CN114994547A - 基于深度学习和一致性检测的电池包安全状态评估方法 - Google Patents
基于深度学习和一致性检测的电池包安全状态评估方法 Download PDFInfo
- Publication number
- CN114994547A CN114994547A CN202210934890.8A CN202210934890A CN114994547A CN 114994547 A CN114994547 A CN 114994547A CN 202210934890 A CN202210934890 A CN 202210934890A CN 114994547 A CN114994547 A CN 114994547A
- Authority
- CN
- China
- Prior art keywords
- matrix
- battery
- battery pack
- consistency
- charging process
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 22
- 238000011156 evaluation Methods 0.000 title claims abstract description 22
- 238000001514 detection method Methods 0.000 title claims abstract description 18
- 239000011159 matrix material Substances 0.000 claims abstract description 98
- 238000000034 method Methods 0.000 claims abstract description 96
- 230000008569 process Effects 0.000 claims abstract description 74
- 238000012549 training Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 2
- 231100001267 hazard identification Toxicity 0.000 claims description 2
- 238000002372 labelling Methods 0.000 claims description 2
- 238000012512 characterization method Methods 0.000 claims 1
- 238000000513 principal component analysis Methods 0.000 description 22
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 8
- 238000003062 neural network model Methods 0.000 description 8
- 238000012805 post-processing Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011202 physical detection method Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06N3/09—Supervised learning
-
- 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
- G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
-
- 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]
- G01R31/389—Measuring internal impedance, internal conductance or related variables
-
- 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
-
- 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
本发明实施例公开了一种基于深度学习和一致性检测的电池包安全状态评估方法,包括:获取电池包中各单体电池在待识别充电过程中的电池参数;根据所述电池参数计算多组特征数据;由所述多组特征数据构成第一矩阵,计算所述第一矩阵的协方差矩阵;将所述协方差矩阵输入训练好的第一全连接层,以提取所述第一矩阵的主要成分,得到第二矩阵;用所述第一矩阵和所述第二矩阵相乘,得到第三矩阵;将所述第三矩阵输入串联的、训练好的多头自注意力层和分类层,识别所述充电过程是否存在单体电池一致性安全隐患。本实施例提高了识别准确性。
Description
技术领域
本发明实施例涉及人工智能领域,尤其涉及一种基于深度学习和一致性检测的电池包安全状态评估方法。
背景技术
近些年新能源汽车的崛起使得对电池的需求日益增加,而随着新能源汽车的大面积普及,电池起火等问题时有发生,引发了极大的安全问题,因此电池的安全状态评估变得愈发重要。
目前基于单体电池进行的电池安全预警的算法,都是基于电池当前时刻的充电电流电压曲线,判定电池是否安全。这种方法存在着实际工况复杂,电池老化程度不一等问题,导致电流电压曲线趋势不一致;同时,由于电池型号多种多样,搜集所有型号电池的充电时刻曲线成本过高。
发明内容
本发明实施例提供一种基于深度学习和一致性检测的电池包安全状态评估方法,通过基于深度学习的神经网络识别单体电池一致性安全隐患,提高了识别的准确性。
第一方面,本发明实施例提供了一种基于深度学习和一致性检测的电池包安全状态评估方法,包括:
S110、获取电池包中各单体电池在待识别充电过程中的电池参数;
S120、根据所述电池参数计算多组特征数据,其中,每组特征数据用于反映所述充电过程中一时段内各单体电池的一致性;
S130、由所述多组特征数据构成第一矩阵,计算所述第一矩阵的协方差矩阵;将所述协方差矩阵输入训练好的第一全连接层,以提取所述第一矩阵的主要成分,得到第二矩阵;用所述第一矩阵和所述第二矩阵相乘,得到第三矩阵;
S140、将所述第三矩阵输入串联的、训练好的多头自注意力层和分类层,识别所述充电过程是否存在单体电池一致性安全隐患,其中,所述训练好的多头自注意力层对所述第三矩阵进行全局相关性分析,所述训练好的分类层基于分析结果输出是否存在单体电池一致性安全隐患的分类结果。
第三方面,本发明实施例还提供了一种电子设备,所述电子设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现任一实施例所述的基于深度学习和一致性检测的电池包安全状态评估方法。
第四方面,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任一实施例所述的基于深度学习和一致性检测的电池包安全状态评估方法。
本发明实施例将单体电池一致性作为电池安全状态的评估指标,通过各单体电池在充电过程中的电池参数,判断是否存在单体电池一致性安全隐患。具体的,采用全连接层及其前处理过程和后处理过程,构建了一种改进的PCA算法,对特征数据进行主成分分析;然后采用基于深度学习的神经网络模型进一步提取各主成分的全局特征,最终得到反映各单体电池的一致性分类结果。整个过程在传统PCA算法的内部和外部均引入了基于深度学习的神经网络模型,既提高了主成分分析的准确性,减小了特定数据值对主成分分析结果的干扰;又增强了一致性隐患识别的准确性,充分发挥了神经网络模型计算快、准确度高的优势。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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是本发明实施例提供的一种基于深度学习和一致性检测的电池包安全状态评估方法的流程图。
图2是本发明实施例提供的一种单体电池一致性安全隐患的识别模型的示意图。
图3为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将对本发明的技术方案进行清楚、完整的描述。显然,所描述的实施例仅是本发明一部分实施例,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做出创造性劳动的前提下所得到的所有其它实施例,都属于本发明所保护的范围。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,还需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
鉴于现有技术中基于电流电压曲线判断电池安全性的种种缺陷,本发明基于单体电池一致性检测原理,提出一种电池包整体的安全状态评估方法。具体来说,电池包是由多块单体电池串并联组成的,而电池发生故障时往往是由其中某块单体电池造成的,而其他单体电池是安全的。对整个电池包内的单体电池进行一致性检测,若电池包内所有单体电池的特征一致,则可判定电池包是安全的;反之,则是有安全隐患的。
基于以上原理,图1是本发明实施例提供的一种基于深度学习和一致性检测的电池包安全状态评估方法的流程图。该方法适用于通过充电过程中的单体电池参数判断电池包是否存在一致性安全隐患的情况,由电子设备执行。如图1所示,该方法具体包括:
S110、获取电池包中各单体电池在待识别充电过程中的电池参数。
本实施例通过车联网大数据获取新能源汽车的电池包在一次充电过程中的电池参数。该电池参数包括以下参数中的至少一种:各单体电池的实时温度、电压、电流和内阻。可选的,由于电压波动、传感器异常等原因会产生噪音和无效数据,在获取实时电池参数后,通过使用卡尔曼滤波将其中的无效数据滤除。
S120、根据所述电池参数计算多组特征数据,其中,每组特征数据用于反映所述充电过程中一时段内各单体电池的一致性。
本步骤基于获取的电池参数,构建代表电池包安全性的特征数据。具体的,所述特征数据用于反映某一时段内各单体电池的一致性。可选的,首先,对相同量纲的所述电池参数进行零均值化。零均值化是指,采用一组数据减去该组数据的均值,作用是保证数据是均匀分布的,以避免出现不同样本数据分布不一致时导致的准确率降低的问题。在本实施例中,由于获取的电池参数包含温度、电压、电流、内阻等不同量纲,对所有数据整体进行零均值化将会造成不同量纲数据之间的干扰,使零均值化失去意义。因此,本步骤对相同量纲的电池参数进行零均值化,即对所有的温度数据进行零均值化,对所有的电压数据进行零均值化、对所有的电流数据进行零均值化,以及对所有的内阻数据进行零均值化。
