CN113702837A - 用于动力电池的自放电异常检测方法及设备 - Google Patents

用于动力电池的自放电异常检测方法及设备 Download PDF

Info

Publication number
CN113702837A
CN113702837A CN202110974524.0A CN202110974524A CN113702837A CN 113702837 A CN113702837 A CN 113702837A CN 202110974524 A CN202110974524 A CN 202110974524A CN 113702837 A CN113702837 A CN 113702837A
Authority
CN
China
Prior art keywords
block
data
self
model
features
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
Application number
CN202110974524.0A
Other languages
English (en)
Inventor
张健
马非凡
后士浩
吴毅成
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NIO Co Ltd
Original Assignee
NIO Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by NIO Co Ltd filed Critical NIO Co Ltd
Priority to CN202110974524.0A priority Critical patent/CN113702837A/zh
Publication of CN113702837A publication Critical patent/CN113702837A/zh
Pending legal-status Critical Current

Links

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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • 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]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • 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
    • G06N3/045—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
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries

Abstract

本发明涉及一种用于动力电池的自放电异常检测方法，所述方法包括：基于所述动力电池的采样数据来生成区块时间序列数据集；利用所述区块时间序列数据集中的子数据集，训练第一模型以获得与所述自放电异常关联的单体电压分布特征；以及利用所述区块时间序列数据集训练第二模型，以获得包括所述单体电压分布特征的区块特征集在时间序列上的变化规律和潜在模式，从而实现对所述动力电池的自放电异常的检测。本发明还涉及一种用于动力电池的自放电异常检测设备、计算机存储介质以及电池监控平台。

