CN114325405A - 电池组一致性分析方法、建模方法、装置、设备及介质 - Google Patents
电池组一致性分析方法、建模方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114325405A CN114325405A CN202111667998.7A CN202111667998A CN114325405A CN 114325405 A CN114325405 A CN 114325405A CN 202111667998 A CN202111667998 A CN 202111667998A CN 114325405 A CN114325405 A CN 114325405A
- Authority
- CN
- China
- Prior art keywords
- battery pack
- consistency analysis
- battery
- data
- data set
- 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
Images
Landscapes
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明公开了一种电池组一致性分析方法、建模方法、装置、设备及介质,所述建模方法包括:基于车联网数据提取车辆的历史电池性能参数;对历史电池性能参数进行数据清洗预处理,得到预处理数据集;基于预处理数据集中的数据确定等时间间隔的电池性能时序参数;根据电池性能时序参数进行电池组一致性特征选择,确定训练数据集;根据训练数据集进行模型训练,建立电池组一致性分析模型。本发明通过车联网数据和机器学习算法建立兼容不同工况车辆的电池组一致性分析模型,有利于提高电池组一致性分析结果的准确性。
Description
技术领域
本发明涉及电池组性能检测技术领域,尤其涉及一种电池组一致性分析方法、建模方法、装置、设备及介质。
背景技术
电动车用动力电池一般由多个单体电芯串并联而成,尽管单体电芯出厂时进行了严格的筛选匹配,以尽可能做到容量、电压、内阻、自放电等性能一致,但由于生产制造的微小差异,单体电芯间的不一致性从一开始就存在,并且随着电池的使用,单体电芯间的不一致性会进一步扩大。单体电芯间的不一致性直接影响了电池的使用性能和安全性,极端情况下可能引发热失控等严重安全事故。因此,有必要对动力电池的一致性进行评估,以便及时识别电池一致性问题,进行问题上报并采取相应措施,防止危害进一步扩大。
传统电池组一致性识别方法多需要实验室测试条件下测得的电池静态特征参数,该方法效率低,且无法适用于在线实时电池组一致性评价。
目前,主机厂商提出的适用于在线评价电池组一致性的方法如下:通过比较电池组中单体电芯一个或多个参数的极差、标准差或熵权评价值等计算结果与预设阈值实现,其存在的问题在于,预设阈值的数值多基于开发经验设置,主观性强,数值设置不准确会影响电池组一致性评估结果,影响用户体验。
发明内容
本发明提供一种电池组一致性分析方法、建模方法、装置、设备及介质,以实现通过车联网数据和机器学习算法建立兼容工况车辆的电池组一致性分析模型,改善一致性分析结果的实时性和准确性。
第一方面,本发明实施例提供了一种电池组一致性分析模型的建模方法,包括以下步骤:
基于车联网数据提取车辆的历史电池性能参数;
对所述历史电池性能参数进行数据清洗预处理,得到预处理数据集;
基于所述预处理数据集中的数据确定等时间间隔的电池性能时序参数;
根据所述电池性能时序参数进行电池组一致性特征选择,确定训练数据集;
根据所述训练数据集进行模型训练,建立电池组一致性分析模型。
第二方面,本发明实施例还提供了一种电池组一致性分析方法,包括以下步骤:获取基于上述建模方法建立的电池组一致性分析模型;
将所述电池组一致性分析模型部署到云端服务器和/或边缘端;
采用所述云端服务器和/或所述边缘端的电池组一致性分析模型对目标车辆的实时电池性能参数进行分析,得到模型返回值;
根据所述模型返回值确定所述目标车辆的电池组一致性分析结果。
