CN116224091B - 电池的电芯故障检测方法、装置、电子设备及存储介质 - Google Patents
电池的电芯故障检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116224091B CN116224091B CN202211531303.7A CN202211531303A CN116224091B CN 116224091 B CN116224091 B CN 116224091B CN 202211531303 A CN202211531303 A CN 202211531303A CN 116224091 B CN116224091 B CN 116224091B
- Authority
- CN
- China
- Prior art keywords
- charging
- data
- parameter
- training
- detection model
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 154
- 238000000034 method Methods 0.000 claims abstract description 57
- 239000012634 fragment Substances 0.000 claims abstract description 51
- 230000008569 process Effects 0.000 claims abstract description 30
- 230000008859 change Effects 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 141
- 238000012545 processing Methods 0.000 claims description 19
- 238000005070 sampling Methods 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 14
- 239000000203 mixture Substances 0.000 claims description 8
- 238000007637 random forest analysis Methods 0.000 claims description 7
- 238000009825 accumulation Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 16
- 238000004590 computer program Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 208000032953 Device battery issue Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
-
- 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
-
- 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
- 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]
- G01R31/385—Arrangements for measuring battery or accumulator 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]
- G01R31/389—Measuring internal impedance, internal conductance or related variables
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
本公开涉及一种电池的电芯故障检测方法、装置、电子设备及存储介质,属于电池检测的技术领域,该方法包括:对于多个充电片段数据中的每一充电片段数据,根据充电片段数据,得到电芯的多个充电参数在对应充电进程内随时间变化的多个状态数据;将多个充电参数进行不同的分组,得到至少两个参数组;对于至少两个参数组中的每一参数组,在根据每一充电片段数据得到的多个状态数据中,提取对应参数组的充电参数的状态数据作为参数组对应的数据组,得到至少两个数据组;根据至少两个数据组,得到电芯的至少一个特征数据;将至少一个特征数据输入至预置的检测模型中,得到检测结果;根据检测结果,确定电芯在设定时间之后存在故障的概率。
Description
技术领域
本公开实施例涉及电池检测的技术领域,更具体地,涉及一种电池的电芯故障检测方法、装置、电子设备及存储介质。
背景技术
随着汽车电池的迅速发展,对汽车电池的质量要求也逐步提高。为了提高汽车电池的质量,可以对电池中的电芯进行检测,以对电池中某一个电芯可能会出现异常情况进行预警。
目前,对汽车的电池的电芯检测的方式通常是采集电池电芯的电流和电压,并通过采集到的电流和电压来分析电芯是否发生故障,这种方式没有结合电池运行过程中的其他充电参数判断电芯发生故障的可能性,使得准确度较低。
发明内容
本公开实施例的一个目的是提供一种电池的电芯故障检测方法、装置、电子设备及存储介质的新的技术方案。
根据本公开的第一方面,提供了一种电池的电芯故障检测方法,该方法包括:获取所述电芯在设定时间内的充电运行数据;从所述电芯的所述充电运行数据中筛选出符合预设条件的多个充电片段数据;其中,不同的充电片段数据对应不同的充电进程;对于所述多个充电片段数据中的每一充电片段数据,根据所述充电片段数据,得到所述电芯的多个充电参数在对应充电进程内随时间变化的多个状态数据;其中,所述多个充电参数与所述多个状态数据一一对应;将所述多个充电参数进行不同的分组,得到至少两个参数组;其中,不同参数组具有不同的充电参数组成;对于所述至少两个参数组中的每一参数组,在根据每一充电片段数据得到的多个状态数据中,提取对应所述参数组的充电参数的状态数据作为所述参数组对应的数据组,得到至少两个数据组;根据所述至少两个数据组,得到所述电芯的至少一个特征数据;将所述至少一个特征数据输入至预置的检测模型中,得到检测结果;根据所述检测结果,确定所述电芯在设定时间之后存在故障的概率。