Description

用于动力电池的自放电异常检测方法及设备
技术领域
本发明涉及动力电池的异常检测领域，更具体地，涉及一种用于动力电池的自放电异常检测方法及设备、计算机存储介质以及电池监控平台。
背景技术
动力电池（例如锂离子电池）的自放电是指电池在开路静置过程中电压下降的现象。正常情况下，一致性良好的动力电池的自放电速率相近，但是当电池单体内部存在不正常的金属掺杂、锂枝晶生长刺穿隔膜产生内短路、极片掉粉、卷绕错位、电解液、极片活性物质中有杂质等时会导致电池自放电的速率异常，进而影响动力电池的使用安全和性能。
在动力电池运行过程中，如何在电池自放电异常的早期准确识别诊断潜在失效对于保障车辆运行安全和用户体验、减少由于安全事故产生的索赔以及消除不良社会影响具有十分重大的意义。
在现有的车端动力电池的监控过程中，基于内置的电池管理系统（BMS）或者基于云端大数据的自放电异常检测算法往往采用电池电压的降低速率或者电池压差的变化速率进行判断。例如，当动力电池包某个单体存在自放电异常现象时，会表现出与正常单体不一致的现象，例如一定时间内该单体电压在静置状态下降低速度异常，或一段时间内当电池处于同一电荷状态（SOC）区间时单体压差逐渐扩大等。上述这些算法不仅需要运行在特定的工况下，并且只根据单一的外特性参数进行判断，车端电池多变的运行工况以及自放电异常的复杂诱因导致这些算法对于自放电异常的识别结果存在大量的误判以及一定程度的漏判，给售后的维修处理环节带来了极大的难度和工作量。
发明内容
根据本发明的一方面，提供了一种用于动力电池的自放电异常检测方法，所述方法包括：基于所述动力电池的采样数据来生成区块时间序列数据集；利用所述区块时间序列数据集中的子数据集，训练第一模型以获得与所述自放电异常关联的单体电压分布特征；以及利用所述区块时间序列数据集训练第二模型，以获得包括所述单体电压分布特征的区块特征集在时间序列上的变化规律和潜在模式，从而实现对所述动力电池的自放电异常的检测。
作为上述方案的补充或替换，在上述方法中，基于所述动力电池的采样数据来生成区块时间序列数据集包括：根据所述采样数据来提取区块特征；对所述区块特征进行预处理；以及基于预处理后的区块特征，生成所述区块时间序列数据集。
作为上述方案的补充或替换，在上述方法中，根据所述采样数据来提取区块特征包括：从所述采样数据中选择电池充电以及静置过程中的第一数据；将所述第一数据进行切分以获得多个数据片段；以及提取所述多个数据片段中的单个数据片段中的关键特征，从而获得所述区块特征。
作为上述方案的补充或替换，在上述方法中，对所述区块特征进行预处理包括：针对不同的区块特征，根据其类型和取值范围来进行不同的预处理。
作为上述方案的补充或替换，在上述方法中，对所述区块特征进行预处理包括：结合所述动力电池中的多个电池单体之间的拓扑关系，对全量单体电压列表重新进行编排。
作为上述方案的补充或替换，在上述方法中，对所述区块特征进行预处理还包括：针对每一个所述全量单体电压列表，将所述全量单体电压列表内的数值按照所述全量单体电压列表的最大值和最小值进行归一化。
作为上述方案的补充或替换，在上述方法中，基于预处理后的区块特征，生成所述区块时间序列数据集包括：通过遮盖填充所述预处理后的区块特征，从而生成所述区块时间序列数据集。
作为上述方案的补充或替换，在上述方法中，所述子数据集通过截取所述区块时间序列数据集中的每个序列末尾的区块特征以及样本标签来建立。
作为上述方案的补充或替换，在上述方法中，所述第一模型为卷积神经网络CNN，而所述第二模型为循环神经网络RNN。
根据本发明的另一方面，一种用于动力电池的自放电异常检测设备，其特征在于，所述设备包括：生成装置，用于基于所述动力电池的采样数据来生成区块时间序列数据集；第一训练装置，用于利用所述区块时间序列数据集中的子数据集，训练第一模型以获得与所述自放电异常关联的单体电压分布特征；以及第二训练装置，用于利用所述区块时间序列数据集训练第二模型，以获得包括所述单体电压分布特征的区块特征集在时间序列上的变化规律和潜在模式，从而实现对所述动力电池的自放电异常的检测。
作为上述方案的补充或替换，在上述设备中，所述生成装置包括：提取单元，用于根据所述采样数据来提取区块特征；预处理单元，用于对所述区块特征进行预处理；以及生成单元，用于基于预处理后的区块特征，生成所述区块时间序列数据集。
作为上述方案的补充或替换，在上述设备中，所述提取单元配置成：从所述采样数据中选择电池充电以及静置过程中的第一数据；将所述第一数据进行切分以获得多个数据片段；以及提取所述多个数据片段中的单个数据片段中的关键特征，从而获得所述区块特征。
作为上述方案的补充或替换，在上述设备中，所述预处理单元配置成针对不同的区块特征，根据其类型和取值范围来进行不同的预处理。
作为上述方案的补充或替换，在上述设备中，所述预处理单元配置成结合所述动力电池中的多个电池单体之间的拓扑关系，对全量单体电压列表重新进行编排。
作为上述方案的补充或替换，在上述设备中，所述预处理单元还配置成针对每一个所述全量单体电压列表，将所述全量单体电压列表内的数值按照所述全量单体电压列表的最大值和最小值进行归一化。
作为上述方案的补充或替换，在上述设备中，所述生成单元配置成通过遮盖填充所述预处理后的区块特征，生成所述区块时间序列数据集。
作为上述方案的补充或替换，在上述设备中，所述子数据集通过截取所述区块时间序列数据集中的每个序列末尾的区块特征以及样本标签来建立。
作为上述方案的补充或替换，在上述设备中，所述第一模型为卷积神经网络CNN，而所述第二模型为循环神经网络RNN。
根据本发明的又一方面，提供了一种计算机存储介质，所述介质包括指令，所述指令在运行时执行如前所述的自放电异常检测方法。
根据本发明的又一方面，提供了一种电池监控平台，所述电池监控平台包括如前所述的自放电异常检测设备。
本发明的实施例的用于动力电池的自放电异常检测方案利用第一模型（例如，CNN模型）来挖掘与自放电异常关联的单体电压分布的隐含特征，随后又利用不同于第一模型的第二模型（例如，RNN模型）来学习得到包括所述单体电压分布特征的区块特征集在时间序列上的变化规律和潜在模式，进而实现端到端的特征挖掘和失效诊断。在一个实施例中，用于动力电池的自放电异常检测方案融合了CNN和RNN深度学习模型，并且采用了分阶段迁移学习策略，通过电池区块特征数据实现了电池自放电异常失效的自动化诊断，泛化性能好，且失效诊断更为准确。
附图说明
从结合附图的以下详细说明中，将会使本发明的上述和其他目的及优点更加完整清楚，其中，相同或相似的要素采用相同的标号表示。
图1示出了根据本发明的一个实施例的用于动力电池的自放电异常检测方法的流程示意图；
图2示出了根据本发明的一个实施例的用于动力电池的自放电异常检测设备的结构示意图；
图3示出了根据本发明的一个实施例的卷积神经网络CNN模型的网络架构图；
图4示出了根据本发明的一个实施例的循环神经网络RNN模型的网络架构图；以及
图5示出了根据本发明的一个实施例的电池自放电异常失效诊断模型训练流程。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明具体实施例作进一步的详细描述。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。
另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
虽然将示例性实施例描述为使用多个单元来执行示例性过程，但是应理解，这些示例性过程也可由一个或多个模块来执行。
而且，本发明的控制逻辑可作为可执行程序指令而包含在计算机可读介质上，该可执行程序指令由处理器等实施。计算机可读介质的实例包括，但不限于，ROM、RAM、光盘、磁带、软盘、闪盘驱动器、智能卡和光学数据存储装置。计算机可读记录介质也可分布在连接有网络的计算机系统中，使得例如通过车载远程通信服务或者控制器局域网（CAN）以分布式方式储存并实施计算机可读介质。
在下文中，将参考附图详细地描述根据本发明的各示例性实施例的用于动力电池的自放电异常检测方案。
图1示出了根据本发明的一个实施例的用于动力电池的自放电异常检测方法1000的流程示意图。该检测方法1000利用一定数量的电池标签样本，通过深度学习的方法对动力电池的自放电异常失效模式进行诊断。如图1所示，方法1000包括如下步骤：
在步骤S110中，基于所述动力电池的采样数据来生成区块时间序列数据集；
在步骤S120中，利用所述区块时间序列数据集中的子数据集，训练第一模型以获得与所述自放电异常关联的单体电压分布特征；以及
在步骤S130中，利用所述区块时间序列数据集训练第二模型，以获得包括所述单体电压分布特征的区块特征集在时间序列上的变化规律和潜在模式，从而实现对所述动力电池的自放电异常的检测。
在本发明的上下文中，术语“动力电池”即为工具提供动力来源的电源。例如，“动力电池”是为新能源汽车提供动力的锂电池，其区别于用于汽车发动机启动的启动电池。当动力电池内电芯存在自放电异常现象时，会表现出与正常单体“不同”的现象，例如一定时间内单体电压在静置状态下降低速度异常，或一段时间内当电池处于同一SOC区间时压差随之逐渐扩大，或短时间内压差迅速扩大，或并联模组内单体存在环流现象等。同时，由于动力电池通常会开启“均衡”功能，会导致电芯自放电异常现象减弱至难以分辨，严重威胁动力电池的安全性。
检测方法1000结合两种模型通过监督学习的方法训练得到了与电池自放电异常失效关联的区块特征集在时间序列上的变化规律和潜在模式，其中第一模型挖掘了动力电池包内部单体在拓扑结构的隐含特征和关联关系，第二模型反映了自放电异常电池关键特征在时间序列上的变化规律和潜在模式，从而提高自放电异常失效诊断任务的准确率和召回率。
在一个实施例中，步骤S110包括：根据所述采样数据来提取区块特征；对所述区块特征进行预处理；以及基于预处理后的区块特征，生成所述区块时间序列数据集。
具体来说，根据所述采样数据来提取区块特征可包括：从所述采样数据中选择电池充电以及静置过程中的第一数据；将所述第一数据进行切分以获得多个数据片段；以及提取所述多个数据片段中的单个数据片段中的关键特征，从而获得所述区块特征。
动力电池的采样数据也可称为“打点数据”。一般而言，在动力电池的运行过程中，其会上传大量的打点数据（例如通过CAN总线传输给车载智能互联终端T-box等，并通过无线方式定期向云端发送数据）。这些采样数据详细反映了电池各项参数，但是在车辆行驶过程中，由于突然加速或刹车，可能造成动力电池的电流波动较大，使得采集数据中的异常数据量大。为了减少数据量，在采样数据中仅选择电池充电以及静置过程中的第一数据，而不采用行驶数据。另外，在此过程中可以排除打点数据中与自放电异常无关的绝缘、温度、地理位置等外特性，这可以大幅减少数据量，使得通过一定数量的标签样本训练得到的机器学习模型来对自放电异常失效进行诊断成为可能。
接着，将第一数据进行切分以获得多个数据片段。例如，可将第一数据按照单一过程（例如某一充电过程：将动力电池的电量从10%充电到50%）、电荷状态SOC区间以及采样时间三个方面进行切分，从而获得多个数据片段（也称为"区块"或Block）。
在获得多个数据片段之后，可从该多个数据片段中的单个数据片段中提取关键特征，从而获得区块特征。例如，可利用统计学方法、专家经验等方法提取单个数据片段中的关键特征，该关键特征可以是诸如最大压差时刻压差、最大压差时刻全量电压列表、压差分位数、环境温度、电流分位数等特征。
在本发明的一个或多个实施例中，对打点数据进行压缩，并且在此过程中排除打点数据中与自放电异常无关的绝缘、温度、地理位置等外特性。
在获得区块特征之后，对区块特征进行预处理。该预处理可包括：针对不同的区块特征，根据其类型和取值范围来进行不同的预处理。其中，对于事件类型（充电或静置）以及电池类型等类别特征采用one-hot编码的方式进行处理；而对于连续取值特征，可以采用标准化或者归一化处理。
动力电池系统由多个电池单体组成，并且它们在空间上的位置排序是固定的，而电池系统的全量单体电压列表通常会按序上传，不会考虑单体的相对位置。由于在空间拓扑结构相同的电池包内部，单体之间的相对关系也是确定的，因此为了体现电池包内部的单体相对位置关系，可考虑结合上述拓扑关系对全量电压列表重新进行编排。在一个实施例中，对所述区块特征进行预处理包括：结合所述动力电池中的多个电池单体之间的拓扑关系，对全量单体电压列表重新进行编排。
另外，本申请的发明人还意识到：同一时刻下单体电压的数值相差不大，而不同时刻由于SOC的变化，单体电压的数值又相差巨大。因此，在一个实施例中，对所述区块特征进行预处理还包括：针对每一个所述全量单体电压列表，将所述全量单体电压列表内的数值按照所述全量单体电压列表的最大值和最小值进行归一化。也就是说，在进行单体电压列表的归一化处理时，需要将列表内的数值按照各列表的最大值和最小值进行归一化，这样可确保处理完成的单体电压分布在数值上具有一定的分辨率。
基于预处理后的区块特征，为了使电池在自放电异常失效时体现出时间维度上的特征变化，需要按照时间先后处理来生成区块时间序列数据集，该数据集中的单一样本为一定长度的区块序列。在一个实施例中，基于预处理后的区块特征，生成所述区块时间序列数据集包括：通过遮盖填充所述预处理后的区块特征，从而生成所述区块时间序列数据集。在“遮盖填充”中，“遮盖”的作用是告知序列处理层输入中有某些时间步骤丢失，因此在处理数据时应将其跳过。而“填充”是“遮盖”的一种特殊形式，其中被遮盖的步骤位于序列的起点或开头。在一个或多个实施例中，对于过长的区块特征提取，在序列头部进行截断，获取固定时间步长steps的时间序列；对于过短的时间序列，在序列头部填补0值。
在步骤S120中，利用所述区块时间序列数据集中的子数据集，训练第一模型以获得与所述自放电异常关联的单体电压分布特征。在一个实施例中，所述子数据集通过截取所述区块时间序列数据集中的每个序列末尾的区块特征以及样本标签来建立。
第一模型可以是卷积神经网络CNN，其中包括（但不限于）各种维度（如1维、2维、3维等）各种形式的卷积层，诸如分组卷积、可分离卷积、空洞卷积、深度卷积等。
以第一模型是CNN为例，利用区块时间序列数据集中的子数据集训练第一模型，可以获得与所述自放电异常关联的单体电压分布特征。这时，该第一模型相当于单体电压分布特征提取器。卷积神经网络CNN模型仿造生物的视知觉机制构建，其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化特征，例如像素和音频进行学习、有稳定的效果且对数据没有额外的特征工程要求，在图像、计算机视觉领域得到了广泛的应用。在实际应用中如何充分利用CNN模型的空间特征处理能力，其关键在于将研究对象合理转化为空间图像，从而进一步选择合适的网络结构，确保CNN模型在解决对应问题时具有良好的可解释性。
考虑在动力电池包内部，单体按照固定的位置和顺序进行排布，同时单体电压之间的相对关系反映着电池的性能以及潜在失效。通过将电池包单体分布的拓扑结构抽象转换成为二维的灰度图像，然后基于CNN模型在有限的标签数据集上训练学习单体电压分布上呈现的隐含特征，并将CNN模型中间层的隐含特征作为最终的模型输出，从而搭建电池单体分布特征提取器。
在一个或多个实施例中，并结合图3所示，步骤S120的具体实施步骤可以包括：1）提取每个时间序列样本末尾的全量单体电压分布特征以及序列的事实标签（需要说明的是，对于事实标签为自放电异常的序列，其在序列末尾一定触发了相关的预警以及人工确认，即认为自放电异常的时间序列末尾区块包含自放电异常特征，事实标签为自放电异常；对于非自放电异常的时间序列，即认为序列的各个区块标签均为非自放电异常）；2）对提取得到的序列末尾子数据集，按照一定的比例切分为训练集、验证集和测试集；3）搭建二分类CNN模型，并且将中间层结果作为模型输出，得到单体电压分布特征提取器。CNN模型中输入层为 m × n × 1 的空间张量，其中m表示特征图的宽度，n表示特征图的高度，1表示特征图的通道数量（即全量单体电压列表处理得到灰度图像）。CNN模型网络架构的一种实现形式如图3所示，其中“批数量”指输入数据的批数量，“通道数量”指输入数据的通道数量，ki-1表示第i-1层卷积层的卷积核个数，hi-1表示第i-1层卷积层输出的特征图高度，wi-1表示第i-1层卷积层输出的特征图宽度，n表示CNN层的叠加数量，i满足1≤i≤n的递增整数；当i=1时，k0=“通道数量”且w0=w、h0=h。在图3中，取CNN模型的全连接层的输出结果作为单体电压分布特征提取器。
在一个实施例中，第一模型为卷积神经网络CNN，而第二模型为循环神经网络RNN。也就是，在该实施例中，步骤S130包括：通过CNN模型提取挖掘单体电压的分布特征，结合RNN模型进一步训练学习使得模型能够得到在动力电池存在自放电异常失效时在时间序列上的变化规律。该方法融合了CNN和RNN深度学习模型，其中CNN模型挖掘了动力电池包内部单体在拓扑结构的隐含特征和关联关系，RNN模型反映了自放电异常电池关键特征在时间序列上的变化规律和潜在模式。结合两种网络模型的优点提高了自放电异常失效诊断任务的准确率和召回率。
需要指出的是，在一个或多个实施例中，第二模型也可替换为LSTM、GRU等网络单元，而且在第二模型的网络架构中可以添加避免过拟合的层，包括但不限于正则化、dropout等。
图4示出了根据本发明的一个实施例的循环神经网络RNN模型的网络架构图。如图4所示，模型分为左右两个部分，左半部分的特征提取层为在步骤S120中训练得到的单体电压分布特征提取的第一模型（CNN模型的中间层）。右半部分的输入为除了全量单体电压列表之外的区块特征，如压差分位数、环境温度、电流分位数等。模型左右两半部分的特征通过连接层进行拼接，共同作为RNN模型的输入，“时间步长”是指输入数据的时间步长，而rnn_num表示RNN层神经元的个数。利用RNN模型可提取区块特征时间序列在时间维度上的变化，最后通过全连接层和输出层搭建完成动力电池自放电异常失效的二分类模型。
由于自放电异常失效标签样本数据量有限，为了能够训练得到可靠的诊断模型，避免模型过拟合，在一个实施例中，可采用两阶段的训练评估方法来训练第二模型。在第一阶段，利用区块时间序列数据集中的子数据集，训练获得第一模型，然后将训练完成的模型迁移到第二阶段的模型中作为特征提取器；在第二阶段的训练中，模型的输入为区块时间序列数据集，输出为基于第二模型的电池自放电异常分类模型，两阶段的训练学习，可以确保模型能够迭代收敛得到较好的结果。
在一个实施例中，车端电池自放电异常诊断模型的训练过程如图5所示，包括：在步骤1中，采集车端动力电池的外特性数据，如总电压、总电流、单体电压、单体温度等，并对数据进行压缩，提取各区块内的压差分位数、压差最大值、压差最大时刻全量单体电压列表等特征；在步骤2中，对区块时间序列数据集进行下采样，截取各序列样本的最后一个区块内的全量单体电压列表特征以及对应的标签值，从电池维度建立新的训练集、验证集和测试集。特别地，需要将全量单体电压列表按照各列表内的电压最大值和最小值进行归一化，然后转化为适用于CNN模型处理的灰度图像，其中，全量单体列表的图像化处理使得CNN模型能够更加有效的挖掘有效的隐含特征，同时各列表按照不同的极值进行归一化处理，避免了动力电池工况对电压范围的影响，使得模型能够更加关注在同一工况下不同单体的外特性差异。步骤4、步骤5分别基于步骤2建立的训练集和验证集进行CNN模型的训练、调参，步骤6对训练集样本进行预测，步骤7和步骤8结合人工判断结果，从召回率和精确率两个角度对模型的性能给出评估。
在步骤3中，对区块时间序列数据集从电池维度建立训练集、验证集和测试集，用于CNN-RNN模型的训练过程。其中，区块数据的处理方式与步骤2一致。对于不同区块特征数据的连接，采用遮盖填充的方式，对于不满足一定长度L的区块序列L1，在序列头部填充（L-L1）长度的0值，使得RNN模型在处理数据时应将其跳过。对于超过一定长度L的区块序列L2，在序列头部截断（L2 - L）的多余部分。步骤9将步骤4训练得到的CNN模型迁移到第二阶段CNN-RNN模型的训练过程中，具体是指在步骤10、步骤11的训练过程中固定模型中CNN部分的参数，仅训练RNN部分和分类部分的模型参数。其中步骤10、步骤11、步骤12、步骤13、步骤14与CNN模型的训练评估过程一致。
上述分阶段训练基于CNN模型的电池单体电压分布特征提取器和基于CNN-RNN模型的电池自放电异常失效诊断模型，降低模型训练对样本数量的依赖，在有限的标签数据集下得到了表现优异的深度学习模型。与非监督或者半监督学习方法相比，该方法不仅充分利用了有限的标签样本，也克服了非监督或半监督学习中遇到的模型训练难以收敛的困难。
在另一个实施例中，上述分阶段的模型训练方法也可以在数据量足够的情况下进行端到端的训练，从而避免分阶段训练可能导致最终的模型中部分参数不可调整而无法达到最优的效果。
另外，本领域技术人员容易理解，本发明的上述一个或多个实施例提供的用于动力电池的自放电异常检测方法可通过计算机程序来实现。例如，当存有该计算机程序的计算机存储介质（例如U盘）与计算机相连时，运行该计算机程序即可执行本发明的一个或多个实施例的延时标定方法。
参考图2，图2示出了根据本发明的一个实施例的用于动力电池的自放电异常检测设备2000。该设备2000包括：生成装置210、第一训练装置220以及第二训练装置230。其中，生成装置210用于基于所述动力电池的采样数据来生成区块时间序列数据集；第一训练装置220用于利用所述区块时间序列数据集中的子数据集，训练第一模型以获得与所述自放电异常关联的单体电压分布特征；以及第二训练装置230用于利用所述区块时间序列数据集训练第二模型，以获得包括所述单体电压分布特征的区块特征集在时间序列上的变化规律和潜在模式，从而实现对所述动力电池的自放电异常的检测。
在本发明的上下文中，术语“动力电池”即为工具提供动力来源的电源。例如，“动力电池”是为新能源汽车提供动力的锂电池，其区别于用于汽车发动机启动的启动电池。当动力电池内电芯存在自放电异常现象时，会表现出与正常单体“不同”的现象，例如一定时间内单体电压在静置状态下降低速度异常，或一段时间内当电池处于同一SOC区间时压差随之逐渐扩大，或短时间内压差迅速扩大，或并联模组内单体存在环流现象等。同时，由于动力电池通常会开启“均衡”功能，会导致电芯自放电异常现象减弱至难以分辨，严重威胁动力电池的安全性。
该检测设备2000结合两种模型通过监督学习的方法训练得到了与电池自放电异常失效关联的区块特征集在时间序列上的变化规律和潜在模式，其中第一模型挖掘了动力电池包内部单体在拓扑结构的隐含特征和关联关系，第二模型反映了自放电异常电池关键特征在时间序列上的变化规律和潜在模式，从而提高自放电异常失效诊断任务的准确率和召回率。
在一个实施例中，尽管图2中未示出，生成装置210包括：提取单元，用于根据所述采样数据来提取区块特征；预处理单元，用于对所述区块特征进行预处理；以及生成单元，用于基于预处理后的区块特征，生成所述区块时间序列数据集。
具体来说，提取单元可配置成：从所述采样数据中选择电池充电以及静置过程中的第一数据；将所述第一数据进行切分以获得多个数据片段；以及提取所述多个数据片段中的单个数据片段中的关键特征，从而获得所述区块特征。
动力电池的采样数据也可称为“打点数据”。一般而言，在动力电池的运行过程中，其会上传大量的打点数据（例如通过CAN总线传输给车载智能互联终端T-box等，并通过无线方式定期向云端发送数据）。这些采样数据详细反映了电池各项参数，但是在车辆行驶过程中，由于突然加速或刹车，可能造成动力电池的电流波动较大，使得采集数据中的异常数据量大。为了减少数据量，提取单元在采样数据中仅选择电池充电以及静置过程中的第一数据，而不采用行驶数据。另外，在此过程中提取单元排除打点数据中与自放电异常无关的绝缘、温度、地理位置等外特性，这可以大幅减少数据量，使得通过一定数量的标签样本训练得到的机器学习模型来对自放电异常失效进行诊断成为可能。
在一个实施例中，提取单元配置成将第一数据进行切分以获得多个数据片段。例如，可将第一数据按照单一过程（例如某一充电过程：将动力电池的电量从10%充电到50%）、电荷状态SOC区间以及采样时间三个方面进行切分，从而获得多个数据片段（也称为"区块"或Block）。
在获得多个数据片段之后，提取单元可从该多个数据片段中的单个数据片段中提取关键特征，从而获得区块特征。例如，提取单元可利用统计学方法、专家经验等方法提取单个数据片段中的关键特征，该关键特征可以是诸如最大压差时刻压差、最大压差时刻全量电压列表、压差分位数、环境温度、电流分位数等特征。
在本发明的一个或多个实施例中，提取单元对打点数据进行压缩，并且在此过程中排除打点数据中与自放电异常无关的绝缘、温度、地理位置等外特性。
在一个实施例中，在提取单元获得区块特征之后，预处理单元配置成对区块特征进行预处理。该预处理可包括：针对不同的区块特征，根据其类型和取值范围来进行不同的预处理。其中，对于事件类型（充电或静置）以及电池类型等类别特征采用one-hot编码的方式进行处理；而对于连续取值特征，可以采用标准化或者归一化处理。
动力电池系统由多个电池单体组成，并且它们在空间上的位置排序是固定的，而电池系统的全量单体电压列表通常会按序上传，不会考虑单体的相对位置。由于在空间拓扑结构相同的电池包内部，单体之间的相对关系也是确定的，因此为了体现电池包内部的单体相对位置关系，可考虑结合上述拓扑关系对全量电压列表重新进行编排。在一个实施例中，预处理单元配置成结合所述动力电池中的多个电池单体之间的拓扑关系，对全量单体电压列表重新进行编排。
另外，本申请的发明人还意识到：同一时刻下单体电压的数值相差不大，而不同时刻由于SOC的变化，单体电压的数值又相差巨大。因此，在一个实施例中，预处理单元还配置成针对每一个所述全量单体电压列表，将所述全量单体电压列表内的数值按照所述全量单体电压列表的最大值和最小值进行归一化。也就是说，在进行单体电压列表的归一化处理时，需要将列表内的数值按照各列表的最大值和最小值进行归一化，这样可确保处理完成的单体电压分布在数值上具有一定的分辨率。
基于预处理后的区块特征，为了使电池在自放电异常失效时体现出时间维度上的特征变化，生成单元需要按照时间先后处理来生成区块时间序列数据集，该数据集中的单一样本为一定长度的区块序列。在一个实施例中，生成单元配置成通过遮盖填充所述预处理后的区块特征，生成所述区块时间序列数据集。在所谓的“遮盖填充”中，“遮盖”的作用是告知序列处理层输入中有某些时间步骤丢失，因此在处理数据时应将其跳过。而“填充”是“遮盖”的一种特殊形式，其中被遮盖的步骤位于序列的起点或开头。在一个或多个实施例中，生成单元配置成：对于过长的区块特征提取，在序列头部进行截断，获取固定时间步长steps的时间序列；对于过短的时间序列，在序列头部填补0值。
在一个实施例中，第一训练装置220配置成利用所述区块时间序列数据集中的子数据集，训练第一模型以获得与所述自放电异常关联的单体电压分布特征。在一个实施例中，所述子数据集通过截取所述区块时间序列数据集中的每个序列末尾的区块特征以及样本标签来建立。
在一个实施例中，第一模型可以是卷积神经网络CNN，其中包括（但不限于）各种维度（如1维、2维、3维等）各种形式的卷积层，诸如分组卷积、可分离卷积、空洞卷积、深度卷积等。
第一训练装置220配置成利用区块时间序列数据集中的子数据集训练第一模型，可以获得与所述自放电异常关联的单体电压分布特征。这时，该第一模型相当于单体电压分布特征提取器。以卷积神经网络CNN模型为例，其仿造生物的视知觉机制构建，隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化特征，例如像素和音频进行学习、有稳定的效果且对数据没有额外的特征工程要求，在图像、计算机视觉领域得到了广泛的应用。在实际应用中如何充分利用CNN模型的空间特征处理能力，其关键在于将研究对象合理转化为空间图像，从而进一步选择合适的网络结构，确保CNN模型在解决对应问题时具有良好的可解释性。
考虑在动力电池包内部，单体按照固定的位置和顺序进行排布，同时单体电压之间的相对关系反映着电池的性能以及潜在失效。通过将电池包单体分布的拓扑结构抽象转换成为二维的灰度图像，然后基于CNN模型在有限的标签数据集上训练学习单体电压分布上呈现的隐含特征，并将CNN模型中间层的隐含特征作为最终的模型输出，从而搭建电池单体分布特征提取器。也就是说，第一训练装置220将电池包内部单体电压的分布特征图像化，为CNN模型提供了良好的应用场景，同时一定程度上兼顾了深度学习模型的可解释性。
在一个实施例中，第二训练装置230用于利用所述区块时间序列数据集训练第二模型，以获得包括所述单体电压分布特征的区块特征集在时间序列上的变化规律和潜在模式，从而实现对所述动力电池的自放电异常的检测，该第二模型为循环神经网络RNN。
现有的专家诊断方法能够利用的特征数量有限，并且无法对这些特征进行交叉融合，也无法挖掘出单体电压分布中的隐含信息，在诊断过程中存在一定的局限性，并且在专家诊断方法中存在大量的经验参数，在参数边界上容易出现“漏判”或者“误判”。而上述实施例的用于动力电池的自放电异常检测设备2000利用生成装置210将单体电压分布转化为灰度图像，然后通过第一训练装置220利用CNN模型挖掘灰度图像中的隐含特征，其次生成装置210还将区块特征转化为时间序列，因而通过第二训练装置230利用RNN模型学习得到时间序列上的特征变化，进而实现端到端的特征挖掘和失效诊断。
在一个或多个实施例中，用于动力电池的自放电异常检测设备2000可集成作为电池监控平台的一部分。
综上，本发明的一个或多个实施例的自放电异常检测方案提出通过监督学习的方法训练得到了基于CNN-RNN的电池自放电异常失效诊断模型，其中卷积神经网络CNN挖掘动力电池包内部单体在拓扑结构的隐含特征和关联关系，循环神经网络模型RNN反映自放电异常电池关键特征在时间序列上的变化规律和潜在模式。对于自放电异常检测算法的结果，通过CNN-RNN的电池自放电异常失效诊断模型进一步进行失效模式的识别，提高自放电大异常的准确率，减少售后处理环节的难度和成本。另外，该诊断模型还可避免传统自放电异常检测算法由于阈值设置问题引起的“漏判”。
尽管以上说明书只对其中一些本发明的实施方式进行了描述，但是本领域普通技术人员应当了解，本发明可以在不偏离其主旨与范围内以许多其他的形式实施。因此，所展示的例子与实施方式被视为示意性的而非限制性的，在不脱离如所附各权利要求所定义的本发明精神及范围的情况下，本发明可能涵盖各种的修改与替换。

Claims (20)

1.一种用于动力电池的自放电异常检测方法，其特征在于，所述方法包括：
基于所述动力电池的采样数据来生成区块时间序列数据集；
利用所述区块时间序列数据集中的子数据集，训练第一模型以获得与所述自放电异常关联的单体电压分布特征；以及
利用所述区块时间序列数据集训练第二模型，以获得包括所述单体电压分布特征的区块特征集在时间序列上的变化规律和潜在模式，从而实现对所述动力电池的自放电异常的检测。
2.如权利要求1所述的方法，其中，基于所述动力电池的采样数据来生成区块时间序列数据集包括：
根据所述采样数据来提取区块特征；
对所述区块特征进行预处理；以及
基于预处理后的区块特征，生成所述区块时间序列数据集。
3.如权利要求2所述的方法，其中，根据所述采样数据来提取区块特征包括：
从所述采样数据中选择电池充电以及静置过程中的第一数据；
将所述第一数据进行切分以获得多个数据片段；以及
提取所述多个数据片段中的单个数据片段中的关键特征，从而获得所述区块特征。
4.如权利要求2所述的方法，其中，对所述区块特征进行预处理包括：
针对不同的区块特征，根据其类型和取值范围来进行不同的预处理。
5.如权利要求2或4所述的方法，其中，对所述区块特征进行预处理包括：
结合所述动力电池中的多个电池单体之间的拓扑关系，对全量单体电压列表重新进行编排。
6.如权利要求5所述的方法，其中，对所述区块特征进行预处理还包括：
针对每一个所述全量单体电压列表，将所述全量单体电压列表内的数值按照所述全量单体电压列表的最大值和最小值进行归一化。
7.如权利要求2所述的方法，其中，基于预处理后的区块特征，生成所述区块时间序列数据集包括：
通过遮盖填充所述预处理后的区块特征，从而生成所述区块时间序列数据集。
8.如权利要求1所述的方法，其中，所述子数据集通过截取所述区块时间序列数据集中的每个序列末尾的区块特征以及样本标签来建立。
9.如权利要求1所述的方法，其中，所述第一模型为卷积神经网络CNN，而所述第二模型为循环神经网络RNN。
10.一种用于动力电池的自放电异常检测设备，其特征在于，所述设备包括：
生成装置，用于基于所述动力电池的采样数据来生成区块时间序列数据集；
第一训练装置，用于利用所述区块时间序列数据集中的子数据集，训练第一模型以获得与所述自放电异常关联的单体电压分布特征；以及
第二训练装置，用于利用所述区块时间序列数据集训练第二模型，以获得包括所述单体电压分布特征的区块特征集在时间序列上的变化规律和潜在模式，从而实现对所述动力电池的自放电异常的检测。
11.如权利要求10所述的设备，其中，所述生成装置包括：
提取单元，用于根据所述采样数据来提取区块特征；
预处理单元，用于对所述区块特征进行预处理；以及
生成单元，用于基于预处理后的区块特征，生成所述区块时间序列数据集。
12.如权利要求11所述的设备，其中，所述提取单元配置成：
从所述采样数据中选择电池充电以及静置过程中的第一数据；
将所述第一数据进行切分以获得多个数据片段；以及
提取所述多个数据片段中的单个数据片段中的关键特征，从而获得所述区块特征。
13.如权利要求11所述的设备，其中，所述预处理单元配置成针对不同的区块特征，根据其类型和取值范围来进行不同的预处理。
14.如权利要求11或13所述的设备，其中，所述预处理单元配置成结合所述动力电池中的多个电池单体之间的拓扑关系，对全量单体电压列表重新进行编排。
15.如权利要求14所述的设备，其中，所述预处理单元还配置成针对每一个所述全量单体电压列表，将所述全量单体电压列表内的数值按照所述全量单体电压列表的最大值和最小值进行归一化。
16.如权利要求11所述的设备，其中，所述生成单元配置成通过遮盖填充所述预处理后的区块特征，生成所述区块时间序列数据集。
17.如权利要求10所述的设备，其中，所述子数据集通过截取所述区块时间序列数据集中的每个序列末尾的区块特征以及样本标签来建立。
18.如权利要求10所述的设备，其中，所述第一模型为卷积神经网络CNN，而所述第二模型为循环神经网络RNN。
19.一种计算机存储介质，其特征在于，所述介质包括指令，所述指令在运行时执行如权利要求1至9中任一项所述的自放电异常检测方法。
20.一种电池监控平台，其特征在于，所述电池监控平台包括如权利要求10至18中任一项所述的自放电异常检测设备。
CN202110974524.0A 2021-08-24 2021-08-24 用于动力电池的自放电异常检测方法及设备 Pending CN113702837A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110974524.0A CN113702837A (zh) 2021-08-24 2021-08-24 用于动力电池的自放电异常检测方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110974524.0A CN113702837A (zh) 2021-08-24 2021-08-24 用于动力电池的自放电异常检测方法及设备

Publications (1)

Publication Number Publication Date
CN113702837A true CN113702837A (zh) 2021-11-26

Family

ID=78654458

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110974524.0A Pending CN113702837A (zh) 2021-08-24 2021-08-24 用于动力电池的自放电异常检测方法及设备

Country Status (1)

Country Link
CN (1) CN113702837A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116188467A (zh) * 2023-04-26 2023-05-30 厦门微图软件科技有限公司 一种刀片锂电池外壳长表面的异常检测方法
CN117124856A (zh) * 2023-10-24 2023-11-28 宁德时代新能源科技股份有限公司 一种环流过压识别方法、装置、可读存储介质及电动汽车

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116188467A (zh) * 2023-04-26 2023-05-30 厦门微图软件科技有限公司 一种刀片锂电池外壳长表面的异常检测方法
CN117124856A (zh) * 2023-10-24 2023-11-28 宁德时代新能源科技股份有限公司 一种环流过压识别方法、装置、可读存储介质及电动汽车
CN117124856B (zh) * 2023-10-24 2024-04-09 宁德时代新能源科技股份有限公司 一种环流过压识别方法、装置、可读存储介质及电动汽车

Similar Documents

Publication Publication Date Title
US11333712B2 (en) Battery failure prediction
CN113702837A (zh) 用于动力电池的自放电异常检测方法及设备
EP4198531A1 (en) Battery cell defectiveness and fire early diagnosis method and apparatus based on neural network
WO2023045790A1 (zh) Soc校准方法、建模方法、建模装置、计算机设备及介质
CN109934955A (zh) 充电模式识别方法、装置、终端设备及存储介质
CN110146817A (zh) 锂电池故障的诊断方法
CN116639010A (zh) 充电桩的智能控制系统及其方法
CN116699297B (zh) 充电桩检测系统及其方法
CN111762096A (zh) 一种基于人工智能的新能源汽车安全预警方法及系统
CN112776650A (zh) 一种多元融合感知智能充电系统及方法
CN113821875B (zh) 一个基于端云协同的智能车辆故障实时预测方法及系统
CN109640335B (zh) 基于卷积神经网络的无线传感器故障诊断方法
CN111275962A (zh) 车辆轨迹数据聚集效应预测方法及装置
CN110362907A (zh) 基于ssd神经网络输电线路目标缺陷识别与诊断方法
CN114692827A (zh) 面向边缘联邦学习的电动汽车锂电池soh在线预测方法
CN115079007A (zh) 锂离子电池微短路识别方法、识别系统和电池管理系统
CN112763967A (zh) 一种基于BiGRU的智能电表计量模块故障预测与诊断方法
CN113835032A (zh) 一种纯电动汽车远程故障诊断及预警系统
CN110458214B (zh) 驾驶员更换识别方法和装置
CN117148154A (zh) 电池的异常状态或故障感测方法及执行其的电池管理系统
CN117154263A (zh) 锂电池梯次利用充放电系统及控制方法
CN115328088A (zh) 基于云边协同的汽车故障诊断方法、系统及智能汽车
CN115828161A (zh) 一种基于循环神经网络的汽车故障类型预测方法及装置
CN115841662A (zh) 一种基于边缘计算与联邦学习相结合的动力电池监测系统
Hou et al. A vehicle alarm network for high-temperature fault diagnosis of electric vehicles

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