CN115356639B - 一种双向锂离子电池智能健康监控方法及系统 - Google Patents

一种双向锂离子电池智能健康监控方法及系统 Download PDF

Info

Publication number
CN115356639B
CN115356639B CN202211196454.1A CN202211196454A CN115356639B CN 115356639 B CN115356639 B CN 115356639B CN 202211196454 A CN202211196454 A CN 202211196454A CN 115356639 B CN115356639 B CN 115356639B
Authority
CN
China
Prior art keywords
fault
data
real
discharging
historical
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.)
Active
Application number
CN202211196454.1A
Other languages
English (en)
Other versions
CN115356639A (zh
Inventor
杨之乐
安钊
郭媛君
刘祥飞
赵世豪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN202211196454.1A priority Critical patent/CN115356639B/zh
Publication of CN115356639A publication Critical patent/CN115356639A/zh
Priority to PCT/CN2022/137799 priority patent/WO2024066052A1/zh
Application granted granted Critical
Publication of CN115356639B publication Critical patent/CN115356639B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • 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
    • 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
    • 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

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Electrochemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Chemical & Material Sciences (AREA)
  • General Chemical & Material Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Manufacturing & Machinery (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明公开了一种双向锂离子电池智能健康监控方法及系统，方法包括：基于传感器采集双向锂电池不同时间段的历史充放电数据，上传至云端数据库，并基于数字孪生系统模拟出双向锂电池的实时充放电数据；确定历史充放电数据中的历史故障数据，并基于条件生成对抗网络以及预设的数据标签，生成样本故障数据；根据样本故障数据，训练得到故障预测模型，并对实时充放电数据进行故障预测，得到故障预测结果；若故障预测结果为实时充放电数据中存在故障数据时，则对故障数据进行分类，确定对应的故障类别信息，并将故障类别反馈在数字孪生系统中。本发明可实现对双向锂离子电池的健康状态进行监控，并有利于实现在线预警。

Description

一种双向锂离子电池智能健康监控方法及系统
技术领域
本发明涉及锂电池监控技术领域，尤其涉及一种双向锂离子电池智能健康监控方法及系统。
背景技术
传统的锂电池健康监控与预测是基于放电容量特征来预测寿命的可能性，但是这种预测方式的可预测性能较差。因为电池循环寿命与早期循环次数下的放电容量之间的关联很弱，与放电容量衰退率的关联稍微高一点，但这些微弱的关联还不足以支撑准确预测电池循环寿命。因此，现有的锂电池健康监控的方式无法实现准取的预测。
因此，现有技术还有待改进和提高。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种双向锂离子电池智能健康监控方法及系统，旨在解决现有技术中的锂电池健康监控的方式无法实现准取的预测的问题。
为了解决上述技术问题，本发明所采用的技术方案如下：
第一方面，本发明提供一种双向锂离子电池智能健康监控方法，其中，所述方法包括：
基于传感器采集双向锂电池不同时间段的历史充放电数据，将所述历史充放电数据上传至云端数据库，并基于数字孪生系统模拟出所述双向锂电池的实时充放电数据；
确定所述历史充放电数据中的历史故障数据，并基于条件生成对抗网络以及预设的数据标签，生成与所述历史故障数据分布相同的样本故障数据；
根据所述样本故障数据，训练得到故障预测模型，并根据所述故障预测模型对所述实时充放电数据进行故障预测，得到故障预测结果；
若所述故障预测结果为所述实时充放电数据中存在故障数据时，则基于预先训练得到的故障分类器对所述故障数据进行分类，确定所述故障数据对应的故障类别信息，并将所述故障类别反馈在所述数字孪生系统中。
在一种实现方式中，所述基于传感器采集双向锂电池不同时间段的历史充放电数据，将所述历史充放电数据上传至云端数据库，并基于数字孪生系统模拟出所述双向锂电池的实时充放电数据，包括：
基于不同的传感器采集所述双向锂离子电池在不同时间段的充放电电压、压差、电池能量以及温度，得到所述历史充放电数据；
将所述历史充放电数据上传至所述云端数据库，调取所述云端数据库的数字孪生系统对所述历史充放电数据模拟出虚拟的实时充放电数据，并将所述实时充放电数据进行显示，所述实时充放电数据用于反映所述双向锂离子电池的充放电状态。
在一种实现方式中，所述确定所述历史充放电数据中的历史故障数据，并基于条件生成对抗网络以及预设的数据标签，生成与所述历史故障数据分布相同的样本故障数据，包括：
对所述历史充放电数据进行筛选，确定所述历史充放电数据中的所述历史故障数据；
确定所述历史故障数据所对应的类别信息，并基于所述历史故障数据对应的类别信息设置所述数据标签，所述数据标签与所述类别信息对应；
在预设的条件对抗网络中的输入层中添加所述数据标签，生成与所述历史故障数据分布相同的所述样本故障数据。
在一种实现方式中，所述根据所述样本故障数据，训练得到故障预测模型，包括：
获取所述样本故障数据所对应的时间信息，并对所述样本故障数据进行拟合，形成样本故障曲线；
获取预设的真实故障曲线，并根据所述样本故障曲线与所述真实故障曲线训练预设的神经网络模型，得到所述故障预测模型。
在一种实现方式中，所述根据所述样本故障曲线与所述真实故障曲线训练预设的神经网络模型，得到所述故障预测模型，包括：
计算所述样本故障曲线与所述真实故障曲线之间的马氏距离，所述马氏距离用于反映所述样本故障曲线与所述真实故障曲线之间的差异；
根据所述马氏距离，重复训练所述神经网络模型，直至训练得到所述故障预测模型。
在一种实现方式中，所述根据所述马氏距离，重复训练所述神经网络模型，直至训练得到所述故障预测模型，包括：
基于所述马氏距离，确定所述马氏距离是否大于预设的距离阈值；
若所述马氏距离大于所述距离阈值，则重复迭代训练所述神经网络模型，直至所述神经网络模型的收敛函数满足预设要求，得到所述故障预测模型。
在一种实现方式中，所述将所述故障类别反馈在所述数字孪生系统中，包括：
根据所述故障类别对所述双向锂电池进行在线预警，并将所述故障类别在所述数字孪生系统中进行显示。
第二方面，本发明实施例中还提供一种双向锂离子电池智能健康监控装置，其中，所述装置包括：
数据模拟模块，用于基于传感器采集双向锂电池不同时间段的历史充放电数据，将所述历史充放电数据上传至云端数据库，并基于数字孪生系统模拟出所述双向锂电池的实时充放电数据；
数据扩增模块，与确定所述历史充放电数据中的历史故障数据，并基于条件生成对抗网络以及预设的数据标签，生成与所述历史故障数据分布相同的样本故障数据；
故障预测模块，用于根据所述样本故障数据，训练得到故障预测模型，并根据所述故障预测模型对所述实时充放电数据进行故障预测，得到故障预测结果；
故障分类模块，用于若所述故障预测结果为所述实时充放电数据中存在故障数据时，则基于预先训练得到的故障分类器对所述故障数据进行分类，确定所述故障数据对应的故障类别信息，并将所述故障类别反馈在所述数字孪生系统中。
第三方面，本发明实施例还提供一种终端设备，终端设备包括存储器、处理器及存储在存储器中并可在处理器上运行的双向锂离子电池智能健康监控程序，处理器执行双向锂离子电池智能健康监控程序时，实现如上述方案中任一项的双向锂离子电池智能健康监控方法的步骤。
第四方面，本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有双向锂离子电池智能健康监控程序，双向锂离子电池智能健康监控程序被处理器执行时，实现如上述方案中任一项的双向锂离子电池智能健康监控方法的步骤。
有益效果：与现有技术相比，本发明提供了一种双向锂离子电池智能健康监控方法，本发明首先基于传感器采集双向锂电池不同时间段的历史充放电数据，将所述历史充放电数据上传至云端数据库，并基于数字孪生系统模拟出所述双向锂电池的实时充放电数据。然后，确定所述历史充放电数据中的历史故障数据，并基于条件生成对抗网络以及预设的数据标签，生成与所述历史故障数据分布相同的样本故障数据。接着，根据所述样本故障数据，训练得到故障预测模型，并根据所述故障预测模型对所述实时充放电数据进行故障预测，得到故障预测结果。最后，若所述故障预测结果为所述实时充放电数据中存在故障数据时，则基于预先训练得到的故障分类器对所述故障数据进行分类，确定所述故障数据对应的故障类别信息，并将所述故障类别反馈在所述数字孪生系统中。本发明基于条件生成对抗网络生成样本故障数据，扩增了样本量，因此基于扩增后的样本故障数据可以更好地对锂电池进行健康监控与预测，提高预测的准确性。
附图说明
图1为本发明实施例提供的双向锂离子电池智能健康监控方法的具体实施方式的流程图。
图2为本发明实施例提供的双向锂离子电池智能健康监控装置的原理框图。
图3为本发明实施例提供的终端设备的原理框图。
具体实施方式
为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本实施例提供一种双向锂离子电池智能健康监控方法，基于该方法可以更好地对锂电池进行健康监控与预测，提高预测的准确性。具体地，本实施例首先基于传感器采集双向锂电池不同时间段的历史充放电数据，将所述历史充放电数据上传至云端数据库，并基于数字孪生系统模拟出所述双向锂电池的实时充放电数据。然后，确定所述历史充放电数据中的历史故障数据，并基于条件生成对抗网络以及预设的数据标签，生成与所述历史故障数据分布相同的样本故障数据。接着，根据所述样本故障数据，训练得到故障预测模型，并根据所述故障预测模型对所述实时充放电数据进行故障预测，得到故障预测结果。最后，若所述故障预测结果为所述实时充放电数据中存在故障数据时，则基于预先训练得到的故障分类器对所述故障数据进行分类，确定所述故障数据对应的故障类别信息，并将所述故障类别反馈在所述数字孪生系统中。
示例性方法
本实施例的双向锂离子电池智能健康监控方法可应用于终端设备中，所述终端设备可为电脑、手机等智能化终端产品。所述终端设备可与一云端数据库连接，所述云端数据库可在后台对所述终端设备获取到的数据进行分析。在本实施例中，如图1中所示，所述双向锂离子电池智能健康监控方法具体包括如下步骤：
步骤S100、基于传感器采集双向锂电池不同时间段的历史充放电数据，将所述历史充放电数据上传至云端数据库，并基于数字孪生系统模拟出所述双向锂电池的实时充放电数据。
本实施例在实现对双向锂电池进行健康监控时，首先需要对双向锂电池进行充放电数据的采集，并且，在进行数据采集时，本实施例需要对不同时间段的双向锂电池的充放电数据进行采集，以便得到不同状态下的充放电数据。当本实施例基于传感器采集双向锂电池不同时间段的历史充放电数据后，可将历史充放电数据上传至云端数据库。所述云端数据库中设置有数字孪生系统，该数字孪生系统可对采集到的历史充放电数据进行仿真与模拟，得到所述双向锂电池的实时充放电数据。本实施例中的实时充放电数据可反映出该双向锂电池在充放电时的实时状态。
在一种实现方式中，本实施例在采集历史充放电数据以及模拟出实时充放电数据时，包括如下步骤：
步骤S101、基于不同的传感器采集所述双向锂离子电池在不同时间段的充放电电压、压差、电池能量以及温度，得到所述历史充放电数据；
步骤S102、将所述历史充放电数据上传至所述云端数据库，调取所述云端数据库的数字孪生系统对所述历史充放电数据模拟出虚拟的实时充放电数据，并将所述实时充放电数据进行显示，所述实时充放电数据用于反映所述双向锂离子电池的充放电状态。
具体地，本实施例设置有多个不同的传感器，每个传感器可用于采集不同的数据。在采集时，本实施例可对双向锂离子电池在不同时间段的充放电电压、压差、电池能量以及温度进行采集，然后将采集得到的充放电电压、压差、电池能量以及温度作为历史充放电数据，并上传至云端数据库中。在云端数据库中，数字孪生系统可对所述历史充放电数据进行模拟，以模拟出虚拟的实时充放电数据，模拟出的实时充放电数据可基于数据的类别进行分类，并且还可以曲线状态图的形式进行显示，以更直观地体现该双向锂电池的充放电状态。
步骤S200、确定所述历史充放电数据中的历史故障数据，并基于条件生成对抗网络以及预设的数据标签，生成与所述历史故障数据分布相同的样本故障数据。
当采集到历史充放电数据后，本实施例可从该历史充放电数据中确定历史故障数据，所述历史故障数据即为所述历史充放电数据中的异常数据，比如充放电电压异常或者温度异常，这些历史故障数据都是属于真实的故障数据。而由于本实施例所采集到的历史充放电数据是有限的，属于小样本数据，因此在进行故障预测时，本实施例需要对历史故障数据进行扩增，以便增加数据集的样本数据的数量，这样在后续步骤中可更为准确地预测出故障。
在一种实现方式中，本实施例对历史故障数据进行扩增时包括如下步骤：
步骤S201、对所述历史充放电数据进行筛选，确定所述历史充放电数据中的所述历史故障数据；
步骤S202、确定所述历史故障数据所对应的类别信息，并基于所述历史故障数据对应的类别信息设置所述数据标签，所述数据标签与所述类别信息对应；
步骤S203、在预设的条件对抗网络中的输入层中添加所述数据标签，生成与所述历史故障数据分布相同的所述样本故障数据。
具体地，本实施例首先可对历史充放电数据进行筛选，确定所述历史充放电数据中的所述历史故障数据。在确定出所述历史故障数据后，本实施例确定该历史故障数据对应的类别信息，即确定该历史故障数据是由哪一个数据所造成的故障，比如，是温度故障、压差故障还是充放电电压故障等。当确定出类别信息后，本实施例可基于所述历史故障数据对应的类别信息设置所述数据标签，该数据标签是按照类别信息设定的。在条件对抗网络中，当加入数据标签后，条件对抗网络就可以依照该数据标签的类别信息生成与该类别信息分不相同的样本数据。为此本实施例可在条件对抗网络中的输入层中添加所述数据标签，就可以生成与历史故障数据的类别信息分布相同的故障数据，这些与历史故障数据的类别信息分布相同的故障数据就为样本故障数据。因此本实施例的样本故障数据就包括各种类别信息的故障数据，相对于历史故障数据来说，样本故障数据的数据量更多，并且分布是与历史故障数据是相同的，因此后续过程中使用样本故障数据进行故障预测分析，可以使得预测结果更为准确。
步骤S300、根据所述样本故障数据，训练得到故障预测模型，并根据所述故障预测模型对所述实时充放电数据进行故障预测，得到故障预测结果。
在本实施例中，当得到所述样本故障数据后，本实施例可根据该样本故障数据来进行训练，得到一故障预测模型，所述故障预测模型可实现对实时充放电数据进行故障预测，得到故障预测结果，从而实现对双向锂电池进行健康监控。本实施例中故障预测模型为GRU故障预测模型，GRU是LSTM网络的一种效果很好的变体，它较LSTM网络的结构更加简单，而且效果也很好，因此本实施例的故障预测模型可以更为准确地对实时充放电数据进行故障预测。
在一种实现方式中，本实施例在对训练故障预测模型时，包括如下步骤：
步骤S301、获取所述样本故障数据所对应的时间信息，并对所述样本故障数据进行拟合，形成样本故障曲线；
步骤S302、获取预设的真实故障曲线，并根据所述样本故障曲线与所述真实故障曲线训练预设的神经网络模型，得到所述故障预测模型。
具体地，本实施例在得到所述样本故障数据后，获取每一个样本故障数据所对应的类别信息，所述类别信息反映的是每一个样本故障数据是对应什么故障。当得到每一个样本故障数据所对应的类别信息后，本实施将所有的样本故障数据以及对应的类别信息进行拟合，形成样本故障曲线，该样本故障曲线可用于反映故障的分布情况。由于本实施例中的样本故障曲线是基于历史故障数据扩增得到的，因此样本故障曲线所体现的故障分布情况可一定程度的反映该双向锂离子电池的真实故障分布，但是由于样本扩增时可能也会出现误差，因此，本实施例在使用样本故障数据来训练预设的神经网络模型（如GRU网络）时，需要对该样本故障数据的真实性进行分析，也就是判定该样本故障数据是否可以作为GRU网络的训练样本。本实施例获取真实故障曲线，然后将样本故障曲线与真实故障曲线进行比较，来确定出所述样本故障曲线的真实性。具体地，所述真实故障曲线是基于双向锂离子电池在预设时间段内真实的故障，因此本实施在得到样本故障曲线和真实故障曲线之后，基于同一个类别信息来计算样本故障曲线和真实故障曲线之间的马氏距离，马氏距离(Mahalanobis Distance)是度量学习中一种常用的距离指标,同欧氏距离、曼哈顿距离、汉明距离等一样被用作评定数据之间的相似度指标。因此，基于马氏距离就可以确定在该类别信息对应的样本故障曲线与真实故障曲线之间差异，也就可以反映出该样本故障曲线与真实故障曲线之间相似度，从而确定出样本故障曲线的真实性。比如，基于温度故障，本实施例计算温度故障对应的样本故障曲线与真实故障曲线之间的马氏距离，从而确定出对于温度故障来说，样本故障曲线与真实故障曲线之间的相似度。同样地，对于其他类别信息，也可以基于同样的方式来确定对应的样本故障数据与真实故障曲线之间的相似度。
在训练神经网络模型（如GRU网络）时，本实施例将计算得到的马氏距离作为训练约束条件。具体地，本实施例基于所述马氏距离，确定所述马氏距离是否大于预设的距离阈值；在使用样本故障数据进行训练时，若所述马氏距离大于所述距离阈值，则就重复迭代训练所述神经网络模型若干次，直到神经网络模型的收敛函数满足预设要求，得到所述故障预测模型。并且，在训练时，该样本故障数据中具有多种类别信息对应的故障数据，而不同类别信息对应的样本故障曲线与真实故障曲线之间的相似度可能不一样，本实施例在训练时，只要任何一种类别信息对应的样本故障曲线与真实故障曲线之间的马氏距离大于预设的距离阈值，则就会重复迭代训练该神经网络模型，直至训练结束，就可得到的故障预测模型。当得到所述故障预测模型后，本实施例可使用该故障预测模型来对模拟出来的实时充放电数据进行故障预测，得到故障预测结果。本实施例中的故障预测模型是用于预测出实时充放电数据中是否存在故障数据，以实现对双向锂离子电池的健康监控。
步骤S400、若所述故障预测结果为所述实时充放电数据中存在故障数据时，则基于预先训练得到的故障分类器对所述故障数据进行分类，确定所述故障数据对应的故障类别信息，并将所述故障类别反馈在所述数字孪生系统中。
如果基于所述故障预测模型预测出所述实时充放电数据中存在故障数据，则为了更好地对双向锂离子电池进行健康监控以及更好地进行预警，本实施例可基于预先训练得到的故障分类器对所述故障数据进行分类，确定所述故障数据对应的故障类别信息，也就是确定该故障数据是属于哪一种故障，并将所述故障类别反馈在所述数字孪生系统中，便于更为直观地确定出双向锂离子电池的故障。
具体地，本实施例预先基于样本故障数据通过随机森林算法来训练一个具有强鲁棒性的故障分类器，随机森林算法指的是利用多棵树对样本故障数据进行训练，得到的故障分类器鲁棒性更好，因此基于该故障分类器可以更为准确地确定出实时充放电数据中存在的故障数据对应的故障类别信息，因此也就判断出双向锂离子电池处于哪一种故障类别。在得到故障类别信息后，本实施例将确定出的故障类别信息反馈至数字孪生系统中，并进行实时显示并进行在线预警，以达到对双向锂离子电池的实时监控与在线预警的目的，方便工作人员及时了解到双向锂离子电池的健康状态。
综上，本实施例首先基于传感器采集双向锂电池不同时间段的历史充放电数据，将所述历史充放电数据上传至云端数据库，并基于数字孪生系统模拟出所述双向锂电池的实时充放电数据。然后，确定所述历史充放电数据中的历史故障数据，并基于条件生成对抗网络以及预设的数据标签，生成与所述历史故障数据分布相同的样本故障数据。接着，根据所述样本故障数据，训练得到故障预测模型，并根据所述故障预测模型对所述实时充放电数据进行故障预测，得到故障预测结果。最后，若所述故障预测结果为所述实时充放电数据中存在故障数据时，则基于预先训练得到的故障分类器对所述故障数据进行分类，确定所述故障数据对应的故障类别信息，并将所述故障类别反馈在所述数字孪生系统中。本实施例基于条件生成对抗网络生成样本故障数据，扩增了样本量，因此基于扩增后的样本故障数据可以更好地对锂电池进行健康监控与预测，提高预测的准确性。
示例性装置
基于上述实施例，本发明还提供一种双向锂离子电池智能健康监控装置，具体地，如图2中所示，所述装置包括：数据模拟模块10、数据扩增模块20、故障预测模块30以及故障分类模块40。具体地，所述数据模拟模块10，用于基于传感器采集双向锂电池不同时间段的历史充放电数据，将所述历史充放电数据上传至云端数据库，并基于数字孪生系统模拟出所述双向锂电池的实时充放电数据。所述数据扩增模块20，与确定所述历史充放电数据中的历史故障数据，并基于条件生成对抗网络以及预设的数据标签，生成与所述历史故障数据分布相同的样本故障数据。所述故障预测模块30，用于根据所述样本故障数据，训练得到故障预测模型，并根据所述故障预测模型对所述实时充放电数据进行故障预测，得到故障预测结果。所述故障分类模块40，用于若所述故障预测结果为所述实时充放电数据中存在故障数据时，则基于预先训练得到的故障分类器对所述故障数据进行分类，确定所述故障数据对应的故障类别信息，并将所述故障类别反馈在所述数字孪生系统中。
在一种实现方式中，所述数据模拟模块10包括：
数据采集单元，用于基于不同的传感器采集所述双向锂离子电池在不同时间段的充放电电压、压差、电池能量以及温度，得到所述历史充放电数据；
数据模拟单元，用于将所述历史充放电数据上传至所述云端数据库，调取所述云端数据库的数字孪生系统对所述历史充放电数据模拟出虚拟的实时充放电数据，并将所述实时充放电数据进行显示，所述实时充放电数据用于反映所述双向锂离子电池的充放电状态。
在一种实现方式中，所述数据扩增模块20，包括：
数据筛选单元，用于对所述历史充放电数据进行筛选，确定所述历史充放电数据中的所述历史故障数据；
类别确定单元，用于确定所述历史故障数据所对应的类别信息，并基于所述历史故障数据对应的类别信息设置所述数据标签，所述数据标签与所述类别信息对应；
数据扩增单元，用于在预设的条件对抗网络中的输入层中添加所述数据标签，生成与所述历史故障数据分布相同的所述样本故障数据。
在一种实现方式中，所述故障预测模块30，包括：
数据拟合单元，用于获取所述样本故障数据所对应的类别信息，并对所述样本故障数据进行拟合，形成样本故障曲线；
模型训练单元，用于获取预设的真实故障曲线，并根据所述样本故障曲线与所述真实故障曲线训练预设的神经网络模型，得到所述故障预测模型。
在一种实现方式中，所述模型训练单元，包括：
马氏距离确定子单元，用于计算所述样本故障曲线与所述真实故障曲线之间的马氏距离，所述马氏距离用于反映所述样本故障曲线与所述真实故障曲线之间的差异；
预测模型训练子单元，用于根据所述马氏距离，重复训练所述神经网络模型，直至训练得到所述故障预测模型。
在一种实现方式中，所述模预测模型训练子单元，包括：
距离分析子单元，用于基于所述马氏距离，确定所述马氏距离是否大于预设的距离阈值；
迭代训练子单元，用于若所述马氏距离大于所述距离阈值，则重复迭代训练所述神经网络模型，直至所述神经网络模型的收敛函数满足预设要求，得到所述故障预测模型。
在一种实现方式中，所述故障分类模块40，包括：
预警与显示单元，用于根据所述故障类别对所述双向锂电池进行在线预警，并将所述故障类别在所述数字孪生系统中进行显示。
本实施例的双向锂离子电池智能健康监控装置中各个模块的工作原理与上述方法实施例中各个步骤的原理相同，此处不再赘述。
基于上述实施例，本发明还提供了一种终端设备，所述终端设备可为智能电脑等终端平台，所述终端设备的原理框图可以如图3所示。该终端设备包括通过系统总线连接的处理器、存储器，处理器与存储器设置在主机中。其中，该终端设备的处理器用于提供计算和控制能力。该终端设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该终端设备的网络接口用于与外部的终端通过网络通讯连接通信。该计算机程序被处理器执行时以实现一种双向锂离子电池智能健康监控方法。
本领域技术人员可以理解，图3中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的终端设备的限定，具体的终端设备以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种终端设备，终端设备包括存储器、处理器及存储在存储器中并可在处理器上运行的双向锂离子电池智能健康监控方法程序，处理器执行双向锂离子电池智能健康监控方法程序时，实现如下操作指令：
基于传感器采集双向锂电池不同时间段的历史充放电数据，将所述历史充放电数据上传至云端数据库，并基于数字孪生系统模拟出所述双向锂电池的实时充放电数据；
确定所述历史充放电数据中的历史故障数据，并基于条件生成对抗网络以及预设的数据标签，生成与所述历史故障数据分布相同的样本故障数据；
根据所述样本故障数据，训练得到故障预测模型，并根据所述故障预测模型对所述实时充放电数据进行故障预测，得到故障预测结果；
若所述故障预测结果为所述实时充放电数据中存在故障数据时，则基于预先训练得到的故障分类器对所述故障数据进行分类，确定所述故障数据对应的故障类别信息，并将所述故障类别反馈在所述数字孪生系统中。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成的，计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、运营数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双运营数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
综上，本发明公开了一种双向锂离子电池智能健康监控方法及系统，方法包括：基于传感器采集双向锂电池不同时间段的历史充放电数据，上传至云端数据库，并基于数字孪生系统模拟出双向锂电池的实时充放电数据；确定历史充放电数据中的历史故障数据，并基于条件生成对抗网络以及预设的数据标签，生成样本故障数据；根据样本故障数据，训练得到故障预测模型，并对实时充放电数据进行故障预测，得到故障预测结果；若故障预测结果为实时充放电数据中存在故障数据时，则对故障数据进行分类，确定对应的故障类别信息，并将故障类别反馈在数字孪生系统中。本发明可实现对双向锂离子电池的健康状态进行监控，并有利于实现在线预警。
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：其依然可以对前述各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各实施例技术方案的精神和范围。

Claims (6)

1.一种双向锂离子电池智能健康监控方法，其特征在于，所述方法包括：
基于传感器采集双向锂电池不同时间段的历史充放电数据，将所述历史充放电数据上传至云端数据库，并基于数字孪生系统模拟出所述双向锂电池的实时充放电数据；
确定所述历史充放电数据中的历史故障数据，并基于条件生成对抗网络以及预设的数据标签，生成与所述历史故障数据分布相同的样本故障数据；
根据所述样本故障数据，训练得到故障预测模型，并根据所述故障预测模型对所述实时充放电数据进行故障预测，得到故障预测结果；
若所述故障预测结果为所述实时充放电数据中存在故障数据时，则基于预先训练得到的故障分类器对所述故障数据进行分类，确定所述故障数据对应的故障类别信息，并将所述故障类别反馈在所述数字孪生系统中；
所述根据所述样本故障数据，训练得到故障预测模型，包括：
获取所述样本故障数据所对应的时间信息，并对所述样本故障数据进行拟合，形成样本故障曲线；
获取预设的真实故障曲线，并根据所述样本故障曲线与所述真实故障曲线训练预设的神经网络模型，得到所述故障预测模型；
所述根据所述样本故障曲线与所述真实故障曲线训练预设的神经网络模型，得到所述故障预测模型，包括：
基于同一个类别信息计算所述样本故障曲线与所述真实故障曲线之间的马氏距离，所述马氏距离用于反映所述样本故障曲线与所述真实故障曲线之间的差异；
根据所述马氏距离，重复训练所述神经网络模型，直至训练得到所述故障预测模型；
所述根据所述马氏距离，重复训练所述神经网络模型，直至训练得到所述故障预测模型，包括：
基于所述马氏距离，确定所述马氏距离是否大于预设的距离阈值；
只要任何一种类别信息对应的样本故障曲线与真实故障曲线之间的所述马氏距离大于所述距离阈值，则重复迭代训练所述神经网络模型，直至所述神经网络模型的收敛函数满足预设要求，得到所述故障预测模型；
所述将所述故障类别反馈在所述数字孪生系统中，包括：
根据所述故障类别对所述双向锂电池进行在线预警，并将所述故障类别在所述数字孪生系统中进行显示；
所述根据所述故障类别对所述双向锂电池进行在线预警，并将所述故障类别在所述数字孪生系统中进行显示，包括：
预先基于样本故障数据通过随机森林算法来训练一个具有强鲁棒性的故障分类器，所述随机森林算法指的是利用多棵树对样本故障数据进行训练；
基于所述故障分类器确定出实时充放电数据中存在的故障数据对应的故障类别信息，判断出双向锂离子电池的故障类别；
在得到故障类别信息后，将确定出的故障类别信息反馈至数字孪生系统中，并进行实时显示。
2.根据权利要求1所述的双向锂离子电池智能健康监控方法，其特征在于，所述基于传感器采集双向锂电池不同时间段的历史充放电数据，将所述历史充放电数据上传至云端数据库，并基于数字孪生系统模拟出所述双向锂电池的实时充放电数据，包括：
基于不同的传感器采集所述双向锂离子电池在不同时间段的充放电电压、压差、电池能量以及温度，得到所述历史充放电数据；
将所述历史充放电数据上传至所述云端数据库，调取所述云端数据库的数字孪生系统对所述历史充放电数据模拟出虚拟的实时充放电数据，并将所述实时充放电数据进行显示，所述实时充放电数据用于反映所述双向锂离子电池的充放电状态。
3.根据权利要求1所述的双向锂离子电池智能健康监控方法，其特征在于，所述确定所述历史充放电数据中的历史故障数据，并基于条件生成对抗网络以及预设的数据标签，生成与所述历史故障数据分布相同的样本故障数据，包括：
对所述历史充放电数据进行筛选，确定所述历史充放电数据中的所述历史故障数据；
确定所述历史故障数据所对应的类别信息，并基于所述历史故障数据对应的类别信息设置所述数据标签，所述数据标签与所述类别信息对应；
在预设的条件对抗网络中的输入层中添加所述数据标签，生成与所述历史故障数据分布相同的所述样本故障数据。
4.一种双向锂离子电池智能健康监控装置，其特征在于，所述装置包括：
数据模拟模块，用于基于传感器采集双向锂电池不同时间段的历史充放电数据，将所述历史充放电数据上传至云端数据库，并基于数字孪生系统模拟出所述双向锂电池的实时充放电数据；
数据扩增模块，与确定所述历史充放电数据中的历史故障数据，并基于条件生成对抗网络以及预设的数据标签，生成与所述历史故障数据分布相同的样本故障数据；
故障预测模块，用于根据所述样本故障数据，训练得到故障预测模型，并根据所述故障预测模型对所述实时充放电数据进行故障预测，得到故障预测结果；
故障分类模块，用于若所述故障预测结果为所述实时充放电数据中存在故障数据时，则基于预先训练得到的故障分类器对所述故障数据进行分类，确定所述故障数据对应的故障类别信息，并将所述故障类别反馈在所述数字孪生系统中；
所述故障预测模块，包括：
数据拟合单元，用于获取所述样本故障数据所对应的类别信息，并对所述样本故障数据进行拟合，形成样本故障曲线；
模型训练单元，用于获取预设的真实故障曲线，并根据所述样本故障曲线与所述真实故障曲线训练预设的神经网络模型，得到所述故障预测模型；
所述模型训练单元，包括：
马氏距离确定子单元，用于基于同一个类别信息计算所述样本故障曲线与所述真实故障曲线之间的马氏距离，所述马氏距离用于反映所述样本故障曲线与所述真实故障曲线之间的差异；
预测模型训练子单元，用于根据所述马氏距离，重复训练所述神经网络模型，直至训练得到所述故障预测模型；
所述模预测模型训练子单元，包括：
距离分析子单元，用于基于所述马氏距离，确定所述马氏距离是否大于预设的距离阈值；
迭代训练子单元，用于只要任何一种类别信息对应的样本故障曲线与真实故障曲线之间的所述马氏距离大于所述距离阈值，则重复迭代训练所述神经网络模型，直至所述神经网络模型的收敛函数满足预设要求，得到所述故障预测模型；
所述故障分类模块，包括：
预警与显示单元，用于根据所述故障类别对所述双向锂电池进行在线预警，并将所述故障类别在所述数字孪生系统中进行显示；
所述预警与显示单元，包括：
预先基于样本故障数据通过随机森林算法来训练一个具有强鲁棒性的故障分类器，所述随机森林算法指的是利用多棵树对样本故障数据进行训练；
基于所述故障分类器确定出实时充放电数据中存在的故障数据对应的故障类别信息，判断出双向锂离子电池的故障类别；
在得到故障类别信息后，将确定出的故障类别信息反馈至数字孪生系统中，并进行实时显示。
5.一种终端设备，其特征在于，终端设备包括存储器、处理器及存储在存储器中并可在处理器上运行的双向锂离子电池智能健康监控程序，处理器执行双向锂离子电池智能健康监控程序时，实现如权利要求1-3任一项的双向锂离子电池智能健康监控方法的步骤。
6.一种计算机可读存储介质，其特征在于，计算机可读存储介质上存储有双向锂离子电池智能健康监控程序，双向锂离子电池智能健康监控程序被处理器执行时，实现如权利要求1-3任一项的双向锂离子电池智能健康监控方法的步骤。
CN202211196454.1A 2022-09-29 2022-09-29 一种双向锂离子电池智能健康监控方法及系统 Active CN115356639B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202211196454.1A CN115356639B (zh) 2022-09-29 2022-09-29 一种双向锂离子电池智能健康监控方法及系统
PCT/CN2022/137799 WO2024066052A1 (zh) 2022-09-29 2022-12-09 一种双向锂离子电池智能健康监控方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211196454.1A CN115356639B (zh) 2022-09-29 2022-09-29 一种双向锂离子电池智能健康监控方法及系统