可选地,预设条件至少包括以下一项:充电进程的时长超过预置时长;充电进程的结束节点所对应的剩余电量超过预置电量。
可选地,所述充电参数包括采样时间、电压、温度、电流、里程和剩余电量;所述至少两个参数组包括第一参数组、第二参数组、第三参数组和第四参数组,其中,所述第一参数组包括电压、电流和采样时间,所述第二参数组包括电压、剩余电量和温度;所述第三参数组包括电压、里程和采样时间;所述第四参数组包括电流、剩余电量和里程。
可选地,所述根据所述至少两个数据组,得到所述电芯的至少一个特征数据,包括:将所述至少两个数据组分别输入至预置的数据处理模型中,得到至少两个数据组中多个充电参数的贡献度;根据所述多个充电参数的贡献度,从所述多个充电参数中确定预设数量的第一充电参数;根据所述预设数量的第一充电参数,得到特征数据。
可选地,所述根据所述多个充电参数的贡献度,从所述多个充电参数中确定预设数量的第一充电参数,包括:确定对于不同充电参数的权重系数以及不同充电参数的优先级;对于所述至少一个数据集中的每一个充电参数,根据所述权重系数和所述贡献度,得到所述充电参数的权重值;按照所述优先级,依次对所述权重值进行累加计算,得到累加值;确定所述累加值超过预设阈值所对应的第一充电参数。
可选地,所述检测模型包括支持向量检测模型、随机森林检测模型和弹性网络检测模型中至少一个;所述将所述特征数据输入至预置的至少一个检测模型中,得到检测结果,包括:将所述特征数据输入至所述至少一个检测模型中,得到概率值,并作为检测结果。
可选地,在所述获取电池的电芯在设定时间内的充电运行数据之前,还包括:获取多个第一训练样本和多个第二训练样本,所述第一训练样本携带有类别标签;利用第一训练样本对预置的检测模型进行训练,得到一次训练后的检测模型;将所述多个第二训练样本输入至所述一次训练后的检测模型中,得到多个第二训练样本的概率值;从所述多个第二训练样本中筛选出对应的概率值在预置的阈值区间内的训练样本,并作为第三训练样本,以及不在所述阈值区间内的训练样本,并作为第四训练样本;利用所述第三训练样本输入对所述检测模型进行训练,得到二次训练后的检测模型;将所述多个第四训练样本输入至所述二次训练后的检测模型中,得到多个第四训练样本的概率值;直至从检测模型中得到的且对应概率值不在阈值区间内的训练样本的数量小于预设数量,结束训练。
根据本公开的第二方面,还提供了一种电池故障检测的装置,该装置包括:运行数据获取模块,用于获取所述电芯在设定时间内的充电运行数据;片段数据筛选模块,用于从所述电芯的所述充电运行数据中筛选出符合预设条件的多个充电片段数据;其中,不同的充电片段数据对应不同的充电进程;状态数据得到模块,用于对于所述多个充电片段数据中的每一充电片段数据,根据所述充电片段数据,得到所述电芯的多个充电参数在对应充电进程内随时间变化的多个状态数据;其中,所述多个充电参数与所述多个状态数据一一对应;参数组得到模块,用于将所述多个充电参数进行不同的分组,得到至少两个参数组;其中,不同参数组具有不同的充电参数组成;数据组得到模块,用于对于所述至少两个参数组中的每一参数组,在根据每一充电片段数据得到的多个状态数据中,提取对应所述参数组的充电参数的状态数据作为所述参数组对应的数据组,得到至少两个数据组。特征数据得到模块,用于根据所述至少两个数据组,得到所述电芯的至少一个特征数据;检测结果得到模块,用于将所述至少一个特征数据输入至预置的检测模型中,得到检测结果;电芯故障确定模块,用于根据所述检测结果,确定所述电芯在设定时间之后存在故障的概率。
根据本公开的第三方面,还提供了一种电子设备,包括存储器和处理器,所述存储器用于存储计算机程序;所述处理器用于执行所述计算机程序,以实现根据本公开第一方面所述的方法。
根据本公开的第四方面,还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储计算机程序,所述计算机程序在被处理器执行时实现根据本公开的第一方面所述的方法。
本公开实施例的一个有益效果在于,通过对获取到的充电运行数据进行筛选,可以得到的充电片段数据,并根据多个充电片段数据,得到多个随时间变化的状态数据以及对应于状态数据的数据组。再根据数据组得到特征数据。将特征数据输入至检测模型中可以得到判断电芯发生故障概率的检测结果,从而准确地判断电芯在未来某一个时间是否会发生故障。
通过以下参照附图对本公开的示例性实施例的详细描述,本公开实施例的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本公开的实施例,并且连同其说明一起用于解释本公开实施例的原理。
图1是能够应用根据一个实施例的电池的电芯故障检测方法的电池的电芯故障检测系统的组成结构示意图;
图2是根据另一个实施例的电池的电芯故障检测方法的流程示意图;
图3是根据另一个实施例的电池的电芯故障检测方法的流程示意图;
图4是根据另一个实施例的电池的电芯故障检测的装置的方框原理图;
图5是根据另一个实施例的电子设备的硬件结构示意图。
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发明的范围。
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,决不作为对本发明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例子中,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例子可以具有不同的值。
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。
<系统实施例>