第三方面,本发明实施例还提供了一种电池组一致性分析模型的建模装置,包括:数据采样单元,用于基于车联网数据提取车辆的历史电池性能参数;数据预处理单元,用于对所述历史电池性能参数进行数据清洗预处理,得到预处理数据集;时序数据提取单元,用于基于所述预处理数据集中的数据确定等时间间隔的电池性能时序参数;特征选取单元,用于根据所述电池性能时序参数进行电池组一致性特征选择,确定训练数据集;模型训练单元,用于根据所述训练数据集进行模型训练,建立电池组一致性分析模型。
第四方面,本发明实施例还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述电池组一致性分析模型的建模方法;和/或,实现上述电池组一致性分析方法。
第五方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述电池组一致性分析模型的建模方法;和/或,实现上述电池组一致性分析方法。
本发明实施例提供的电池组一致性分析模型的建模装置、计算机设备及计算机可读存储介质,实现电池组一致性分析模型的建模方法,该建模方法通过获取车联网数据提取车辆的历史电池组性能参数,对提取到的历史电池组性能参数进行数据清洗预处理,得到预处理数据集,基于预处理数据集中的数据确定等时间间隔的电池性能时序参数,根据电池性能时序参数进行电池组一致性特征选择,确定训练数据集,根据训练数据集进行模型训练,建立电池组一致性分析模型,解决了现有的一致性评估方法依赖经验数据造成评估结果失准的问题,通过车联网数据和机器学习算法建立兼容同一车型不同工况车辆的电池组一致性分析模型,改善一致性分析结果的实时性和准确性。
附图说明
图1是本发明实施例一提供的一种电池组一致性分析模型的建模方法的流程图;
图2是本发明实施例一提供的另一种电池组一致性分析模型的建模方法的流程图;
图3是本发明实施例一提供的一种根据信息熵建立训练数据集的方法的流程图;
图4是本发明实施例二提供一种电池组一致性分析方法的流程图;
图5是本发明实施例三提供的一种电池组一致性分析模型的建模装置的结构示意图;
图6是本发明实施例四提供的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。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结构。
实施例一
图1是本发明实施例一提供的一种电池组一致性分析模型的建模方法的流程图,本实施例可适用于基于车联网技术在线实时评估电池组一致性的应用场景,该方法可以由可由配置特定软件和功能模块的云端服务器来执行。
参考图1所示,该电池组一致性分析模型的建模方法具体包括如下步骤:
步骤S1:基于车联网数据提取车辆的历史电池性能参数。
其中,车联网数据是车联网系统内所有个体车辆中用于表征电池性能的数据集合,可采用电池管理系统采集车辆电池性能参数,形成数据流,经车辆T-box(telematicsBox,远程通讯箱)将提取得到的数据流上传至云端服务器,采用云端服务器对数据流进行解析得到结构化的历史电池性能和结构化的实时电池性能,该历史电池性能可用于训练电池组一致性分析模型,该实时电池性能可用于实时的电池组一致性分析。
在本实施例中,历史电池性能参数包括用于表征电池组一致性的一个或者多个关联参数。
可选地,历史电池性能参数包括电池单体电压、测温点温度和电池单体内阻中的任一个或者多个组合,其中,电池单体电压、测温点温度和电池单体内阻可用于表征电池组一致性。
步骤S2:对历史电池性能参数进行数据清洗预处理,得到预处理数据集。
其中,历史电池性能参数属于群体数据,包括单体电压、测量点温度和单体内阻等不同类型的数据集合,每种类型的数据集合中都可能存在离群数据、异常值或者无效值,通过异常数据处理确保用于模型训练的数据的准确性和可靠性,有利于提高建模准确性。
可选地,数据清洗预处理,包括如下任一种或者多种组合:数据去重;时间戳异常数据剔除;或者,无效值剔除。
其中,数据去重是指对同一历史电池性能参数中完全重复的数据,仅保留其中一条,完全重复是指采样时刻、采样数据及采样时刻的工况完全一致。
时间戳异常数据剔除是指删除历史电池性能参数中年、月、日、时、分、秒超过正常取值范围的数据。
无效值剔除是指对历史电池性能参数中表征电池组一致性(例如电压和温度)的参数,删除其数值超过预设阈值的异常数据,同时删除存在单测量点电压或温度非连续性跳变的异常数据。
步骤S3:基于预处理数据集中的数据确定等时间间隔的电池性能时序参数。
其中,时序参数指按采样时间先后顺序排列形成的数据集合。
在本步骤中,设置预设采样时间,对历史电池性能参数中表征电池组一致性的任一参数(例如单体电压、测量点温度或者单体内阻)按时间先后排列,进行数据提取,仅保留时间间隔时间为预设采样时间的参数形成电池性能时序参数。
可选地,电池性能时序参数包括单体电压时序参数、测量点温度时序参数和单体内阻时序参数,单体电压时序参数、测量点温度时序参数和单体内阻时序参数均可用于表征电池组一致性。
步骤S4:根据电池性能时序参数进行电池组一致性特征选择,确定训练数据集。
其中,特征选择也称为属性选择,是从原始特征中选择出部分最有效特征以降低数据集维度的过程,是提高学习算法性能的一个重要手段,也是模式识别中关键的数据预处理步骤。在本步骤中,电池组一致性特征选择是指通过特征工程提取大量表征电池组一致性的参数。
可选地,电池组一致性特征选择可包括提取电池性能时序参数中一个或者多个参数的均值、极差和标准差,计算各参数及设定时间范围(即时间序列滑动窗口)内各参数均值、极差和标准差的信息熵,根据多个信息熵建立训练数据集。
步骤S5:根据训练数据集进行模型训练,建立电池组一致性分析模型。
其中,电池组一致性分析模型是用于对动力电池的单体电芯进行一致性评估的模型。
在本步骤中,训练数据集包括表征电池组一致性的参数的信息熵组成的数据点,电池组一致性分析模型可采用异常点检测算法构建,模型训练的过程即为构建包含所有表征电池组一致性良好的数据点的检测模型。
具体地,在构建电池组一致性分析模型时,首先基于车联网数据提取同一车型在不同工况下的车辆的历史电池性能参数,历史电池性能参数包括表征电池组一致性的一个或者多个参数,例如,该表征电池组一致性的参数可包括电池单体电压、测温点温度和电池单体内阻,对历史电池性能参数进行数据去重、无效值删除等清洗预处理,按时间先后对清洗后的数据进行排列,提取电池性能时序参数,电池性能时序参数中每个参数的采样数据之间的时间间隔相等,基于电池性能时序参数提取电池组各时刻表征电池组一致性的参数,计算各时刻表征电池组一致性的参数的信息熵,基于参数的信息熵建立训练数据集,用于训练异常点检测模型,在将一组信息熵输入训练好的电池组一致性分析模型后,模型自动给出是否存在一致性异常的判断结果,解决了现有的一致性评估方法依赖经验数据造成评估结果失准的问题,通过车联网数据和机器学习算法建立兼容同一车型不同工况车辆的电池组一致性分析模型,改善一致性分析结果的实时性和准确性。
可选地,该电池组一致性分析模型的建模方法还包括:根据电池性能时序参数进行电池组一致性特征选择,确定测试数据集,根据测试数据集对训练得到的电池组一致性分析模型进行测试。
可选地,可从电池组一致性良好(例如为运行状态良好、没有任何发生热失控迹象)的车辆的车联网数据提取历史电池性能参数,建立训练数据集,用于训练模型;从电池组一致性较差(例如为运行状态较差、即将或已经发生热失控问题)的车辆的车联网数据中提取历史电池性能参数,建立测试数据集,用于测试模型,有利于提高模型训练及测试效率。
可选地,图2是本发明实施例一提供的另一种电池组一致性分析模型的建模方法的流程图,示例性地示出了一种特征选择方法的具体实施方式,而非对该方法的限定。
如图2所示,根据电池性能时序参数进行电池组一致性特征选择,包括以下步骤:
步骤S401:基于电池性能时序参数获取各采样时刻至少一个目标参数的参数均值、参数极差和参数标准差。
其中,采样时刻为电池性能时序参数中限定的等时间间隔的采样时刻。参数均值表示所有电池组单体电芯中任一目标参数在同一采样时刻的采样数据的均值;参数极差表示所有电池组单体电芯中任一目标参数在同一采样时刻的采样数据中最大值与最小值之间的差值;参数标准差表示所有电池组单体电芯中任一目标参数在同一采样时刻的采样数据的标准差。
在本实施例中,目标参数包括电池电压和测温点温度。
步骤S402:计算任一目标采样时刻目标参数的参数信息熵。
其中,信息熵用于表征信源的不确定度,信息熵是信息论中度量信息量的概念,一个系统越混乱,信息熵越大。
信息熵的计算公式如公式一所示:
