CN117031293A - 锂离子电池工作状态的检测方法和相关装置 - Google Patents

锂离子电池工作状态的检测方法和相关装置 Download PDF

Info

Publication number
CN117031293A
CN117031293A CN202310873736.9A CN202310873736A CN117031293A CN 117031293 A CN117031293 A CN 117031293A CN 202310873736 A CN202310873736 A CN 202310873736A CN 117031293 A CN117031293 A CN 117031293A
Authority
CN
China
Prior art keywords
detection model
lithium ion
ion battery
current detection
training
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310873736.9A
Other languages
English (en)
Inventor
韩江涛
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.)
Hangzhou Anying Technology Co ltd
Original Assignee
Hangzhou Anying Technology Co ltd
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 Hangzhou Anying Technology Co ltd filed Critical Hangzhou Anying Technology Co ltd
Priority to CN202310873736.9A priority Critical patent/CN117031293A/zh
Publication of CN117031293A publication Critical patent/CN117031293A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
    • 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
    • B60L58/16—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to battery ageing, e.g. to the number of charging cycles or the state of health [SoH]
    • 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]
    • G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
    • 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
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/40—Drive Train control parameters
    • B60L2240/54—Drive Train control parameters related to batteries
    • B60L2240/545—Temperature
    • 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
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/40—Drive Train control parameters
    • B60L2240/54—Drive Train control parameters related to batteries
    • B60L2240/547—Voltage

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Secondary Cells (AREA)

Abstract

本公开提供了一种锂离子电池工作状态的检测方法和相关装置，该检测方法包括：获取待检测锂离子电池在一时段内不同时刻的多个电压；将多个电压输入检测模型，检测模型为基于时间卷积神经网络构建的已训练好的模型；获取检测模型输出的待检测锂离子电池在时段内的工作状态。本公开能够对锂离子电池的工作状态进行快速准确地检测。