图1是能够应用根据一个实施例的电池的电芯故障检测方法的电池的电芯故障检测系统的组成结构示意图。如图1所示,该系统包括服务器100,该系统可以应用于汽车200的场景。
服务器100可以与不同的汽车200通讯连接,汽车200可以主动向服务器100发送电池的运行数据。在汽车200向服务器100授权后,服务器100也可以主动获取汽车200电池的运行数据。
应用于本公开实施例中,服务器100的存储器用于存储计算机程序,该计算机程序用于控制该服务器100处理器进行操作以实施根据任意实施例的电池的电芯故障检测方法。技术人员可以根据本公开实施例的方案设计计算机程序。该计算机程序如何控制处理器进行操作,这是本领域公知,故在此不再详细描述。
<方法实施例>
图2是根据一个实施例的电池的电芯故障检测方法的流程示意图。本实施例的执行主体可以是服务器,例如图1中的服务器。
如图2所示,本实施例的电池的电芯故障检测方法可以包括如下步骤S210~S280:
步骤S210,获取电芯在设定时间内的充电运行数据。
具体地,汽车电池在充电完毕之后汽车可以向服务器发送电池的电芯在充电过程中的充电运行数据,服务器预先设定的数据库可以存储由汽车发送的充电运行数据。服务器可以获取电芯在设定时间内的充电运行数据。其中,设定时间可以10天,可以是90天,也可以是一年,此处不做具体限定。
步骤S220,从电芯的充电运行数据中筛选出符合预设条件的多个充电片段数据;其中,不同的充电片段数据对应不同的充电进程。
其中,充电运行数据包括多个充电片段数据,每一个充电片段数据具有对应于设定时间内某一个时间段的时间片段长度。其中,某一个时间段可以表示为某一个充电进程。服务器还预先设定有相应的条件用于对充电片段数据进行筛选。具体例如:服务器可以提取时间片段长度超过预设片段长度阈值的充电片段数据,其中,片段长度阈值可以是1小时,可以是3小时,也可以是6小时,此处不做具体限定。
具体地,服务器在获取到充电运行数据之后,从该充电运行数据中筛选出符合预设条件的多个充电片段数据。
在一个实施例中,预设条件至少包括以下一项:充电进程的时长超过预置时长;充电进程的结束节点所对应的剩余电量超过预置电量。
具体地,服务器可以预置时长和预置电量,其中预置时长可以是1小时,可以是3小时,也可以是6小时,此处不做具体限定,其中预置电量可以是80%,可以是90%,也可以是95%,此处不做具体限定。服务器预先设定的条件可以是充电片段数据的充电进程的持续时长要超过预置时长,充电进程的时间结束节点所对应电池的剩余电量要超过预置电量。换句话说,通过筛选后的充电片段数据,可以有效减少外界因素如充电桩输出电压不稳定等等导致关于电芯的充电片段数据异常的情况,从而服务器通过筛选后的充电片段数据后续可以得到较为准确的检测结果。
步骤S230,对于多个充电片段数据中的每一充电片段数据,根据充电片段数据,得到电芯的多个充电参数在对应充电进程内随时间变化的多个状态数据;其中,多个充电参数与多个状态数据一一对应。
其中,服务器可以预先设定不同的参数,例如:电流、电压、温度等等。相应地,状态数据可以是充电参数在某个充电片段数据的充电进程中与不同时间节点对应的多个具体数值,即每一个充电参数对应一个状态数据。其中,不同时间节点位于充电进程内。
具体地,服务器对于多个充电片段数据中的每一充电片段数据,确定与预先设定参数相同的充电参数。服务器再根据多个充电片段数据的同一充电参数,可以得到该充电参数在设定时间内随时间变化的具体数值,即得到该充电参数的状态数据。相应地,可以得到多个充电参数的状态数据。
步骤S240,将多个充电参数进行不同的分组,得到至少两个参数组;其中,不同参数组具有不同的充电参数组成。
具体地,服务器可以将多个充电参数进行不同的分组,可以得到至少两个参数组。其中,不同参数组具有不同的充电参数组成,且两个不同的参数组可以包括一个或者多个相同的充电参数。
在一个实施例中,充电参数包括采样时间、电压、温度、电流、里程和剩余电量;至少两个参数组包括第一参数组、第二参数组、第三参数组和第四参数组,其中,第一参数组包括电压、电流和采样时间,第二参数组包括电压、剩余电量和温度;第三参数组包括电压、里程和采样时间;第四参数组包括电流、剩余电量和里程。
其中,充电参数可以是某一个电芯的某一个充电片段数据中的采样时间、电压、温度、电流、里程和剩余电量。其中,里程可以是该充电片段数据所对应的车辆可以行驶的里程,剩余电量可以表示该充电片段数据所对应的车辆剩余的电量,并且剩余电量也可以表示为电芯荷点状态SOC。
具体地,服务器可以将多个充电参数如采样时间、电压、温度、电流、里程和剩余电量进行不同的分组,可以得到包括电压、电流和采样时间的第一参数组、包括电压、剩余电量和温度的第二参数组、包括电压、里程和采样时间的第三参数组以及包括电流、剩余电量和里程的第四参数组。换句话说,通过不同充电所得到的参数组,可以从不同的角度判断电芯的是否故障。
步骤S250,对于至少两个参数组中的每一参数组,在根据每一充电片段数据得到的多个状态数据中,提取对应参数组的充电参数的状态数据作为参数组对应的数据组,得到至少两个数据组。
具体地,服务器可以得到上述至少两个参数组,例如:第一参数组和第二参数组。第一参数组的充电参数为电压、电流和采样时间,相应地,可以得到对于电压的状态数据并作为参数组对应的一个数据组,可以得到对于电流的状态数据并作为参数组对应的另一个数据组,即可以得到至少两个数据组。第二参数组的充电参数为电压、剩余电量和温度,相应地,可以得到对于电压的状态数据并作为参数组对应的一个数据组,可以得到对于剩余电量的状态数据并作为参数组对应的另一个数据组,也可以得到对于温度的状态数据并作为参数组对应的再一个数据组,即可以得到至少两个数据组。
步骤S260,根据至少两个数据组,得到电芯的至少一个特征数据。
具体地,服务器根据上述得到的至少两个数据组,可以得到电芯的至少一个特征数据。其中,特征数据可以是至少两个数据组中至少一个的状态数据,且该状态数据可以反映至少两个数据组的变化程度。
在一个实施例中,将至少两个数据组分别输入至预置的数据处理模型中,得到至少两个数据组中多个充电参数的贡献度;根据多个充电参数的贡献度,从多个充电参数中确定预设数量的第一充电参数;根据预设数量的第一充电参数,得到特征数据。
其中,服务器预先设定有数据处理模型,数据处理模型是采用无监督的主成分分析法构建得到的,可以得到输入的多个充电参数分别对应的贡献度。
具体地,服务器将得到的至少两个数据组分别输入至预置的数据处理模型中,得到至少两个数据组中每一个数据组中多个充电参数分别对应的贡献度。根据多个充电参数的贡献度,从多个充电参数中确定贡献度较高且预设数量的第一充电参数。根据预设数量的第一充电参数,得到特征数据,并对多个特征数据均进行归一化处理,使得得到的多个特征数据均为0和1之间的数值,以便于后续检测模型的处理。通过预置的数据处理模型,可以得到每一个充电参数的贡献度,选取贡献度较高的充电参数,以减少后续检测模型输入的数据,实现对数据组的数据进行降维处理,进而提高服务器对电芯检测的效率。
在一个实施例中,根据多个充电参数的贡献度从多个充电参数中确定预设数量的第一充电参数的过程,具体包括以下内容:确定对于不同充电参数的权重系数以及不同充电参数的优先级;对于至少一个数据集中的每一个充电参数,根据权重系数和贡献度,得到充电参数的权重值;按照优先级,依次对权重值进行累加计算,得到累加值;确定累加值超过预设阈值所对应的第一充电参数,并作为特征数据。
其中,服务器可以针对不同的充电参数设定不同的权重系数,并且设定不同的充电参数之间的优先级。
具体地,服务器确定对于不同充电参数的权重系数以及不同充电参数的优先级。服务器根据得到的上述充电参数的贡献度和设定的权重系数,得到各个充电参数的权重值。按照优先级,依次对权重值进行累加计算,得到累加值。服务器确定累加值超过预设阈值所对应的第一充电参数,将第一充电参数作为特征数据。其中,第一充电参数可以是一个充电参数,也可以是多个充电参数。具体例如:电压的权重系数为a,电流的权重系数为b,温度的权重系数为c,a+b+c=1,且优先级为:电压>电流>温度,预设阈值可以是95%,电压的贡献度为x,电流的贡献度为y,温度的贡献度为z,那么在ax=85%,by=11%,cy=3%的情况下,按照优先级顺序,ax+by=96%>95%,那么特征数据为充电参数中的电压和电流。换句话说,通过根据需求设定每一种充电参数的权重系数,并且通过贡献度和权重系数相结合筛选充电参数,可以筛选出的充电参数反映相应电芯的实际情况,有效提高后续检测结果的准确性。
步骤S270,将至少一个特征数据输入至预置的检测模型中,得到检测结果。
其中,服务器可以预先设定有检测模型,检测模型可以是半监督检测模型,该检测模型可以将输入的多种不同的特征数据进行处理得到能够反映电池发生故障的概率的数据。
具体地,如图3所示,服务器将获取到的充电运行数据中筛选出多个充电片段数据,根据多个充电片段得到特征数据,再将特征数据输入到上述检测模型中,可以得到检测结果,检测结果可以用于判断电芯发生故障的概率。
在一个实施例中,检测模型包括支持向量检测模型、随机森林检测模型和弹性网络检测模型中至少一个。步骤S270具体可以是:将特征数据输入至至少一个检测模型中,得到概率值,并作为检测结果。
其中,至少一个检测模型可以包括支持向量检测模型、随机森林检测模型和弹性网络检测模型中至少一个,最好是支持向量检测模型。其中,支持向量机检测模型可以采用sklearn库中的svm.SVC()构建检测模型,支持向量机检测模型可以输出“0”或者“1”的检测结果,“1”可以表示在支持向量机检测模型中电池存在故障的检测结果,“0”可以表示在支持向量机检测模型中电池未存在故障的检测结果。随机森林检测模型可以采用sklearn库中的ensemble.RandomForestClassifier()构建检测模型,随机森林检测模型可以通过测试集进行训练,并将测试集中F1 Score取值最大时的概率值作为阈值,在检测结果大于等于该阈值时,电池发生故障。在检测结果小于该阈值时,电池未发生故障。同样地,弹性网络检测模型可以采用sklearn库中的linear_model.ElasticNetCV()构建检测模型。弹性网络检测模型可以通过测试集进行训练,并将测试集中F1 Score取值最大时的概率值作为阈值,在检测结果大于等于该阈值时,电池发生故障。在检测结果小于该阈值时,电池未发生故障。
具体地,在检测模型为支持向量检测模型的情况下,将多个特征数据分别输入至该检测模型中,支持向量检测模型对于每一个特征数据均输出“0”或者“1”中的一个值,在计算得到多个特征数据分别对应的值的平均数,即该平均数为概率值,并将该概率值作为检测结果。换句话说,通过概率值反映对应多个特征数据的电芯的实际情况,有效提高后续判断电池存在故障的概率的效率。
步骤S280,根据检测结果,确定电芯在设定时间之后存在故障的概率。
其中,服务器可以预先设定故障等级,故障等级用于判断电芯在设定时间之后的故障风险,故障等级具体可以是:概率值在[0.7,1]时认为电芯为高故障风险,概率值在(0.5,0.7)时认为电芯为中故障风险,概率值在[0,0.5]时认为电芯为低故障风险。
具体地,服务器根据检测结果,确定电芯在设定时间之后存在故障的概率。具体例如:在得到的检测结果为在[0.7,1]内时,电芯在设定时间之后发生故障的概率高。
在一个实施例中,在步骤S210之前,还可以包括以下内容:获取多个第一训练样本和多个第二训练样本,第一训练样本携带有类别标签;利用第一训练样本对预置的检测模型进行训练,得到一次训练后的检测模型;将多个第二训练样本输入至一次训练后的检测模型中,得到多个第二训练样本的概率值;从多个第二训练样本中筛选出对应的概率值在预置的阈值区间内的训练样本,并作为第三训练样本,以及不在阈值区间内的训练样本,并作为第四训练样本;利用第三训练样本输入对检测模型进行训练,得到二次训练后的检测模型;将多个第四训练样本输入至二次训练后的检测模型中,得到多个第四训练样本的概率值;直至从检测模型中得到的且对应概率值不在阈值区间内的训练样本的数量小于预设数量,结束训练。
其中,第一训练样本携带有类别标签,第一训练样本中不存在故障的训练样本带有“1”的标签,表示该训练样本未发生故障;第一训练样本中发生故障的训练样本带有“0”的标签,表示该训练样本发生故障。服务器可以预先设定阈值区间,阈值区间可以是[0,0.05]和[0.95,1]。未携带类别标签的训练样本在输入至检测模型后可以得到相应的概率值。对于概率值在[0,0.05]的训练样本打上“0”的标签;对于概率值在[0.95,1]的训练样本打上“1”的标签;在未携带有类别标签的训练样本的数量低于预设数量的情况下,可以继续训练,其中,预设数量可以是第一训练样本和第二训练样本的数量之和的5%。
具体地,服务器也可以对预置的检测模型进行训练,以提高检测模型的准确性。服务器可以获取多个第一训练样本和多个第二训练样本,第一训练样本携带有类别标签。服务器利用第一训练样本对预置的检测模型进行训练,得到一次训练后的检测模型。服务器将多个第二训练样本输入至一次训练后的检测模型中,得到多个第二训练样本的概率值。服务器从多个第二训练样本中筛选出对应的概率值在阈值区间内的训练样本,并作为第三训练样本,并对第三训练样本打上类别标签。利用带有类别标签的第三训练样本输入对检测模型进行训练,得到二次训练后的检测模型。从多个第二训练样本中筛选出对应的概率值不在阈值区间内的训练样本,并作为第四训练样本,将多个第四训练样本输入至二次训练后的检测模型中,得到多个第四训练样本的概率值,直到从检测模型中得到的且对应概率值不在阈值区间内的训练样本的数量小于预设数量,可以结束训练。换句话说,通过对检测模型的训练,可以有效提高输出的检测结果的准确性。
<设备实施例一>
图4是根据另一个实施例的电池的电芯故障检测的装置的原理框图。
如图4所示,该电池的电芯故障检测的装置400可以包括:
运行数据获取模块410,用于获取电芯在设定时间内的充电运行数据;
片段数据筛选模块420,用于从电芯的充电运行数据中筛选出符合预设条件的多个充电片段数据;其中,不同的充电片段数据对应不同的充电进程;
状态数据得到模块430,用于对于多个充电片段数据中的每一充电片段数据,根据充电片段数据,得到电芯的多个充电参数在对应充电进程内随时间变化的多个状态数据;其中,多个充电参数与多个状态数据一一对应;
参数组得到模块440,用于将多个充电参数进行不同的分组,得到至少两个参数组;其中,不同参数组具有不同的充电参数组成;
数据组得到模块450,用于对于至少两个参数组中的每一参数组,在根据每一充电片段数据得到的多个状态数据中,提取对应参数组的充电参数的状态数据作为参数组对应的数据组,得到至少两个数据组。
特征数据得到模块460,用于根据至少两个数据组,得到电芯的至少一个特征数据;
检测结果得到模块470,用于将至少一个特征数据输入至预置的检测模型中,得到检测结果;
电芯故障确定模块480,用于根据检测结果,确定电芯在设定时间之后存在故障的概率。
可选地,特征数据得到模块460,还用于将至少两个数据组分别输入至预置的数据处理模型中,得到至少两个数据组中多个充电参数的贡献度;根据多个充电参数的贡献度,从多个充电参数中确定预设数量的第一充电参数;根据预设数量的第一充电参数,得到特征数据。
可选地,特征数据得到模块460,还用于确定对于不同充电参数的权重系数以及不同充电参数的优先级;对于至少一个数据集中的每一个充电参数,根据权重系数和贡献度,得到充电参数的权重值;按照优先级,依次对权重值进行累加计算,得到累加值;确定累加值超过预设阈值所对应的第一充电参数,并作为特征数据。
可选地,检测结果得到模块470,还用于将特征数据输入至至少一个检测模型中,得到概率值,并作为检测结果。
可选地,还包括模型训练模块,用于获取多个第一训练样本和多个第二训练样本,第一训练样本携带有类别标签;利用第一训练样本对预置的检测模型进行训练,得到一次训练后的检测模型;将多个第二训练样本输入至一次训练后的检测模型中,得到多个第二训练样本的概率值;从多个第二训练样本中筛选出对应的概率值在预置的阈值区间内的训练样本,并作为第三训练样本,以及不在阈值区间内的训练样本,并作为第四训练样本;利用第三训练样本输入对检测模型进行训练,得到二次训练后的检测模型;将多个第四训练样本输入至二次训练后的检测模型中,得到多个第四训练样本的概率值;直至从检测模型中得到的且对应概率值不在阈值区间内的训练样本的数量小于预设数量,结束训练。
该电子设备400可以是图1中的服务器100。
<设备实施例二>
图5是根据另一个实施例的电子设备的硬件结构示意图。
如图5所示,该电子设备500包括处理器510和存储器520,该存储器520用于存储可执行的计算机程序,该处理器510用于根据该计算机程序的控制,执行如以上任意方法实施例的方法。
该电子设备500可以是图1中的服务器100。
以上电子设备400的各模块可以由本实施例中的处理器510执行存储器520存储的计算机程序实现,也可以通过其他结构实现,在此不做限定。
本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、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)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令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)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本发明的各个方面。
这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,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以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。对于本领域技术人员来说公知的是,通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。本发明的范围由所附权利要求来限定。
Claims (8)
1.一种电池的电芯故障检测方法,其特征在于,所述方法包括:
获取所述电芯在设定时间内的充电运行数据;
从所述电芯的所述充电运行数据中筛选出符合预设条件的多个充电片段数据;其中,不同的充电片段数据对应不同的充电进程;
对于所述多个充电片段数据中的每一充电片段数据,根据所述充电片段数据,得到所述电芯的多个充电参数在对应充电进程内随时间变化的多个状态数据;其中,所述多个充电参数与所述多个状态数据一一对应;
将所述多个充电参数进行不同的分组,得到至少两个参数组;其中,不同参数组具有不同的充电参数组成;
对于所述至少两个参数组中的每一参数组,在根据每一充电片段数据得到的多个状态数据中,提取对应所述参数组的充电参数的状态数据作为所述参数组对应的数据组,得到至少两个数据组;
根据所述至少两个数据组,得到所述电芯的至少一个特征数据;
将所述至少一个特征数据输入至预置的检测模型中,得到检测结果;
根据所述检测结果,确定所述电芯在设定时间之后存在故障的概率;
所述根据所述至少两个数据组,得到所述电芯的至少一个特征数据,包括:
将所述至少两个数据组分别输入至预置的数据处理模型中,得到至少两个数据组中多个充电参数的贡献度;
根据所述多个充电参数的贡献度分别和设定的权重系数相乘,得到各个充电参数的权重值;
按照不同充电参数的优先级,依次对所述权重值进行累加计算,得到累加值;
确定所述累加值超过预设阈值所对应的第一充电参数,并作为特征数据。
2.根据权利要求1所述的方法,其特征在于,所述预设条件至少包括以下一项:充电进程的时长超过预置时长;充电进程的结束节点所对应的剩余电量超过预置电量。
3.根据权利要求1所述的方法,其特征在于,所述充电参数包括采样时间、电压、温度、电流、里程和剩余电量;
所述至少两个参数组包括第一参数组、第二参数组、第三参数组和第四参数组,其中,所述第一参数组包括电压、电流和采样时间,所述第二参数组包括电压、剩余电量和温度;所述第三参数组包括电压、里程和采样时间;所述第四参数组包括电流、剩余电量和里程。
4.根据权利要求1所述的方法,其特征在于,所述检测模型包括支持向量检测模型、随机森林检测模型和弹性网络检测模型中至少一个;
所述将所述至少一个特征数据输入至预置的检测模型中,得到检测结果,包括:
将所述特征数据输入至至少一个检测模型中,得到概率值,并作为检测结果。
5.根据权利要求1所述的方法,其特征在于,在所述获取所述电芯在设定时间内的充电运行数据之前,还包括:
获取多个第一训练样本和多个第二训练样本,所述第一训练样本携带有类别标签;
利用第一训练样本对预置的检测模型进行训练,得到一次训练后的检测模型;
将所述多个第二训练样本输入至所述一次训练后的检测模型中,得到多个第二训练样本的概率值;
从所述多个第二训练样本中筛选出对应的概率值在预置的阈值区间内的训练样本,并作为第三训练样本,以及不在所述阈值区间内的训练样本,并作为第四训练样本;
利用所述第三训练样本输入对所述检测模型进行训练,得到二次训练后的检测模型;
将所述第四训练样本输入至所述二次训练后的检测模型中,得到第四训练样本的概率值;
直至从检测模型中得到的且对应概率值不在阈值区间内的训练样本的数量小于预设数量,结束训练;
所述对预置的检测模型进行训练,得到训练好的检测模型,包括:
获取多个训练样本,所述训练样本携带有类别标签;
利用多个训练样本对所述检测模型进行训练;
在所述检测模型的损失下降到预置阈值时,结束训练。
6.一种电池的电芯故障检测的装置,其特征在于:
运行数据获取模块,用于获取所述电芯在设定时间内的充电运行数据;
片段数据筛选模块,用于从所述电芯的所述充电运行数据中筛选出符合预设条件的多个充电片段数据;其中,不同的充电片段数据对应不同的充电进程;
状态数据得到模块,用于对于所述多个充电片段数据中的每一充电片段数据,根据所述充电片段数据,得到所述电芯的多个充电参数在对应充电进程内随时间变化的多个状态数据;其中,所述多个充电参数与所述多个状态数据一一对应;
参数组得到模块,用于将所述多个充电参数进行不同的分组,得到至少两个参数组;其中,不同参数组具有不同的充电参数组成;
数据组得到模块,用于对于所述至少两个参数组中的每一参数组,在根据每一充电片段数据得到的多个状态数据中,提取对应所述参数组的充电参数的状态数据作为所述参数组对应的数据组,得到至少两个数据组;
特征数据得到模块,用于根据所述至少两个数据组,得到所述电芯的至少一个特征数据;
检测结果得到模块,用于将所述至少一个特征数据输入至预置的检测模型中,得到检测结果;
电芯故障确定模块,用于根据所述检测结果,确定所述电芯在设定时间之后存在故障的概率;
特征数据得到模块,还用于将所述至少两个数据组分别输入至预置的数据处理模型中,得到至少两个数据组中多个充电参数的贡献度;根据所述多个充电参数的贡献度分别和设定的权重系数相乘,得到各个充电参数的权重值;按照不同充电参数的优先级,依次对所述权重值进行累加计算,得到累加值;确定所述累加值超过预设阈值所对应的第一充电参数,并作为特征数据。
7.一种电子设备,其特征在于,包括处理器和存储器,所述存储器存储可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如权利要求1-5任一项所述的电池的电芯故障检测方法的步骤。
8.一种计算机可读存储介质,其特征在于,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如权利要求1-5任一项所述的电池的电芯故障检测方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211531303.7A CN116224091B (zh) | 2022-12-01 | 2022-12-01 | 电池的电芯故障检测方法、装置、电子设备及存储介质 |
PCT/CN2023/109248 WO2024113909A1 (zh) | 2022-12-01 | 2023-07-26 | 电池的电芯故障检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211531303.7A CN116224091B (zh) | 2022-12-01 | 2022-12-01 | 电池的电芯故障检测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116224091A CN116224091A (zh) | 2023-06-06 |