其中,Pi表示一组参数中任一数值出现的次数占比。
步骤S403:基于目标采样时刻建立目标滑动窗口。
其中,目标滑动窗口为将目标采样时刻作为结束时刻的长度为t的时间序列滑动窗口。
步骤S404:计算目标滑动窗口内目标参数的参数均值信息熵、参数极差信息熵和参数标准差信息熵。
步骤S405:根据参数信息熵、参数均值信息熵、参数极差信息熵和参数标准差信息熵建立训练数据集。
具体地,以电池性能时序参数包括单体电压时序参数和测温点温度时序参数为例,假设车辆电池组包含n个单体电芯,m个温度测量点,其中,m和n为大于等于1的正整数,当前采样时刻为x,x是大小为t的时间序列滑动窗口的最后一个采样时刻(假设大小为t的时间序列滑动窗口包含t个时序数据,窗口每次向下滑动一个数据)。定义在时间序列滑动窗口的任一采样时刻x,单体电压为Uij(i=1,2,…,n;j=1,2,…,t),某测温点温度为Tkj(k=1,2,…,m;j=1,2,…,t),单体电压极差为ΔUj(j=1,2,…,t),测温点温度标准差为σj(j=1,2,…,t),各参数的信息熵采用如下公式计算:
其中,E(Ux)表示x时刻单体电压信息熵。
其中,E(Tx)表示x时刻测温点温度信息熵;
其中,E(ΔUx)表示x时刻、t时间内的单体电压极差信息熵;
其中,E(σx)表示x时刻、t时间内的测温点温度标准差信息熵。
可选地,图3是本发明实施例一提供的一种根据信息熵建立训练数据集的方法的流程图,在图2的基础上,示出了一种构建训练数据集的具体实施方式。
参考图3所示,根据参数信息熵、参数均值信息熵、参数极差信息熵和参数标准差信息熵建立训练数据集,包括以下步骤:
步骤S4051:提取同一采样时刻的N个信息熵,N为大于等于1的正整数。
步骤S4052:根据N个信息熵建立N维输入数据点。
步骤S4053:根据不同采样时刻的N维输入数据点建立训练数据集。
具体地,将同一采样时刻N个表征电池组一致性的信息熵组成一个N维空间中的数据点,其中,N为“表征电池组一致性的信息熵”的种类,基于电池组一致性良好(例如为运行状态良好、没有任何发生热失控迹象)的同型号车辆的车联网数据提取历史电池性能参数,经时序处理得到等时间间隔的电池性能时序参数,通过建立大小为t的滑动窗口,提取电池性能时序参数内所有N维数据点,输入异常点检测算法模型当中,训练得到一个包含所有表征电池组一致性正常的数据点的电池组一致性分析模型。
示例性地,若定义同一采样时刻表征电池组一致性的信息熵包括单体电压信息熵,测温点温度信息熵,单体电压极差信息熵和测温点温度标准差信息熵,则N等于4,以车辆电池组包含n个单体电芯,m个温度测量点,采样时刻x为例,提取采样时刻x单体电芯的电压和电压极差,将采样数据代入上述公式二计算单体电压信息熵E(Ux),代入上述公式四计算单体电压极差信息熵E(ΔUx),提取x采样时刻单体电芯的测温点温度和温度标准差,将采样数据代入上述公式三计算测温点温度信息熵E(Tx),代入上述公式五计算温度标准差信息熵E(σx),采样时刻x的输入数据点为{E(Ux),E(Tx),E(ΔUx),E(σx)},该数据点为四维输入数据点,通过建立大小为t的滑动窗口,完成对所有同一型号车辆中符合要求的车辆网数据中信息熵特征数据的提取,建立训练数据集。
可选地,根据训练数据集进行模型训练,建立电池组一致性分析模型,包括:获取预设异常检测模型;采用训练数据集对预设异常检测模型进行训练,通过调整预设异常检测模型的参数,使预设异常检测模型对训练数据集的预测结果收敛,预设异常检测模型对该训练数据集的预测准确度最优,得到电池组一致性分析模型。
其中,预设异常检测模型可包括One-Class-SVM算法模型。
具体地,由于训练数据集中表征电池组一致性异常的数据量少,One-Class-SVM算法的核心在于基于训练数据集建立表征电池组一致性良好的数据点的超平面,落入超平面范围内的数据为正样本,即电池组一致性良好;否则,电池组一致性异常。
实施例二
基于上述实施例,本发明实施例二还提供了一种电池组一致性分析方法,
图4是本发明实施例二提供一种电池组一致性分析方法的流程图。
如图4所示,该电池组一致性分析方法包括以下步骤:
步骤S10:目标车辆获取实时电池性能参数。
其中,目标车辆指待执行电池组一致性分析的车辆。
可选地,目标车辆采用车端电池管理系统采集的单体电芯的电池温度、电池电压等实时电池性能参数。
步骤S20:目标车辆将实时电池性能参数上传至云端服务器。
在本步骤中,目标车辆通过车联网系统接入云端服务器,进行电池性能参数提取形成数据流,经车辆T-box(telematics Box,远程通讯箱)将提取得到的实时数据流上传至云端服务器。
步骤S30:获取基于上述建模方法建立的电池组一致性分析模型。
步骤S40:将电池组一致性分析模型部署到云端服务器和/或边缘端。
在本步骤中,电池组一致性分析模型的部署位置可为云端和/或边缘端(即目标车辆所在的车端),若电池组一致性分析模型部署在云端服务器,则云端服务器还需要收集目标车辆的实时电池性能参数数据流,将实时数据流接入模型进行电池组一致性评估;若电池组一致性分析模型部署在边缘端(即目标车辆所在的车端),则可通过车云融合的方式实现,将训练好的电池组一致性分析模型部署到边缘端,直接采用车端控制器获取实时电池性能参数进行电池组一致性评估。
步骤S50:采用云端服务器和/或边缘端的电池组一致性分析模型对目标车辆的实时电池性能参数进行分析,得到模型返回值。
可选地,在对目标车辆的实时电池性能参数进行分析之前,可采用与上述实施例中的步骤S2至步骤S4相同的方法,对实时电池性能参数进行数据清洗预处理,基于预处理后的实时数据提取等时间间隔的时序数据,基于时序数据进行特征工程,构建输入数据集,基于实时电池性能参数构建的输入数据集接入到上述电池组一致性分析模型,得到模型返回值。
步骤S60:根据模型返回值确定目标车辆的电池组一致性分析结果。
具体地,以模型部署到云端服务器为例,云端服务器实时获取目标车辆的实时电池性能参数,基于FLINK流式处理框架,对实时电池性能参数进行数据清洗预处理、时序数据提取及特征工程,构建输入数据集,将该输入数据集接入到上述电池组一致性分析模型,模型根据输入数据输出返回值,该返回值可用于表征电池组一致性,实现电池组一致性的在线实时评估。
本发明通过车联网数据和机器学习算法建立兼容不同工况、不同类型车辆的电池组一致性分析模型,不需要试验室试验数据支撑,同时使用当前时刻特征参数和时序数据特征参数的信息熵组成的n维空间数据点,作为机器学习中异常检测算法的数据输入,有利于改善一致性分析结果的实时性和准确性。
可选地,可设置电池组一致性分析模型的返回值与电池组一致性程度正相关。
示例性地,根据模型返回值确定目标车辆的电池组一致性分析结果,可采用表一所示电池组一致性程度与返回值对照表:
结合表一所示,设置参数c<b<a<0,参数a、b和c的具体数值可根据经验进行设定。若模型的返回值大于等于0小于等于1,则判定电池组一致性程度正常;若模型的返回值大于等于a小于0,则判定电池组一致性发生一般程度异常;若模型的返回值大于等于b小于a,则判定电池组一致性发生中等程度异常;若模型的返回值大于等于c小于b,则判定电池组一致性发生危险程度异常。
示例性地,可设置上述参数a=-3.24,b=-4.68,c=-4.96。
由此,本发明通过设置模型返回值与电池组一致性程度之间的关联关系,根据模型返回值确定电池组不一致性的程度,有利于提高一致性评估结果准确性。
实施例三
基于上述实施例,本发明实施例三还提供了一种电池组一致性分析模型的建模装置,本发明实施例所提供的电池组一致性分析模型的建模装置可执行本发明任意实施例所提供的电池组一致性分析模型的建模方法,具备执行方法相应的功能模块和有益效果。
图5是本发明实施例三提供的一种电池组一致性分析模型的建模装置的结构示意图。
如图5所示,该电池组一致性分析模型的建模装置00包括:数据采样单元101,用于基于车联网数据提取车辆的历史电池性能参数;数据预处理单元102,用于对历史电池性能参数进行数据清洗预处理,得到预处理数据集;时序数据提取单元103,用于基于预处理数据集中的数据确定等时间间隔的电池性能时序参数;特征选取单元104,用于根据电池性能时序参数进行电池组一致性特征选择,确定训练数据集;模型训练单元105,用于根据训练数据集进行模型训练,建立电池组一致性分析模型。
可选地,特征选取单元104用于基于电池性能时序参数获取任一采样时刻至少一个目标参数的参数均值、参数极差和参数标准差;计算任一目标采样时刻目标参数的参数信息熵;基于目标采样时刻建立目标滑动窗口;计算目标滑动窗口内目标参数的参数均值信息熵、参数极差信息熵和参数标准差信息熵;根据参数信息熵、参数均值信息熵、参数极差信息熵和参数标准差信息熵建立训练数据集。
可选地,模型训练单元105用于提取同一采样时刻的N个信息熵,N为大于等于1的正整数;根据N个信息熵建立N维输入数据点;根据不同采样时刻的N维输入数据点建立训练数据集。
可选地,模型训练单元105还用于采用训练数据集对预设异常检测模型进行训练,直至所述预设异常检测模型对所述训练数据集的预测结果收敛,得到电池组一致性分析模型。
可选地,数据清洗预处理,包括如下任一种或者多种组合:数据去重;时间戳异常数据剔除;或者,无效值剔除。
可选地,历史电池性能参数包括电池单体电压、测温点温度和电池单体内阻中的任一个或者多个组合。
实施例四
基于上述实施例,本发明实施例四还提供了一种计算机设备,用于执行上述电池组一致性分析模型的建模方法;和/或,执行上述电池组一致性分析方法,具备执行方法所需的功能模块及有益效果,不再赘述。
图6是本发明实施例四提供的一种计算机设备的结构示意图。图6示出了适于用来实现本发明实施方式的示例性计算机设备12的框图。图6显示的计算机设备12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示,计算机设备12以通用计算设备的形式表现。计算机设备12可以包括但不限于:一个或者多个处理器16,系统存储器28,连接不同系统组件(包括系统存储器28和处理器16)的总线18,及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时实现上述电池组一致性分析模型的建模方法;和/或,实现上述电池组一致性分析方法。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图6未显示,通常称为“硬盘驱动器”)。尽管图6中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该计算机设备12交互的设备通信,和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白,尽管图中未示出,可以结合计算机设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理器16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的电池组一致性分析模型的建模方法,和/或,实现本发明实施例所提供的电池组一致性分析方法。
实施例五
本发明实施例五还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述电池组一致性分析模型的建模方法;和/或,实现上述电池组一致性分析方法。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种电池组一致性分析模型的建模方法,其特征在于,包括以下步骤:
基于车联网数据提取车辆的历史电池性能参数;
对所述历史电池性能参数进行数据清洗预处理,得到预处理数据集;
基于所述预处理数据集中的数据确定等时间间隔的电池性能时序参数;
根据所述电池性能时序参数进行电池组一致性特征选择,确定训练数据集;
根据所述训练数据集进行模型训练,建立电池组一致性分析模型。
2.根据权利要求1所述的电池组一致性分析模型的建模方法,其特征在于,所述根据所述电池性能时序参数进行电池组一致性特征选择,包括以下步骤:
基于所述电池性能时序参数获取任一采样时刻至少一个目标参数的参数均值、参数极差和参数标准差;
计算任一目标采样时刻所述目标参数的参数信息熵;
基于所述目标采样时刻建立目标滑动窗口;
计算所述目标滑动窗口内所述目标参数的参数均值信息熵、参数极差信息熵和参数标准差信息熵;
根据所述参数信息熵、所述参数均值信息熵、所述参数极差信息熵和所述参数标准差信息熵建立训练数据集。
3.根据权利要求2所述的电池组一致性分析模型的建模方法,其特征在于,所述根据所述参数信息熵、所述参数均值信息熵、所述参数极差信息熵和所述参数标准差信息熵建立训练数据集,包括以下步骤:
提取同一采样时刻的N个信息熵,其中,N为大于等于1的正整数;
根据所述N个信息熵建立N维输入数据点;
根据不同采样时刻的所述N维输入数据点建立训练数据集。
4.根据权利要求1所述的电池组一致性分析模型的建模方法,其特征在于,所述根据所述训练数据集进行模型训练,建立电池组一致性分析模型,包括:
采用所述训练数据集对预设异常检测模型进行训练,直至所述预设异常检测模型对所述训练数据集的预测结果收敛,得到电池组一致性分析模型。
5.根据权利要求1所述的电池组一致性分析模型的建模方法,其特征在于,所述数据清洗预处理,包括如下任一种或者多种组合:
数据去重;
时间戳异常数据剔除;
或者,无效值剔除。
6.根据权利要求1所述的电池组一致性分析模型的建模方法,其特征在于,所述历史电池性能参数包括电池单体电压、测温点温度和电池单体内阻中的任一个或者多个组合。
7.一种电池组一致性分析方法,其特征在于,包括以下步骤:
获取基于权利要求1-6中任一项所述的建模方法建立的电池组一致性分析模型;
将所述电池组一致性分析模型部署到云端服务器和/或边缘端;
采用所述云端服务器和/或所述边缘端的电池组一致性分析模型对目标车辆的实时电池性能参数进行分析,得到模型返回值;
根据所述模型返回值确定所述目标车辆的电池组一致性分析结果。
8.一种电池组一致性分析模型的建模装置,其特征在于,包括:
数据采样单元,用于基于车联网数据提取车辆的历史电池性能参数;
数据预处理单元,用于对所述历史电池性能参数进行数据清洗预处理,得到预处理数据集;
时序数据提取单元,用于基于所述预处理数据集中的数据确定等时间间隔的电池性能时序参数;
特征选取单元,用于根据所述电池性能时序参数进行电池组一致性特征选择,确定训练数据集;
模型训练单元,用于根据所述训练数据集进行模型训练,建立电池组一致性分析模型。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-6中任一所述的电池组一致性分析模型的建模方法;
和/或,实现如权利要求7所述的电池组一致性分析方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-6中任一所述的电池组一致性分析模型的建模方法;
和/或,实现如权利要求7所述的电池组一致性分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111667998.7A CN114325405A (zh) | 2021-12-31 | 2021-12-31 | 电池组一致性分析方法、建模方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111667998.7A CN114325405A (zh) | 2021-12-31 | 2021-12-31 | 电池组一致性分析方法、建模方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114325405A true CN114325405A (zh) | 2022-04-12 |
Family
ID=81020140
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111667998.7A Pending CN114325405A (zh) | 2021-12-31 | 2021-12-31 | 电池组一致性分析方法、建模方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114325405A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114839556A (zh) * | 2022-05-10 | 2022-08-02 | 中国第一汽车股份有限公司 | 动力电池异常检测方法、装置、存储介质及电子装置 |
CN115149123A (zh) * | 2022-07-28 | 2022-10-04 | 上海玫克生储能科技有限公司 | 一种锂电池模组一致性分析方法、系统及存储介质 |