然后,根据零均值化后的电池参数,计算多组特征数据。可选的,计算任意一种零均值化后的电池参数在任一时段内的平均值;根据所述平均值,计算所述时段对应的以下特征数据:所有单体电池的所述平均值的总和、平均值、标准差和中位数中的至少之一;和/或,不同电池单体的所述平均值的余弦距离的标准差和/或总和。此外,取任意一种零均值化后的电池参数在任一时段所属的充电过程中的初始值和/或总和,作为所述时段对应的一种或多种特征数据。优选的,最终构建了如表1中的30种特征数据反映充电过程各时段内单体电池的一致性。
表1
特征数据种类 | |
1 | 电池包中所有单体电池在充电过程中平均温度的平均值 |
2 | 电池包中所有单体电池在充电过程中平均温度的标准差 |
3 | 电池包中不同单体电池在充电过程中平均温度的余弦距离总和 |
4 | 电池包中不同单体电池在充电过程中平均温度的余弦距离标准差 |
5 | 电池包中所有单体电池在充电过程中平均温度的中位数 |
6 | 电池包中所有单体电池在充电过程中平均电压的平均数 |
7 | 电池包中所有单体电池在充电过程中平均电压的标准差 |
8 | 电池包中不同单体电池在充电过程中平均电压的余弦距离平均数 |
9 | 电池包中不同单体电池在充电过程中平均电压的余弦距离标准差 |
10 | 电池包中所有单体电池在充电过程中平均电压的中位数 |
11 | 电池包中所有单体电池在充电过程中平均电流的平均数 |
12 | 电池包中所有单体电池在充电过程中平均电流的标准差 |
13 | 电池包中不同单体电池在充电过程中平均电流的余弦距离平均数 |
14 | 电池包中不同单体电池在充电过程中平均电流的余弦距离标准差 |
15 | 电池包中所有单体电池在充电过程中平均电流的中位数 |
16 | 电池包中所有单体电池在充电过程中平均内阻的平均数 |
17 | 电池包中所有单体电池在充电过程中平均内阻的标准差 |
18 | 电池包中不同单体电池在充电过程中平均内阻的余弦距离平均数 |
19 | 电池包中不同单体电池在充电过程中平均内阻的余弦距离标准差 |
20 | 电池包中所有单体电池在充电过程中平均内阻的中位数 |
21 | 电池包中所有单体电池在完整一次充电过程中所用时间的平均数 |
22 | 电池包中所有单体电池在完整一次充电过程中所用时间的中位数 |
23 | 电池包中所有单体电池在完整一次充电过程中所用时间的标准差 |
24 | 电池包中不同单体电池在完整一次充电过程中所用时间的余弦距离平均数 |
25 | 电池包中不同单体电池在完整一次充电过程中所用时间的余弦距离标准差 |
26 | 电池包中所有单体电池初始充电电压中位数 |
27 | 电池包中所有单体电池初始充电电流中位数 |
28 | 电池包中所有单体电池初始充电内阻中位数 |
29 | 电池包中所有单体电池初始充电总电压 |
30 | 电池包中所有单体电池初始充电总电流 |
下面以表1中的个别种类为例,说明特征数据的计算过程。例如,一组特征数据中的第1种特征数据“电池包中所有单体电池在充电过程中平均温度的平均值”的计算过程包括:计算电池包中每个单体电池在该时段的平均温度,计算所有单体电池的所述平均温度的平均值;第4种特征数据“电池包中不同单体电池在充电过程中平均温度的余弦距离标准差”的计算过程包括:计算电池包中每个单体电池在该时段的平均温度,计算每两个单体电池的所述平均温度的余弦距离,计算所有余弦距离的标准差;第21种特征数据“电池包中所有单体电池在完整一次充电过程中所用时间的平均数”的计算过程包括:计算电池包中每个单体电池在待识别充电过程中的所用的充电时间,计算所有单体电池的所述充电时间的平均数;第29种特征数据“电池包中所有单体电池初始充电总电压”的计算过程包括:获取电池包中每个单体电池在待识别充电过程中的初始电压,计算所有单体电池的所述初始电压的总和。其余特征参数的计算过程类似,不再一一赘述。
S130、由所述多组特征数据构成第一矩阵,计算所述第一矩阵的协方差矩阵;将所述协方差矩阵输入训练好的第一全连接层,以提取所述第一矩阵的主要成分,得到第二矩阵;用所述第一矩阵和所述第二矩阵相乘,得到第三矩阵。
由于不同种类的特征数据间是耦合关联的,且包含大量的无效信息,本步骤对构建的多种特征数据进行PCA(Principal Component Analysis,主成分分析),在降低运算量的同时保留主要信息。传统的PCA方法包括如下步骤:
2)求解协方差矩阵C的特征值及对应的特征向量;
3)将特征向量按对应特征值的大小从上到下按行排列成矩阵,取前k行组成矩阵P;
4)求解降维后的数据矩阵:Y=PX。
传统的PCA方法以前k行特征向量为原始数据的主要成分,保留了原始数据矩阵中的主要信息,但该主要信息反映的是该原始数据矩阵的数值统计特征,不一定适用于所有数据矩阵。对于数据种类相同、而数据值不同的其它数据矩阵而言,有可能舍弃了一些看似无用但是重要的信息维度。对此,本申请对传统的PCA算法进行了改进,将协方差矩阵与基于深度学习的神经网络模型联合,来提取多种特征数据中的主要信息维度。
具体来说,首先,由所述多组特征数据构成第一矩阵,并计算所述第一矩阵的协方
差矩阵。以表1所示的特征数据种类为例,假设S120中构建了N组特征数据,对应充电过程中
的N个时段,其中,N为自然数,且所述N个时段可以相互独立,也可以互相重合,本实施例不
作限制。则由N组特征数据构成30×N的第一矩阵X;计算第一矩阵的协方差矩阵
,其中,C为30×30的矩阵。
然后,将协方差矩阵输入训练好的第一全连接层进行降维,以提取所述第一矩阵
的主要成分,得到第二矩阵。由于全连接层能够对矩阵进行全局运算,捕捉全局特征,因此
可以达到利用全连接层达到主成分分析的目的,在保留主要成分的同时实现数据降维。具
体的,通过设置第一全连接层的参数,可以得到k×30第二矩阵,该矩阵等同于传统PCA方
法中由前k行特征向量及其对应的特征值相乘得到的矩阵P,包括了第一矩阵中的主要信息
维度。值得一提的是,这里得到的主要信息维度有可能是传统PCA方法得到的30个特征向量
中的k个特征向量,也可能是30个特征向量融合后得到的k个新的信息维度,无论哪种情况,
它们都代表了第一矩阵中的主要维度信息。并且,由于第一全连接层是通过大量数据样本
训练得到的(具体的训练过程将在后续实施例中详细说明),因此这里的提取的主要信息维
度与大量数据样本相适配,能够反映数据种类相同、而数据值不同的大部分数据矩阵的共
性特征,受当前第一矩阵的数据值影响较小,更不容易遗漏重要的信息维度。
可以看出,整个S130在第一全连接层的前后分别增加了计算协方差矩阵的前处理过程,以及与第一矩阵相乘的后处理过程,使得第一全连接层及其前处理和后处理过程共同构成一种改进的PCA算法,相应的,第一全连接层的输出即具备了特征数据主成分的物理含义。与传统的PCA算法相比,本实施例的方法提取的主成分受特定数据值的影响小,避免了遗漏主要信息维度;与直接将第一矩阵输入全连接层进行降维相比,本实施例的降维过程直接以第一矩阵的主成分为提取目标,信息维度的可解释性更强,且在训练过程中的收敛速度更快。
S140、将所述第三矩阵输入串联的、训练好的多头自注意力层和分类层,识别所述充电过程是否存在单体电池一致性安全隐患,其中,所述训练好的多头自注意力层对所述第三矩阵进行全局相关性分析,所述训练好的分类层基于分析结果输出是否存在单体电池一致性安全隐患的分类结果。
多头自注意力层用于对第三矩阵全局相关性分析,提取第三矩阵的全局特征。与利用卷积层进行相关性分析相比,卷积层进行的是局部运算,只能提取相邻信息维度之间的相关性;而多头自注意力层进行的是全局运算,能够提取任意两个信息维度之间的相关性,有利于排除不同信息维度的排列顺序对提取全局特征的干扰。由于本实施例中各主要信息维度之间位置关联性尚不明确,因此尤其适合利用多头自注意力层提取第三矩阵的全局特征。
分类层基于分析结果(即第三矩阵的全局特征)输出是否存在单体电池一致性安全隐患的分类结果。具体的,如果输出为1,表明存在单体电池一致性安全隐患;如果输出为0,表明不存在单体电池一致性安全隐患。可选的,所述分类层包括第二全连接层和sigmoid函数;所述第二全连接层用于对分析结果对所述分析结果进行降维,得到1×1的输出;所述sigmoid函数对降维后的分析结果进行分类,得到1或0的分类结果。
本实施例将单体电池一致性作为电池安全状态的评估指标,通过各单体电池在充电过程中的电池参数,判断是否存在单体电池一致性安全隐患。具体的,采用全连接层及其前处理过程和后处理过程,构建了一种改进的PCA算法,对特征数据进行主成分分析;然后采用基于深度学习的神经网络模型进一步提取各主成分的全局特征,最终得到反映各单体电池的一致性分类结果。整个过程在传统PCA算法的内部和外部均引入了基于深度学习的神经网络模型,既提高了主成分分析的准确性,减小了特定数据值对主成分分析结果的干扰;又增强了一致性隐患识别的准确性,充分发挥了神经网络模型计算快、准确度高的优势。
在上述实施例和下述实施例的基础上,本实施例将S130和S140组成的数据处理过程作为单体电池一致性安全隐患的识别模型,如图2所示,其中,协方差矩阵计算模块用于计算第一矩阵的协方差矩阵,相乘模块用于将第一矩阵和第二矩阵相乘。下面对该识别模型的训练过程进行细化。可选的,在由所述多组特征数据构成第一矩阵,计算所述第一矩阵的协方差矩阵之前,还包括:
步骤一、获取电池包中各单体电池在多次充电过程中的电池参数。此处的电池包为任意的一个或多个电池包,电池参数的种类与S110中一致。
步骤二、根据所述电池参数构建多个样本,其中,每个样本包括一次充电过程中的多组特征数据,每组特征数据用于反映对应的充电过程中一时段内各单体电池的一致性。本步骤中的每个样本中的特征数据组数N和特征数据种类(如表1中的30种特征数据)均与S120中的多组特征数据一致。
步骤三、对每个样本对应的充电过程是否存在单体电池一致性安全隐患进行标注。具体的,存在一致性安全隐患标注为1,不存在一致性安全隐患标注为0。
步骤四、将每个样本构成的第一矩阵输入由S130和S140组成的安全隐患识别模型(即图2中的安全隐患识别模型)中,对所述模型中的第一全连接层、多头自注意力层和分类层进行训练,使所述模型的输出不断逼近每个训练样本的标注结果。训练好的所述模型即可用于进行安全隐患识别。
本实施例将改进后的PCA方法,以及基于主成分判断一致性的神经网络模型作为整体的识别模型,进行全局训练。这时只需要标注某一充电过程中是否存在一致性安全隐患,无需对特征数据的主成分维度进行标注,增强了方法的可实现性。事实上,对于主成分维度进行标注是很难实现的,而一致性安全隐患的标注却可以通过现有的物理检测方法方便的实现,大大减小了训练难度。
图3为本发明实施例提供的一种电子设备的结构示意图,如图3所示,该设备包括处理器60、存储器61、输入装置62和输出装置63;设备中处理器60的数量可以是一个或多个,图3中以一个处理器60为例;设备中的处理器60、存储器61、输入装置62和输出装置63可以通过总线或其他方式连接,图3中以通过总线连接为例。
存储器61作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的基于深度学习和一致性检测的电池包安全状态评估方法对应的程序指令/模块。处理器60通过运行存储在存储器61中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述的基于深度学习和一致性检测的电池包安全状态评估方法。
存储器61可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器61可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器61可进一步包括相对于处理器60远程设置的存储器,这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置62可用于接收输入的数字或字符信息,以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置63可包括显示屏等显示设备。
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任一实施例的基于深度学习和一致性检测的电池包安全状态评估方法。
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,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)。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各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:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部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各实施例技术方案。
Claims (9)
1.一种基于深度学习和一致性检测的电池包安全状态评估方法,其特征在于,包括:
S110、获取电池包中各单体电池在待识别充电过程中的电池参数;
S120、根据所述电池参数计算多组特征数据,其中,每组特征数据用于反映所述充电过程中一时段内各单体电池的一致性;
S130、由所述多组特征数据构成第一矩阵,计算所述第一矩阵的协方差矩阵;将所述协方差矩阵输入训练好的第一全连接层,以提取所述第一矩阵的主要成分,得到第二矩阵;用所述第一矩阵和所述第二矩阵相乘,得到第三矩阵;
S140、将所述第三矩阵输入串联的、训练好的多头自注意力层和分类层,识别所述充电过程是否存在单体电池一致性安全隐患,其中,所述训练好的多头自注意力层对所述第三矩阵进行全局相关性分析,所述训练好的分类层基于分析结果输出是否存在单体电池一致性安全隐患的分类结果。
2.根据权利要求1所述的评估方法,其特征在于,所述电池参数包括以下至少之一:温度、电压、电流和内阻。
3.根据权利要求1所述的评估方法,其特征在于,所述根据所述电池参数计算多组特征数据,包括:
对相同量纲的所述电池参数进行零均值化;
根据零均值化后的电池参数,计算多组特征数据。
4.根据权利要求3所述的评估方法,其特征在于,所述根据零均值化后的电池参数,计算多组特征数据,包括:
计算任意一种零均值化后的电池参数在任一时段内的平均值;
根据所述平均值,计算所述时段对应的以下特征数据:
所有单体电池的所述平均值的总和、平均值、标准差和中位数中的至少之一;和/或
不同电池单体的所述平均值的余弦距离的标准差和/或总和。
5.根据权利要求3所述的评估方法,其特征在于,所述根据零均值化后的电池参数,计算多组特征数据,包括:
取任意一种零均值化后的电池参数在任一时段所属的充电过程中的初始值和/或总和,作为所述时段对应的特征数据。
6.根据权利要求1所述的评估方法,其特征在于,所述分类层包括第二全连接层和sigmoid函数;
所述第二全连接层对分析结果进行降维;
所述sigmoid函数对降维后的分析结果进行分类。
7.根据权利要求1所述的评估方法,其特征在于,在由所述多组特征数据构成第一矩阵,计算所述第一矩阵的协方差矩阵之前,还包括:
获取电池包中各单体电池在多次充电过程中的电池参数;
根据所述电池参数构建多个样本,其中,每个样本包括一次充电过程中的多组特征数据,每组特征数据用于反映对应的充电过程中一时段内各单体电池的一致性;
对每个样本对应的充电过程是否存在单体电池一致性安全隐患进行标注;
将每个样本构成的第一矩阵输入由S130和S140组成的安全隐患识别模型中,对所述模型中的第一全连接层、多头自注意力层和分类层进行训练,使所述模型的输出不断逼近每个训练样本的标注结果。
8.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现权利要求1-7中任一所述的基于深度学习和一致性检测的电池包安全状态评估方法。
9.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,该程序被处理器执行时实现权利要求1-7中任一所述的基于深度学习和一致性检测的电池包安全状态评估方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210934890.8A CN114994547B (zh) | 2022-08-05 | 2022-08-05 | 基于深度学习和一致性检测的电池包安全状态评估方法 |
US18/067,715 US11774505B1 (en) | 2022-08-05 | 2022-12-18 | Estimation method for safety state of battery pack based on deep learning and consistency detection |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210934890.8A CN114994547B (zh) | 2022-08-05 | 2022-08-05 | 基于深度学习和一致性检测的电池包安全状态评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114994547A true CN114994547A (zh) | 2022-09-02 |
CN114994547B CN114994547B (zh) | 2022-11-18 |
Family
ID=83023175
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210934890.8A Active CN114994547B (zh) | 2022-08-05 | 2022-08-05 | 基于深度学习和一致性检测的电池包安全状态评估方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11774505B1 (zh) |
CN (1) | CN114994547B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2312902A1 (en) * | 1997-12-15 | 1999-06-24 | Computer Associates Think, Inc. | Visualization and self-organization of multidimensional data through equalized orthogonal mapping |
CN104062541A (zh) * | 2014-06-10 | 2014-09-24 | 江苏大学 | 一种针对容错永磁电机定子匝间短路的故障诊断方法 |
CN107578007A (zh) * | 2017-09-01 | 2018-01-12 | 杭州电子科技大学 | 一种基于多特征融合的深度学习人脸识别方法 |
CN108122028A (zh) * | 2017-12-21 | 2018-06-05 | 深圳先进技术研究院 | 深度非线性主成分分析网络的训练方法、装置及计算机可读存储介质 |
CN108153982A (zh) * | 2017-12-26 | 2018-06-12 | 哈尔滨工业大学 | 基于堆叠自编码深度学习网络的航空发动机修后性能预测方法 |
CN108830296A (zh) * | 2018-05-18 | 2018-11-16 | 河海大学 | 一种改进的基于深度学习的高分遥感影像分类方法 |
CN111611924A (zh) * | 2020-05-21 | 2020-09-01 | 东北林业大学 | 一种基于深度迁移学习模型的蘑菇识别方法 |
US20200294282A1 (en) * | 2019-03-14 | 2020-09-17 | Hyperfine Research, Inc. | Deep learning techniques for alignment of magnetic resonance images |
WO2021113879A2 (en) * | 2019-12-04 | 2021-06-10 | Feasible, Inc. | Acoustic signal based analysis of batteries |
US20210247477A1 (en) * | 2020-02-12 | 2021-08-12 | Canon Medical Systems Corporation | Image reconstruction apparatus |
US20210327061A1 (en) * | 2019-10-18 | 2021-10-21 | Carnegie Mellon University | Method for object detection using hierarchical deep learning |
CN113537328A (zh) * | 2021-07-07 | 2021-10-22 | 大连理工大学人工智能大连研究院 | 一种基于深度学习的旋转机械故障诊断方法和装置 |
CN114509679A (zh) * | 2022-04-20 | 2022-05-17 | 中汽信息科技(天津)有限公司 | 基于深度学习的电池soh预测模型构建方法 |
US20220179026A1 (en) * | 2020-12-04 | 2022-06-09 | Max-Planck-Gesellschaft Zur Foerderung Der Wissenschaften E. V. | Machine learning based processing of magnetic resonance data, including an uncertainty quantification |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100793616B1 (ko) * | 2005-06-13 | 2008-01-10 | 주식회사 엘지화학 | 배터리 잔존량 추정 장치 및 방법 |
US9519029B2 (en) * | 2013-05-31 | 2016-12-13 | Honeywell International Inc. | Model-based battery monitoring |
US10048321B2 (en) * | 2016-02-19 | 2018-08-14 | Johnson Controls Technology Company | Systems and methods for directional capacity estimation of a rechargeable battery |
KR20180055192A (ko) * | 2016-11-16 | 2018-05-25 | 삼성전자주식회사 | 배터리 상태를 추정하는 방법 및 장치 |
CN106772063B (zh) * | 2016-11-21 | 2018-03-20 | 华中科技大学 | 一种监测锂离子电池荷电状态和健康状态的方法及其装置 |
US10564222B2 (en) * | 2017-07-20 | 2020-02-18 | Mitsubishi Electric Research Laboratories, Inc. | Methods and systems for battery state of power prediction |
US11171498B2 (en) * | 2017-11-20 | 2021-11-09 | The Trustees Of Columbia University In The City Of New York | Neural-network state-of-charge estimation |
US11079437B2 (en) * | 2017-12-06 | 2021-08-03 | Cadex Electronics Inc. | Battery state-of-health determination upon charging using state-of-health classifier |
US20220036123A1 (en) * | 2021-10-20 | 2022-02-03 | Intel Corporation | Machine learning model scaling system with energy efficient network data transfer for power aware hardware |
-
2022
- 2022-08-05 CN CN202210934890.8A patent/CN114994547B/zh active Active
- 2022-12-18 US US18/067,715 patent/US11774505B1/en active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2312902A1 (en) * | 1997-12-15 | 1999-06-24 | Computer Associates Think, Inc. | Visualization and self-organization of multidimensional data through equalized orthogonal mapping |
CN104062541A (zh) * | 2014-06-10 | 2014-09-24 | 江苏大学 | 一种针对容错永磁电机定子匝间短路的故障诊断方法 |
CN107578007A (zh) * | 2017-09-01 | 2018-01-12 | 杭州电子科技大学 | 一种基于多特征融合的深度学习人脸识别方法 |
CN108122028A (zh) * | 2017-12-21 | 2018-06-05 | 深圳先进技术研究院 | 深度非线性主成分分析网络的训练方法、装置及计算机可读存储介质 |
CN108153982A (zh) * | 2017-12-26 | 2018-06-12 | 哈尔滨工业大学 | 基于堆叠自编码深度学习网络的航空发动机修后性能预测方法 |
CN108830296A (zh) * | 2018-05-18 | 2018-11-16 | 河海大学 | 一种改进的基于深度学习的高分遥感影像分类方法 |
US20200294282A1 (en) * | 2019-03-14 | 2020-09-17 | Hyperfine Research, Inc. | Deep learning techniques for alignment of magnetic resonance images |
US20210327061A1 (en) * | 2019-10-18 | 2021-10-21 | Carnegie Mellon University | Method for object detection using hierarchical deep learning |
WO2021113879A2 (en) * | 2019-12-04 | 2021-06-10 | Feasible, Inc. | Acoustic signal based analysis of batteries |