Description

锂离子电池工作状态的检测方法和相关装置
技术领域
本公开涉及人工智能领域，更具体而言，涉及一种锂离子电池工作状态的检测方法和相关装置。
背景技术
锂离子电池，受益于其较轻的质量、较低的放电率和长使用寿命等优势，目前已经得到广泛的应用。电池管理系统需要采集锂离子电池的实时数据来分析锂离子电池的工作状态(即充放电状态)和电池状况(例如荷电状态(State of Charge，简称SOC)和健康状态(State of Health，简称SOH))等信息。目前，电池管理系统主要采集锂离子电池的电压和温度，不是所有电池管理系统具有实时监测电流的功能，因而还需要人工根据电压对电池工作状态进行判断。然而，锂离子电池的种类繁多，工况均有不同，所产生的电压情况繁多，人工判断费时费力，并不利于算法集成以及大数据分析。
公开内容
有鉴于此，本公开提供了一种锂离子电池工作状态的检测方法和相关装置，旨在对锂离子电池工作状态实现快速准确的检测。
根据本公开的一个方面，提供了一种锂离子电池工作状态的检测方法，包括：
获取待检测锂离子电池在一时段内不同时刻的多个电压；
将所述多个电压输入检测模型，所述检测模型为基于时间卷积神经网络构建的已训练好的模型；
获取所述检测模型输出的所述待检测锂离子电池在所述时段内的工作状态。
可选地，所述检测模型包括：
输入层，用于接收所述多个电压；
时间卷积神经网络层，与所述输入层连接，用于对所述输入层接收的所述多个电压进行特征提取；
全连接层，与所述时间卷积神经网络层连接，用于将所述时间卷积神经网络层提取出的特征映射到样本空间，以得到所述待检测锂离子电池在所述时段内的工作状态。
可选地，所述检测模型通过以下训练步骤预先训练：
将训练集中各采集时段内不同时刻锂离子电池的多个电压输入当前检测模型；
获取所述当前检测模型输出的所述训练集中各采集时段的检测结果，并根据所述训练集中各采集时段的检测结果和工作状态标签确定所述当前检测模型的训练损失值；
若所述当前检测模型的训练损失值不收敛则调整所述当前检测模型中的内部参数，并将内部参数调整后的检测模型确定为当前检测模型；
返回执行将训练集中各采集时段内不同时刻锂离子电池的多个电压输入当前检测模型的步骤，直到所述当前检测模型的训练损失值收敛。
可选地，所述检测模型的训练步骤还包括：
确定所述当前检测模型的训练损失值之后，判断训练的轮次是否达到多个预设次数中的一个；
若训练的轮次没有达到所述多个预设次数中的一个，则对所述当前检测模型的训练损失值是否收敛进行判断。
可选地，所述检测模型的训练步骤还包括：
若训练的轮次达到所述多个预设次数中的一个，则将验证集中各采集时段内不同时刻锂离子电池的多个电压输入当前检测模型；
获取所述当前检测模型输出的所述验证集中各采集时段的检测结果，并根据所述验证集中各采集时段的检测结果和工作状态标签确定当前检测模型的验证损失值；
基于各所述训练损失值和各所述验证损失值调整所述当前检测模型的超参数来提高模型性能，并将调整后的检测模型确定为当前检测模型；
返回执行将训练集中各采集时段内不同时刻锂离子电池的多个电压输入当前检测模型的步骤。
可选地，在所述当前检测模型的训练损失值收敛之后，所述检测模型还通过以下测试步骤预先测试：
将测试集中各采集时段内不同时刻锂离子电池的多个电压输入当前检测模型；
获取所述当前检测模型输出的所述测试集中各采集时段的检测结果，并根据所述测试集中各采集时段的检测结果和工作状态标签确定所述当前检测模型的准确率；
若所述当前检测模型的准确率不大于阈值，则重新执行所述训练步骤，直到所述当前检测模型的准确率大于所述阈值。
可选地，所述训练集、所述验证集以及所述测试集中的各采集时段内不同时刻锂离子电池的多个电压皆为样本数据；
所述样本数据为预处理后的电压数据集所包括的电压数组，所述电压数组为实车运行过程中采集时段内不同时刻的锂离子电池的多个电压，所述预处理包括将所述电压数据集所包括的具有异常电压或缺失值的所述电压数组剔除。
可选地，所述电压数据集中的电压数组为对多种车辆和/或多种电芯进行采集而得到的。
根据本公开第二方面，提供了一种电子设备，包括：处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序，所述程序被所述处理器执行时实现第一方面所述的任一种锂离子电池工作状态的检测方法的步骤。
根据本公开第三方面，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有计算机程序或指令，所述计算机程序或指令被处理器执行时实现第一方面所述的任一种锂离子电池工作状态的检测方法的步骤。
本公开的有益效果：
本公开提供的锂离子电池工作状态的检测方法，利用检测模型执行，检测模型替代了人工工作，能够较为快速地完成锂离子电池工作状态的检测，其中，检测模型为基于时间卷积神经网络构建的已训练好的模型，因而检测模型在处理待检测锂离子电池在一时段内不同时刻的多个电压的过程中，运算较为快速且占用内存较小，并能对待检测锂离子电池在所述时段内的工作状态给出准确的检测结果。
附图说明
通过参考以下附图对本公开实施例的描述，本公开的上述以及其它目的、特征和优点将更为清楚，在附图中：
图1示出了本公开实施例提供的锂离子电池工作状态的检测方法的流程图；
图2示出了一种示例性的因果卷积的网络结构示意图；
图3示出了本公开实施例所采用的一种检测模型的架构示意图；
图4示出了本公开实施例的检测模型在训练过程中的训练损失值和验证损失值；
图5示出了本公开实施例的一个完成训练的测试模型的准确率；
图6示出了根据本公开实施例的一种电子设备的结构图。
具体实施方式
为了便于理解本公开，下面将参照相关附图对本公开进行更全面的描述。附图中给出了本公开的较佳实施例。但是，本公开可以通过不同的形式来实现，并不限于本文所描述的实施例。相反的，提供这些实施例的目的是使对本公开的公开内容的理解更加透彻全面。
图1所示为本公开实施例提供的一种锂离子电池工作状态的检测方法的流程图。参照图1，该锂离子电池工作状态的检测方法包括：
步骤S110，获取待检测锂离子电池在一时段内不同时刻的多个电压；
步骤S120，将多个电压输入检测模型，检测模型为基于时间卷积神经网络构建的已训练好的模型；
步骤S130，获取检测模型输出的待检测锂离子电池在上述时段内的工作状态。
具体地，时间卷积神经网络(Temporal Convolutional Network，简称TCN)用到因果卷积(Causal Convolution)，因果卷积可以用图2直观表示，即对于上一层t时刻的值，只依赖于下一层t时刻及其之前的值。和传统的卷积神经网络的不同之处在于：因果卷积不能看到未来的数据，它是单向的结构，不是双向的。也就是说，只有有了前面的因才有后面的果，是一种严格的时间约束模型，因此被称为因果卷积。图2所示的网络结构包括一个输入层、三个隐藏层和一个输出层，是4个卷积核为2的1维卷积层堆积而成，空洞因子dilation＝1，视野域为5。为了通过较少的卷积层实现较大的视野域，可以增大空洞因子dilation，即使得任两个卷积核之间隔一个或多个数据而变得空洞，例如空洞因子dilation＝3的情况下任两个卷积核之间隔两个数据，此情况下的因果卷积又称为空洞卷积(DilatedCausal Convolution)或者扩张卷积，也可称为膨胀卷积。
相比于循环神经网络(Rerrent Neural Network，简称RNN)，时间卷积神经网络使用因果卷积实现基于多个电压预测工作状态的功能，通过训练选择合适的模型参数，最终能够大幅度提升运算速度和缩小占用内存。待检测锂离子电池的工作状态即充放电状态，具体包括静置状态和充放电状态两大类，充放电状态又细分为充电状态和放电状态这两小类，因而时间卷积神经网络最终要解决的是将待检测锂离子电池划分在不处于充放电状态、充电状态和放电状态之一的分类问题，基于时间卷积神经网络构建的已训练好的检测模型能够很好地解决这一问题。
图3所示为本公开一个实施例所采用的检测模型的架构示意图。参照图3，检测模型可以包括：输入层InputLayer、时间卷积神经网络层TCN和全连接层Dense，其中，输入层InputLayer用于接收一时段内不同时刻的多个电压；时间卷积神经网络层TCN与输入层InputLayer连接，用于对输入层InputLayer接收的多个电压进行特征提取；全连接层Dense与时间卷积神经网络层TCN连接，用于将时间卷积神经网络层TCN提取出的特征映射到样本空间，以得到待检测锂离子电池在所述时段内的工作状态。
具体地，输入层InputLayer和时间卷积神经网络层TCN的输入可以各为n个1×16的向量；时间卷积神经网络层TCN的输出可以为n个1×10的向量，全连接层Dense的输出可以为n个1×3的向量。上述时间卷积神经网络层TCN的输入即为输入层InputLayer的输出，时间卷积神经网络层TCN的输出即为全连接层Dense的输入。
上述n是输入层InputLayer的输入数据按16个一组切片得到的组数，输入层InputLayer的输入数据即为行车运行过程中依次采集的电池电压，例如按固定间隔时长采集的一系列电压。以上设置窗口大小window_size这一参数为16，即以16个数据为一组来检测一次对应采集时段内的电池工作状态，这是因为需要空洞采集而设置为2的m次方(m为整数)，与时间卷积神经网络层TCN的空洞因子dilation有关(空洞因子dilation一般设置为2的m次方，要使得数据全部对应，窗口大小window这一参数也需要设置为2的m次方)，而且避免了设置过大而导致的模型不够准确，以及避免了设置过小而导致的模型运算时间长和稳定性受影响。
全连接层Dense输出的为n个1×3的向量，各1×3的向量为1×3的独热(one hot)向量，其中，若为“100”则表示样本空间的数据“0”，代表静置状态；若为“010”则表示样本空间的数据“1”，代表充电状态；若为“001”则表示样本空间的数据“2”，代表放电过程。进一步，可以使用函数argmax()读取全连接层Dense输出的独热向量的信息，即得到数据“0”、“1”、“2”中的一个。
一些示例中，时间卷积神经网络层TCN由于带有膨胀，所以参数较多，对于输出为n个1×10的向量的情况能够具有2940个内部参数；而全连接层Dense设置神经元unit这一参数为3，使用函数Softmax整合输出结果，输入为1×10向量，三个隐藏层全连接，输出1×3向量，从而共有33个内部参数，这样检测模型总共有2973个内部参数需要训练。
一个可选的实施例中，检测模型通过以下训练步骤预先训练：将训练集中各采集时段内不同时刻锂离子电池的多个电压输入当前检测模型，获取当前检测模型输出的训练集中各采集时段的检测结果，具体是当前检测模型基于输入的训练集中一个采集时段内不同时刻锂离子电池的多个电压而输出一个检测结果，该检测结果为检测多个电压对应采集时段锂离子电池工作状态的结果；然后根据训练集中各采集时段的检测结果和工作状态标签确定当前检测模型的训练损失值，其中，工作状态标签是预先标注到采集时段上的，通过数据“0”、“1”、“2”示意准确的工作状态，可以计算各采集时段的检测结果和工作状态标签之间的均方误差(mean-square error，简称MSE)来得到训练损失值；之后若当前检测模型的训练损失值不收敛则调整当前检测模型中的内部参数，并将内部参数调整后的检测模型确定为当前检测模型，接着返回执行将训练集中各采集时段内不同时刻锂离子电池的多个电压输入当前检测模型的步骤，直到当前检测模型的训练损失值收敛。
进一步，检测模型的训练步骤还包括：在上述确定当前检测模型的训练损失值之后，判断训练的轮次(epoch)是否达到多个预设次数中的一个，其中，若训练的轮次没有达到多个预设次数中的一个，则对当前检测模型的训练损失值是否收敛进行判断，继而基于判断结果执行训练损失值不收敛情况下的步骤或在训练损失值收敛情况下终止。
进一步，若训练的轮次达到多个预设次数中的一个，则将验证集中各采集时段内不同时刻锂离子电池的多个电压输入当前检测模型，获取当前检测模型输出的验证集中各采集时段的检测结果；然后根据验证集中各采集时段的检测结果和工作状态标签确定当前检测模型的验证损失值，同样可以计算各采集时段的检测结果和工作状态标签之间的均方误差(mean-square error，简称MSE)来得到验证损失值；之后基于各训练损失值和各验证损失值调整当前检测模型的超参数来提高模型性能，并将调整后的检测模型确定为当前检测模型，接着返回执行将训练集中各采集时段内不同时刻锂离子电池的多个电压输入当前检测模型的步骤。
具体地，上述多个预设次数可以是预设的固定间隔的多个次数，例如为10的倍数，又例如为最小为10且间隔为5的多个次数。通过在多个预设次数各跑一次验证集是为了及时发现当前检测模型的超参数问题或验证当前检测模型的泛化能力，并在基于各训练损失值和各验证损失值确定当前模型超参数不合理或泛化能力不好的情况下及时调整当前检测模型的超参数来提高模型性能，这样有利于快速训练好检测模型。多个预设次数并不是从1开始的连续的一系列整数，这样是为了避免频繁跑验证集而导致训练速度受到影响。
图4所示为检测模型训练过程中的训练损失值和验证损失值，其中，横轴为训练的轮次，纵轴为损失值且与标注“train”对应的深灰色曲线示意训练损失值而与标注“vaild”对应的浅灰色曲线示意验证损失值。从图4可见，结合验证集和训练集进行训练，经过100个轮次后检测模型的训练损失值和验证损失值即都明显降低且趋近收敛。
进一步，在当前检测模型的训练损失值收敛之后，检测模型还通过以下测试步骤预先测试：将测试集中各采集时段内不同时刻锂离子电池的多个电压输入当前检测模型，获取当前检测模型输出的测试集中各采集时段的检测结果；根据测试集中各采集时段的检测结果和工作状态标签确定当前检测模型的准确率，即检测结果和工作状态标签一致的采集时段的占比，其中，若当前检测模型的准确率不大于阈值，则重新执行以上所述的训练步骤，直到当前检测模型的准确率大于所述阈值，则得到完成训练的测试模型。需要说明的是，重新执行以上所述的训练步骤，需要从一开始重新设置检测模型的超参数以及内部参数，这样经过训练后检测模型能够具有更加合适的超参数和内部参数，从而达到更高的准确率，最终得到符合准确率要求的检测模型。
图5所示为完成训练的测试模型的准确率。如图5所示，实线为测试数据，即为样本对应的实际的工作状态；点线为预测数据，即为样本经检测模型输出的工作状态，其中，一个样本即一个采集时段内多个时刻的电池电压。图5中，预测数据和测试数据绝大部分重合，由于重合部分点线被实线覆盖因而并不显示，因而图5中只显示了部分点线，点线的显示部分即示意预测数据和测试数据不一致的部分。如图5所示，预测数据和测试数据不一致的样本很少，测试模型的准确率约为95％，这可以满足测试模型使用所需求的准确率。