CN115544903A (zh) * | 2022-11-29 | 2022-12-30 | 深圳市菲尼基科技有限公司 | 基于大数据的电池数据处理方法、装置、设备及存储介质 |
-
2021
- 2021-12-31 CN CN202111667998.7A patent/CN114325405A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114839556A (zh) * | 2022-05-10 | 2022-08-02 | 中国第一汽车股份有限公司 | 动力电池异常检测方法、装置、存储介质及电子装置 |
CN115149123A (zh) * | 2022-07-28 | 2022-10-04 | 上海玫克生储能科技有限公司 | 一种锂电池模组一致性分析方法、系统及存储介质 |
CN115544903A (zh) * | 2022-11-29 | 2022-12-30 | 深圳市菲尼基科技有限公司 | 基于大数据的电池数据处理方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114325405A (zh) | 电池组一致性分析方法、建模方法、装置、设备及介质 | |
CN111459700B (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
CN107025153B (zh) | 磁盘的故障预测方法和装置 | |
CN111177714B (zh) | 异常行为检测方法、装置、计算机设备和存储介质 | |
CN111475680A (zh) | 检测异常高密子图的方法、装置、设备及存储介质 | |
WO2022001125A1 (zh) | 一种存储系统的存储故障预测方法、系统及装置 | |
CN109634820A (zh) | 一种云端移动端协同的故障预警方法、相关设备及系统 | |
CN111638988A (zh) | 一种基于深度学习的云主机故障智能预测方法 | |
US20230066703A1 (en) | Method for estimating structural vibration in real time | |
CN115204536A (zh) | 楼宇设备故障预测方法、装置、设备及存储介质 | |
CN112596964A (zh) | 磁盘故障的预测方法及装置 | |
CN114255784A (zh) | 一种基于声纹识别的变电站设备故障诊断方法及相关装置 | |
CN115184674A (zh) | 一种绝缘测试方法、装置、电子终端及存储介质 | |
CN115617784A (zh) | 一种信息化配电的数据处理系统及其处理方法 | |
CN116520068B (zh) | 一种电力数据的诊断方法、装置、设备及存储介质 | |
CN117110794A (zh) | 一种电缆故障智能诊断系统及方法 | |
CN111614504A (zh) | 基于时间序列和故障树分析的电网调控数据中心业务特性故障定位方法及系统 | |
JP6858798B2 (ja) | 特徴量生成装置、特徴量生成方法及びプログラム | |
CN110632519A (zh) | 燃料电池故障诊断方法和装置 | |
CN115878400A (zh) | 测试方法、装置、计算机设备、存储介质和程序产品 | |
Zhu et al. | A Performance Fault Diagnosis Method for SaaS Software Based on GBDT Algorithm. | |
CN116307787A (zh) | 一种基于指纹的服务器运维故障识别方法、定位方法 | |
CN111340349B (zh) | 产品可靠性评估方法、装置、计算机设备和存储介质 | |
CN114118208A (zh) | 基于多元信息的变压器故障判断方法、装置及电子设备 | |
CN113656354A (zh) | 日志分类方法、系统、计算机设备和可读存储介质 |
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 |