US20210247477A1 (en) * | 2020-02-12 | 2021-08-12 | Canon Medical Systems Corporation | Image reconstruction apparatus |
CN111611924A (zh) * | 2020-05-21 | 2020-09-01 | 东北林业大学 | 一种基于深度迁移学习模型的蘑菇识别方法 |
US20220179026A1 (en) * | 2020-12-04 | 2022-06-09 | Max-Planck-Gesellschaft Zur Foerderung Der Wissenschaften E. V. | Machine learning based processing of magnetic resonance data, including an uncertainty quantification |
CN113537328A (zh) * | 2021-07-07 | 2021-10-22 | 大连理工大学人工智能大连研究院 | 一种基于深度学习的旋转机械故障诊断方法和装置 |
CN114509679A (zh) * | 2022-04-20 | 2022-05-17 | 中汽信息科技(天津)有限公司 | 基于深度学习的电池soh预测模型构建方法 |
Non-Patent Citations (3)
Title |
---|
HIROMASA KANEKO: "《Lifting the limitations of Gaussian mixture regression through coupling with》", 《CHEMOMETRICS AND INTELLIGENT LABORATORY SYSTEMS》 * |
ZICHENG FEI等: "《Early-stage lifetime prediction for lithium-ion batteries: A deep learning》", 《JOURNAL OF ENERGY STORAGE》 * |
郭忠义等: "《装备系统剩余使用寿命预测技术研究进展》", 《南京航空航天大学学报》 * |
Also Published As
Publication number | Publication date |
---|---|
US11774505B1 (en) | 2023-10-03 |
CN114994547B (zh) | 2022-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113962259B (zh) | 一种燃料电池系统多模式双层故障诊断方法 | |
CN111060838B (zh) | 一种基于多维度特征融合的医疗电子设备开关电源故障诊断方法 | |
CN114579644B (zh) | 基于深度学习的电池有效充电数据识别方法、设备和介质 | |
CN113760670A (zh) | 电缆接头异常预警方法、装置、电子设备和存储介质 | |
CN115508711B (zh) | 一种基于深度网络模型的电动汽车动力锂电剩余寿命预测方法 | |
CN116167010B (zh) | 具有智能迁移学习能力的电力系统异常事件快速识别方法 | |
CN111273125A (zh) | 基于rst-cnn的电力电缆沟道故障诊断方法 | |
CN114460481A (zh) | 基于Bi-LSTM和注意力机制的储能电池热失控预警方法 | |
CN116572747B (zh) | 电池故障检测方法、装置、计算机设备和存储介质 | |
CN117173100B (zh) | 聚合物锂离子电池生产控制系统及其方法 | |
CN112595918A (zh) | 一种低压集抄故障的检测方法及装置 | |
CN114994547B (zh) | 基于深度学习和一致性检测的电池包安全状态评估方法 | |
CN116520068A (zh) | 一种电力数据的诊断方法、装置、设备及存储介质 | |
CN112580780A (zh) | 模型训练的处理方法、装置、设备和存储介质 | |
CN115993551A (zh) | 融合物理信息参数和电化学阻抗谱的锂离子电池诊断方法 | |
CN115616408A (zh) | 电池热管理数据处理方法及系统 | |
CN116359738A (zh) | 电池的健康状态监测方法、装置、设备及存储介质 | |
CN113935413A (zh) | 一种基于卷积神经网的配网录波文件波形识别方法 | |
CN113449809A (zh) | 一种基于kpca-nsvdd的电缆绝缘在线监测方法 | |
CN117406007B (zh) | 一种充电桩充电数据检测方法及系统 | |
CN114978040B (zh) | 基于太阳能电池数据的衰减状况分析方法及系统 | |
CN115687922A (zh) | 电力系统的预警方法、装置、计算机设备和存储介质 | |
CN117350964A (zh) | 一种基于跨模态多层次特征融合的电力设备检测方法 | |
CN114374561A (zh) | 一种网络安全状态评估方法、装置及可存储介质 | |
CN116186484A (zh) | 一种基于深度学习的电池容量衰减趋势预测方法及系统 |
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 |