以上所述的训练集、验证集以及测试集中的各采集时段内不同时刻锂离子电池的多个电压皆为样本数据，样本数据为预处理后的电压数据集所包括的电压数组，电压数组为实车运行过程中采集时段内不同时刻的锂离子电池的多个电压，所述预处理包括将电压数据集所包括的具有异常电压或缺失值的电压数组剔除，从而使得样本数据适合检测模型的训练以及测试。具体地，若记电压数据集为：X＝{x1，x2，…，xi，…，xu}，xi为电压数据集中第i个电压数组，u表示电压数据集X中电压数组的数量，电压数组xi＝{v1，v2，…，vj，…，vw}，w为一个采集时段采集的电压数组中电压的数量，例如为以上所述的16。若电压数组xi中的电压可能为合理范围以外的异常电压或缺失值(例如没有v2没被采集到数值)，此时要将电压数组xi从电压数据集X中剔除。当然，在u不是足够大而无法使电压数据集X满足训练以及测试需求的情况下，可以对电压数组xi中的异常电压进行剔除处理，剔除处理会导致缺失值产生，因而之后要进行缺失值的填充；另一些情况下，采样问题直接导致电压数组xi中存在缺失值，这也需要进行缺失值的填充。缺失值的填充，可以是填充前后数据的平均值，也可以采用其他方法，这里不作限制。具有异常电压或缺失值的电压数组xi被按以上过程处理后即可作为样本数据xi'，样本数据xi'＝{v1'，v2'，…，vj'，…，vw'}且其中大部分电压为电压数组xi中对应的电压。一些示例中，可以将电压数据集X中的电压数组按照6:2:2的比例划分为训练集、验证集和测试集，即80％的电压数组用到训练步骤中而20％的电压数组用到测试步骤中。
电压数据集X中的电压数组可以为对多种车辆和/或多种电芯进行采集而得到的，这样训练好的检测模型可以用于对多种锂离子电池的工作状态做出更为准确的预测。电动车行驶工况复杂多样，很难通过某一特定的函数描述出工作状态，而检测模型通过训练即可对锂离子电池在各种工况下的工作状态进行准确检测。并且，机器学习相比人工判断在速度方面有无与伦比的优势，因而检测模型能够对锂离子电池在各种工况下的工作状态进行快速检测。
磷酸铁锂电池作为一种常见的锂离子电池，充放电状态存在巨大差异，使用以上检测模型快速、准确地得到工作状态，能够对实车荷电状态和健康状态的估计做出准确修正，同时也能够对电池包内部单体电芯做出准确监控。
本公开实施例提供的上述锂离子电池工作状态的检测方法，根据实车运行的电压数据快速且准确地检测出行车上锂离子电池的工作状态，对电池数据分析和电池管理都具有积极的意义。
图6所示为一种示例性的电子设备。如图6所示，电子设备1300包括存储器1310和处理器1320及存储在存储器1310上并可在处理器1320上运行的程序。所述程序包括检测模型的相关代码，在被处理器1320执行时可实现上述锂离子电池工作状态的检测方法中各实施例的各个过程，且能达到相同的技术效果。当然，该电子设备还可以包括电源组件1330、网络接口1340和输入输出接口1350等辅助子设备。
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读的可读存储介质中，并由处理器进行加载和执行。为此，本公开实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时可实现上述锂离子电池工作状态的检测方法中各实施例的各个过程。其中，计算机可读存储介质，如U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
由于该可读存储介质中所存储的程序，可以执行本公开实施例所提供的任一种锂离子电池工作状态的检测方法中的步骤，因此，可以实现本公开实施例所提供的任一种锂离子电池工作状态的检测方法所能实现的有益效果，详见前面的实施例，在此不再赘述。以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
需要说明的是，本说明书中在对各个实施例进行描述时，均重点说明的是与其他实施例的不同之处，而对于各个实施例之间相同或相似的部分可互相参考进行理解。对于电子设备这一实施例而言，由于其与方法实施例基本相似，因此相关之处可参考对方法实施例部分的说明。由于该电子设备实施例具有上述方法实施例所能实现的有益效果，详见前面的实施例，在此不再赘述。
此外，需要指出的是，在本公开的装置和方法中，显然，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公开的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行，某些步骤可以并行或彼此独立地执行。对本领域的普通技术人员而言，能够理解本公开的方法和装置的全部或者任何步骤或者部件，可以在任何计算装置(包括处理器、存储介质等)或者计算装置的网络中，以硬件、固件、软件或者它们的组合加以实现，这是本领域普通技术人员在阅读了本公开的说明的情况下运用他们的基本编程技能就能实现的。
