) | 退役动力电池的性能评价方法、设备及系统 | |
CN111967620A (zh) | 一种光伏组件诊断方法、装置、设备及可读存储介质 | |
CN115166532A (zh) | 镍氢电池容量预测方法、装置、电子设备及存储介质 | |
Lyu et al. | A semiparametric clustering method for the screening of retired Li-ion batteries from electric vehicles | |
CN108845267B (zh) | 一种动力电池的数据处理方法和装置 | |
Li et al. | Battery safety issue detection in real-world electric vehicles by integrated modeling and voltage abnormality | |
Cao et al. | An ensemble learning prognostic method for capacity estimation of lithium-ion batteries based on the V-IOWGA operator | |
CN113552488B (zh) | 一种电池诊断方法、装置、电子设备和可存储介质 | |
CN111367782A (zh) | 回归测试数据自动生成的方法及装置 | |
Zhang et al. | Optimization of Tremblay's battery model parameters for plug-in hybrid electric vehicle applications | |
CN109063260B (zh) | 一种动力电池的老化趋势判断方法和装置 | |
CN111125828A (zh) | 电动车体检方法、装置、终端设备及存储介质 | |
CN114239388A (zh) | 一种融合测试与车联网的电池剩余寿命预测方法及系统 | |
CN115372752A (zh) | 故障检测方法、装置、电子设备以及存储介质 | |
CN113433458A (zh) | 电池健康状态的确定方法和装置 | |
CN112485694A (zh) | 电池组的检测方法及装置 | |
CN116224091B (zh) | 电池的电芯故障检测方法、装置、电子设备及存储介质 | |
CN111896851A (zh) | 一种短空气间隙击穿电压的预测方法、系统及存储介质 |
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 | ||
CB02 | Change of applicant information |
Address after: Room 101, floors 1-3, building 14, North District, yard 9, dongran North Street, Haidian District, Beijing 100029 Applicant after: CHINA TOWER Co.,Ltd. Address before: 100142 19th floor, 73 Fucheng Road, Haidian District, Beijing Applicant before: CHINA TOWER Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |