CN114325395A - 一种电池状态的确定方法及装置 - Google Patents
一种电池状态的确定方法及装置 Download PDFInfo
- Publication number
- CN114325395A CN114325395A CN202011057048.8A CN202011057048A CN114325395A CN 114325395 A CN114325395 A CN 114325395A CN 202011057048 A CN202011057048 A CN 202011057048A CN 114325395 A CN114325395 A CN 114325395A
- Authority
- CN
- China
- Prior art keywords
- battery
- current
- sample
- time window
- voltage
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 94
- 238000001514 detection method Methods 0.000 claims abstract description 12
- 238000012360 testing method Methods 0.000 claims description 69
- 230000002159 abnormal effect Effects 0.000 claims description 46
- 230000008569 process Effects 0.000 claims description 42
- 238000012549 training Methods 0.000 claims description 42
- 230000008859 change Effects 0.000 claims description 23
- 238000007781 pre-processing Methods 0.000 claims description 18
- 230000005856 abnormality Effects 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 description 9
- 230000001186 cumulative effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000007599 discharging Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000005056 compaction Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Landscapes
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明实施例公开一种电池状态的确定方法及装置,该方法包括:获得目标电池在当前时刻对应的当前电池数据序列;基于当前电池数据序列中各历史时间窗对应的电池数据,各历史时间窗所对应预测时间窗对应的电池数据中的电流相关数据,以及当前的电压预测模型,确定当前电池数据序列对应的预测时间窗所对应电压预测值;基于当前电池数据序列对应的预测时间窗所对应电压预测值,以及当前电池数据序列中预测时间窗对应的电池数据中的电压实测值,确定目标电池对应的检测电池状态,以实现对电池状态的实时准确预判。
Description
技术领域
本发明涉及电池安全技术领域,具体而言,涉及一种电池状态的确定方法及装置。
背景技术
时间序列的相关研究已经渗透到各行各业,尤其是现如今蓬勃发展的物联网领域, 时间序列数据的研究能够帮助人们从过去的序列数据中提取并挖掘有用的信息,以实现 对未来的事物发展趋势进行预测。
在电池相关领域,电池本身的电压数据、电流数据、剩余容量数据等数据随着时间变化,可以生成电池对应的时间序列数据。相应的,研究人员们希望通过电池的历史生 成的电池对应的时间序列数据,即电池对应的历史时间序列数据,来对电池的未来状况 作提前预判。
那么,如何对电池的未来状况进行预判的方法成为亟待解决的问题。
发明内容
本发明提供了一种电池状态的确定方法及装置,以实现对电池状态的实时准确预判。 具体的技术方案如下:
第一方面,本发明实施例提供了一种电池状态的确定方法,所述方法包括:
获得目标电池在当前时刻对应的当前电池数据序列;
基于所述当前电池数据序列中各历史时间窗对应的电池数据,各历史时间窗所对应 预测时间窗对应的电池数据中的电流相关数据,以及当前的电压预测模型,确定所述当前电池数据序列对应的预测时间窗所对应电压预测值,其中,所述当前的电压预测模型为:基于样本电池数据序列中各样本历史时间窗对应的电池数据,及各样本历史时间窗 所对应样本预测时间窗对应的电池数据中的电流相关数据,训练所得的模型;
基于所述当前电池数据序列对应的预测时间窗所对应电压预测值,以及所述当前电 池数据序列中预测时间窗对应的电池数据中的电压实测值,确定所述目标电池对应的检 测电池状态。
可选的,所述基于所述当前电池数据序列中各历史时间窗对应的电池数据,各历史 时间窗所对应预测时间窗对应的电池数据中的电流相关数据,以及当前的电压预测模型, 确定所述当前电池数据序列对应的预测时间窗所对应电压预测值的步骤,包括:
对所述当前电池数据序列进行预处理,得到预处理之后的当前电池数据序列;
将预处理之后的当前电池数据序列中各历史时间窗对应的电池数据,输入所述当前 的电压预测模型的电压预测网络,得到所述当前电池数据序列中各历史时间窗对应的预 测时间窗所对应电压预测中间值;
将所述当前电池数据序列中各历史时间窗对应的预测时间窗所对应电压预测中间值, 以及所述当前电池数据序列中各历史时间窗所对应预测时间窗对应的电池数据中的电流 相关数据,输入所述当前的电压预测模型的电压引导网络,得到所述当前电池数据序列 中各历史时间窗对应的预测时间窗所对应电压预测值。
可选的,在所述基于所述当前电池数据序列中各历史时间窗对应的电池数据,各历 史时间窗所对应预测时间窗对应的电池数据中的电流相关数据,以及当前的电压预测模 型,确定所述当前电池数据序列对应的预测时间窗所对应电压预测值的步骤之前,所述方法还包括:
训练得到当前的电压预测模型的过程,其中,所述过程包括:
获得初始的电压预测模型;
获得样本电池数据序列,其中,所述样本电池数据序列为:基于样本电池在预设时间段对应的电池基本特征数据序列和电池相关数据序列,所确定的数据序列,所述电池 相关数据序列为:基于所述电池基本特征数据序列确定的;
对所述样本电池数据序列进行预处理,得到预处理之后的所述样本电池数据序列;
基于预处理之后的所述样本电池数据序列,训练所述初始的电压预测模型,直至所 述初始的电压预测模型达到预设收敛状态,得到当前的电压预测模型。
可选的,所述初始的电压预测模型包括:电压预测网络和电压引导网络;
所述基于预处理之后的所述样本电池数据序列,训练所述初始的电压预测模型,直 至所述初始的电压预测模型达到预设收敛状态,得到当前的电压预测模型的步骤,包括:
基于预处理之后的所述样本电池数据序列中各样本历史时间窗对应的样本电池数据, 以及各样本历史时间窗所对应样本预测时间窗对应的样本电池数据,划分预处理之后的 所述样本电池数据序列,得到多个样本数据序列,其中,每一样本数据序列包括:一组存在对应关系的样本历史时间窗对应的样本电池数据和样本预测时间窗对应的样本电池数据;
将所述多个样本数据序列划分为参数调整组样本数据序列以及测试组样本数据序列;
针对每一参数调整组样本数据序列,将该参数调整组样本数据序列中样本历史时间 窗对应的样本电池数据,输入所述电压预测网络,得到该参数调整组样本数据序列中样本历史时间窗所对应样本预测时间窗对应的电压当前值;
针对每一参数调整组样本数据序列,将该参数调整组样本数据序列中样本历史时间 窗所对应样本预测时间窗对应的电压当前值,以及该参数调整组样本数据序列中样本预 测时间窗对应的样本电池数据中的电流相关数据,输入所述电压引导网络,得到该参数调整组样本数据序列中样本预测时间窗对应的样本电压预测值;
针对每一参数调整组样本数据序列,基于该参数调整组样本数据序列中样本预测时 间窗对应的样本电压预测值,以及样本预测时间窗对应的样本电压实测值,确定当前的第一损失值;
基于当前的第一损失值,调整所述初始的电压预测模型对应的参数,其中,所述参数包括电压预测网络和电压引导网络的模型参数以及所述初始的电压预测模型的超参数,
判断是否存在未输入所述电压预测网络的参数调整组样本数据序列;
若判断存在未输入所述电压预测网络的参数调整组样本数据序列,返回执行所述针 对每一参数调整组样本数据序列,将该参数调整组样本数据序列中样本历史时间窗对应 的样本电池数据,输入所述电压预测网络,得到该参数调整组样本数据序列中样本历史时间窗所对应样本预测时间窗对应的电压当前值的步骤;
若判断不存在未输入所述电压预测网络的参数调整组样本数据序列,针对每一测试 组样本数据序列,将该测试组样本数据序列中样本历史时间窗对应的样本电池数据,输入所述电压预测网络,得到该测试组样本数据序列中样本历史时间窗所对应样本预测时间窗对应的电压当前值;
针对每一测试组样本数据序列,将该测试组样本数据序列中样本历史时间窗所对应 样本预测时间窗对应的电压当前值,以及该测试组样本数据序列中样本预测时间窗对应 的样本电池数据中的电流相关数据,输入所述电压引导网络,得到该测试组样本数据序列中样本预测时间窗对应的样本电压预测值;
针对每一测试组样本数据序列,基于该测试组样本数据序列中样本预测时间窗对应 的样本电压预测值,以及样本预测时间窗对应的样本电压实测值,确定当前的第二损失值;
基于各测试组样本数据序列对应的当前的第二损失值,判断所述测试组样本数据序 列对应的第二损失值是否满足预设损失值情况;
若判断所述测试组样本数据序列对应的第二损失值不满足预设损失值情况,返回执 行所述针对每一参数调整组样本数据序列,将该参数调整组样本数据序列中样本历史时 间窗对应的样本电池数据,输入所述电压预测网络,得到该参数调整组样本数据序列中样本历史时间窗所对应样本预测时间窗对应的电压当前值的步骤;
若判断所述测试组样本数据序列对应的第二损失值满足预设损失值情况,则确定所 述初始的电压预测模型达到预设收敛状态,得到当前的电压预测模型。
可选的,所述获得样本电池数据序列的步骤,包括:
获得样本电池在预设时间段对应的电池基本特征数据序列,其中,所述电池基本特 征数据序列包括:预设时间段内的分别按时间顺序排序的多个电压实测值、多个电流实测值以及多个电荷状态信息中的至少一类特征数据;
基于所述电池基本特征数据序列所包括的分别按时间顺序排序的多个电压实测值、 多个电流实测值以及多个电荷状态信息中的至少一类特征数据,确定用于表征该类特征 数据的变化波动的数据波动序列和/或用于表征该类特征数据的随时间变化趋势的数据变 化趋势序列,以得到电池相关数据序列;
基于所述电池基本特征数据序列所包括的分别按时间顺序排序的多个电压实测值、 多个电流实测值以及多个电荷状态信息中的至少一类特征数据、所述电池相关数据序列 以及预设特征数据筛选条件,确定样本电池数据序列。
可选的,所述基于所述当前电池数据序列对应的预测时间窗所对应电压预测值,以 及所述当前电池数据序列中预测时间窗对应的电池数据中的电压实测值,确定所述目标 电池对应的检测电池状态的步骤,包括:
基于所述当前电池数据序列对应的预测时间窗所对应电压预测值,以及所述当前电 池数据序列中预测时间窗对应的电池数据中的电压实测值,确定所述目标电池在当前时 刻对应的当前异常概率;
基于所述目标电池在当前时刻对应的当前异常概率,以及当前的异常概率阈值,确 定所述目标电池对应的检测电池状态。
可选的,所述基于所述当前电池数据序列对应的预测时间窗所对应电压预测值,以 及所述当前电池数据序列中预测时间窗对应的电池数据中的电压实测值,确定所述目标 电池在当前时刻对应的当前异常概率的步骤,包括:
基于所述当前电池数据序列对应的预测时间窗所对应电压预测值,以及所述当前电 池数据序列中预测时间窗对应的电池数据中的电压实测值,确定各预测时间窗对应的电 压差异值;
对各预测时间窗对应的电压差异值进行预设转换,得到转换后的各预测时间窗对应 的电压差异值;
基于转换后的各预测时间窗对应的电压差异值及预设滑动窗口,确定所述当前时刻 对应的电压差异值所对应均值和方差,其中,所述预测时间窗对应的时刻包括当前时刻;
基于所述当前时刻对应的电压差异值所对应均值和方差以及预设正态分布模型,确 定所述当前时刻对应的电压差异值所对应概率密度值;
基于所述当前时刻对应的电压差异值所对应概率密度值,以及所述当前时刻对应的 电压差异值所在区间对应的权重值,确定所述目标电池在当前时刻对应的当前异常概率, 其中,所述当前时刻对应的电压差异值所在区间对应的权重值为:基于所述当前时刻对 应的电压差异值、均值和方差确定的。
可选的,在所述基于所述目标电池在当前时刻对应的当前异常概率,以及当前的异 常概率阈值,确定所述目标电池对应的检测电池状态的步骤之后,所述方法还包括:
在模型更新周期到来的情况下,基于最新周期内所确定的所述目标电池在各时刻对 应的检测电池状态,以及所获得的所述目标电池在各时刻对应的真实电池状态,确定最新周期内所确定的所述目标电池在各时刻对应的电池状态的准确性;
基于所述最新周期内所确定的所述目标电池在各时刻对应的电池状态的准确性,调 整所述异常阈值。
可选的,在所述基于所述当前电池数据序列对应的预测时间窗所对应电压预测值, 以及所述当前电池数据序列中预测时间窗对应的电池数据中的电压实测值,确定所述目 标电池对应的检测电池状态的步骤之后,所述方法还包括:
在模型更新周期到来的情况下,基于所述当前电池数据序列,更新所述当前的电压 预测模型,得到新的当前的电压预测模型,以便用于针对新到来周期内的每一时刻的电池电压状态的确定流程。
第二方面,本发明实施例提供了一种电池状态的确定装置,所述装置包括:
第一获得模块,被配置为获得目标电池在当前时刻对应的当前电池数据序列;
第一确定模块,被配置为基于所述当前电池数据序列中各历史时间窗对应的电池数 据,各历史时间窗所对应预测时间窗对应的电池数据中的电流相关数据,以及当前的电压预测模型,确定所述当前电池数据序列对应的预测时间窗所对应电压预测值,其中, 所述当前的电压预测模型为:基于样本电池数据序列中各样本历史时间窗对应的电池数 据,及各样本历史时间窗所对应样本预测时间窗对应的电池数据中的电流相关数据,训 练所得的模型;
第二确定模块,被配置为基于所述当前电池数据序列对应的预测时间窗所对应电压 预测值,以及所述当前电池数据序列中预测时间窗对应的电池数据中的电压实测值,确定所述目标电池对应的检测电池状态。
由上述内容可知,本发明实施例提供的一种电池状态的确定方法及装置,获得目标 电池在当前时刻对应的当前电池数据序列;基于当前电池数据序列中各历史时间窗对应 的电池数据,各历史时间窗所对应预测时间窗对应的电池数据中的电流相关数据,以及当前的电压预测模型,确定当前电池数据序列对应的预测时间窗所对应电压预测值,其中,当前的电压预测模型为:基于样本电池数据序列中各样本历史时间窗对应的电池数据,及各样本历史时间窗所对应样本预测时间窗对应的电池数据中的电流相关数据,训 练所得的模型;基于当前电池数据序列对应的预测时间窗所对应电压预测值,以及当前 电池数据序列中预测时间窗对应的电池数据中的电压实测值,确定目标电池对应的检测 电池状态。
应用本发明实施例,可以基于通过样本电池数据序列中各样本历史时间窗对应的电 池数据,及各样本历史时间窗所对应样本预测时间窗对应的电池数据中的电流相关数据, 训练所得的当前的电压预测模型,以及当前电池数据序列中各历史时间窗对应的电池数 据,各历史时间窗所对应预测时间窗对应的电池数据中的电流相关数据,确定得到当前电池数据序列对应的预测时间窗所对应电压预测值,实现对电压值的准确预测,进而, 基于当前电池数据序列对应的预测时间窗所对应电压预测值,及当前电池数据序列中预 测时间窗对应的电池数据中的电压实测值,确定目标电池对应的准确性高的检测电池状 态,实现对电池状态的实时准确预判。当然,实施本发明的任一产品或方法并不一定需 要同时达到以上所述的所有优点。
本发明实施例的创新点包括:
1、可以基于通过样本电池数据序列中各样本历史时间窗对应的电池数据,及各样本 历史时间窗所对应样本预测时间窗对应的电池数据中的电流相关数据,训练所得的当前 的电压预测模型,以及当前电池数据序列中各历史时间窗对应的电池数据,各历史时间窗所对应预测时间窗对应的电池数据中的电流相关数据,确定得到当前电池数据序列对应的预测时间窗所对应电压预测值,实现对电压值的准确预测,进而,基于当前电池数 据序列对应的预测时间窗所对应电压预测值,及当前电池数据序列中预测时间窗对应的 电池数据中的电压实测值,确定目标电池对应的准确性高的检测电池状态,实现对电池 状态的实时准确预判。
2、首先基于预处理之后的当前电池数据序列中各历史时间窗对应的电池数据,确定 出当前电池数据序列中各历史时间窗对应的预测时间窗所对应电压预测中间值,进而,通过相应的预测时间窗所对应电压预测中间值以及预测时间窗对应的电池数据中的电流相关数据,即相对应历史时间窗内的电池数据来说为未来的电流相关数据,对各历史时 间窗对应的预测时间窗所对应电压预测中间值进行引导,以得到准确性更高的当前电池 数据序列中各历史时间窗对应的预测时间窗所对应电压预测值,即预测得到准确性更好 的电压预测值。
3、在训练当前的电压预测模型的过程中,所使用的样本电池数据序列中不仅包括电 池基本特征数据序列,还包括通过电池基本特征数据序列所衍生出的电池相关数据序列, 包括用于表征该类特征数据的变化波动的特征数据波动序列和/或用于表征该类特征数据 的随时间变化趋势的特征数据变化趋势序列,在一定程度上扩增了训练数据的特征维度, 在一定程度上提高训练所得的当前的电压预测模型的电压预测性能,为后续的实际电压 预测过程的预测结果准确性提供基础。
4、通过参数调整组样本数据序列中的样本历史时间窗对应的样本电池数据以及样本 预测时间窗对应的样本电池数据中的电流相关数据,确定出参数调整组样本数据序列中 样本预测时间窗对应的样本电压预测值,进而结合参数调整组样本数据序列中样本预测 时间窗对应的样本电压实测值,调整初始的电压预测模型对应的参数;并利用测试组样 本数据序列中样本历史时间窗对应的样本电池数据以及样本预测时间窗对应的样本电池 数据中的电流相关数据,确定出测试组样本数据序列中样本预测时间窗对应的样本电压 预测值,进而,结合测试组样本数据序列中相应的样本预测时间窗对应的样本电压实测值,确定初始的电压预测模型的状态,在确定初始的电压预测模型达到预设收敛状态, 得到当前的电压预测模型,以通过预测准确的电压预测值,调整得到及预测结果准确的 当前的电压预测模型。
5、提供了目标电池在当前时刻对应的当前异常概率的确定方式,并提供了结合当前 的异常概率阈值的目标电池对应的检测电池状态的确定方式,实现对电池的检测电池状 态的准确确定。
6、提供了对当前异常概率的具体实现方式,基于当前电池数据序列对应的预测时间 窗所对应电压预测值,以及其中的电压实测值,确定各预测时间窗对应的电压差异值,进而,计算当前时刻对应的电压差异值所对应均值和方差,确定当前时刻对应的电压差 异值所对应概率密度值,利用当前时刻对应的电压差异值所对应概率密度值,以及所述 当前时刻对应的电压差异值所在区间对应的权重值,确定目标电池在当前时刻对应的当 前异常概率,以确定出准确性高的目标电池在当前时刻对应的当前异常概率,为后续的 确定准确性高的电池状态提供基础。
7、在模型更新周期到来的情况下,基于最新周期内所确定的目标电池在各时刻对应 的电池状态的准确性,调整异常阈值,以提高所确定电池状态的准确性;基于当前电池数据序列,更新当前的电压预测模型,得到新的当前的电压预测模型,以便用于针对当 前时刻的下一时刻的电池电压状态的确定流程,通过实际确定情况修缮确定流程中所需 要的各参数,以提高电池的电池状态的预测准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有 技术描述中所需要使用的附图作简单介绍。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的前提下,还可 以根据这些附图获得其他的附图。
图1为本发明实施例提供的电池状态的确定方法的一种流程示意图;
图2为本发明实施例提供的当前的电压预测模型的训练过程的一种流程示意图;
图3A为历史时间窗及其对应的预测时间窗所对应电池数据的一种时序顺序示意图;
图3B为模型训练过程中数据流动的一种示意图;
图3C为电池状态确定过程中数据流动的一种示意图;
图4为本发明实施例提供的电池状态的确定装置的一种结构示意图。
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 的描述。显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,本发明实施例及附图中的术语“包括”和“具有”以及它们的任何变形, 意图在于覆盖不排他的包含。例如包含的一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或 可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
本发明提供了一种电池状态的确定方法及装置,以实现对电池状态的实时准确预判。 下面对本发明实施例进行详细说明。
图1为本发明实施例提供的电池状态的确定方法的一种流程示意图。该方法可以包 括如下步骤:
S101:获得目标电池在当前时刻对应的当前电池数据序列。
本发明实施例所提供的电池状态的确定方法,可以应用于任一具有计算能力的电子 设备,该电子设备可以为终端或者服务器。在一种实现中,实现该电池状态的确定方法的功能软件可以以单独的客户端软件的形式存在,也可以以目前相关的客户端软件的插件的形式存在,这都是可以的。
本步骤中,该当前电池数据序列包括多个维度的特征数据,既可以包括目标电池在 在当前时刻对应的当前基本特征数据序列,又可以包括基于目标电池在当前时刻对应的 电池基本特征数据序列所确定的当前电池相关数据序列。
该当前电池相关数据序列可以包括但不限于:用于表征各当前基本特征数据序列的 变化波动的数据波动序列和/或用于表征各当前基本特征数据序列的随时间变化趋势的数 据变化趋势序列,该当前电池相关数据序列即为:通过当前电池数据序列中各当前基本 特征数据序列中的特征数据所衍生的特征数据而组成的序列。
其中,该目标电池在当前时刻对应的当前基本特征数据序列为:目标电池在当前时 间段内充电和/或放电过程中所生成的电池数据,该当前时间段的结束时刻为当前时刻, 该当前时间段的开始时刻为当前时刻之前的预设时长对应的时刻。该当前基本特征数据 序列可以包括但不限于:按时间先后顺序排序的电压值序列,电流值序列以及SOC(State of Charge,电池荷电状态)序列等基本特征数据序列。
该当前电池数据序列所包括的特征数据的种类,与训练得到当前的电压预测模型的 样本电池数据序列所包括的特征数据的种类相关。例如,当前电池数据序列所包括的特征数据的种类,与训练得到当前的电压预测模型的样本电池数据序列所包括的特征数据的种类相同。
在一种实现中,电子设备可以直接获得上述目标电池在当前时刻对应的当前电池数 据序列。在另一种实现中,电子设备可以首先获得目标电池在当前时刻对应的当前基本特征数据序列,进而,利用各当前基本特征数据序列,确定用于表征各当前基本特征数 据序列的变化波动的数据波动序列和/或用于表征各当前基本特征数据序列的随时间变化趋势的数据变化趋势序列,以得到当前电池相关数据序列。
考虑到电池的电流变化量与其电压变化量的相关性较强,一般的,当前电池数据序 列所包括的特征数据的种类可以至少包括电压值及其衍生特征数据、电流值及其衍生特 征数据。
S102:基于当前电池数据序列中各历史时间窗对应的电池数据,各历史时间窗所对 应预测时间窗对应的电池数据中的电流相关数据,以及当前的电压预测模型,确定当前电池数据序列对应的预测时间窗所对应电压预测值。
其中,当前的电压预测模型为:基于样本电池数据序列中各样本历史时间窗对应的 电池数据,及各样本历史时间窗所对应样本预测时间窗对应的电池数据中的电流相关数 据,训练所得的模型。在一种实现方式中,该当前的电压预测模型为改进后的LSTM(Long Short-Term Memory,长短期记忆网络)模型,具体的在后续进行介绍。
当前电池数据序列包括:多维度即多类型的特征数据,每一类型的特征数据中包括 按时间先后顺序排序的多个特征数据,即当前电池数据序列包括多个时刻对应的电池数 据,每一时刻对应多个特征类型的电池数据。
为了便于后续的电压预测值的确定,需要将该当前电池数据序列中按时间先后顺序 排序的多个特征数据,转换为时间窗数据集,该时间窗包括历史时间窗及其对应的预测时间窗,该历史时间窗对应的时间长度,与训练得到当前的电压预测模型的样本电池数 据序列中历史时间窗对应的时间长度相关。相应的,该历史时间窗对应的预测时间窗对 应的时间长度,与训练得到当前的电压预测模型的样本电池数据序列中历史时间窗所对 应预测时间窗对应的时间长度相关。
举例而言,当前电池数据序列包括时刻1-10对应的电池数据,其中,时刻10表示当前时刻,若历史时间窗对应的时间长度为5个时刻,预测时间窗对应的时间长度为3个时刻,即可以表明通过5个历史时刻对应的电池数据,可以预测3个未来时刻对应的电池数据。相应的,当前电池数据序列的10个时刻对应的电池数据,可以被划分为3组时间窗 数据集,其中,每一组时间窗数据集包括:一组历史时间窗对应的电池数据即该历史时 间窗对应的预测时间窗对应的电池数据。即:历史时间窗1对应的电池数据包括:时刻 1-5对应的电池数据,相应的,历史时间窗1对应的预测时间窗1对应的电池数据包括: 时刻6-8对应的电池数据,为第一组时间窗数据集。历史时间窗2对应的电池数据包括: 时刻2-6对应的电池数据,相应的,历史时间窗2对应的预测时间窗2对应的电池数据包 括:时刻7-9对应的电池数据,为第二组时间窗数据集。历史时间窗3对应的电池数据包 括:时刻3-7对应的电池数据,相应的,历史时间窗3对应的预测时间窗3对应的电池数 据包括:时刻8-10对应的电池数据,为第三组时间窗数据集。
本实施例中,考虑到电池的电流变化量与电压变化量的相关性较强,为了保证所预 测的电压值的具有较高的准确性。在训练得到当前的电压预测模型的过程中,不仅利用了过去一段时间即历史时间的各特征类型的电池数据,还利用了相应于历史时间来说的未来一段时间内的电流相关数据,来引导对电压的预测,以使得当前的电压预测模型可 预测得到较准确的电压。
相应的,电子设备可以将当前电池数据序列中各历史时间窗对应的电池数据,各历 史时间窗所对应预测时间窗对应的电池数据中的电流相关数据,输入当前的电压预测模 型,以通过当前的电压预测模型,确定当前电池数据序列对应的预测时间窗所对应电压预测值。
在本发明的一种实现方式中,所述S102,可以包括如下步骤011-013:
011:对当前电池数据序列进行预处理,得到预处理之后的当前电池数据序列。
012:将预处理之后的当前电池数据序列中各历史时间窗对应的电池数据,输入当前 的电压预测模型的电压预测网络,得到当前电池数据序列中各历史时间窗对应的预测时 间窗所对应电压预测中间值。
013:将当前电池数据序列中各历史时间窗对应的预测时间窗所对应电压预测中间值, 以及当前电池数据序列中各历史时间窗所对应预测时间窗对应的电池数据中的电流相关 数据,输入当前的电压预测模型的电压引导网络,得到当前电池数据序列中各历史时间 窗对应的预测时间窗所对应电压预测值。
本实现方式中,为了保证预测结果的准确性,电子设备首先需要对当前电池数据序 列进行预处理,以得到预处理之后的当前电池数据序列。其中,该预处理包括对当前电池数据序列进行差分处理,以使得按时间先后顺序排序的电池数据平稳化;进而对差分 处理后的当前电池数据序列进行标准化处理,使得当前电池数据序列中各类型的电池数 据可缩放到一个小的区间内,便于当前的电压预测模型的处理。
上述过程中,电子设备针对当前电池数据序列中每一类型对应的电池数据,对该类 型对应的电池数据进行差分处理;并针对当前电池数据序列中每一类型对应的电池数据, 利用预设标准化公式,对差分处理后的该类型对应的电池数据进行标准化,以得到预处 理之后的当前电池数据序列。其中,该预设标准化公式(1),可以表示为:
其中,x*表示一类型对应的电池数据中的一电池数据对应的标准化后的电池数据; x表示该电池数据,μ表示该类型对应的电池数据的均值,σ表示该类型对应的电池数据的标准差。
后续的,将预处理之后的当前电池数据序列中各历史时间窗对应的电池数据,输入 当前的电压预测模型的电压预测网络,得到当前电池数据序列中各历史时间窗对应的预 测时间窗所对应电压预测中间值,进而将当前电池数据序列中各历史时间窗对应的预测 时间窗所对应电压预测中间值,以及当前电池数据序列中各历史时间窗所对应预测时间 窗对应的电池数据中的电流相关数据,输入当前的电压预测模型的电压引导网络,得到当前电池数据序列中各历史时间窗对应的预测时间窗所对应电压预测值。
承接上述例子,当前电池数据序列中各历史时间窗对应的预测时间窗包括:历史时 间窗1对应的预测时间窗1、历史时间窗2对应的预测时间窗2以及历史时间窗3对应的预测时间窗3。相应的,当前电池数据序列中各历史时间窗对应的预测时间窗所对应电压预测值,包括预测时间窗1所对应电压预测值,预测时间窗2所对应电压预测值和预测时 间窗3所对应电压预测值,即包括时刻6-10对应的电压预测值。
在一种情况中,该当前的电压预测模型还可以通过当前电池数据序列,确定出预测 时间窗对应的时间长度内的未来时刻对应的电压预测值。例如,承接上述例子,当前的电压预测模型还可以确定出未来时刻11、12以及13对应的电压预测值。
在一种实现方式中,该当前电池数据序列中特征数据的长度可以与样本电池数据序 列的长度相同,也可以不同。该当前电池数据序列中特征数据的长度不低于历史时间窗与其对应的预测对应的时间长度之和。
该当前的电压预测模型可以为直接训练完成的模型,也可以是在训练完成的模型的 基础上进行更新后的模型。
S103:基于当前电池数据序列对应的预测时间窗所对应电压预测值,以及当前电池 数据序列中预测时间窗对应的电池数据中的电压实测值,确定目标电池对应的检测电池 状态。
本步骤中,当前电池数据序列对应的预测时间窗所对应电压预测值与当前电池数据 序列中预测时间窗对应的电池数据中的电压实测值存在一一对应的关系,电子设备可以 利用相对应的电压预测值和电压实测值,确定相对应的电压预测值和电压实测值之间的 差异值,进而,基于相对应的电压预测值和电压实测值之间的差异值,确定目标电池对应的检测电池状态。
应用本发明实施例,可以基于通过样本电池数据序列中各样本历史时间窗对应的电 池数据,及各样本历史时间窗所对应样本预测时间窗对应的电池数据中的电流相关数据, 训练所得的当前的电压预测模型,以及当前电池数据序列中各历史时间窗对应的电池数 据,各历史时间窗所对应预测时间窗对应的电池数据中的电流相关数据,确定得到当前电池数据序列对应的预测时间窗所对应电压预测值,实现对电压值的准确预测,进而, 基于当前电池数据序列对应的预测时间窗所对应电压预测值,及当前电池数据序列中预 测时间窗对应的电池数据中的电压实测值,确定目标电池对应的准确性高的检测电池状 态,实现对电池状态的实时准确预判。
在本发明的另一实施例中,在所述S102之前,所述方法还可以包括:
训练得到当前的电压预测模型的过程,其中,如图2所示,所述过程包括:
S201:获得初始的电压预测模型。
S202:获得样本电池数据序列。
其中,样本电池数据序列为:基于样本电池在预设时间段对应的电池基本特征数据 序列和电池相关数据序列,所确定的数据序列,电池相关数据序列为:基于电池基本特征数据序列确定的。
S203:对样本电池数据序列进行预处理,得到预处理之后的样本电池数据序列。
S204:基于预处理之后的样本电池数据序列,训练初始的电压预测模型,直至初始的电压预测模型达到预设收敛状态,得到当前的电压预测模型。
本实现方式中,还可以包括电压预测模型的训练过程。在训练过程中,电子设备首先获得初始的电压预测模型,并获得样本电池数据序列,该样本电池数据序列包括:预 设时间段内的分别按时间顺序排序的电池基本特征数据序列以及根据电池基本特征数据 序列所确定的电池相关数据序列。
可以理解的是,该电池基本特征数据序列和电池相关数据序列至少包括:预设时间 段内的按时间顺序排序的电压值序列,即样本电池在预设时间段内的充电和/或放电过程 中所生成的多个电压值;以及用于预测电压值的其他特征数据,例如:样本电池在预设时间段内的充电和/或放电过程中所生成的多个电流值及其衍生特征数据,以及电压值衍生特征数据。
后续的,为了使得所获得的样本电池数据序列能够满足时序预测任务的数据要求, 进而训练初始的电压预测模型,需要对样本电池数据序列进行预处理,得到预处理之后 的样本电池数据序列,其中,该预处理包括差分处理以及标准化处理,具体的预处理过程可以参见上述对当前电池数据序列的预处理过程,在此不再赘述。
将预处理之后的样本电池数据序列输入初始的电压预测模型,以训练初始的电压预 测模型,直至所述初始的电压预测模型达到预设收敛状态,得到当前的电压预测模型。
在本发明的另一实施例中,初始的电压预测模型包括:电压预测网络和电压引导网 络;
所述S204,可以包括如下步骤021-0214:
021:基于预处理之后的所述样本电池数据序列中各样本历史时间窗对应的样本电池 数据,以及各样本历史时间窗所对应样本预测时间窗对应的样本电池数据,划分预处理 之后的样本电池数据序列,得到多个样本数据序列。
其中,每一样本数据序列包括:一组存在对应关系的样本历史时间窗对应的样本电 池数据和样本预测时间窗对应的样本电池数据。
022:将多个样本数据序列划分为参数调整组样本数据序列以及测试组样本数据序列。
023:针对每一训练组样本数据序列,将该参数调整组样本数据序列中样本历史时间 窗对应的样本电池数据,输入电压预测网络,得到该参数调整组样本数据序列中样本历史时间窗所对应样本预测时间窗对应的电压当前值;
024:针对每一参数调整组样本数据序列,将该参数调整组样本数据序列中样本历史 时间窗所对应样本预测时间窗对应的电压当前值,以及该参数调整组样本数据序列中样 本预测时间窗对应的样本电池数据中的电流相关数据,输入电压引导网络,得到该参数调整组样本数据序列中样本预测时间窗对应的样本电压预测值;
025:针对每一参数调整组样本数据序列,基于该参数调整组样本数据序列中样本预 测时间窗对应的样本电压预测值,以及样本预测时间窗对应的样本电压实测值,确定当前的第一损失值。
026:基于当前的第一损失值,调整初始的电压预测模型对应的参数。
其中,参数包括电压预测网络和电压引导网络的模型参数以及初始的电压预测模型 的超参数。
027:判断是否存在未输入电压预测网络的参数调整组样本数据序列。
028:若判断存在未输入电压预测网络的参数调整组样本数据序列,返回执行所述023。
029:若判断不存在未输入电压预测网络的参数调整组样本数据序列,针对每一测试 组样本数据序列,将该测试组样本数据序列中样本历史时间窗对应的样本电池数据,输入电压预测网络,得到该测试组样本数据序列中样本历史时间窗所对应样本预测时间窗对应的电压当前值。
0210:针对每一测试组样本数据序列,将该测试组样本数据序列中样本历史时间窗 所对应样本预测时间窗对应的电压当前值,以及该测试组样本数据序列中样本预测时间 窗对应的样本电池数据中的电流相关数据,输入电压引导网络,得到该测试组样本数据序列中样本预测时间窗对应的样本电压预测值。
0211:针对每一测试组样本数据序列,基于该测试组样本数据序列中样本预测时间 窗对应的样本电压预测值,以及样本预测时间窗对应的样本电压实测值,确定当前的第二损失值。
0212:基于各测试组样本数据序列对应的当前的第二损失值,判断测试组样本数据 序列对应的第二损失值是否满足预设损失值情况。
0213:若判断测试组样本数据序列对应的第二损失值不满足预设损失值情况,返回 执行所述023。
0214:若判断测试组样本数据序列对应的第二损失值满足预设损失值情况,则确定 初始的电压预测模型达到预设收敛状态,得到当前的电压预测模型。
在一种实现方式中,该初始的电压预测模型为改进后的LSTM模型,该初始的电压预测模型由基于LSTM模型的时序预测模型即电压预测网络,和非线性回归神经网络模 型即电压引导网络连接构造而成的,可以称初始的电压预测模型为LSTM-MLP(Long Short-Term Memory-Multi-Layer Perceptron,长短期记忆网络-多层感知机)模型。
本实现方式中,为了实现对初始的电压预测模型的训练,得到可以预测得到电池电 压的电压预测模型,可以选取用于历史时间窗和预测时间窗的特征并构造时间窗数据集, 对于基于LSTM模型的时间序列研究,时间窗是特定的输入和输出形式,输入历史时间窗对应的电池数据,输出该历史时间窗所对应预测时间窗对应的电池数据,历史时间窗 及其对应的预测时间窗的长短,可以是根据训练人员根据自身需求进行设置,即其希望 利用过去多久的历史数据来预测未来多久的未来数据。
如图3A所示,展示有历史时间窗对应的电池数据与其对应的预测时间窗对应的电池 数据之间的先后关系,其中,历史时间窗对应的电池数据与其对应的预测时间窗对应的电池数据相邻,且历史时间窗对应的电池数据在其对应的预测时间窗对应的电池数据相之前。时序预测模型可以基于历史时间窗对应的特征数据,对其对应的预测时间窗对应 的数据进行预测,并利用预测时间窗对应的指定特征数据对预测得到的数据进行引导, 即利用历史时间窗对应电池数据,对其对应的预测时间窗对应的电压值进行预测;利用 预测时间窗对应的电流相关数据对预测所得的预测时间窗对应的电压值进行引导,得到 准确性更高的预测时间窗对应的电压值。其中,利用预测时间窗对应的电流相关数据对 预测所得的电压值进行引导,是由于电流值变化量与电压值变化量相关性较高。
相应的,电子设备首先将预处理之后的样本电池数据序列中的电池数据,划分出各 样本历史时间窗对应的样本电池数据以及该样本历史时间窗所对应样本预测时间窗对应 的样本电池数据。假设历史时间窗的长度即其对应的时间长度为m,预测时间窗的长度为即其对应的时间长度n,那么一个长为T的时间序列即样本电池数据序列,能够构造 出T-m-n+1个时间窗数据集,每组时间窗数据集包含长为m的输入样本即样本历史时间 窗对应的样本电池数据,和长为n的该样本历史时间窗所对应样本预测时间窗对应的样 本电池数据,该样本历史时间窗所对应样本预测时间窗对应的样本电池数据中包括m的 输入样本对应的标签数据,即真实的电压测量值。相应的,电压预测模型的电压预测网 络针对该长为m的输入样本输出的数据为:长为n的预测的电压值。
后续的,电压预测模型的电压引导网络利用预测时间窗对应的样本电池数据中的电 流相关数据,即电流值及其衍生特征数据,来引导对未来电压值的预测。
电子设备将样本电池数据序列中每一样本历史时间窗对应的样本电池数据及其所对 应样本预测时间窗对应的样本电池数据,确定为一样本数据序列,以得到多个样本数据 序列;进而将多个样本数据序列划分为用于调整初始的电压预测模型所对应参数的参数 调整组样本数据序列,和用于测试调整所对应参数之后的初始的电压预测模型的收敛状 态,即结果预测准确性的测试组样本数据序列即测试集。
本实现方式中初始的电压预测模型为多维多步预测:多维是指模型的输入是包含对 应多个特征的时间序列数据,即包含多个维度的特征数据的电池数据,模型的输出为单个特征,即电压预测值,相应的,电压预测网络可以作为一个MISO(Multi-Input-Single-Output)系统。多步指的是预测时间窗的长度,即可以预测出多个时刻下的电压值。如 图3B所示,为模型训练过程中数据流动的一种示意图。其中,对初始的电压预测模型的 训练过程,如下:
针对每一参数调整组样本数据序列,将该参数调整组样本数据序列中样本历史时间 窗对应的样本电池数据,例如该参数调整组样本数据序列中样本历史时间窗对应的样本 电池数据可以表示为输入电池时序数据{XT-m,XT-m+1,XT-i…,XT-1},其中,i的取值范 围[1,m],XT-i表示时刻T-i对应的电池数据,样本历史时间窗的长度为m,输入电压预 测网络,得到该参数调整组样本数据序列中样本历史时间窗所对应样本预测时间窗对应 的电压当前值,即得到长度为n的预测中间值,即样本历史时间窗所对应样本预测时间 窗对应的电压当前值;即电压预测网络利用历史时间窗内序列长度为m的电池时序数据 作为输入,挖掘电池时序数据上电压数据的长期和短期变化趋势,输出预测时间窗内序 列长度为n的预测中间值。
如图3B所示,输入电池时序数据{XT-m,XT-m+1,XT-i…,XT-1},分别经过电压预测 网络的LSTM子层、Dropout子层、LSTM子层以及全连接Dense子层,得到该参数调整 组样本数据序列中样本历史时间窗所对应样本预测时间窗对应的电压当前值,如图3B所 示的“步长为n的预测中间值”。其中,电压预测网络引入Dropout机制,即在电压预测 网络添加Dropout子层,可以避免训练过程中出现过拟合现象的出现。
将长度为n的预测中间值即电压当前值,以及样本历史时间窗所对应样本预测时间 窗对应电池数据中的电流相关数据{IT,IT+1,IT+j,…,IT+n-1},输入电压引导网络,得到该参数调整组样本数据序列中样本预测时间窗对应的样本电压预测值,即输出电池时序数据其中表示时刻T+j下的样本电压预测值,j的取 值范围为[0,n-1],样本历史时间窗所对应预测时间窗的长度为n。
在一种实现方式中,如图3B所示,该非线性回归神经网络模型即电压引导网络,可以通过一个具有一层隐藏层的MLP(Multi-Layer Perceptron,多层感知机)实现,通过 具有一层隐藏层的MLP,以非线性回归的方式来拟合样本预测时间窗对应电压当前值即 电压实测值,得到样本预测时间窗对应的样本电压预测值。
在一种实现方式中,可以计算样本电压预测值及其对应的样本电压实测值之间的MSE(Mean Square Error,均方根误差)值作为第一损失值,进而,利用预设优化算法以 及该第一损失值,来对初始的电压预测模型对应的参数进行调整,针对每一参数调整组 样本数据序列,执行上述步骤,更新调整初始的电压预测模型对应的参数,直至针对所 有参数调整组样本数据序列执行上述步骤,即判断不存在未输入电压预测网络的参数调 整组样本数据序列。
后续的,针对每一测试组样本数据序列,将该测试组样本数据序列中样本历史时间 窗对应的样本电池数据,输入电压预测网络,得到该测试组样本数据序列中样本历史时间窗所对应样本预测时间窗对应的电压当前值;将该测试组样本数据序列中样本历史时间窗所对应样本预测时间窗对应的电压当前值,以及该测试组样本数据序列中样本预测时间窗对应的样本电池数据中的电流相关数据,输入电压引导网络,得到该测试组样本 数据序列中样本预测时间窗对应的样本电压预测值;利用相应的样本电压预测值及样本 电压实测值,计算当前的第二损失值;基于各测试组样本数据序列对应的当前的第二损 失值,判断测试组样本数据序列对应的第二损失值是否满足预设损失值情况,若基于各 测试组样本数据序列对应的当前的第二损失值均小于预设损失阈值,或至少小于预设损 失阈值的第二损失值占当前的第二损失值的总数的百分比超过预设百分比阈值,则确定 满足预设损失值情况,则确定初始的电压预测模型达到预设收敛状态,得到当前的电压 预测模型。
反之,若基于各测试组样本数据序列对应的当前的第二损失值不均小于预设损失阈 值,或至少小于预设损失阈值的第二损失值占当前的第二损失值的总数的百分比未超过 预设百分比阈值,则确定初始的电压预测模型未达到预设收敛状态,则重新调整初始的电压预测模型所对应参数。
在一种情况中,参数调整组样本数据序列可以包括用于调整初始的电压预测模型的 电压预测网络和电压引导网络的模型参数的训练组样本数据序列,即训练集,以及用于调整初始的电压预测模型的超参数的验证组样本数据序列,即验证集。在调整初始的电 压预测模型所对应参数的过程中,可以首先利用训练集调整初始的电压预测模型的电压 预测网络和电压引导网络的模型参数,之后利用验证集调整初始的电压预测模型的超参 数。如图3A所示。将多个样本数据序列分别划分为训练集、验证集以及测试集。
相应的,如图3C所示,在实际电压预测即电池状态的确定过程中,基于当前的电压预测模型以及当前电池数据序列,确定出当前电池数据序列对应的预测时间窗所对应电压预测值之后,无需基于预测时间窗所对应电压预测值和电压实测值确定当前的损失值,进而调整模型的参数;而是,基于预测时间窗所对应电压预测值和电压实测值,确定各 预测时间窗对应的电压差异值。进而,基于电压差异值评估电池的当前异常概率,如图 3C中所示的“计算差异评估异常概率”。
在本发明的另一实施例中,所述202,可以包括如下步骤031:
031:获得样本电池在预设时间段对应的电池基本特征数据序列。
其中,电池基本特征数据序列包括:预设时间段内的分别按时间顺序排序的多个电 压实测值、多个电流实测值以及多个电荷状态信息中的至少一类特征数据;
032:基于电池基本特征数据序列所包括的分别按时间顺序排序的多个电压实测值、 多个电流实测值以及多个电荷状态信息中的至少一类特征数据,确定用于表征该类特征 数据的变化波动的数据波动序列和/或用于表征该类特征数据的随时间变化趋势的数据变 化趋势序列,以得到电池相关数据序列。
033:基于电池基本特征数据序列所包括的分别按时间顺序排序的多个电压实测值、 多个电流实测值以及多个电荷状态信息中的至少一类特征数据、电池相关数据序列以及 预设特征数据筛选条件,确定样本电池数据序列。其中,该预设特征数据筛选条件包括筛选所需的阈值。
由于在电池充电或放电过程中直接生成的电池数据的维度较少,一般包括但不限于 电压值、电流值以及SOC电池状态信息等维度的数据。并且考虑到在一定程度上使用维度更多的电池数据,越可以保证对未来的电压值的预测结果更准确。本实现方式中,电 子设备可以首先获得样本电池在预设时间段对应的电池基本特征数据序列,即获得在预 设时间段内该样本电池所生成的电压实测值、电流实测值以及电荷状态信息中的至少一 类特征数据所组成的时间序列数据。其中,该预设时间段可以为任一时间段。
进而,基于电池基本特征数据序列,构造具有物理意义的新维度的特征数据,即电池相关数据序列。相应的,电子设备可以分别针对每一类特征数据,确定用于表征该类 特征数据的变化波动的数据波动序列和/或用于表征该类特征数据的随时间变化趋势的数据变化趋势序列。以电池基本特征数据序列中按时间顺序排序的电压实测值序列为例, 对确定用于表征该类特征数据的变化波动的数据波动序列进行说明。可以理解的是,一 般可以通过一段时间内的数据的方差来确定数据的变化波动情况,例如,可以计算第一 子时间段内的电压实测值的方差。其中,该第一子时间段为上述预设时间段的子集。
举例而言,预设时间段时刻1-10内的整时刻所获得的按时间顺序排序的多个电压实 测值所组成的序列[U1,U2,U3,U4,U5,U6,U7,U8,U9,U10],第一子时间段为 5个时刻,即分别针对上述时刻1-10,基于该时刻过去的第一子时间段内的电压实测值, 确定该时刻对应的数据波动情况方差,例如:针对时刻1,利用时刻1对应的电压实测值 与时刻1之前的4个时刻对应的电压实测值,确定时刻1对应的方差,由于未采集到时刻 1之前的4个时刻对应的电压实测值,计算过程中可以通过0或其他预设数值代替;针对 时刻2,利用时刻2对应的电压实测值与时刻2之前的4个时刻对应的电压实测值,确定 时刻2对应的方差,由于未采集到时刻1之前的2个时刻对应的电压实测值,计算过程中 可以通过0或其他预设数值代替;以此类推,针对时刻U5,利用时刻1-5对应的电压实 测值,确定时刻5对应的方差。
相应的,利用上述过程,分别针对电池基本特征数据序列中按时间顺序排序的多个 电流实测值,确定该电流实测值对应的用于表征该类特征数据的变化波动的数据波动序 列;针对电池基本特征数据序列中按时间顺序排序的多个电荷状态信息,确定该电荷状态信息对应的用于表征该类特征数据的变化波动的数据波动序列。
以电池基本特征数据序列中按时间顺序排序的电压实测值序列为例,对确定用于表 征该类特征数据的随时间变化趋势的数据变化趋势序列进行说明。例如,可以计算最近第二子时间段内电压变化量与最近第三子时间段内电压变化量的比值。其中,该第二子 时间段和第三子时间段均为上述预设时间段的子集,第二子时间段短于第三子时间段。
举例而言,预设时间段时刻1-10内的整时刻所获得的按时间顺序排序的多个电压实 测值所组成的序列[U1,U2,U3,U4,U5,U6,U7,U8,U9,U10],第二子时间段为 2个时刻,第三子时间段为5个时刻。在一种情况中,所获得的电池基本特征数据序列中 每一维度的特征数据的数量较多时,可以忽略计算该序列中前第三子时间段内数据的数 据变化趋势,即可以直接针对上述时刻5,计算时刻5对应的数据变化趋势,即计算时刻 4和时刻5对应的电压实测值的和,与时刻1-5对应的电压实测值的和的比值,作为时刻 5对应的数据变化趋势;针对上述时刻6,计算时刻6对应的数据变化趋势,即计算时刻 5和时刻6对应的电压实测值的和,与时刻2-6对应的电压实测值的和的比值,作为时刻 6对应的数据变化趋势;以此类推,计算时刻10对应的数据变化趋势,即计算时刻9和 时刻10对应的电压实测值的和,与时刻6-10对应的电压实测值的和的比值,作为时刻10 对应的数据变化趋势。
相应的,利用上述过程,分别针对电池基本特征数据序列中按时间顺序排序的多个 电流实测值,确定该电流实测值对应的用于表征该类特征数据的随时间变化趋势的数据 变化趋势序列;针对电池基本特征数据序列中按时间顺序排序的多个电荷状态信息,确定该电荷状态信息对应的用于表征该类特征数据的随时间变化趋势的数据变化趋势序列。
后续的,为了保证可以预测出准确性高的电压值,可以对所获得的电池基本特征数 据序列中所包括的至少一个类特征数据以及电池相关数据序列中的特征数据进行筛选, 以得到与电压值相关性较高的特征数据,用于后续的电压预测流程。
例如:可以是针对电池基本特征数据序列和电池相关数据序列中的每一特征数据序 列,计算该特征数据序列与电压实测值序列之间的皮尔逊相关系数,其中,电压实测值序列即为电池基本特征数据序列所包括的按时间顺序排序的多个电压实测值所组成的序列。若特征数据序列与该电压实测值序列之间的皮尔逊相关系数值大于预设系数值即筛选所需的阈值,则认为该特征数据序列中的数据与电压实测值的关联性较强,则保留该 特征数据序列;反之,若特征数据序列与该电压实测值序列之间的皮尔逊相关系数值不 大于预设系数值,则认为该特征数据序列中的数据与电压实测值的关联性较差,则滤除 该特征数据序列。
在一种情况中,在计算该特征数据序列与电压实测值序列之间的皮尔逊相关系数之 前,可以首先对电压实测值序列中的电压实测值进行差分处理,以使得电压实测值序列中数据的平稳性,以体现电压实测值随时间变化的特征。进而,计算该特征数据序列与 差分处理后的电压实测值序列之间的皮尔逊相关系数。
筛选剩余的特征数据序列则组成样本电池数据序列。在一种情况中,电流值的变化 量与电压值的变化量之间的相关性较高,样本电池数据序列中至少包括电流实测值及其 衍生特征数据、电压实测值及其衍生特征数据等。
在本发明的另一实施例中,所述103,可以包括如下步骤041-042:
041:基于当前电池数据序列对应的预测时间窗所对应电压预测值,以及当前电池数 据序列中预测时间窗对应的电池数据中的电压实测值,确定目标电池在当前时刻对应的 当前异常概率。
042:基于目标电池在当前时刻对应的当前异常概率,以及当前的异常概率阈值,确 定目标电池对应的检测电池状态。
本实现方式中,在确定出当前电池数据序列对应的预测时间窗所对应电压预测值之 后,电子设备可以基于当前电池数据序列对应的预测时间窗所对应电压预测值,以及当前电池数据序列中预测时间窗对应的电池数据中的电压实测值,确定各预测时间窗的电压预测值与电压实测值之间的差异值,进而基于各预测时间窗的电压预测值与电压实测值之间的差异值,确定目标电池在当前时刻对应的当前异常概率。进而结合当前的异常 概率阈值,确定目标电池对应的检测电池状态。在一种情况中,若当前异常概率大于当 前的异常概率阈值,则确定目标电池对应的检测电池状态为异常;反之,若前异常概率 不大于当前的异常概率阈值,则确定目标电池对应的检测电池状态为正常。
其中,该预测时间窗对应的时刻包括当前时刻。
该当前的异常概率阈值可以是预先设置的阈值也可以是根据历史的电池状态的检测 结果和真实结果调整所得的阈值,这都是可以的。
在本发明的另一实施例中,所述041,可以包括如下步骤041-045:
041:基于当前电池数据序列对应的预测时间窗所对应电压预测值,以及当前电池数 据序列中预测时间窗对应的电池数据中的电压实测值,确定各预测时间窗对应的电压差 异值。
042:对各预测时间窗对应的电压差异值进行预设转换,得到转换后的各预测时间窗 对应的电压差异值。
043:基于转换后的各预测时间窗对应的电压差异值及预设滑动窗口,确定所述当前 时刻对应的电压差异值所对应均值和方差。
其中,预测时间窗对应的时刻包括当前时刻。
044:基于当前时刻对应的电压差异值所对应均值和方差以及预设正态分布模型,确 定当前时刻对应的电压差异值所对应概率密度值。
045:基于当前时刻对应的电压差异值所对应概率密度值,以及当前时刻对应的电压 差异值所在区间对应的权重值,确定目标电池在当前时刻对应的当前异常概率。
其中,当前时刻对应的电压差异值所在区间对应的权重值为:基于当前时刻对应的 电压差异值、均值和方差确定的。
本实现方式中,基于当前电池数据序列对应的预测时间窗所对应电压预测值,以及 当前电池数据序列中预测时间窗对应的电池数据中的电压实测值,确定各预测时间窗对 应的电压差异值。
例如,承接上述例子,当前电池数据序列包括时刻1-10对应的电池数据,其中,包括3组时间窗数据集,即包括3个预测时间窗,包括时刻6-8对应的电池数据的预测时间 窗1,时刻7-9对应的电池数据的预测时间窗2,时刻8-10对应的电池数据的预测时间窗 3。以针对预测时间窗1为例,对上述预测时间窗对应的电压差值的确定过程进行说明, 针对预测时间窗1,利用预设差异值计算算法,计算预测时间窗1所对应电压预测值即时 刻6-8对应的电压预测值,和所对应电压实测值即时刻6-8对应的电压实测值之间的电压 差异值,作为预测时间窗1对应的电压差异值。
其中,该预设差异值计算算法可以包括但不限于:MSE(Mean Square Error,均方误 差),RMSE(Root Mean Square Error,均方根误差),MAE(Mean Absolute Error)平 均绝对误差)以及MAPE(Mean Absolute Percentage Error,平均绝对百分误差)等算法。
所确定的预测时间窗对应的电压差异值以按所对应时刻的先后顺序排列的差异值序 列的形式存在。例如:{dt′,…,dt},其中,t表示当前时刻,t′表示过去的某一时刻,与预测时间窗的长度相关。
对各预测时间窗对应的电压差异值即差异值序列内的电压差异值进行预设log转换, 使转换后的差异值序列在一定程度上满足正态分布。
针对转换后的差异值序列内的电压差异值,利用预设滑动窗口,计算每一预设滑动 窗口内电压差异值的均值和方差,也即每一预测时间窗对应的每一时刻对应的均值和方 差;针对每一预设滑动窗口内电压差异值的均值和方差,基于预设正态分布模型,进行正态分布建模,得到该预设滑动窗口对应的正态分布下的概率密度曲线。进而,基于每 一预设滑动窗口对应的正态分布下的概率密度曲线,构造相应的累积概率分布曲线;基 于累积概率分布曲线,确定当前时刻对应的电压差异值所对应概率密度值。其中,该基 于累积概率分布曲线,确定当前时刻对应的电压差异值所对应概率密度值的过程,可以 参照相关技术中从累积概率分布曲线中确定某一值所对应概率密度值的过程。
其中,该正态分布下的累积概率分布曲线的横坐标表示:转换后的差异值序列内的 电压差异值,正态分布下的累计概率分布曲线的纵坐标表示:相应的概率值。
针对上述计算每一预设滑动窗口内电压差异值的均值和方差的过程,举例说明:差 异值序列为{d1,d2,d3,d4,d5,d6},预设滑动窗口的尺寸为3,则针对d1计算其对应的预设滑动窗口的均值和方差为:利用d1计算该均值和方差;针对d2计算其对应的预设滑动窗 口的均值和方差为:利用d1和d2计算该均值和方差;针对d3计算其对应的预设滑动窗口 的均值和方差为:利用d1、d2和d3计算该均值和方差;以此类推,针对d6计算其对应的 预设滑动窗口的均值和方差为:利用d4、d5和d6计算该均值和方差。
将当前时刻对应的电压差异值,以及当前的预设对应关系,确定当前时刻对应的电 压差异值所在区间对应的权重值;基于当前时刻对应的电压差异值所对应概率密度值,、 当前时刻对应的电压差异值所在区间对应的权重值以及预设异常概率公式,确定目标电 池在当前时刻对应的当前异常概率;其中,当前的预设对应关系包括:当前的电压差异 值区间与权重值之间的对应关系。
其中,预设异常概率公式,可以通过如下公式(1)表示:
PT(anomaly)=weight*F(dT); (1)
其中,PT(anomaly)表示当前异常概率;F(dT)表示当前时刻对应的电压差异值所对应概率密度值;weight表示权重值,可以通过如下公式(2)表示:
其中,dT表示当前时刻对应的电压差异值,{1,t1,t2,…,tn}用来划分设置权重值的电 压差异值区间。α0至αn为当前的预设值。q与所设置的区间的个数有关。
在一种实现中,为了保证所确定的当前异常概率的准确性,进而保证所确定的目标 电池对应的检测电池状态的准确性,可以适当根据实际情况调整上述电压差异值区间。例如,可以根据计算所得的电压差异值的量级,调整上述电压差异值区间。在一种情况 中,在模型更新周期到来的情况下,调整上述电压差异值区间。
在本发明的另一实施例中,在所述042之后,所述方法还可以包括如下步骤051-052:
051:在模型更新周期到来的情况下,基于最新周期内所确定的目标电池在各时刻对 应的检测电池状态,以及所获得的目标电池在各时刻对应的真实电池状态,确定最新周期内所确定的目标电池在各时刻对应的电池状态的准确性。
052:基于最新周期内所确定的目标电池在各时刻对应的电池状态的准确性,调整异 常阈值。
为了保证所确定的目标电池对应的与车电池状态的准确性,可以根据实际适当调整 当前的异常阈值的取值。本实现方式中,在模型更新周期到来的情况下,基于最新周期内所确定的目标电池在各时刻对应的检测电池状态,以及所获得的目标电池在各时刻对应的真实电池状态,确定最新周期内所确定的目标电池在各时刻对应的电池状态的准确性。相对应的检测电池状态与真实电池状态表征结果相同,则确定预测结果准确,反之, 若相对应的检测电池状态与真实电池状态表征结果不相同,则确定预测结果不准确。
电子设备可以统计最新周期内表征预测结果准确的结果的数量,并计算该表征预测 结果准确的结果的数量与最新周期内对比结果总数之间的比值,若该比值超过预设比值 阈值,则可以确定当前的异常阈值的取值较准确,可以保持该当前的异常阈值的取值;若该比值为超过预设比值阈值,则可以确定当前的异常阈值的取值不够准确,可以根据 实际情况调整当前的异常阈值的取值。例如:若预测结果不准确的结果中,出现所对应 真实电池状态表征目标电池为正常,且检测电池状态表征目标电池为异常的情况较多的 情况下,可以相应调大当前的异常阈值的取值;反之,若出现所对应真实电池状态表征 目标电池为异常,且检测电池状态表征目标电池为正常的情况较多的情况下,可以相应 调小当前的异常阈值的取值。
在本发明的另一实施例中,在所述S103之后,所述方法还可以包括如下步骤:
在模型更新周期到来的情况下,基于当前电池数据序列,更新当前的电压预测模型, 得到新的当前的电压预测模型,以便用于针对新到来周期内的每一时刻的电池电压状态 的确定流程。
本实现方式中,为了保证当前的电压预测模型的电压预测结果的准确性,在模型更 新周期到来的情况下,可以基于当前电池数据序列重新训练当前的电压预测模型,以得到新的当前的电压预测模型,将该新的当前的电压预测模型应用于新到来周期内的每一时刻的电池电压状态的确定流程。
相应于上述方法实施例,本发明实施例提供了一种电池状态的确定装置,如图4所示,所述装置可以包括:
第一获得模块410,被配置为获得目标电池在当前时刻对应的当前电池数据序列;
第一确定模块420,被配置为基于所述当前电池数据序列中各历史时间窗对应的电池 数据,各历史时间窗所对应预测时间窗对应的电池数据中的电流相关数据,以及当前的 电压预测模型,确定所述当前电池数据序列对应的预测时间窗所对应电压预测值,其中, 所述当前的电压预测模型为:基于样本电池数据序列中各样本历史时间窗对应的电池数 据,及各样本历史时间窗所对应样本预测时间窗对应的电池数据中的电流相关数据,训练所得的模型;
第二确定模块430,被配置为基于所述当前电池数据序列对应的预测时间窗所对应电 压预测值,以及所述当前电池数据序列中预测时间窗对应的电池数据中的电压实测值, 确定所述目标电池对应的检测电池状态。
应用本发明实施例,可以基于通过样本电池数据序列中各样本历史时间窗对应的电 池数据,及各样本历史时间窗所对应样本预测时间窗对应的电池数据中的电流相关数据, 训练所得的当前的电压预测模型,以及当前电池数据序列中各历史时间窗对应的电池数 据,各历史时间窗所对应预测时间窗对应的电池数据中的电流相关数据,确定得到当前电池数据序列对应的预测时间窗所对应电压预测值,实现对电压值的准确预测,进而, 基于当前电池数据序列对应的预测时间窗所对应电压预测值,及当前电池数据序列中预 测时间窗对应的电池数据中的电压实测值,确定目标电池对应的准确性高的检测电池状 态,实现对电池状态的实时准确预判。
在本发明的另一实施例中,所述第一确定模块420,被具体配置为对所述当前电池数 据序列进行预处理,得到预处理之后的当前电池数据序列;
将预处理之后的当前电池数据序列中各历史时间窗对应的电池数据,输入所述当前 的电压预测模型的电压预测网络,得到所述当前电池数据序列中各历史时间窗对应的预 测时间窗所对应电压预测中间值;
将所述当前电池数据序列中各历史时间窗对应的预测时间窗所对应电压预测中间值, 以及所述当前电池数据序列中各历史时间窗所对应预测时间窗对应的电池数据中的电流 相关数据,输入所述当前的电压预测模型的电压引导网络,得到所述当前电池数据序列 中各历史时间窗对应的预测时间窗所对应电压预测值。
在本发明的另一实施例中,所述装置还包括:
模型训练模块(图中未示出),被配置为在所述基于所述当前电池数据序列中各历史时间窗对应的电池数据,各历史时间窗所对应预测时间窗对应的电池数据中的电流相关数据,以及当前的电压预测模型,确定所述当前电池数据序列对应的预测时间窗所对 应电压预测值之前,训练得到当前的电压预测模型的过程,其中,所述模型训练模块, 包括:
第一获得单元(图中未示出),被配置为获得初始的电压预测模型;
第二获得单元(图中未示出),被配置为获得样本电池数据序列,其中,所述样本电池数据序列为:基于样本电池在预设时间段对应的电池基本特征数据序列和电池相关数据序列,所确定的数据序列,所述电池相关数据序列为:基于所述电池基本特征数据 序列确定的;
预处理单元(图中未示出),被配置为对所述样本电池数据序列进行预处理,得到预处理之后的所述样本电池数据序列;
训练单元(图中未示出),被配置为基于预处理之后的所述样本电池数据序列,训练所述初始的电压预测模型,直至所述初始的电压预测模型达到预设收敛状态,得到当 前的电压预测模型。
在本发明的另一实施例中,所述初始的电压预测模型包括:电压预测网络和电压引 导网络;
所述训练单元,被具体配置为基于预处理之后的所述样本电池数据序列中各样本历 史时间窗对应的样本电池数据,以及各样本历史时间窗所对应样本预测时间窗对应的样 本电池数据,划分预处理之后的所述样本电池数据序列,得到多个样本数据序列,其中,每一样本数据序列包括:一组存在对应关系的样本历史时间窗对应的样本电池数据和样本预测时间窗对应的样本电池数据;
将所述多个样本数据序列划分为参数调整组样本数据序列以及测试组样本数据序列;
针对每一参数调整组样本数据序列,将该参数调整组样本数据序列中样本历史时间 窗对应的样本电池数据,输入所述电压预测网络,得到该参数调整组样本数据序列中样本历史时间窗所对应样本预测时间窗对应的电压当前值;
针对每一参数调整组样本数据序列,将该参数调整组样本数据序列中样本历史时间 窗所对应样本预测时间窗对应的电压当前值,以及该参数调整组样本数据序列中样本预 测时间窗对应的样本电池数据中的电流相关数据,输入所述电压引导网络,得到该参数调整组样本数据序列中样本预测时间窗对应的样本电压预测值;
针对每一参数调整组样本数据序列,基于该参数调整组样本数据序列中样本预测时 间窗对应的样本电压预测值,以及样本预测时间窗对应的样本电压实测值,确定当前的第一损失值;
基于当前的第一损失值,调整所述初始的电压预测模型对应的参数,其中,所述参数包括电压预测网络和电压引导网络的模型参数以及所述初始的电压预测模型的超参数,
判断是否存在未输入所述电压预测网络的参数调整组样本数据序列;
若判断存在未输入所述电压预测网络的参数调整组样本数据序列,返回执行所述针 对每一参数调整组样本数据序列,将该参数调整组样本数据序列中样本历史时间窗对应 的样本电池数据,输入所述电压预测网络,得到该参数调整组样本数据序列中样本历史时间窗所对应样本预测时间窗对应的电压当前值的步骤;
若判断不存在未输入所述电压预测网络的参数调整组样本数据序列,针对每一测试 组样本数据序列,将该测试组样本数据序列中样本历史时间窗对应的样本电池数据,输入所述电压预测网络,得到该测试组样本数据序列中样本历史时间窗所对应样本预测时间窗对应的电压当前值;
针对每一测试组样本数据序列,将该测试组样本数据序列中样本历史时间窗所对应 样本预测时间窗对应的电压当前值,以及该测试组样本数据序列中样本预测时间窗对应 的样本电池数据中的电流相关数据,输入所述电压引导网络,得到该测试组样本数据序列中样本预测时间窗对应的样本电压预测值;
针对每一测试组样本数据序列,基于该测试组样本数据序列中样本预测时间窗对应 的样本电压预测值,以及样本预测时间窗对应的样本电压实测值,确定当前的第二损失值;
基于各测试组样本数据序列对应的当前的第二损失值,判断所述测试组样本数据序 列对应的第二损失值是否满足预设损失值情况;
若判断所述测试组样本数据序列对应的第二损失值不满足预设损失值情况,返回执 行所述针对每一参数调整组样本数据序列,将该参数调整组样本数据序列中样本历史时 间窗对应的样本电池数据,输入所述电压预测网络,得到该参数调整组样本数据序列中样本历史时间窗所对应样本预测时间窗对应的电压当前值的步骤;
若判断所述测试组样本数据序列对应的第二损失值满足预设损失值情况,则确定所 述初始的电压预测模型达到预设收敛状态,得到当前的电压预测模型。
在本发明的另一实施例中,所述第二获得单元,被具体配置为获得样本电池在预设 时间段对应的电池基本特征数据序列,其中,所述电池基本特征数据序列包括:预设时间段内的分别按时间顺序排序的多个电压实测值、多个电流实测值以及多个电荷状态信息中的至少一类特征数据;
基于所述电池基本特征数据序列所包括的分别按时间顺序排序的多个电压实测值、 多个电流实测值以及多个电荷状态信息中的至少一类特征数据,确定用于表征该类特征 数据的变化波动的数据波动序列和/或用于表征该类特征数据的随时间变化趋势的数据变 化趋势序列,以得到电池相关数据序列;
基于所述电池基本特征数据序列所包括的分别按时间顺序排序的多个电压实测值、 多个电流实测值以及多个电荷状态信息中的至少一类特征数据、所述电池相关数据序列 以及预设特征数据筛选条件,确定样本电池数据序列。
在本发明的另一实施例中,所述第二确定模块430,包括:
第一确定单元(图中未示出),被配置为基于所述当前电池数据序列对应的预测时间窗所对应电压预测值,以及所述当前电池数据序列中预测时间窗对应的电池数据中的电压实测值,确定所述目标电池在当前时刻对应的当前异常概率;
第二确定单元(图中未示出),被配置为基于所述目标电池在当前时刻对应的当前异常概率,以及当前的异常概率阈值,确定所述目标电池对应的检测电池状态。
在本发明的另一实施例中,所述第一确定单元,被具体配置为基于所述当前电池数 据序列对应的预测时间窗所对应电压预测值,以及所述当前电池数据序列中预测时间窗 对应的电池数据中的电压实测值,确定各预测时间窗对应的电压差异值;
对各预测时间窗对应的电压差异值进行预设转换,得到转换后的各预测时间窗对应 的电压差异值;
基于转换后的各预测时间窗对应的电压差异值及预设滑动窗口,确定所述当前时刻 对应的电压差异值所对应均值和方差,其中,所述预测时间窗对应的时刻包括当前时刻;
基于所述当前时刻对应的电压差异值所对应均值和方差以及预设正态分布模型,确 定所述当前时刻对应的电压差异值所对应概率密度值;
基于所述当前时刻对应的电压差异值所对应概率密度值,以及所述当前时刻对应的 电压差异值所在区间对应的权重值,确定所述目标电池在当前时刻对应的当前异常概率, 其中,所述当前时刻对应的电压差异值所在区间对应的权重值为:基于所述当前时刻对 应的电压差异值、均值和方差确定的。
在本发明的另一实施例中,所述装置还包括:
第二确定模块(图中未示出),被配置为在所述基于所述目标电池在当前时刻对应的当前异常概率,以及当前的异常概率阈值,确定所述目标电池对应的检测电池状态之后,在模型更新周期到来的情况下,基于最新周期内所确定的所述目标电池在各时刻对 应的检测电池状态,以及所获得的所述目标电池在各时刻对应的真实电池状态,确定最 新周期内所确定的所述目标电池在各时刻对应的电池状态的准确性;
调整模块(图中未示出),被配置为基于所述最新周期内所确定的所述目标电池在各时刻对应的电池状态的准确性,调整所述异常阈值。
在本发明的另一实施例中,所述装置还包括:
更新模块(图中未示出),被配置为在所述基于所述当前电池数据序列对应的预测时间窗所对应电压预测值,以及所述当前电池数据序列中预测时间窗对应的电池数据中的电压实测值,确定所述目标电池对应的检测电池状态之后,在模型更新周期到来的情 况下,基于所述当前电池数据序列,更新所述当前的电压预测模型,得到新的当前的电 压预测模型,以便用于针对新到来周期内的每一时刻的电池电压状态的确定流程。
上述系统、装置实施例与系统实施例相对应,与该方法实施例具有同样的技术效果, 具体说明参见方法实施例。装置实施例是基于方法实施例得到的,具体的说明可以参见 方法实施例部分,此处不再赘述。本领域普通技术人员可以理解:附图只是一个实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
本领域普通技术人员可以理解:实施例中的装置中的模块可以按照实施例描述分布 于实施例的装置中,也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然 可以对前述实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换; 而这些修改或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和 范围。
Claims (10)
1.一种电池状态的确定方法,其特征在于,所述方法包括:
获得目标电池在当前时刻对应的当前电池数据序列;
基于所述当前电池数据序列中各历史时间窗对应的电池数据,各历史时间窗所对应预测时间窗对应的电池数据中的电流相关数据,以及当前的电压预测模型,确定所述当前电池数据序列对应的预测时间窗所对应电压预测值,其中,所述当前的电压预测模型为:基于样本电池数据序列中各样本历史时间窗对应的电池数据,及各样本历史时间窗所对应样本预测时间窗对应的电池数据中的电流相关数据,训练所得的模型;
基于所述当前电池数据序列对应的预测时间窗所对应电压预测值,以及所述当前电池数据序列中预测时间窗对应的电池数据中的电压实测值,确定所述目标电池对应的检测电池状态。
2.如权利要求1所述的方法,其特征在于,所述基于所述当前电池数据序列中各历史时间窗对应的电池数据,各历史时间窗所对应预测时间窗对应的电池数据中的电流相关数据,以及当前的电压预测模型,确定所述当前电池数据序列对应的预测时间窗所对应电压预测值的步骤,包括:
对所述当前电池数据序列进行预处理,得到预处理之后的当前电池数据序列;
将预处理之后的当前电池数据序列中各历史时间窗对应的电池数据,输入所述当前的电压预测模型的电压预测网络,得到所述当前电池数据序列中各历史时间窗对应的预测时间窗所对应电压预测中间值;
将所述当前电池数据序列中各历史时间窗对应的预测时间窗所对应电压预测中间值,以及所述当前电池数据序列中各历史时间窗所对应预测时间窗对应的电池数据中的电流相关数据,输入所述当前的电压预测模型的电压引导网络,得到所述当前电池数据序列中各历史时间窗对应的预测时间窗所对应电压预测值。
3.如权利要求1所述的方法,其特征在于,在所述基于所述当前电池数据序列中各历史时间窗对应的电池数据,各历史时间窗所对应预测时间窗对应的电池数据中的电流相关数据,以及当前的电压预测模型,确定所述当前电池数据序列对应的预测时间窗所对应电压预测值的步骤之前,所述方法还包括:
训练得到当前的电压预测模型的过程,其中,所述过程包括:
获得初始的电压预测模型;
获得样本电池数据序列,其中,所述样本电池数据序列为:基于样本电池在预设时间段对应的电池基本特征数据序列和电池相关数据序列,所确定的数据序列,所述电池相关数据序列为:基于所述电池基本特征数据序列确定的;
对所述样本电池数据序列进行预处理,得到预处理之后的所述样本电池数据序列;
基于预处理之后的所述样本电池数据序列,训练所述初始的电压预测模型,直至所述初始的电压预测模型达到预设收敛状态,得到当前的电压预测模型。
4.如权利要求1-3任一项所述的方法,其特征在于,所述初始的电压预测模型包括:电压预测网络和电压引导网络;
所述基于预处理之后的所述样本电池数据序列,训练所述初始的电压预测模型,直至所述初始的电压预测模型达到预设收敛状态,得到当前的电压预测模型的步骤,包括:
基于预处理之后的所述样本电池数据序列中各样本历史时间窗对应的样本电池数据,以及各样本历史时间窗所对应样本预测时间窗对应的样本电池数据,划分预处理之后的所述样本电池数据序列,得到多个样本数据序列,其中,每一样本数据序列包括:一组存在对应关系的样本历史时间窗对应的样本电池数据和样本预测时间窗对应的样本电池数据;
将所述多个样本数据序列划分为参数调整组样本数据序列以及测试组样本数据序列;
针对每一参数调整组样本数据序列,将该参数调整组样本数据序列中样本历史时间窗对应的样本电池数据,输入所述电压预测网络,得到该参数调整组样本数据序列中样本历史时间窗所对应样本预测时间窗对应的电压当前值;
针对每一参数调整组样本数据序列,将该参数调整组样本数据序列中样本历史时间窗所对应样本预测时间窗对应的电压当前值,以及该参数调整组样本数据序列中样本预测时间窗对应的样本电池数据中的电流相关数据,输入所述电压引导网络,得到该参数调整组样本数据序列中样本预测时间窗对应的样本电压预测值;
针对每一参数调整组样本数据序列,基于该参数调整组样本数据序列中样本预测时间窗对应的样本电压预测值,以及样本预测时间窗对应的样本电压实测值,确定当前的第一损失值;
基于当前的第一损失值,调整所述初始的电压预测模型对应的参数,其中,所述参数包括电压预测网络和电压引导网络的模型参数以及所述初始的电压预测模型的超参数,
判断是否存在未输入所述电压预测网络的参数调整组样本数据序列;
若判断存在未输入所述电压预测网络的参数调整组样本数据序列,返回执行所述针对每一参数调整组样本数据序列,将该参数调整组样本数据序列中样本历史时间窗对应的样本电池数据,输入所述电压预测网络,得到该参数调整组样本数据序列中样本历史时间窗所对应样本预测时间窗对应的电压当前值的步骤;
若判断不存在未输入所述电压预测网络的参数调整组样本数据序列,针对每一测试组样本数据序列,将该测试组样本数据序列中样本历史时间窗对应的样本电池数据,输入所述电压预测网络,得到该测试组样本数据序列中样本历史时间窗所对应样本预测时间窗对应的电压当前值;
针对每一测试组样本数据序列,将该测试组样本数据序列中样本历史时间窗所对应样本预测时间窗对应的电压当前值,以及该测试组样本数据序列中样本预测时间窗对应的样本电池数据中的电流相关数据,输入所述电压引导网络,得到该测试组样本数据序列中样本预测时间窗对应的样本电压预测值;
针对每一测试组样本数据序列,基于该测试组样本数据序列中样本预测时间窗对应的样本电压预测值,以及样本预测时间窗对应的样本电压实测值,确定当前的第二损失值;
基于各测试组样本数据序列对应的当前的第二损失值,判断所述测试组样本数据序列对应的第二损失值是否满足预设损失值情况;
若判断所述测试组样本数据序列对应的第二损失值不满足预设损失值情况,返回执行所述针对每一参数调整组样本数据序列,将该参数调整组样本数据序列中样本历史时间窗对应的样本电池数据,输入所述电压预测网络,得到该参数调整组样本数据序列中样本历史时间窗所对应样本预测时间窗对应的电压当前值的步骤;
若判断所述测试组样本数据序列对应的第二损失值满足预设损失值情况,则确定所述初始的电压预测模型达到预设收敛状态,得到当前的电压预测模型。
5.如权利要求3所述的方法,其特征在于,所述获得样本电池数据序列的步骤,包括:
获得样本电池在预设时间段对应的电池基本特征数据序列,其中,所述电池基本特征数据序列包括:预设时间段内的分别按时间顺序排序的多个电压实测值、多个电流实测值以及多个电荷状态信息中的至少一类特征数据;
基于所述电池基本特征数据序列所包括的分别按时间顺序排序的多个电压实测值、多个电流实测值以及多个电荷状态信息中的至少一类特征数据,确定用于表征该类特征数据的变化波动的数据波动序列和/或用于表征该类特征数据的随时间变化趋势的数据变化趋势序列,以得到电池相关数据序列;
基于所述电池基本特征数据序列所包括的分别按时间顺序排序的多个电压实测值、多个电流实测值以及多个电荷状态信息中的至少一类特征数据、所述电池相关数据序列以及预设特征数据筛选条件,确定样本电池数据序列。
6.如权利要求1-5任一项所述的方法,其特征在于,所述基于所述当前电池数据序列对应的预测时间窗所对应电压预测值,以及所述当前电池数据序列中预测时间窗对应的电池数据中的电压实测值,确定所述目标电池对应的检测电池状态的步骤,包括:
基于所述当前电池数据序列对应的预测时间窗所对应电压预测值,以及所述当前电池数据序列中预测时间窗对应的电池数据中的电压实测值,确定所述目标电池在当前时刻对应的当前异常概率;
基于所述目标电池在当前时刻对应的当前异常概率,以及当前的异常概率阈值,确定所述目标电池对应的检测电池状态。
7.如权利要求6所述的方法,其特征在于,所述基于所述当前电池数据序列对应的预测时间窗所对应电压预测值,以及所述当前电池数据序列中预测时间窗对应的电池数据中的电压实测值,确定所述目标电池在当前时刻对应的当前异常概率的步骤,包括:
基于所述当前电池数据序列对应的预测时间窗所对应电压预测值,以及所述当前电池数据序列中预测时间窗对应的电池数据中的电压实测值,确定各预测时间窗对应的电压差异值;
对各预测时间窗对应的电压差异值进行预设转换,得到转换后的各预测时间窗对应的电压差异值;
基于转换后的各预测时间窗对应的电压差异值及预设滑动窗口,确定所述当前时刻对应的电压差异值所对应均值和方差,其中,所述预测时间窗对应的时刻包括当前时刻;
基于所述当前时刻对应的电压差异值所对应均值和方差以及预设正态分布模型,确定所述当前时刻对应的电压差异值所对应概率密度值;
基于所述当前时刻对应的电压差异值所对应概率密度值,以及所述当前时刻对应的电压差异值所在区间对应的权重值,确定所述目标电池在当前时刻对应的当前异常概率,其中,所述当前时刻对应的电压差异值所在区间对应的权重值为:基于所述当前时刻对应的电压差异值、均值和方差确定的。
8.如权利要求6所述的方法,其特征在于,在所述基于所述目标电池在当前时刻对应的当前异常概率,以及当前的异常概率阈值,确定所述目标电池对应的检测电池状态的步骤之后,所述方法还包括:
在模型更新周期到来的情况下,基于最新周期内所确定的所述目标电池在各时刻对应的检测电池状态,以及所获得的所述目标电池在各时刻对应的真实电池状态,确定最新周期内所确定的所述目标电池在各时刻对应的电池状态的准确性;
基于所述最新周期内所确定的所述目标电池在各时刻对应的电池状态的准确性,调整所述异常阈值。
9.如权利要求1-3任一项所述的方法,其特征在于,在所述基于所述当前电池数据序列对应的预测时间窗所对应电压预测值,以及所述当前电池数据序列中预测时间窗对应的电池数据中的电压实测值,确定所述目标电池对应的检测电池状态的步骤之后,所述方法还包括:
在模型更新周期到来的情况下,基于所述当前电池数据序列,更新所述当前的电压预测模型,得到新的当前的电压预测模型,以便用于针对新到来周期内的每一时刻的电池电压状态的确定流程。
10.一种电池状态的确定装置,其特征在于,所述装置包括:
第一获得模块,被配置为获得目标电池在当前时刻对应的当前电池数据序列;
第一确定模块,被配置为基于所述当前电池数据序列中各历史时间窗对应的电池数据,各历史时间窗所对应预测时间窗对应的电池数据中的电流相关数据,以及当前的电压预测模型,确定所述当前电池数据序列对应的预测时间窗所对应电压预测值,其中,所述当前的电压预测模型为:基于样本电池数据序列中各样本历史时间窗对应的电池数据,及各样本历史时间窗所对应样本预测时间窗对应的电池数据中的电流相关数据,训练所得的模型;
第二确定模块,被配置为基于所述当前电池数据序列对应的预测时间窗所对应电压预测值,以及所述当前电池数据序列中预测时间窗对应的电池数据中的电压实测值,确定所述目标电池对应的检测电池状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011057048.8A CN114325395B (zh) | 2020-09-30 | 2020-09-30 | 一种电池状态的确定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011057048.8A CN114325395B (zh) | 2020-09-30 | 2020-09-30 | 一种电池状态的确定方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114325395A true CN114325395A (zh) | 2022-04-12 |
CN114325395B CN114325395B (zh) | 2024-01-26 |
Family
ID=81011766
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011057048.8A Active CN114325395B (zh) | 2020-09-30 | 2020-09-30 | 一种电池状态的确定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114325395B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115512777A (zh) * | 2022-09-23 | 2022-12-23 | 上海玫克生储能科技有限公司 | 一种基于容量变化率的电化学模型参数辨识方法和系统 |
CN115856666A (zh) * | 2022-11-28 | 2023-03-28 | 伏瓦科技(苏州)有限公司 | 电池工况数据的处理方法、设备及存储介质 |
CN116148700A (zh) * | 2023-01-10 | 2023-05-23 | 中国第一汽车股份有限公司 | 电池的状态预测方法及存储介质 |
CN116643181A (zh) * | 2022-08-25 | 2023-08-25 | 浙江长兴震革科技有限公司 | 一种蓄电池状态监测系统 |
CN116826930A (zh) * | 2023-08-29 | 2023-09-29 | 浙江达航数据技术有限公司 | 一种电池dc/dc智能均衡器及均衡方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105005002A (zh) * | 2015-07-01 | 2015-10-28 | 清华大学 | 基于未来电压计算的电池剩余放电能量的预测方法及系统 |
CN107003359A (zh) * | 2014-11-28 | 2017-08-01 | 雷诺有限合伙公司 | 电池组的电池单元的容量的自动估计方法 |
CN107209227A (zh) * | 2014-11-28 | 2017-09-26 | 雷诺有限合伙公司 | 电池组的电池单元的充电状态的自动估计方法 |
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 |
US20180340981A1 (en) * | 2017-05-29 | 2018-11-29 | MAGNETI MARELLI S.p.A. | Method for estimating the current and the state of charge of a battery pack or cell, without direct detection of current under operating conditions |
US20180372805A1 (en) * | 2017-06-23 | 2018-12-27 | Pacesetter, Inc. | Method and device for detecting early battery depletion condition |
US20190025379A1 (en) * | 2017-07-20 | 2019-01-24 | Mitsubishi Electric Research Laboratories, Inc. | Methods and systems for battery state of power prediction |
US20200164763A1 (en) * | 2017-07-21 | 2020-05-28 | Quantumscape Corporation | Predictive model for estimating battery states |
-
2020
- 2020-09-30 CN CN202011057048.8A patent/CN114325395B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107003359A (zh) * | 2014-11-28 | 2017-08-01 | 雷诺有限合伙公司 | 电池组的电池单元的容量的自动估计方法 |
CN107209227A (zh) * | 2014-11-28 | 2017-09-26 | 雷诺有限合伙公司 | 电池组的电池单元的充电状态的自动估计方法 |
CN105005002A (zh) * | 2015-07-01 | 2015-10-28 | 清华大学 | 基于未来电压计算的电池剩余放电能量的预测方法及系统 |
US20180340981A1 (en) * | 2017-05-29 | 2018-11-29 | MAGNETI MARELLI S.p.A. | Method for estimating the current and the state of charge of a battery pack or cell, without direct detection of current under operating conditions |
US20180372805A1 (en) * | 2017-06-23 | 2018-12-27 | Pacesetter, Inc. | Method and device for detecting early battery depletion condition |
US20190025379A1 (en) * | 2017-07-20 | 2019-01-24 | Mitsubishi Electric Research Laboratories, Inc. | Methods and systems for battery state of power prediction |
US20200164763A1 (en) * | 2017-07-21 | 2020-05-28 | Quantumscape Corporation | Predictive model for estimating battery states |
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 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116643181A (zh) * | 2022-08-25 | 2023-08-25 | 浙江长兴震革科技有限公司 | 一种蓄电池状态监测系统 |
CN116643181B (zh) * | 2022-08-25 | 2024-04-16 | 浙江长兴震革科技有限公司 | 一种蓄电池状态监测系统 |
CN115512777A (zh) * | 2022-09-23 | 2022-12-23 | 上海玫克生储能科技有限公司 | 一种基于容量变化率的电化学模型参数辨识方法和系统 |
CN115512777B (zh) * | 2022-09-23 | 2024-02-09 | 上海玫克生储能科技有限公司 | 一种基于容量变化率的电化学模型参数辨识方法和系统 |
CN115856666A (zh) * | 2022-11-28 | 2023-03-28 | 伏瓦科技(苏州)有限公司 | 电池工况数据的处理方法、设备及存储介质 |
CN115856666B (zh) * | 2022-11-28 | 2024-03-26 | 伏瓦科技(苏州)有限公司 | 电池工况数据的处理方法、设备及存储介质 |
CN116148700A (zh) * | 2023-01-10 | 2023-05-23 | 中国第一汽车股份有限公司 | 电池的状态预测方法及存储介质 |
CN116148700B (zh) * | 2023-01-10 | 2024-04-12 | 中国第一汽车股份有限公司 | 电池的状态预测方法及存储介质 |
CN116826930A (zh) * | 2023-08-29 | 2023-09-29 | 浙江达航数据技术有限公司 | 一种电池dc/dc智能均衡器及均衡方法 |
CN116826930B (zh) * | 2023-08-29 | 2023-11-14 | 浙江达航数据技术有限公司 | 一种电池dc/dc智能均衡器及均衡方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114325395B (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114325395B (zh) | 一种电池状态的确定方法及装置 | |
Park et al. | LSTM-based battery remaining useful life prediction with multi-channel charging profiles | |
CN116757534B (zh) | 一种基于神经训练网络的智能冰箱可靠性分析方法 | |
CN112131212A (zh) | 基于集成学习技术面向混合云场景的时序数据异常预测方法 | |
CN107506868B (zh) | 一种短时电力负荷预测的方法及装置 | |
CN113762329A (zh) | 一种大型轧机状态预测模型的构建方法及构建系统 | |
CN110334865B (zh) | 一种基于卷积神经网络的电力设备故障率预测方法及系统 | |
CN112766618B (zh) | 异常预测方法及装置 | |
CN112257914B (zh) | 一种基于随机森林的航空安全因果预测方法 | |
CN110874616A (zh) | 基于lstm网络与马尔科夫链修正误差的变压器运行预测方法 | |
CN111275004A (zh) | 基于lmd和脉冲神经网络的轴承故障诊断方法 | |
Ta et al. | Adaptive staged remaining useful life prediction method based on multi-sensor and multi-feature fusion | |
CN112150304A (zh) | 电网运行状态轨迹稳定性预判方法、系统及存储介质 | |
CN115017970A (zh) | 一种基于迁移学习的用气行为异常检测方法及系统 | |
CN114460481A (zh) | 基于Bi-LSTM和注意力机制的储能电池热失控预警方法 | |
CN113538037A (zh) | 监测电瓶车充电事件的方法及系统、设备、存储介质 | |
CN113341305A (zh) | 一种基于融合建模的模拟电路故障预测方法 | |
CN117077327A (zh) | 基于数字孪生的轴承寿命预测方法及系统 | |
CN117154263A (zh) | 锂电池梯次利用充放电系统及控制方法 | |
CN117630672A (zh) | 借助变换器模型预测诊断技术设备的设备电池的方法和设备 | |
CN112101673A (zh) | 一种基于隐马尔可夫模型的电网发展趋势预测方法及系统 | |
Zhang et al. | SOH estimation and RUL prediction of lithium batteries based on multidomain feature fusion and CatBoost model | |
CN113361737A (zh) | 一种光伏组件的异常预警方法及系统 | |
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 | |
CN111160419B (zh) | 一种基于深度学习的电子式互感器数据分类预测方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |