CN115122927A - 基于内外因素关联的锂电池预警系统及其预警方法 - Google Patents
基于内外因素关联的锂电池预警系统及其预警方法 Download PDFInfo
- Publication number
- CN115122927A CN115122927A CN202210761347.2A CN202210761347A CN115122927A CN 115122927 A CN115122927 A CN 115122927A CN 202210761347 A CN202210761347 A CN 202210761347A CN 115122927 A CN115122927 A CN 115122927A
- Authority
- CN
- China
- Prior art keywords
- feature vector
- internal
- feature
- early warning
- factor
- 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.)
- Withdrawn
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
- B60L3/0023—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train
- B60L3/0046—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train relating to electric energy storage systems, e.g. batteries or capacitors
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Secondary Cells (AREA)
Abstract
本申请涉及新能源汽车的领域,其具体地公开了一种基于内外因素关联的锂电池预警系统及其预警方法,其通过编码器和卷积神经网络模型对所述新能源车的外部因素和内部因素数据进行关联特征提取,以得到第一特征向量和第二特征向量,进一步计算这两个所述特征向量之间的响应性指数,可以有效表示这两方面的交互数据特征相对于彼此的响应性特征,以提高两方面的特征在分类应用中的可协调性,并且还计算这两个所述特征向量的响应性准则因数,以进一步基于向量整体的响应性指数计算节点之间的响应性细节。这样,通过响应性准则因数作为所述第二特征向量的加权因数,可以比较准确地表示所述第一特征向量对所述第二特征向量的作用结果,从而提高分类准确性。
Description
技术领域
本发明涉及新能源汽车的领域,且更为具体地,涉及一种基于内外因素关联的锂电池预警系统及其预警方法。
背景技术
新能源汽车是指采用非常规的车用燃料作为动力来源(或使用常规的车用燃料、采用新型车载动力装置),综合车辆的动力控制和驱动方面的先进技术,形成的技术原理先进、具有新技术、新结构的汽车。
随着能源政策推动与环境保护等相关政策引导,越来越多用户选用电动汽车代替传统化石能源汽车。从后续电动汽车的市场普及和用户生命财产安全角度出发,急需搭建车辆安全预警体系。而在电动汽车中,锂电池将是会发生安全隐患的关键所在,因此,期望一种基于内外因素关联的锂电池预警系统。
目前,深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、语音信号处理等领域。此外,深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域,也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为基于内外因素关联的锂电池预警提供了新的解决思路和方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种基于内外因素关联的锂电池预警系统及其预警方法,其通过编码器和卷积神经网络模型对所述新能源车的外部因素和内部因素数据进行关联特征提取,以得到第一特征向量和第二特征向量,进一步计算这两个所述特征向量之间的响应性指数,可以有效表示这两方面的交互数据特征相对于彼此的响应性特征,以提高两方面的特征在分类应用中的可协调性,并且还计算这两个所述特征向量的响应性准则因数,以进一步基于向量整体的响应性指数计算节点之间的响应性细节。这样,通过响应性准则因数作为所述第二特征向量的加权因数,可以比较准确地表示所述第一特征向量对所述第二特征向量的作用结果,从而提高分类准确性。
根据本申请的一个方面,提供了一种基于内外因素关联的锂电池预警系统,其包括:
外部因素数据单元,用于获取部署有锂电池的新能源车的各项外部因素数据,所述外部因素数据包括车辆地区、车辆使用时间、车辆是否有故障、车辆均衡情况、车辆使用电流、车辆行程历程;
内部因素数据单元,用于获取所述锂电池在预设时间段内的多个时间点的各项内部因素数据,所述内部因素数据包括最高温度、温度变化、温差、温度离散、最高电压、压差、电压变化、电压离散、内短路电阻和电池健康状态;
外部数据编码单元,用于将各项所述外部因素数据通过包含嵌入层的基于上下文的第一编码器模型以获得多个外部特征向量;
外部数据特征提取单元,用于将所述多个外部特征向量进行二维排列为输入矩阵后通过第一卷积神经网络以获得第一特征向量;
内部数据编码单元,用于将所述各个时间点的各项内部因素数据通过所述包含嵌入层的基于上下文的第二编码器模型以获得多个内部特征向量,并将所述多个内部特征向量进行级联以获得对应于所述各个时间点的级联特征向量;
内部数据特征提取单元,用于将所述各个时间点的级联特征向量进行二维排列为输入矩阵后通过第二卷积神经网络以获得第二特征向量;
响应性指数计算单元,用于计算所述第一特征向量和所述第二特征向量之间的响应性指数,所述响应性指数为所述第一特征向量与所述第二特征向量的转置的乘积除以所述第一特征向量的二范数与所述第二特征向量的二范数的乘积;
响应性准则因数计算单元,用于计算所述第一特征向量到所述第二特征向量的响应性准则因数,其中,所述响应性准则因数与所述第二特征向量对于所述第一特征向量的请求的正确响应数目和所述第二特征向量对于所述第一特征向量的请求的错误响应数目有关;
加权单元,用于以所述响应性指数和所述响应性准则因数的加权和作为权重对所述第二特征向量进行加权以获得加权后第二特征向量;
融合单元,用于融合所述加权后第二特征向量和所述第一特征向量以获得分类特征向量;以及
预警单元,用于将所述分类特征向量通过分类器以获得分类结果,所述分类结果用于表示是否产生预警信号。
在上述基于内外因素关联的锂电池预警系统中,所述外部数据编码单元,进一步用于:使用所述第一编码器模型的嵌入层分别将各项所述外部因素数据转化为外部嵌入向量以获得外部嵌入向量的序列;以及,使用所述第一编码器模型的转换器对所述外部嵌入向量的序列进行基于上下文的全局语义编码以获得所述多个外部特征向量。
在上述基于内外因素关联的锂电池预警系统中,所述外部数据特征提取单元,进一步用于:使用所述第一卷积神经网络的各层在层的正向传递过程中对输入数据进行卷积处理、基于特征矩阵的池化处理和激活处理以由所述第一卷积神经网络的最后一层输出所述第一特征向量。
在上述基于内外因素关联的锂电池预警系统中,所述响应性指数计算单元,进一步用于:以如下公式来计算所述第一特征向量和所述第二特征向量之间的响应性指数;所述公式为:
其中|·|2表示向量的二范数,V1表示所述第一特征向量,且V2表示所述第二特征向量。
在上述基于内外因素关联的锂电池预警系统中,所述响应性准则因数计算单元,进一步用于:以如下公式来计算所述第一特征向量到所述第二特征向量的响应性准则因数;其中,所述公式为:
其中a是第一特征向量和第二特征向量之间的差值向量中特征值大于响应性指数的位数作为所述第二特征向量对于所述第一特征向量的请求的正确响应数目,且b是第一特征向量和第二特征向量之间的差值向量中特征值小于或等于响应性指数的位数作为所述第二特征向量对于所述第一特征向量的请求的错误响应数目。
在上述基于内外因素关联的锂电池预警系统中,所述融合单元,进一步用于:计算所述加权后第二特征向量和所述第一特征向量的按位置加权和以获得所述分类特征向量。
在上述基于内外因素关联的锂电池预警系统中,所述预警单元,进一步用于:使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果,所述公式为:softmax{(Wn,Bn):…:(W1,B1)|X},其中,W1到Wn为权重矩阵,B1到Bn为偏置向量,X为分类特征向量。
根据本申请的另一方面,一种基于内外因素关联的锂电池预警系统的预警方法,其包括:
获取部署有锂电池的新能源车的各项外部因素数据,所述外部因素数据包括车辆地区、车辆使用时间、车辆是否有故障、车辆均衡情况、车辆使用电流、车辆行程历程;
获取所述锂电池在预设时间段内的多个时间点的各项内部因素数据,所述内部因素数据包括最高温度、温度变化、温差、温度离散、最高电压、压差、电压变化、电压离散、内短路电阻和电池健康状态;
将各项所述外部因素数据通过包含嵌入层的基于上下文的第一编码器模型以获得多个外部特征向量;
将所述多个外部特征向量进行二维排列为输入矩阵后通过第一卷积神经网络以获得第一特征向量;
将所述各个时间点的各项内部因素数据通过所述包含嵌入层的基于上下文的第二编码器模型以获得多个内部特征向量,并将所述多个内部特征向量进行级联以获得对应于所述各个时间点的级联特征向量;
将所述各个时间点的级联特征向量进行二维排列为输入矩阵后通过第二卷积神经网络以获得第二特征向量;
计算所述第一特征向量和所述第二特征向量之间的响应性指数,所述响应性指数为所述第一特征向量与所述第二特征向量的转置的乘积除以所述第一特征向量的二范数与所述第二特征向量的二范数的乘积;
计算所述第一特征向量到所述第二特征向量的响应性准则因数,其中,所述响应性准则因数与所述第二特征向量对于所述第一特征向量的请求的正确响应数目和所述第二特征向量对于所述第一特征向量的请求的错误响应数目有关;
以所述响应性指数和所述响应性准则因数的加权和作为权重对所述第二特征向量进行加权以获得加权后第二特征向量;
融合所述加权后第二特征向量和所述第一特征向量以获得分类特征向量;以及
将所述分类特征向量通过分类器以获得分类结果,所述分类结果用于表示是否产生预警信号。
在上述基于内外因素关联的锂电池预警系统的预警方法中,将各项所述外部因素数据通过包含嵌入层的基于上下文的第一编码器模型以获得多个外部特征向量,包括:使用所述第一编码器模型的嵌入层分别将各项所述外部因素数据转化为外部嵌入向量以获得外部嵌入向量的序列;以及,使用所述第一编码器模型的转换器对所述外部嵌入向量的序列进行基于上下文的全局语义编码以获得所述多个外部特征向量。
在上述基于内外因素关联的锂电池预警系统的预警方法中,将所述多个外部特征向量进行二维排列为输入矩阵后通过第一卷积神经网络以获得第一特征向量,包括:使用所述第一卷积神经网络的各层在层的正向传递过程中对输入数据进行卷积处理、基于特征矩阵的池化处理和激活处理以由所述第一卷积神经网络的最后一层输出所述第一特征向量。
在上述基于内外因素关联的锂电池预警系统的预警方法中,计算所述第一特征向量和所述第二特征向量之间的响应性指数,包括:以如下公式来计算所述第一特征向量和所述第二特征向量之间的响应性指数;
所述公式为:
其中|·|2表示向量的二范数,V1表示所述第一特征向量,且V2表示所述第二特征向量。
在上述基于内外因素关联的锂电池预警系统的预警方法中,计算所述第一特征向量到所述第二特征向量的响应性准则因数,包括:以如下公式来计算所述第一特征向量到所述第二特征向量的响应性准则因数;
其中,所述公式为:
其中a是第一特征向量和第二特征向量之间的差值向量中特征值大于响应性指数的位数作为所述第二特征向量对于所述第一特征向量的请求的正确响应数目,且b是第一特征向量和第二特征向量之间的差值向量中特征值小于或等于响应性指数的位数作为所述第二特征向量对于所述第一特征向量的请求的错误响应数目。
在上述基于内外因素关联的锂电池预警系统的预警方法中,融合所述加权后第二特征向量和所述第一特征向量以获得分类特征向量,包括:计算所述加权后第二特征向量和所述第一特征向量的按位置加权和以获得所述分类特征向量。
在上述基于内外因素关联的锂电池预警系统的预警方法中,将所述分类特征向量通过分类器以获得分类结果,包括:使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果,所述公式为:softmax{(Wn,Bn):…:(W1,B1)|X},其中,W1到Wn为权重矩阵,B1到Bn为偏置向量,X为分类特征向量。
与现有技术相比,本申请提供的基于内外因素关联的锂电池预警系统及其预警方法,其通过编码器和卷积神经网络模型对所述新能源车的外部因素和内部因素数据进行关联特征提取,以得到第一特征向量和第二特征向量,进一步计算这两个所述特征向量之间的响应性指数,可以有效表示这两方面的交互数据特征相对于彼此的响应性特征,以提高两方面的特征在分类应用中的可协调性,并且还计算这两个所述特征向量的响应性准则因数,以进一步基于向量整体的响应性指数计算节点之间的响应性细节。这样,通过响应性准则因数作为所述第二特征向量的加权因数,可以比较准确地表示所述第一特征向量对所述第二特征向量的作用结果,从而提高分类准确性。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的基于内外因素关联的锂电池预警系统的应用场景图。
图2为根据本申请实施例的基于内外因素关联的锂电池预警系统的框图。
图3为根据本申请实施例的基于内外因素关联的锂电池预警系统的预警方法的流程图。
图4为根据本申请实施例的基于内外因素关联的锂电池预警系统的预警方法的架构示意图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
场景概述
如前所述,随着能源政策推动与环境保护等相关政策引导,越来越多用户选用电动汽车代替传统化石能源汽车。从后续电动汽车的市场普及和用户生命财产安全角度出发,急需搭建车辆安全预警体系。而在电动汽车中,锂电池将是会发生安全隐患的关键所在,因此,期望一种基于内外因素关联的锂电池预警系统。
目前,深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、语音信号处理等领域。此外,深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域,也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为基于内外因素关联的锂电池预警提供了新的解决思路和方案。
相应地,在本申请的技术方案中,期望通过融合外部因素特征信息和内部因素特征信息来综合对锂电池是否产生预警进行准确地判断。这本质上是一个分类的问题,也就是综合各个因素特征信息来对于锂电池是否产生预警信号进行分类判断。
具体地,在本申请的技术方案中,首先,获取部署有锂电池的新能源车的各项外部因素数据,这里,外部因素数据包括车辆地区、车辆使用时间、车辆是否有故障、车辆均衡情况、车辆使用电流、车辆行程历程。接着,将各项外部因素数据通过包含嵌入层的基于上下文的第一编码器模型中进行编码处理,以获得具有全局性外部因素关联信息的多个外部特征向量,然后,将所述多个外部特征向量进行二维排列为输入矩阵后通过第一卷积神经网络中进行处理,以提取出外部因素的高维隐含关联特征,从而获得第一特征向量V1。
进一步地,同样地,获取锂电池在预设时间段内的多个时间点的各项内部因素数据,这里内部因素数据包括最高温度、温度变化、温差、温度离散、最高电压、压差、电压变化、电压离散、内短路电阻和电池健康状态。接着,将各个时间点的各项内部因素数据通过所述包含嵌入层的基于上下文的第二编码器模型以获得具有全局性内部因素数据关联信息的多个内部特征向量,并将所述多个内部特征向量进行级联以获得对应于所述各个时间点的级联特征向量。然后,将各个时间点的级联特征向量进行二维排列为输入矩阵后通过第二卷积神经网络中进行处理,以提取出内部因素的高维隐含关联特征,从而获得第二特征向量V2。
在获得第一特征向量V1和第二特征向量V2之后,计算V1和V2之间的响应性指数,表示为:
其中|·|2表示向量的二范数。
并且,由于第一特征向量和第二特征向量的每个位置的特征值均表示卷积神经网络的过滤器的过滤结果,因此可以认为是彼此之间具有相对独立性的,可以作为构成高维特征分布的逻辑节点,以进一步基于向量整体的响应性指数计算节点之间的响应性细节。
也就是,将a认为是V2对于V1的请求的正确响应数目,b是V2对于V1的请求的错误响应数目,则V1到V2的响应性准则因数表示为:
其中a是第一特征向量和第二特征向量之间的差值向量中特征值大于响应性指数的位数,且b是第一特征向量和第二特征向量之间的差值向量中特征值小于或等于响应性指数的位数。
这样,通过∈和RS的加权和作为第二特征向量V2的加权因数,可以相对比较准确地表示外部因素对应的第一特征向量对内部因素对应的第二特征向量的作用结果,从而提高分类准确性。
最后,以该加权因数对第二特征向量进行加权后与第一特征向量相加得到分类特征向量,再通过分类器获得分类结果。
基于此,本申请提出了一种基于内外因素关联的锂电池预警系统,其包括:外部因素数据单元,用于获取部署有锂电池的新能源车的各项外部因素数据,所述外部因素数据包括车辆地区、车辆使用时间、车辆是否有故障、车辆均衡情况、车辆使用电流、车辆行程历程;内部因素数据单元,用于获取所述锂电池在预设时间段内的多个时间点的各项内部因素数据,所述内部因素数据包括最高温度、温度变化、温差、温度离散、最高电压、压差、电压变化、电压离散、内短路电阻和电池健康状态;外部数据编码单元,用于将各项所述外部因素数据通过包含嵌入层的基于上下文的第一编码器模型以获得多个外部特征向量;外部数据特征提取单元,用于将所述多个外部特征向量进行二维排列为输入矩阵后通过第一卷积神经网络以获得第一特征向量;内部数据编码单元,用于将所述各个时间点的各项内部因素数据通过所述包含嵌入层的基于上下文的第二编码器模型以获得多个内部特征向量,并将所述多个内部特征向量进行级联以获得对应于所述各个时间点的级联特征向量;内部数据特征提取单元,用于将所述各个时间点的级联特征向量进行二维排列为输入矩阵后通过第二卷积神经网络以获得第二特征向量;响应性指数计算单元,用于计算所述第一特征向量和所述第二特征向量之间的响应性指数,所述响应性指数为所述第一特征向量与所述第二特征向量的转置的乘积除以所述第一特征向量的二范数与所述第二特征向量的二范数的乘积;响应性准则因数计算单元,用于计算所述第一特征向量到所述第二特征向量的响应性准则因数,其中,所述响应性准则因数与所述第二特征向量对于所述第一特征向量的请求的正确响应数目和所述第二特征向量对于所述第一特征向量的请求的错误响应数目有关;加权单元,用于以所述响应性指数和所述响应性准则因数的加权和作为权重对所述第二特征向量进行加权以获得加权后第二特征向量;融合单元,用于融合所述加权后第二特征向量和所述第一特征向量以获得分类特征向量;以及,预警单元,用于将所述分类特征向量通过分类器以获得分类结果,所述分类结果用于表示是否产生预警信号。
图1图示了根据本申请实施例的基于内外因素关联的锂电池预警系统的应用场景图。如图1所示,在该应用场景中,首先,通过设置于部署有锂电池(例如,如图1中所示意的B)的新能源车(例如,如图1中所示意的V)的行车记录系统(例如,如图1中所示意的T)获取各项外部因素数据,以及通过部署于所述新能源车的用于锂电池的监控传感器系统(例如,如图1中所示意的G)获取所述锂电池在预设时间段内的多个时间点的各项内部因素数据,这里,所述外部因素数据包括车辆地区、车辆使用时间、车辆是否有故障、车辆均衡情况、车辆使用电流、车辆行程历程,所述内部因素数据包括最高温度、温度变化、温差、温度离散、最高电压、压差、电压变化、电压离散、内短路电阻和电池健康状态。然后,将获得的所述各项外部因素数据和所述各项内部因素数据输入至部署有基于内外因素关联的锂电池预警算法的服务器中(例如,如图1中所示意的云服务器S),其中,所述服务器能够以基于内外因素关联的锂电池预警算法对所述各项外部因素数据和所述各项内部因素数据进行处理,以生成用于表示是否产生预警信号的分类结果。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统
图2图示了根据本申请实施例的基于内外因素关联的锂电池预警系统的框图。如图2所示,根据本申请实施例的基于内外因素关联的锂电池预警系统200,包括:外部因素数据单元210,用于获取部署有锂电池的新能源车的各项外部因素数据,所述外部因素数据包括车辆地区、车辆使用时间、车辆是否有故障、车辆均衡情况、车辆使用电流、车辆行程历程;内部因素数据单元220,用于获取所述锂电池在预设时间段内的多个时间点的各项内部因素数据,所述内部因素数据包括最高温度、温度变化、温差、温度离散、最高电压、压差、电压变化、电压离散、内短路电阻和电池健康状态;外部数据编码单元230,用于将各项所述外部因素数据通过包含嵌入层的基于上下文的第一编码器模型以获得多个外部特征向量;外部数据特征提取单元240,用于将所述多个外部特征向量进行二维排列为输入矩阵后通过第一卷积神经网络以获得第一特征向量;内部数据编码单元250,用于将所述各个时间点的各项内部因素数据通过所述包含嵌入层的基于上下文的第二编码器模型以获得多个内部特征向量,并将所述多个内部特征向量进行级联以获得对应于所述各个时间点的级联特征向量;内部数据特征提取单元260,用于将所述各个时间点的级联特征向量进行二维排列为输入矩阵后通过第二卷积神经网络以获得第二特征向量;响应性指数计算单元270,用于计算所述第一特征向量和所述第二特征向量之间的响应性指数,所述响应性指数为所述第一特征向量与所述第二特征向量的转置的乘积除以所述第一特征向量的二范数与所述第二特征向量的二范数的乘积;响应性准则因数计算单元280,用于计算所述第一特征向量到所述第二特征向量的响应性准则因数,其中,所述响应性准则因数与所述第二特征向量对于所述第一特征向量的请求的正确响应数目和所述第二特征向量对于所述第一特征向量的请求的错误响应数目有关;加权单元290,用于以所述响应性指数和所述响应性准则因数的加权和作为权重对所述第二特征向量进行加权以获得加权后第二特征向量;融合单元300,用于融合所述加权后第二特征向量和所述第一特征向量以获得分类特征向量;以及,预警单元310,用于将所述分类特征向量通过分类器以获得分类结果,所述分类结果用于表示是否产生预警信号。
具体地,在本申请实施例中,所述外部因素数据单元210和所述内部因素数据单元220,用于获取部署有锂电池的新能源车的各项外部因素数据,所述外部因素数据包括车辆地区、车辆使用时间、车辆是否有故障、车辆均衡情况、车辆使用电流、车辆行程历程,并获取所述锂电池在预设时间段内的多个时间点的各项内部因素数据,所述内部因素数据包括最高温度、温度变化、温差、温度离散、最高电压、压差、电压变化、电压离散、内短路电阻和电池健康状态。如前所述,在本申请的技术方案中,期望通过融合外部因素特征信息和内部因素特征信息来综合对锂电池是否产生预警进行准确地判断。这本质上是一个分类的问题,也就是综合所述各个因素特征信息来对于所述锂电池是否产生预警信号进行分类判断。
具体地,在本申请的技术方案中,首先,通过设置于部署有锂电池的新能源车的传感器获取各项外部因素数据,以及所述锂电池在预设时间段内的多个时间点的各项内部因素数据,这里,所述外部因素数据包括车辆地区、车辆使用时间、车辆是否有故障、车辆均衡情况、车辆使用电流、车辆行程历程,所述内部因素数据包括最高温度、温度变化、温差、温度离散、最高电压、压差、电压变化、电压离散、内短路电阻和电池健康状态。
具体地,在本申请实施例中,所述外部数据编码单元230和所述外部数据特征提取单元240,用于将各项所述外部因素数据通过包含嵌入层的基于上下文的第一编码器模型以获得多个外部特征向量,并将所述多个外部特征向量进行二维排列为输入矩阵后通过第一卷积神经网络以获得第一特征向量。也就是,在本申请的技术方案中,在获得所述外部因素数据之后,进一步将各项所述外部因素数据通过包含嵌入层的基于上下文的第一编码器模型中进行编码处理,以获得具有全局性外部因素关联信息的多个外部特征向量。然后,将所述多个外部特征向量进行二维排列为输入矩阵后通过第一卷积神经网络中进行处理,以提取出所述外部因素的高维隐含关联特征,从而获得第一特征向量V1。相应地,在一个具体示例中,使用所述第一卷积神经网络的各层在层的正向传递过程中对输入数据进行卷积处理、基于特征矩阵的池化处理和激活处理以由所述第一卷积神经网络的最后一层输出所述第一特征向量。
更具体地,在本申请实施例中,所述外部数据编码单元,进一步用于:使用所述第一编码器模型的嵌入层分别将各项所述外部因素数据转化为外部嵌入向量以获得外部嵌入向量的序列;以及,使用所述第一编码器模型的转换器对所述外部嵌入向量的序列进行基于上下文的全局语义编码以获得所述多个外部特征向量。应可以理解,由于基于转换器的编码器模型能够基于上下文对所述外部嵌入向量进行编码,因此所获得的外部特征向量具有全局性的外部因素关联特征信息。
具体地,在本申请实施例中,所述内部数据编码单元250和所述内部数据特征提取单元260,用于将所述各个时间点的各项内部因素数据通过所述包含嵌入层的基于上下文的第二编码器模型以获得多个内部特征向量,并将所述多个内部特征向量进行级联以获得对应于所述各个时间点的级联特征向量,并将所述各个时间点的级联特征向量进行二维排列为输入矩阵后通过第二卷积神经网络以获得第二特征向量。应可以理解,在本申请的技术方案中,为了通过融合所述外部因素特征信息和所述内部因素特征信息来综合对所述锂电池是否产生预警进行准确地判断,还需要在获得所述锂电池在预设时间段内的多个时间点的各项内部因素数据之后,同样地,进一步将所述各个时间点的各项内部因素数据通过所述包含嵌入层的基于上下文的第二编码器模型中进行编码处理,以获得具有全局性内部因素数据关联信息的多个内部特征向量。然后,将所述多个内部特征向量进行级联以获得对应于所述各个时间点的级联特征向量,并将所述各个时间点的级联特征向量进行二维排列为输入矩阵后通过第二卷积神经网络中进行处理,以提取出所述锂电池在预设时间段内的多个时间点的各项内部因素数据的高维隐含关联特征,从而获得第二特征向量V2。
具体地,在本申请实施例中,所述响应性指数计算单元270,用于计算所述第一特征向量和所述第二特征向量之间的响应性指数,所述响应性指数为所述第一特征向量与所述第二特征向量的转置的乘积除以所述第一特征向量的二范数与所述第二特征向量的二范数的乘积。也就是,在本申请的技术方案中,在获得所述第一特征向量V1和所述第二特征向量V2之后,首先进一步计算V1和V2之间的响应性指数。应可以理解,这样,能够有效地表示两方面的交互数据特征相对于彼此的响应性特征,以提高两方面的特征在分类应用中的可协调性。
更具体地,在本申请实施例中,所述响应性指数计算单元,进一步用于:以如下公式来计算所述第一特征向量和所述第二特征向量之间的响应性指数;所述公式为:
其中|·|2表示向量的二范数,V1表示所述第一特征向量,且V2表示所述第二特征向量。
具体地,在本申请实施例中,所述响应性准则因数计算单元280,用于计算所述第一特征向量到所述第二特征向量的响应性准则因数,其中,所述响应性准则因数与所述第二特征向量对于所述第一特征向量的请求的正确响应数目和所述第二特征向量对于所述第一特征向量的请求的错误响应数目有关。应可以理解,在本申请的技术方案中,由于所述第一特征向量和所述第二特征向量的每个位置的特征值均表示卷积神经网络的过滤器的过滤结果,因此可以认为是彼此之间具有相对独立性的,可以作为构成高维特征分布的逻辑节点,以进一步基于向量整体的响应性指数计算节点之间的响应性细节。也就是,根据所述第二特征向量V2对于所述第一特征向量V1的请求的正确响应数目,以及所述第二特征向量V2对于所述第一特征向量V1的请求的错误响应数目,来计算V1到V2的响应性准则因数。
更具体地,在本申请实施例中,所述响应性准则因数计算单元,进一步用于:以如下公式来计算所述第一特征向量到所述第二特征向量的响应性准则因数;
其中,所述公式为:
其中a是第一特征向量和第二特征向量之间的差值向量中特征值大于响应性指数的位数作为所述第二特征向量对于所述第一特征向量的请求的正确响应数目,且b是第一特征向量和第二特征向量之间的差值向量中特征值小于或等于响应性指数的位数作为所述第二特征向量对于所述第一特征向量的请求的错误响应数目。
具体地,在本申请实施例中,所述加权单元290,用于以所述响应性指数和所述响应性准则因数的加权和作为权重对所述第二特征向量进行加权以获得加权后第二特征向量。也就是,在本申请的技术方案中,进一步再以所述响应性指数∈和所述响应性准则因数RS的加权和作为权重对所述第二特征向量V2进行加权以获得加权后第二特征向量。应可以理解,通过∈和RS的加权和作为所述第二特征向量V2的加权因数,可以相对比较准确地表示所述外部因素对应的所述第一特征向量对所述内部因素对应的所述第二特征向量的作用结果,从而提高分类准确性。
具体地,在本申请实施例中,所述融合单元300和所述预警单元310,用于融合所述加权后第二特征向量和所述第一特征向量以获得分类特征向量,并将所述分类特征向量通过分类器以获得分类结果,所述分类结果用于表示是否产生预警信号。也就是,在本申请的技术方案中,在得到所述加权后的第二特征向量后,进一步融合所述加权后第二特征向量和所述第一特征向量以获得分类特征向量。相应地,在一个具体示例中,可以计算所述加权后第二特征向量和所述第一特征向量的按位置加权和以获得所述分类特征向量。然后,将所述分类特征向量通过分类器以获得用于表示是否产生预警信号的分类结果。
更具体地,在本申请实施例中,所述预警单元,进一步用于:使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果,所述公式为:softmax{(Wn,Bn):...:(W1,B1)|X},其中,W1到Wn为权重矩阵,B1到Bn为偏置向量,X为分类特征向量。
综上,基于本申请实施例的所述基于内外因素关联的锂电池预警系统200被阐明,其通过编码器和卷积神经网络模型对所述新能源车的外部因素和内部因素数据进行关联特征提取,以得到第一特征向量和第二特征向量,进一步计算这两个所述特征向量之间的响应性指数,可以有效表示这两方面的交互数据特征相对于彼此的响应性特征,以提高两方面的特征在分类应用中的可协调性,并且还计算这两个所述特征向量的响应性准则因数,以进一步基于向量整体的响应性指数计算节点之间的响应性细节。这样,通过响应性准则因数作为所述第二特征向量的加权因数,可以比较准确地表示所述第一特征向量对所述第二特征向量的作用结果,从而提高分类准确性。
如上所述,根据本申请实施例的基于内外因素关联的锂电池预警系统200可以实现在各种终端设备中,例如基于内外因素关联的锂电池预警算法的服务器等。在一个示例中,根据本申请实施例的基于内外因素关联的锂电池预警系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该基于内外因素关联的锂电池预警系统200可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该基于内外因素关联的锂电池预警系统200同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该基于内外因素关联的锂电池预警系统200与该终端设备也可以是分立的设备,并且该基于内外因素关联的锂电池预警系统200可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
示例性方法
图3图示了基于内外因素关联的锂电池预警系统的预警方法的流程图。如图3所示,根据本申请实施例的基于内外因素关联的锂电池预警系统的预警方法,包括步骤:S110,获取部署有锂电池的新能源车的各项外部因素数据,所述外部因素数据包括车辆地区、车辆使用时间、车辆是否有故障、车辆均衡情况、车辆使用电流、车辆行程历程;S120,获取所述锂电池在预设时间段内的多个时间点的各项内部因素数据,所述内部因素数据包括最高温度、温度变化、温差、温度离散、最高电压、压差、电压变化、电压离散、内短路电阻和电池健康状态;S130,将各项所述外部因素数据通过包含嵌入层的基于上下文的第一编码器模型以获得多个外部特征向量;S140,将所述多个外部特征向量进行二维排列为输入矩阵后通过第一卷积神经网络以获得第一特征向量;S150,将所述各个时间点的各项内部因素数据通过所述包含嵌入层的基于上下文的第二编码器模型以获得多个内部特征向量,并将所述多个内部特征向量进行级联以获得对应于所述各个时间点的级联特征向量;S160,将所述各个时间点的级联特征向量进行二维排列为输入矩阵后通过第二卷积神经网络以获得第二特征向量;S170,计算所述第一特征向量和所述第二特征向量之间的响应性指数,所述响应性指数为所述第一特征向量与所述第二特征向量的转置的乘积除以所述第一特征向量的二范数与所述第二特征向量的二范数的乘积;S180,计算所述第一特征向量到所述第二特征向量的响应性准则因数,其中,所述响应性准则因数与所述第二特征向量对于所述第一特征向量的请求的正确响应数目和所述第二特征向量对于所述第一特征向量的请求的错误响应数目有关;S190,以所述响应性指数和所述响应性准则因数的加权和作为权重对所述第二特征向量进行加权以获得加权后第二特征向量;S200,融合所述加权后第二特征向量和所述第一特征向量以获得分类特征向量;以及,S210,将所述分类特征向量通过分类器以获得分类结果,所述分类结果用于表示是否产生预警信号。
图4图示了根据本申请实施例的基于内外因素关联的锂电池预警系统的预警方法的架构示意图。如图4所示,在所述基于内外因素关联的锂电池预警系统的预警方法的网络架构中,首先,将获得的各项所述外部因素数据(例如,如图4中所示意的P1)通过包含嵌入层的基于上下文的第一编码器模型(例如,如图4中所示意的E1)以获得多个外部特征向量(例如,如图4中所示意的VF1);接着,将所述多个外部特征向量进行二维排列为输入矩阵(例如,如图4中所示意的M1)后通过第一卷积神经网络(例如,如图4中所示意的CNN1)以获得第一特征向量(例如,如图4中所示意的VF2);然后,将获得的所述各个时间点的各项内部因素数据(例如,如图4中所示意的P2)通过所述包含嵌入层的基于上下文的第二编码器模型(例如,如图4中所示意的E2)以获得多个内部特征向量(例如,如图4中所示意的VF3),并将所述多个内部特征向量进行级联以获得对应于所述各个时间点的级联特征向量(例如,如图4中所示意的VF4);接着,将所述各个时间点的级联特征向量进行二维排列为输入矩阵(例如,如图4中所示意的M2)后通过第二卷积神经网络(例如,如图4中所示意的CNN2)以获得第二特征向量(例如,如图4中所示意的VF5);然后,计算所述第一特征向量和所述第二特征向量之间的响应性指数(例如,如图4中所示意的RI);接着,计算所述第一特征向量到所述第二特征向量的响应性准则因数(例如,如图4中所示意的RCF);然后,以所述响应性指数和所述响应性准则因数的加权和作为权重对所述第二特征向量进行加权以获得加权后第二特征向量(例如,如图4中所示意的VF);接着,融合所述加权后第二特征向量和所述第一特征向量以获得分类特征向量(例如,如图4中所示意的VC);以及,最后,将所述分类特征向量通过分类器(例如,如图4中所示意的圈S)以获得分类结果,所述分类结果用于表示是否产生预警信号。
更具体地,在步骤S110和S120中,获取部署有锂电池的新能源车的各项外部因素数据,所述外部因素数据包括车辆地区、车辆使用时间、车辆是否有故障、车辆均衡情况、车辆使用电流、车辆行程历程,并获取所述锂电池在预设时间段内的多个时间点的各项内部因素数据,所述内部因素数据包括最高温度、温度变化、温差、温度离散、最高电压、压差、电压变化、电压离散、内短路电阻和电池健康状态。应可以理解,在本申请的技术方案中,期望通过融合外部因素特征信息和内部因素特征信息来综合对锂电池是否产生预警进行准确地判断。这本质上是一个分类的问题,也就是综合所述各个因素特征信息来对于所述锂电池是否产生预警信号进行分类判断。
具体地,在本申请的技术方案中,首先,通过设置于部署有锂电池的新能源车的传感器获取各项外部因素数据,以及所述锂电池在预设时间段内的多个时间点的各项内部因素数据,这里,所述外部因素数据包括车辆地区、车辆使用时间、车辆是否有故障、车辆均衡情况、车辆使用电流、车辆行程历程,所述内部因素数据包括最高温度、温度变化、温差、温度离散、最高电压、压差、电压变化、电压离散、内短路电阻和电池健康状态。
更具体地,在步骤S130和步骤S140中,将各项所述外部因素数据通过包含嵌入层的基于上下文的第一编码器模型以获得多个外部特征向量,并将所述多个外部特征向量进行二维排列为输入矩阵后通过第一卷积神经网络以获得第一特征向量。也就是,在本申请的技术方案中,在获得所述外部因素数据之后,进一步将各项所述外部因素数据通过包含嵌入层的基于上下文的第一编码器模型中进行编码处理,以获得具有全局性外部因素关联信息的多个外部特征向量。然后,将所述多个外部特征向量进行二维排列为输入矩阵后通过第一卷积神经网络中进行处理,以提取出所述外部因素的高维隐含关联特征,从而获得第一特征向量V1。相应地,在一个具体示例中,使用所述第一卷积神经网络的各层在层的正向传递过程中对输入数据进行卷积处理、基于特征矩阵的池化处理和激活处理以由所述第一卷积神经网络的最后一层输出所述第一特征向量。
更具体地,在步骤S150和步骤S160中,将所述各个时间点的各项内部因素数据通过所述包含嵌入层的基于上下文的第二编码器模型以获得多个内部特征向量,并将所述多个内部特征向量进行级联以获得对应于所述各个时间点的级联特征向量,并将所述各个时间点的级联特征向量进行二维排列为输入矩阵后通过第二卷积神经网络以获得第二特征向量。应可以理解,在本申请的技术方案中,为了通过融合所述外部因素特征信息和所述内部因素特征信息来综合对所述锂电池是否产生预警进行准确地判断,还需要在获得所述锂电池在预设时间段内的多个时间点的各项内部因素数据之后,同样地,进一步将所述各个时间点的各项内部因素数据通过所述包含嵌入层的基于上下文的第二编码器模型中进行编码处理,以获得具有全局性内部因素数据关联信息的多个内部特征向量。然后,将所述多个内部特征向量进行级联以获得对应于所述各个时间点的级联特征向量,并将所述各个时间点的级联特征向量进行二维排列为输入矩阵后通过第二卷积神经网络中进行处理,以提取出所述锂电池在预设时间段内的多个时间点的各项内部因素数据的高维隐含关联特征,从而获得第二特征向量V2。
更具体地,在步骤S170中,计算所述第一特征向量和所述第二特征向量之间的响应性指数,所述响应性指数为所述第一特征向量与所述第二特征向量的转置的乘积除以所述第一特征向量的二范数与所述第二特征向量的二范数的乘积。也就是,在本申请的技术方案中,在获得所述第一特征向量V1和所述第二特征向量V2之后,首先进一步计算V1和V2之间的响应性指数。应可以理解,这样,能够有效地表示两方面的交互数据特征相对于彼此的响应性特征,以提高两方面的特征在分类应用中的可协调性。
更具体地,在步骤S180中,计算所述第一特征向量到所述第二特征向量的响应性准则因数,其中,所述响应性准则因数与所述第二特征向量对于所述第一特征向量的请求的正确响应数目和所述第二特征向量对于所述第一特征向量的请求的错误响应数目有关。应可以理解,在本申请的技术方案中,由于所述第一特征向量和所述第二特征向量的每个位置的特征值均表示卷积神经网络的过滤器的过滤结果,因此可以认为是彼此之间具有相对独立性的,可以作为构成高维特征分布的逻辑节点,以进一步基于向量整体的响应性指数计算节点之间的响应性细节。也就是,根据所述第二特征向量V2对于所述第一特征向量V1的请求的正确响应数目,以及所述第二特征向量V2对于所述第一特征向量V1的请求的错误响应数目,来计算V1到V2的响应性准则因数。
更具体地,在步骤S190中,以所述响应性指数和所述响应性准则因数的加权和作为权重对所述第二特征向量进行加权以获得加权后第二特征向量。也就是,在本申请的技术方案中,进一步再以所述响应性指数∈和所述响应性准则因数RS的加权和作为权重对所述第二特征向量V2进行加权以获得加权后第二特征向量。应可以理解,通过∈和RS的加权和作为所述第二特征向量V2的加权因数,可以相对比较准确地表示所述外部因素对应的所述第一特征向量对所述内部因素对应的所述第二特征向量的作用结果,从而提高分类准确性。
更具体地,在步骤S200和步骤S210中,融合所述加权后第二特征向量和所述第一特征向量以获得分类特征向量,并将所述分类特征向量通过分类器以获得分类结果,所述分类结果用于表示是否产生预警信号。也就是,在本申请的技术方案中,在得到所述加权后的第二特征向量后,进一步融合所述加权后第二特征向量和所述第一特征向量以获得分类特征向量。相应地,在一个具体示例中,可以计算所述加权后第二特征向量和所述第一特征向量的按位置加权和以获得所述分类特征向量。然后,将所述分类特征向量通过分类器以获得用于表示是否产生预警信号的分类结果。
综上,基于本申请实施例的所述基于内外因素关联的锂电池预警系统的预警方法被阐明,其通过编码器和卷积神经网络模型对所述新能源车的外部因素和内部因素数据进行关联特征提取,以得到第一特征向量和第二特征向量,进一步计算这两个所述特征向量之间的响应性指数,可以有效表示这两方面的交互数据特征相对于彼此的响应性特征,以提高两方面的特征在分类应用中的可协调性,并且还计算这两个所述特征向量的响应性准则因数,以进一步基于向量整体的响应性指数计算节点之间的响应性细节。这样,通过这两者来作为所述第二特征向量的加权因数,可以比较准确地表示所述第一特征向量对所述第二特征向量的作用结果,从而提高分类准确性。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种基于内外因素关联的锂电池预警系统,其特征在于,包括:
外部因素数据单元,用于获取部署有锂电池的新能源车的各项外部因素数据,所述外部因素数据包括车辆地区、车辆使用时间、车辆是否有故障、车辆均衡情况、车辆使用电流、车辆行程历程;
内部因素数据单元,用于获取所述锂电池在预设时间段内的多个时间点的各项内部因素数据,所述内部因素数据包括最高温度、温度变化、温差、温度离散、最高电压、压差、电压变化、电压离散、内短路电阻和电池健康状态;
外部数据编码单元,用于将各项所述外部因素数据通过包含嵌入层的基于上下文的第一编码器模型以获得多个外部特征向量;
外部数据特征提取单元,用于将所述多个外部特征向量进行二维排列为输入矩阵后通过第一卷积神经网络以获得第一特征向量;
内部数据编码单元,用于将所述各个时间点的各项内部因素数据通过所述包含嵌入层的基于上下文的第二编码器模型以获得多个内部特征向量,并将所述多个内部特征向量进行级联以获得对应于所述各个时间点的级联特征向量;
内部数据特征提取单元,用于将所述各个时间点的级联特征向量进行二维排列为输入矩阵后通过第二卷积神经网络以获得第二特征向量;
响应性指数计算单元,用于计算所述第一特征向量和所述第二特征向量之间的响应性指数,所述响应性指数为所述第一特征向量与所述第二特征向量的转置的乘积除以所述第一特征向量的二范数与所述第二特征向量的二范数的乘积;
响应性准则因数计算单元,用于计算所述第一特征向量到所述第二特征向量的响应性准则因数,其中,所述响应性准则因数与所述第二特征向量对于所述第一特征向量的请求的正确响应数目和所述第二特征向量对于所述第一特征向量的请求的错误响应数目有关;
加权单元,用于以所述响应性指数和所述响应性准则因数的加权和作为权重对所述第二特征向量进行加权以获得加权后第二特征向量;
融合单元,用于融合所述加权后第二特征向量和所述第一特征向量以获得分类特征向量;以及
预警单元,用于将所述分类特征向量通过分类器以获得分类结果,所述分类结果用于表示是否产生预警信号。
2.根据权利要求1所述的基于内外因素关联的锂电池预警系统,其中,所述外部数据编码单元,进一步用于:使用所述第一编码器模型的嵌入层分别将各项所述外部因素数据转化为外部嵌入向量以获得外部嵌入向量的序列;以及,使用所述第一编码器模型的转换器对所述外部嵌入向量的序列进行基于上下文的全局语义编码以获得所述多个外部特征向量。
3.根据权利要求2所述的基于内外因素关联的锂电池预警系统,其中,所述外部数据特征提取单元,进一步用于使用所述第一卷积神经网络的各层在层的正向传递过程中对输入数据进行卷积处理、基于特征矩阵的池化处理和激活处理以由所述第一卷积神经网络的最后一层输出所述第一特征向量。
6.根据权利要求5所述的基于内外因素关联的锂电池预警系统,其中,所述融合单元,进一步用于计算所述加权后第二特征向量和所述第一特征向量的按位置加权和以获得所述分类特征向量。
7.根据权利要求6所述的基于内外因素关联的锂电池预警系统,其中,所述预警单元,进一步用于使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果,
其中,所述公式为:softmax{(Wn,Bn):…:(W1,B1)|X},其中,W1到Wn为权重矩阵,B1到Bn为偏置向量,X为分类特征向量。
8.一种基于内外因素关联的锂电池预警系统的预警方法,其特征在于,包括:
获取部署有锂电池的新能源车的各项外部因素数据,所述外部因素数据包括车辆地区、车辆使用时间、车辆是否有故障、车辆均衡情况、车辆使用电流、车辆行程历程;
获取所述锂电池在预设时间段内的多个时间点的各项内部因素数据,所述内部因素数据包括最高温度、温度变化、温差、温度离散、最高电压、压差、电压变化、电压离散、内短路电阻和电池健康状态;
将各项所述外部因素数据通过包含嵌入层的基于上下文的第一编码器模型以获得多个外部特征向量;
将所述多个外部特征向量进行二维排列为输入矩阵后通过第一卷积神经网络以获得第一特征向量;
将所述各个时间点的各项内部因素数据通过所述包含嵌入层的基于上下文的第二编码器模型以获得多个内部特征向量,并将所述多个内部特征向量进行级联以获得对应于所述各个时间点的级联特征向量;
将所述各个时间点的级联特征向量进行二维排列为输入矩阵后通过第二卷积神经网络以获得第二特征向量;
计算所述第一特征向量和所述第二特征向量之间的响应性指数,所述响应性指数为所述第一特征向量与所述第二特征向量的转置的乘积除以所述第一特征向量的二范数与所述第二特征向量的二范数的乘积;
计算所述第一特征向量到所述第二特征向量的响应性准则因数,其中,所述响应性准则因数与所述第二特征向量对于所述第一特征向量的请求的正确响应数目和所述第二特征向量对于所述第一特征向量的请求的错误响应数目有关;