CN116224091B true CN116224091B (zh) | 2024-02-02 |
Family
ID=86579258
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211531303.7A Active CN116224091B (zh) | 2022-12-01 | 2022-12-01 | 电池的电芯故障检测方法、装置、电子设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN116224091B (zh) |
WO (1) | WO2024113909A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116224091B (zh) * | 2022-12-01 | 2024-02-02 | 伏瓦科技(苏州)有限公司 | 电池的电芯故障检测方法、装置、电子设备及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102004013817A1 (de) * | 2004-03-20 | 2005-10-06 | Robert Bosch Gmbh | Vorrichtung und Verfahren zur Erkennung eines kritischen Zustands eines Ladungsspeichers |
WO2017195760A1 (ja) * | 2016-05-12 | 2017-11-16 | 日立オートモティブシステムズ株式会社 | 電池状態推定装置 |
KR20170139968A (ko) * | 2016-06-10 | 2017-12-20 | 주식회사 엘지화학 | 배터리 사이클 카운팅 장치 |
CN111812518A (zh) * | 2019-12-25 | 2020-10-23 | 北京嘀嘀无限科技发展有限公司 | 电池状态监控方法、存储介质和系统 |
CN112068004A (zh) * | 2020-09-16 | 2020-12-11 | 北京嘀嘀无限科技发展有限公司 | 一种电池异常、电池充电剩余时间的确定方法及装置 |
CN112487031A (zh) * | 2020-11-27 | 2021-03-12 | 江西江铃集团新能源汽车有限公司 | 单体电池故障检测方法、装置、可读存储介质及电子设备 |
WO2021218423A1 (zh) * | 2020-04-30 | 2021-11-04 | 华为技术有限公司 | 用于充电管控的方法和装置 |
CN113602147A (zh) * | 2021-08-05 | 2021-11-05 | 肇庆小鹏汽车有限公司 | 电池故障检测方法及电池故障检测装置 |
WO2022111125A1 (zh) * | 2020-11-27 | 2022-06-02 | 深圳先进技术研究院 | 一种基于随机森林的图数据处理框架自动调优方法 |
CN115327403A (zh) * | 2022-09-07 | 2022-11-11 | 中国第一汽车股份有限公司 | 基于新能源汽车大数据的动力电池安全性评价方法及装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9672474B2 (en) * | 2014-06-30 | 2017-06-06 | Amazon Technologies, Inc. | Concurrent binning of machine learning data |
CN114690047A (zh) * | 2020-12-26 | 2022-07-01 | 华为技术有限公司 | 电池故障检测方法、系统、装置及设备 |
CN114970841A (zh) * | 2021-02-22 | 2022-08-30 | 华为技术有限公司 | 电池状态预测模型的训练方法及相关装置 |
CN115131618A (zh) * | 2022-07-28 | 2022-09-30 | 西安电子科技大学 | 基于因果推理的半监督图像分类方法 |
CN116224091B (zh) * | 2022-12-01 | 2024-02-02 | 伏瓦科技(苏州)有限公司 | 电池的电芯故障检测方法、装置、电子设备及存储介质 |
-
2022
- 2022-12-01 CN CN202211531303.7A patent/CN116224091B/zh active Active
-
2023
- 2023-07-26 WO PCT/CN2023/109248 patent/WO2024113909A1/zh unknown
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102004013817A1 (de) * | 2004-03-20 | 2005-10-06 | Robert Bosch Gmbh | Vorrichtung und Verfahren zur Erkennung eines kritischen Zustands eines Ladungsspeichers |
WO2017195760A1 (ja) * | 2016-05-12 | 2017-11-16 | 日立オートモティブシステムズ株式会社 | 電池状態推定装置 |
KR20170139968A (ko) * | 2016-06-10 | 2017-12-20 | 주식회사 엘지화학 | 배터리 사이클 카운팅 장치 |
CN111812518A (zh) * | 2019-12-25 | 2020-10-23 | 北京嘀嘀无限科技发展有限公司 | 电池状态监控方法、存储介质和系统 |
WO2021218423A1 (zh) * | 2020-04-30 | 2021-11-04 | 华为技术有限公司 | 用于充电管控的方法和装置 |
CN112068004A (zh) * | 2020-09-16 | 2020-12-11 | 北京嘀嘀无限科技发展有限公司 | 一种电池异常、电池充电剩余时间的确定方法及装置 |
CN112487031A (zh) * | 2020-11-27 | 2021-03-12 | 江西江铃集团新能源汽车有限公司 | 单体电池故障检测方法、装置、可读存储介质及电子设备 |
WO2022111125A1 (zh) * | 2020-11-27 | 2022-06-02 | 深圳先进技术研究院 | 一种基于随机森林的图数据处理框架自动调优方法 |
CN113602147A (zh) * | 2021-08-05 | 2021-11-05 | 肇庆小鹏汽车有限公司 | 电池故障检测方法及电池故障检测装置 |
CN115327403A (zh) * | 2022-09-07 | 2022-11-11 | 中国第一汽车股份有限公司 | 基于新能源汽车大数据的动力电池安全性评价方法及装置 |
Non-Patent Citations (2)
Title |
---|
A Comprehensive Signal-Based Fault Diagnosis Method for Lithium-Ion Batteries in Electric Vehicles;Cong XW et al.;ENERGIES;第14卷(第5期);全文 * |
A Hybrid Signal-Based Fault Diagnosis Method for Lithium-Ion Batteries in Electric Vehicles;Jiang JC et al.;IEEE ACCESS;第9卷;全文 * |
Also Published As
Publication number | Publication date |
---|---|
WO2024113909A1 (zh) | 2024-06-06 |
CN116224091A (zh) | 2023-06-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220239122A1 (en) | Server-side characterisation of rechargeable batteries | |
CN108896914B (zh) | 一种锂电池健康状况的梯度提升树建模与预测方法 | |
CN109100655B (zh) | 一种动力电池的数据处理方法和装置 | |
CN114818831B (zh) | 基于多源感知的双向锂离子电池故障检测方法及系统 | |
CN116224091B (zh) | 电池的电芯故障检测方法、装置、电子设备及存储介质 | |
Zhang et al. | State‐of‐health estimation for the lithium‐ion battery based on gradient boosting decision tree with autonomous selection of excellent features | |
CN116466236A (zh) | 电池剩余寿命预测方法、装置、设备及可读存储介质 | |
CN115267557B (zh) | 一种锂电池电解液泄露故障诊断方法、装置和电子设备 | |
CN115221795A (zh) | 容量预测模型的训练方法、预测方法、装置、设备及介质 | |
CN115932634A (zh) | 一种对电池健康状态评估的方法、装置、设备及存储介质 | |
De Sousa et al. | Comparison of different approaches for lead acid battery state of health estimation based on artificial neural networks algorithms | |
CN112507605A (zh) | 基于AnoGAN的配电网异常检测方法 | |
KR20230063297A (ko) | 배터리 수명 예측 방법 및 이러한 방법을 수행하는 장치 | |
WO2024113908A1 (zh) | 电池故障检测方法及装置 | |
CN117289167A (zh) | 基于多重神经网络的电池剩余寿命预测方法、装置及介质 | |
CN115856666B (zh) | 电池工况数据的处理方法、设备及存储介质 | |
CN110579708B (zh) | 电池容量识别方法、装置、计算设备及计算机存储介质 | |
CN117310500A (zh) | 电池状态分类模型构建方法及电池状态分类方法 | |
CN110927584A (zh) | 一种基于神经网络的电池寿命延长预测方法 | |
CN116243194A (zh) | 一种混合工况条件下的电池健康状态在线预测方法 | |
CN116008815A (zh) | 一种电芯内短路检测方法、装置、设备、存储介质及车辆 | |
CN113311364B (zh) | 基于多核svm的永磁同步电机逆变器开路故障诊断方法 | |
CN115291113A (zh) | 一种统一的锂离子电池soc、soh和rul的联合估计方法及系统 | |
CN115267586A (zh) | 锂电池soh评估方法 | |
Song et al. | Advancements in Battery State of Charge Estimation Methods for Battery Management Systems: A Comprehensive Literature Review |
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 |