Publications (2)

Publication Number Publication Date
CN115356639A CN115356639A (zh) 2022-11-18
CN115356639B true CN115356639B (zh) 2023-04-18

Family

ID=84008552

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211196454.1A Active CN115356639B (zh) 2022-09-29 2022-09-29 一种双向锂离子电池智能健康监控方法及系统

Country Status (2)

Country Link
CN (1) CN115356639B (zh)
WO (1) WO2024066052A1 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115356639B (zh) * 2022-09-29 2023-04-18 深圳先进技术研究院 一种双向锂离子电池智能健康监控方法及系统
CN116184293B (zh) * 2023-03-01 2024-02-13 深圳市中科恒辉科技有限公司 一种基于数字孪生锂电池系统的故障诊断方法及报警系统
CN116340848B (zh) * 2023-03-31 2023-11-14 北京理工大学 一种基于数字孪生的发动机故障诊断方法
CN116466243A (zh) * 2023-06-16 2023-07-21 国网安徽省电力有限公司电力科学研究院 基于生成对抗网络锂电池健康状态评估方法及装置
CN116500460B (zh) * 2023-06-29 2023-08-22 北京云控安创信息技术有限公司 一种基于云计算的物联网电池健康状态诊断和预测系统

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109190504B (zh) * 2018-08-10 2020-12-22 百度在线网络技术（北京）有限公司 汽车图像数据的处理方法、装置及可读存储介质
CN110069810B (zh) * 2019-03-11 2023-04-07 北京百度网讯科技有限公司 电池故障预测方法、装置、设备和可读存储介质
CN110058178A (zh) * 2019-05-14 2019-07-26 郑州大学 一种锂电池健康状态检测方法和系统
CN110492186B (zh) * 2019-07-02 2021-10-01 北京航空航天大学 一种基于云端控制技术的动力电池模组的管理方法
CN111582651A (zh) * 2020-04-09 2020-08-25 上海淇毓信息科技有限公司 用户风险分析模型训练方法、装置及电子设备
CN111596604B (zh) * 2020-06-12 2022-07-26 中国科学院重庆绿色智能技术研究院 一种基于数字孪生的工程装备故障智能诊断与自愈控制系统及方法
CN113379123A (zh) * 2021-06-09 2021-09-10 中德（珠海）人工智能研究院有限公司 基于数字孪生的故障预测方法、装置、服务器及存储介质
CN114186969A (zh) * 2021-12-13 2022-03-15 中浙信科技咨询有限公司 基于数字孪生的智慧园区故障预警平台
CN114528679A (zh) * 2021-12-22 2022-05-24 深圳先进技术研究院 数控系统多模态故障预警方法及系统
CN114715234B (zh) * 2022-03-08 2024-06-14 通号城市轨道交通技术有限公司 列车运行控制系统的数字孪生系统、装置和方法
CN115356639B (zh) * 2022-09-29 2023-04-18 深圳先进技术研究院 一种双向锂离子电池智能健康监控方法及系统

Also Published As

Publication number Publication date
CN115356639A (zh) 2022-11-18
WO2024066052A1 (zh) 2024-04-04

Similar Documents

Publication Publication Date Title
CN115356639B (zh) 一种双向锂离子电池智能健康监控方法及系统
CN113022378B (zh) 温度一致性预测方法、装置、预测设备及存储介质
US20160369777A1 (en) System and method for detecting anomaly conditions of sensor attached devices
Zhao et al. Multi-step ahead voltage prediction and voltage fault diagnosis based on gated recurrent unit neural network and incremental training
WO2022174679A1 (zh) 单体电池电压不一致故障预测方法、装置及服务器
WO2022143903A1 (zh) 车用电池的安全评估方法、系统、设备及可读存储介质
US20220381848A1 (en) Method and system for detecting vehicle battery cell imbalance
CN111400850B (zh) 设备故障分析方法、装置、设备和存储介质
CN112884199A (zh) 水电站设备故障预测方法、装置、计算机设备和存储介质
CN117891234A (zh) 机房运行状态的检测方法、装置、存储介质以及电子设备
CN117590130A (zh) 一种基于数字孪生的输电线路态势感知方法
CN117852865A (zh) 森林火灾风险评估的非火点生成方法、装置、设备及介质
CN116901707A (zh) 一种动力电池组故障预警方法、系统及车辆
CN117310500A (zh) 电池状态分类模型构建方法及电池状态分类方法
CN113994276A (zh) 用于验证能量系统的系统参数的方法、用于运行能量系统的方法以及用于能量系统的能量管理系统
WO2022032102A1 (en) Apparatus and method for electronic determination of system data integrity
CN110865939A (zh) 应用程序质量监测方法、装置、计算机设备和存储介质
CN118378164B (zh) 一种车辆故障预测方法、装置、电子设备和存储介质
CN116500460B (zh) 一种基于云计算的物联网电池健康状态诊断和预测系统
CN118604639B (zh) 电池寿命评估模型构建和电池寿命评估方法、装置及设备
CN117557108B (zh) 电力作业风险智能识别模型的训练方法和装置
CN111814297B (zh) 电动汽车电芯单体直流内阻测定方法、电子设备及存储介质
CN117930024A (zh) 基于informer模型的电池健康状态智能监测方法
Zhou et al. A novel model-data fusion method for capacity and battery remaining useful life prediction
Baptista et al. Revision and implementation of metrics to evaluate the performance of prognostics models

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