以所述响应性指数和所述响应性准则因数的加权和作为权重对所述第二特征向量进行加权以获得加权后第二特征向量;
融合所述加权后第二特征向量和所述第一特征向量以获得分类特征向量;以及
将所述分类特征向量通过分类器以获得分类结果,所述分类结果用于表示是否产生预警信号。
9.根据权利要求8所述的基于内外因素关联的锂电池预警系统的预警方法,其中,将各项所述外部因素数据通过包含嵌入层的基于上下文的第一编码器模型以获得多个外部特征向量,包括:
使用所述第一编码器模型的嵌入层分别将各项所述外部因素数据转化为外部嵌入向量以获得外部嵌入向量的序列;以及,使用所述第一编码器模型的转换器对所述外部嵌入向量的序列进行基于上下文的全局语义编码以获得所述多个外部特征向量。
10.根据权利要求8所述的基于内外因素关联的锂电池预警系统的预警方法,其中,将所述多个外部特征向量进行二维排列为输入矩阵后通过第一卷积神经网络以获得第一特征向量,包括:
使用所述第一卷积神经网络的各层在层的正向传递过程中对输入数据进行卷积处理、基于特征矩阵的池化处理和激活处理以由所述第一卷积神经网络的最后一层输出所述第一特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210761347.2A CN115122927A (zh) | 2022-06-29 | 2022-06-29 | 基于内外因素关联的锂电池预警系统及其预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210761347.2A CN115122927A (zh) | 2022-06-29 | 2022-06-29 | 基于内外因素关联的锂电池预警系统及其预警方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115122927A true CN115122927A (zh) | 2022-09-30 |
Family
ID=83382306
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210761347.2A Withdrawn CN115122927A (zh) | 2022-06-29 | 2022-06-29 | 基于内外因素关联的锂电池预警系统及其预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115122927A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116930749A (zh) * | 2023-06-15 | 2023-10-24 | 浙江联大科技有限公司 | 管状电机的遇阻检测系统及其方法 |
-
2022
- 2022-06-29 CN CN202210761347.2A patent/CN115122927A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116930749A (zh) * | 2023-06-15 | 2023-10-24 | 浙江联大科技有限公司 | 管状电机的遇阻检测系统及其方法 |
CN116930749B (zh) * | 2023-06-15 | 2024-02-13 | 浙江联大科技有限公司 | 管状电机的遇阻检测系统及其方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115564203B (zh) | 基于多维数据协同的设备实时性能评估系统及其方法 | |
CN115079572B (zh) | 用于六氟磷酸锂制备的能源管理控制系统及其控制方法 | |
CN114647198B (zh) | 基于物联网的智能家居控制方法、系统和电子设备 | |
CN108020781B (zh) | 一种断路器故障诊断方法 | |
CN111652348A (zh) | 一种基于改进cnn的动力电池组故障融合诊断方法及系统 | |
CN115122927A (zh) | 基于内外因素关联的锂电池预警系统及其预警方法 | |
CN115099684B (zh) | 企业安全生产管理系统及其管理方法 | |
CN114782882B (zh) | 基于多模态特征融合的视频目标行为异常检测方法和系统 | |
CN115456789B (zh) | 基于交易模式识别的异常交易检测方法及其系统 | |
CN115410069A (zh) | 基于多重注意力机制的故障检测方法及其系统 | |
CN109785409B (zh) | 一种基于注意力机制的图像-文本数据融合方法和系统 | |
CN114564993A (zh) | 基于多源信息融合的疲劳检测系统及其操作方法 | |
CN114355240A (zh) | 配电网接地故障诊断方法及装置 | |
CN115146676A (zh) | 电路故障检测方法及其系统 | |
CN110851654A (zh) | 基于张量化数据降维的工业设备故障检测分类方法 | |
CN115294639B (zh) | 色温可调灯带及其控制方法 | |
CN115374822A (zh) | 基于多级特征融合的故障诊断方法及其系统 | |
CN114821169A (zh) | 微服务架构下的方法级无侵入调用链路追踪方法 | |
Xi et al. | Online fault diagnosis for photovoltaic arrays based on fisher discrimination dictionary learning for sparse representation | |
CN113111543A (zh) | 物联网服务系统 | |
Szeto et al. | Click here: Human-localized keypoints as guidance for viewpoint estimation | |
CN115324843A (zh) | 基于监测数据的风力发电机组的故障诊断系统及其方法 | |
CN115376321A (zh) | 智慧交通下的智能汽车的目标检测方法及其系统 | |
CN114633776A (zh) | 用于智能列车的全局监测方法、系统和电子设备 | |
CN115205788A (zh) | 食材质量监控系统 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220930 |
|
WW01 | Invention patent application withdrawn after publication |