最后应说明的是：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。并且，以上所述实施例，仅为本公开的具体实施方式，用以说明本公开的技术方案，而非对其限制，本公开的保护范围并不局限于此，尽管参照前述实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本公开实施例技术方案的精神和范围，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种锂离子电池工作状态的检测方法，包括：
获取待检测锂离子电池在一时段内不同时刻的多个电压；
将所述多个电压输入检测模型，所述检测模型为基于时间卷积神经网络构建的已训练好的模型；
获取所述检测模型输出的所述待检测锂离子电池在所述时段内的工作状态。
2.根据权利要求1所述的锂离子电池工作状态的检测方法，其中，所述检测模型包括：
输入层，用于接收所述多个电压；
时间卷积神经网络层，与所述输入层连接，用于对所述输入层接收的所述多个电压进行特征提取；
全连接层，与所述时间卷积神经网络层连接，用于将所述时间卷积神经网络层提取出的特征映射到样本空间，以得到所述待检测锂离子电池在所述时段内的工作状态。
3.根据权利要求2所述的锂离子电池工作状态的检测方法，其中，所述检测模型通过以下训练步骤预先训练：
将训练集中各采集时段内不同时刻锂离子电池的多个电压输入当前检测模型；
获取所述当前检测模型输出的所述训练集中各采集时段的检测结果，并根据所述训练集中各采集时段的检测结果和工作状态标签确定所述当前检测模型的训练损失值；
若所述当前检测模型的训练损失值不收敛则调整所述当前检测模型中的内部参数，并将内部参数调整后的检测模型确定为当前检测模型；
返回执行将训练集中各采集时段内不同时刻锂离子电池的多个电压输入当前检测模型的步骤，直到所述当前检测模型的训练损失值收敛。
4.根据权利要求3所述的锂离子电池工作状态的检测方法，其中，所述检测模型的训练步骤还包括：
确定所述当前检测模型的训练损失值之后，判断训练的轮次是否达到多个预设次数中的一个；
若训练的轮次没有达到所述多个预设次数中的一个，则对所述当前检测模型的训练损失值是否收敛进行判断。
5.根据权利要求4所述的锂离子电池工作状态的检测方法，其中，所述检测模型的训练步骤还包括：
若训练的轮次达到所述多个预设次数中的一个，则将验证集中各采集时段内不同时刻锂离子电池的多个电压输入当前检测模型；
获取所述当前检测模型输出的所述验证集中各采集时段的检测结果，并根据所述验证集中各采集时段的检测结果和工作状态标签确定当前检测模型的验证损失值；
基于各所述训练损失值和各所述验证损失值调整所述当前检测模型的超参数来提高模型性能，并将调整后的检测模型确定为当前检测模型；
返回执行将训练集中各采集时段内不同时刻锂离子电池的多个电压输入当前检测模型的步骤。
6.根据权利要求5所述的锂离子电池工作状态的检测方法，其中，在所述当前检测模型的训练损失值收敛之后，所述检测模型还通过以下测试步骤预先测试：
将测试集中各采集时段内不同时刻锂离子电池的多个电压输入当前检测模型；
获取所述当前检测模型输出的所述测试集中各采集时段的检测结果，并根据所述测试集中各采集时段的检测结果和工作状态标签确定所述当前检测模型的准确率；
若所述当前检测模型的准确率不大于阈值，则重新执行所述训练步骤，直到所述当前检测模型的准确率大于所述阈值。
7.根据权利要求6所述的锂离子电池工作状态的检测方法，其中，
所述训练集、所述验证集以及所述测试集中的各采集时段内不同时刻锂离子电池的多个电压皆为样本数据；
所述样本数据为预处理后的电压数据集所包括的电压数组，所述电压数组为实车运行过程中采集时段内不同时刻的锂离子电池的多个电压，所述预处理包括将所述电压数据集所包括的具有异常电压或缺失值的所述电压数组剔除。
8.根据权利要求7所述的锂离子电池工作状态的检测方法，其中，所述电压数据集中的电压数组为对多种车辆和/或多种电芯进行采集而得到的。
9.一种电子设备，包括：处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序，所述程序被所述处理器执行时实现权利要求1-8中任一项所述的锂离子电池工作状态的检测方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序或指令，所述计算机程序或指令被处理器执行时实现权利要求1-8中任一项所述的锂离子电池工作状态的检测方法的步骤。
CN202310873736.9A 2023-07-17 2023-07-17 锂离子电池工作状态的检测方法和相关装置 Pending CN117031293A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310873736.9A CN117031293A (zh) 2023-07-17 2023-07-17 锂离子电池工作状态的检测方法和相关装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310873736.9A CN117031293A (zh) 2023-07-17 2023-07-17 锂离子电池工作状态的检测方法和相关装置

Publications (1)

Publication Number Publication Date
CN117031293A true CN117031293A (zh) 2023-11-10

Family

ID=88627082

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310873736.9A Pending CN117031293A (zh) 2023-07-17 2023-07-17 锂离子电池工作状态的检测方法和相关装置

Country Status (1)

Country Link
CN (1) CN117031293A (zh)

Similar Documents

Publication Publication Date Title
CN112731159B (zh) 一种储能电站电池舱电池故障预判及定位的方法
CN110221225B (zh) 一种航天器锂离子电池循环寿命预测方法
Wang et al. State of health estimation based on modified Gaussian process regression for lithium-ion batteries
EP4198531A1 (en) Battery cell defectiveness and fire early diagnosis method and apparatus based on neural network
CN114372417A (zh) 基于充电网的电动汽车电池健康状态和剩余寿命评估方法
Zhang et al. Cost-effective Lebesgue sampling long short-term memory networks for lithium-ion batteries diagnosis and prognosis
CN113447828B (zh) 一种基于贝叶斯神经网络的锂电池温度估计方法及系统
Niu et al. Lebesgue sampling based deep belief network for lithium-ion battery diagnosis and prognosis
CN113821976A (zh) 一种基于集成算法的锂电池故障诊断建模方法
CN111983474A (zh) 一种基于容量衰退模型的锂离子电池寿命预测方法和系统
CN116401585B (zh) 一种基于大数据的储能电池失效风险评估方法
CN112611976A (zh) 一种基于双差分曲线的动力电池健康状态估计方法
CN116540108B (zh) 一种电芯容量衰减预警方法、装置、存储介质及设备
CN115366683A (zh) 一种新能源汽车动力电池多维模型融合的故障诊断策略
CN115409263A (zh) 一种基于门控和注意力机制的锂电池剩余寿命预测方法
CN111537888A (zh) 一种数据驱动的梯次电池soc预测方法
CN114325433A (zh) 基于电化学阻抗谱测试的锂离子电池故障检测方法和系统
CN113657030A (zh) 一种基于高斯过程回归的锂电池剩余使用寿命预测方法
CN116754960A (zh) 钠离子电池云端soh估计和剩余寿命预测方法、装置及程序
CN116901707A (zh) 一种动力电池组故障预警方法、系统及车辆
CN116540098A (zh) 电池残值评估方法、装置、设备及可读存储介质
CN116413606A (zh) 动力电池健康状态估计方法、系统及介质
CN117031293A (zh) 锂离子电池工作状态的检测方法和相关装置
Kuang et al. State-of-charge estimation hybrid method for lithium-ion batteries using BiGRU and AM co-modified Seq2Seq network and H-infinity filter
CN111537889B (zh) 一种数据驱动的梯次电池rul预测与分类方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination