CN114895193A - 蓄电池状态监测方法及装置 - Google Patents
蓄电池状态监测方法及装置 Download PDFInfo
- Publication number
- CN114895193A CN114895193A CN202210581652.3A CN202210581652A CN114895193A CN 114895193 A CN114895193 A CN 114895193A CN 202210581652 A CN202210581652 A CN 202210581652A CN 114895193 A CN114895193 A CN 114895193A
- Authority
- CN
- China
- Prior art keywords
- monitored
- storage battery
- battery
- channel matrix
- state
- 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
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
-
- 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/4285—Testing apparatus
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Electrochemistry (AREA)
- General Engineering & Computer Science (AREA)
- General Chemical & Material Sciences (AREA)
- Computational Mathematics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Chemical & Material Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- Data Mining & Analysis (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Secondary Cells (AREA)
Abstract
本公开涉及蓄电池状态监测方法及装置、计算机可存储介质,涉及计算机技术领域。蓄电池状态监测方法包括:获取待监测蓄电池在当前时间段的多维特征参数的参数值;将所述待监测蓄电池的多维特征参数的参数值转化为所述待监测蓄电池的多通道矩阵;根据所述待监测蓄电池的多通道矩阵,利用神经网络模型模型,确定所述待监测蓄电池所处状态,其中,所述状态包括正常状态或异常状态。根据本公开,既有利于延长蓄电池的实际使用寿命,又可以保证数据中心的供电安全。
Description
技术领域
本公开涉及计算机技术领域,特别涉及蓄电池状态监测方法及装置、计算机可存储介质。
背景技术
蓄电池作为后备电源,因其体积小、重量轻、放电性能高、安全可靠、维护量少等优点,普遍应用于UPS(Uninterruptible Power Supply,不间断电源)、通信电源、电力直流系统等场合。
蓄电池组早期失效的主要原因是蓄电池组中有劣化单体电池的出现,使得蓄电池组各单体电池的产生不一致性,随着电池不断的充放电,单体电池之间的差异不断增大,最终导致蓄电池组因个别单体的早期失效无法正常工作。此外,劣化电池将首先影响它附近的单体电池,并逐步扩散最后导致整组电池不能正常工作,严重影响到关键设备的供电安全和紧急情况下的供电安全。因此,数据中心UPS蓄电池的健康监测尤为重要。目前,缺乏有效的电池状态监测手段。
发明内容
相关技术中,由于缺乏有效的电池状态监测手段,数据中心UPS蓄电池在实际使用中远远达不到额定使用寿命,经常出现供电能力不足的问题
针对上述技术问题,本公开提出了一种解决方案,既有利于延长蓄电池的实际使用寿命,又可以保证数据中心的供电安全。
根据本公开的第一方面,提供了一种蓄电池状态监测方法,包括:获取待监测蓄电池在当前时间段的多维特征参数的参数值;将所述待监测蓄电池的多维特征参数的参数值转化为所述待监测蓄电池的多通道矩阵;根据所述待监测蓄电池的多通道矩阵,利用神经网络模型模型,确定所述待监测蓄电池所处状态,其中,所述状态包括正常状态或异常状态。
在一些实施例中,所述待监测蓄电池的多通道矩阵中的每个通道矩阵表征不同维度特征参数之间的关联关系,每个通道矩阵的元素值由不同维度特征参数的参数值构成。
在一些实施例中,所述多维特征参数包括所述待监测蓄电池在所述当前时间段的多个目标电压、多个目标电流和多个目标温度。
在一些实施例中,所述待监测蓄电池的多通道矩阵包括第一通道矩阵、第二通道矩阵和第三通道矩阵,所述第一通道矩阵表征所述多个目标电压和所述多个目标电流之间的关联关系,所述第二通道矩阵表征所述多个目标电压和所述多个目标温度之间的关联关系,所述第三通道矩阵表征所述多个目标电流和所述多个目标温度之间的关联关系。
在一些实施例中,不同目标电压反映不同的电压特征,不同目标电流反映不同的电流特征,不同目标温度反映不同的温度特征。
在一些实施例中,所述目标电压包括所述待监测蓄电池在所述当前时间段的谷底电压和峰值电压;和/或所述目标电流包括所述待监测蓄电池在所述当前时间段的谷底电流和峰值电流;和/或所述目标温度包括所述待监测蓄电池在所述当前时间段的谷底温度和峰值温度。
在一些实施例中,将所述待监测蓄电池的多维特征参数的参数值转化为所述待监测蓄电池的多通道矩阵包括:对所述待监测蓄电池的多维特征参数的参数值进行标准化,得到所述待监测蓄电池的标准化参数值;将所述待监测蓄电池的多维特征参数的标准化参数值转化为所述待监测蓄电池的多通道矩阵。
在一些实施例中,状态监测方法,还包括:获取训练数据,其中,所述训练数据包括多个参考蓄电池在参考时间段的多维特征参数的参数值以及每个参考蓄电池在每个参考时间段的状态标签,所述状态标签包括第一标签和第二标签,所述第一标签表征正常状态,所述第二标签表征异常状态;将每个参考蓄电池在每个参考时间段的多维特征参数的参数值转化为所述每个参考蓄电池在每个参考时间段的多通道矩阵;根据每个参考蓄电池在每个参考时间段的多通道矩阵及其对应的状态标签,训练所述神经网络模型模型。
根据本公开第二方面,提供了一种蓄电池状态监测装置,包括:获取模块,被配置为获取待监测蓄电池在当前时间段的多维特征参数的参数值;转化模块,被配置为将所述待监测蓄电池的多维特征参数的参数值转化为所述待监测蓄电池的多通道矩阵;确定模块,被配置为根据所述待监测蓄电池的多通道矩阵,利用神经网络模型模型,确定所述待监测蓄电池所处状态,其中,所述状态包括正常状态或异常状态。
根据本公开第三方面,提供了一种蓄电池状态监测装置,包括:存储器;以及耦接至所述存储器的处理器,所述处理器被配置为基于存储在所述存储器的指令,执行上述任一实施例所述的蓄电池状态监测方法。
根据本公开的第四方面,提供了一种计算机可存储介质,其上存储有计算机程序指令,该指令被处理器执行时实现上述任一实施例所述的蓄电池状态监测方法。
在上述实施例中,既有利于延长蓄电池的实际使用寿命,又可以保证数据中心的供电安全。
附图说明
构成说明书的一部分的附图描述了本公开的实施例,并且连同说明书一起用于解释本公开的原理。
参照附图,根据下面的详细描述,可以更加清楚地理解本公开,其中:
图1是示出根据本公开一些实施例的蓄电池状态监测方法的流程图;
图2是示出根据本公开一些实施例的蓄电池状态监测装置的框图;
图3是示出根据本公开另一些实施例的蓄电池状态监测装置的框图;
图4是示出用于实现本公开一些实施例的计算机系统的框图。
具体实施方式
现在将参照附图来详细描述本公开的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本公开及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它示例可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
图1是示出根据本公开一些实施例的蓄电池状态监测方法的流程图。
如图1所示,蓄电池状态监测方法包括:步骤S110,获取待监测蓄电池在当前时间段的多维特征参数的参数值;步骤S120,将待监测蓄电池的多维特征参数的参数值转化为待监测蓄电池的多通道矩阵;和步骤S130,根据待监测蓄电池的多通道矩阵,利用神经网络模型模型,确定待监测蓄电池所处状态,其中,状态包括正常状态或异常状态。
在上述实施例中,通过将待监测蓄电池的多维特征参数的参数值转化为多通道矩阵,利用神经网络模型模型对多通道矩阵进行特征学习,来学习待监测蓄电池在当前时间段的参数特征,从而预测待监测蓄电池所处的状态,以达到监测蓄电池的健康状态的目的。通过这种方式,可以充分学习蓄电池在当前时间段的内在特征,可以及时发现劣化单体电池,既有利于延长蓄电池的实际使用寿命,又可以保证数据中心的供电安全。多通道矩阵的转化使得蓄电池的多维特征参数能够像图像的多通道矩阵一样表示,从而可以充分发挥神经网络对图像特征处理的优势,使得神经网络模型充分学习蓄电池的内在特征。利用神经网络模型进行监测的自动化程度较高。
在步骤S110中,获取待监测蓄电池在当前时间段的多维特征参数的参数值。例如,通过数据采集技术,获取待监测蓄电池在当前时间段的多维特征参数的参数值。
在一些实施例中,多维特征参数包括待监测蓄电池在当前时间段的多个目标电压、多个目标电流和多个目标温度。在一些实施例中,不同目标电压反映不同的电压特征,不同目标电流反映不同的电流特征,不同目标温度反映不同的温度特征。
在一些实施例中,目标电压包括待监测蓄电池在当前时间段的谷底电压和峰值电压;和/或目标电流包括待监测蓄电池在当前时间段的谷底电流和峰值电流;和/或目标温度包括待监测蓄电池在当前时间段的谷底温度和峰值温度。
以目标电压包括谷底电压Ut和峰值电压Up、目标电流包括谷底电流It和峰值电流Ip、目标温度包括谷底温度Tt和峰值温度Tp为例,多维特征参数的参数值可以表示为向量(Ut,It,Tt,Up,Ip,Tp)。
在步骤S120中,将待监测蓄电池的多维特征参数的参数值转化为待监测蓄电池的多通道矩阵。在一些实施例中,待监测蓄电池的多通道矩阵中的每个通道矩阵表征不同维度特征参数之间的关联关系,每个通道矩阵的元素值由不同维度特征参数的参数值构成。
在一些实施例中,所述多通道矩阵包括第一通道矩阵、第二通道矩阵和第三通道矩阵,所述第一通道矩阵表征所述多个目标电压和所述多个目标电流之间的关联关系,所述第二通道矩阵表征所述多个目标电压和所述多个目标温度之间的关联关系,所述第三通道矩阵表征所述多个目标电流和所述多个目标温度之间的关联关系。
以目标电压包括谷底电压Ut和峰值电压Up、目标电流包括谷底电流It和峰值电流Ip、目标温度包括谷底温度Tt和峰值温度Tp为例,第一通道矩阵的元素值由(Ut,It)、(Ut,Ip)、(Up,Ip)和(Up,It)构成,第二通道矩阵的元素值由(Ut,Tt)、(Ut,Tp)、(Up,Tp)和(Up,Tt)构成,第三通道矩阵的元素值由(It,Tt)、(It,Tp)、(Ip,Tp)和(Ip,Tt)构成。元素值(Ut,It)也可以是(It,Ut),其他元素值的表示也可以参照这种方式进行调整。多通道矩阵可以表示为(U,I,T)。
在一些实施例中,可以通过如下方式实现上述步骤S120。
首先,对待监测蓄电池的多维特征参数的参数值进行标准化,得到待监测蓄电池的标准化参数值。在一些实施例中,通过对待监测蓄电池的多维特征参数的参数值进行归一化,得到标准化参数值。例如,标准化参数值的取值范围为0~1。通过标准化,可以消除不同类型参数之间的量纲影响,提高状态监测的准确性,从而进一步提高数据中心的供电安全。
然后,将待监测蓄电池的多维特征参数的标准化参数值转化为待监测蓄电池的多通道矩阵。
在步骤S130中,根据待监测蓄电池的多通道矩阵,利用神经网络模型模型,确定待监测蓄电池所处状态。状态包括正常状态或异常状态。在一些实施例中,将待监测蓄电池的多通道矩阵输入到神经网络模型模型中,得到预测结果,并根据预测结果,确定待监测蓄电池所处状态。例如,预测结果可以是表征待监测蓄电池所处状态的状态标签,也可以是状态本身。
在一些实施例中,神经网络模型包括但不限于卷积神经网络(ConvolutionalNeural Network,CNN)模型及其衍生体。
在一些实施例中,在利用神经网络模型模型确定待监测蓄电池所处状态之前,还可以对神经网络模型模型进行训练。
首先,获取训练数据。训练数据包括多个参考蓄电池在参考时间段的多维特征参数的参数值以及每个参考蓄电池在每个参考时间段的状态标签。状态标签包括第一标签和第二标签。第一标签表征正常状态,第二标签表征异常状态。在一些实施例中,第一标签为正标签,第二标签为负标签。
在一些实施例中,每个参考蓄电池可以具有一个参考时间段的多维特征参数的参数值,也可以具有多个参考时间段的多维特征参数的参数值。例如,不同参考蓄电池的参考时间段可以完全相同,也可以完全不同,还可以部分相同。
然后,将每个参考蓄电池在每个参考时间段的多维特征参数的参数值转化为每个参考蓄电池在每个参考时间段的多通道矩阵。转化过程可以参考上述对步骤S120的描述。
最后,根据每个参考蓄电池在每个参考时间段的多通道矩阵及其对应的状态标签,训练神经网络模型模型。
在一些实施例中,在初始状态下,初始化神经网络模型模型的权重矩阵W和偏置矩阵ξ。神经网络模型的输出层为softmax层。在训练过程中,神经网络模型模型通过前向传播更新损失函数各个梯度以及权重矩阵和偏置矩阵,直到损失函数小于预设阈值ρ的情况下,完成训练。
在一些实施例中,在确定待监测蓄电池所处状态后,展示待监测蓄电池所处状态。通过可视化展示待监测蓄电池所处状态,可以作为运维人员等相关人员对蓄电池执行运维操作的参考。
图2是示出根据本公开一些实施例的蓄电池状态监测装置的框图。
如图2所示,蓄电池状态监测装置2包括获取模块21、转化模块22和确定模块23。
获取模块21被配置为获取待监测蓄电池在当前时间段的多维特征参数的参数值,例如执行如图1所示的步骤S110。
转化模块22被配置为将待监测蓄电池的多维特征参数的参数值转化为待监测蓄电池的多通道矩阵,例如执行如图1所示的步骤S120。
确定模块23被配置为根据待监测蓄电池的多通道矩阵,利用神经网络模型模型,确定待监测蓄电池所处状态,其中,状态包括正常状态或异常状态,例如执行如图1所示的步骤S130。
在一些实施例中,蓄电池状态监测装置2还包括显示模块24。显示模块24被配置为显示或展示待监测蓄电池所处状态。
图3是示出根据本公开另一些实施例的蓄电池状态监测装置的框图。
如图3所示,蓄电池状态监测装置3包括存储器31;以及耦接至该存储器31的处理器32。存储器31用于存储执行蓄电池状态监测方法对应实施例的指令。处理器32被配置为基于存储在存储器31中的指令,执行本公开中任意一些实施例中的蓄电池状态监测方法。
图4是示出用于实现本公开一些实施例的计算机系统的框图。
如图4所示,计算机系统40可以通用计算设备的形式表现。计算机系统40包括存储器410、处理器420和连接不同系统组件的总线400。
存储器410例如可以包括系统存储器、非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序(Boot Loader)以及其他程序等。系统存储器可以包括易失性存储介质,例如随机存取存储器(RAM)和/或高速缓存存储器。非易失性存储介质例如存储有执行蓄电池状态监测方法对应实施例的指令。非易失性存储介质包括但不限于磁盘存储器、光学存储器、闪存等。
处理器420可以用通用处理器、数字信号处理器(DSP)、应用专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑设备、分立门或晶体管等分立硬件组件方式来实现。相应地,诸如判断模块和确定模块的每个模块,可以通过中央处理器(CPU)运行存储器中执行相应步骤的指令来实现,也可以通过执行相应步骤的专用电路来实现。
总线400可以使用多种总线结构中的任意总线结构。例如,总线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(MCA)总线、外围组件互连(PCI)总线。
计算机系统40还可以包括输入输出接口430、网络接口440、存储接口450等。这些接口430、440、450以及存储器410和处理器420之间可以通过总线400连接。输入输出接口430可以为显示器、鼠标、键盘等输入输出设备提供连接接口。网络接口440为各种联网设备提供连接接口。存储接口450为软盘、U盘、SD卡等外部存储设备提供连接接口。
这里,参照根据本公开实施例的方法、装置和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个框以及各框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可提供到通用计算机、专用计算机或其他可编程装置的处理器,以产生一个机器,使得通过处理器执行指令产生实现在流程图和/或框图中一个或多个框中指定的功能的装置。
这些计算机可读程序指令也可存储在计算机可读存储器中,这些指令使得计算机以特定方式工作,从而产生一个制造品,包括实现在流程图和/或框图中一个或多个框中指定的功能的指令。
本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。
通过上述实施例中的蓄电池状态监测方法及装置、计算机可存储介质,既有利于延长蓄电池的实际使用寿命,又可以保证数据中心的供电安全。
至此,已经详细描述了根据本公开的数据传输方法及装置、计算机可存储介质。为了避免遮蔽本公开的构思,没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述,完全可以明白如何实施这里公开的技术方案。
Claims (11)
1.一种蓄电池状态监测方法,包括:
获取待监测蓄电池在当前时间段的多维特征参数的参数值;
将所述待监测蓄电池的多维特征参数的参数值转化为所述待监测蓄电池的多通道矩阵;
根据所述待监测蓄电池的多通道矩阵,利用神经网络模型模型,确定所述待监测蓄电池所处状态,其中,所述状态包括正常状态或异常状态。
2.根据权利要求1所述的状态监测方法,其中,所述待监测蓄电池的多通道矩阵中的每个通道矩阵表征不同维度特征参数之间的关联关系,每个通道矩阵的元素值由不同维度特征参数的参数值构成。
3.根据权利要求1或2所述的状态监测方法,其中,所述多维特征参数包括所述待监测蓄电池在所述当前时间段的多个目标电压、多个目标电流和多个目标温度。
4.根据权利要求3所述的状态监测方法,其中,所述待监测蓄电池的多通道矩阵包括第一通道矩阵、第二通道矩阵和第三通道矩阵,所述第一通道矩阵表征所述多个目标电压和所述多个目标电流之间的关联关系,所述第二通道矩阵表征所述多个目标电压和所述多个目标温度之间的关联关系,所述第三通道矩阵表征所述多个目标电流和所述多个目标温度之间的关联关系。
5.根据权利要求3所述的状态监测方法,其中,不同目标电压反映不同的电压特征,不同目标电流反映不同的电流特征,不同目标温度反映不同的温度特征。
6.根据权利要求3所述的状态监测方法,其中,所述目标电压包括所述待监测蓄电池在所述当前时间段的谷底电压和峰值电压;和/或
所述目标电流包括所述待监测蓄电池在所述当前时间段的谷底电流和峰值电流;和/或
所述目标温度包括所述待监测蓄电池在所述当前时间段的谷底温度和峰值温度。
7.根据权利要求1或2所述的状态监测方法,其中,将所述待监测蓄电池的多维特征参数的参数值转化为所述待监测蓄电池的多通道矩阵包括:
对所述待监测蓄电池的多维特征参数的参数值进行标准化,得到所述待监测蓄电池的标准化参数值;
将所述待监测蓄电池的多维特征参数的标准化参数值转化为所述待监测蓄电池的多通道矩阵。
8.根据权利要求1所述的状态监测方法,还包括:
获取训练数据,其中,所述训练数据包括多个参考蓄电池在参考时间段的多维特征参数的参数值以及每个参考蓄电池在每个参考时间段的状态标签,所述状态标签包括第一标签和第二标签,所述第一标签表征正常状态,所述第二标签表征异常状态;
将每个参考蓄电池在每个参考时间段的多维特征参数的参数值转化为所述每个参考蓄电池在每个参考时间段的多通道矩阵;
根据每个参考蓄电池在每个参考时间段的多通道矩阵及其对应的状态标签,训练所述神经网络模型模型。
9.一种蓄电池状态监测装置,包括:
获取模块,被配置为获取待监测蓄电池在当前时间段的多维特征参数的参数值;
转化模块,被配置为将所述待监测蓄电池的多维特征参数的参数值转化为所述待监测蓄电池的多通道矩阵;
确定模块,被配置为根据所述待监测蓄电池的多通道矩阵,利用神经网络模型模型,确定所述待监测蓄电池所处状态,其中,所述状态包括正常状态或异常状态。
10.一种蓄电池状态监测装置,包括:
存储器;以及
耦接至所述存储器的处理器,所述处理器被配置为基于存储在所述存储器的指令,执行如权利要求1至8任一项所述的蓄电池状态监测方法。
11.一种计算机可存储介质,其上存储有计算机程序指令,该指令被处理器执行时实现如权利要求1至8任一项所述的蓄电池状态监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210581652.3A CN114895193A (zh) | 2022-05-26 | 2022-05-26 | 蓄电池状态监测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210581652.3A CN114895193A (zh) | 2022-05-26 | 2022-05-26 | 蓄电池状态监测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114895193A true CN114895193A (zh) | 2022-08-12 |
Family
ID=82726446
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210581652.3A Pending CN114895193A (zh) | 2022-05-26 | 2022-05-26 | 蓄电池状态监测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114895193A (zh) |
-
2022
- 2022-05-26 CN CN202210581652.3A patent/CN114895193A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11408942B2 (en) | Method for predicting service life of retired power battery | |
KR20210116801A (ko) | 신경망 기반의 배터리 잔존 수명 예측 방법 및 장치 | |
US20230118702A1 (en) | Method, device and computer readable storage medium for estimating SOC of lithium battery | |
CN115951230B (zh) | 一种锂电池储能箱的异常检测方法及系统 | |
WO2023193388A1 (zh) | 一种存储系统供电过程中的故障定位方法、装置以及介质 | |
CN110824366A (zh) | 电池健康状态监测方法、装置及终端设备 | |
CN112666480A (zh) | 一种基于充电过程特征注意力的电池寿命预测方法 | |
CN109768340B (zh) | 一种电池放电过程电压不一致性估计方法及装置 | |
CN114325400B (zh) | 电池剩余寿命的确定方法、装置、电子设备及存储介质 | |
CN116500449A (zh) | 电芯温度预测方法、装置、存储介质及电子设备 | |
CN117207778B (zh) | 一种车辆部件无损检测方法及系统 | |
CN113487086A (zh) | 设备剩余使用寿命预测方法、装置、计算机设备和介质 | |
CN114895193A (zh) | 蓄电池状态监测方法及装置 | |
CN115327391B (zh) | 一种基于梯次利用电池的检测方法及装置 | |
CN117148166A (zh) | 电池安全等级预测方法、装置、计算机设备及存储介质 | |
CN116125279A (zh) | 一种电池健康状态的确定方法、装置、设备及存储介质 | |
CN116227127A (zh) | 变压器的性能确定方法、装置、计算机设备和存储介质 | |
WO2023142685A1 (zh) | 电池绝缘故障的预警方法、装置、系统和计算机设备 | |
CN118091423A (zh) | 一种电池储能系统故障预测方法、装置、设备和存储介质 | |
CN117556331B (zh) | 基于ai增强的空压机维护决策方法及系统 | |
US11977126B1 (en) | Systems and methods for state of health assessment in rechargeable batteries | |
TWI794787B (zh) | 線上電池壽命預測方法 | |
US20240006675A1 (en) | Determining a lithium-plating state of a battery, and related systems, devices and methods | |
CN116243192A (zh) | 一种电池寿命估算方法、装置及终端设备 | |
CN115656824A (zh) | 基于cnn-lstm模型的锂电池核电状态预测方法 |
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 |