CN117148172A - 电池状态检测方法、装置、计算设备和介质 - Google Patents
电池状态检测方法、装置、计算设备和介质 Download PDFInfo
- Publication number
- CN117148172A CN117148172A CN202311426268.7A CN202311426268A CN117148172A CN 117148172 A CN117148172 A CN 117148172A CN 202311426268 A CN202311426268 A CN 202311426268A CN 117148172 A CN117148172 A CN 117148172A
- Authority
- CN
- China
- Prior art keywords
- battery
- state
- sample
- feature vector
- charge
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 143
- 239000013598 vector Substances 0.000 claims abstract description 207
- 238000000034 method Methods 0.000 claims description 54
- 238000012360 testing method Methods 0.000 claims description 45
- 238000012549 training Methods 0.000 claims description 22
- 230000005856 abnormality Effects 0.000 claims description 15
- 238000007599 discharging Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 6
- 208000028659 discharge Diseases 0.000 description 29
- 230000002159 abnormal effect Effects 0.000 description 19
- 238000004891 communication Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 230000009471 action Effects 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000001413 cellular effect Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 241000699670 Mus sp. Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
-
- 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]
-
- 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
- G01R31/387—Determining ampere-hour charge capacity or 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or SoC
- G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
-
- 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
Abstract
本申请提供一种电池状态检测方法、装置、计算设备和介质,属于电池技术领域领域。电池状态检测方法包括:获取与待测电池相关联的第一数据集;基于第一数据集,确定待测电池的荷电状态信息;从荷电状态信息中提取特征向量;将特征向量输入电池状态检测模型,以获取电池状态检测模型输出的重构特征向量;以及基于特征向量和重构特征向量,确定待测电池的状态。
Description
技术领域
本申请涉及电池技术领域,尤其涉及一种电池状态检测方法、装置、计算设备和介质。
背景技术
节能减排是汽车产业可持续发展的关键,电动车辆由于其节能环保的优势成为汽车产业可持续发展的重要组成部分。对于电动车辆而言,电池技术又是关乎其发展的一项重要因素。
电池在使用过程中,可能会出现自放电等异常现象,影响电池的安全性能。然而对于电池自放电等异常的检测方法往往不够准确,影响对于电池故障的定位和维修。
发明内容
本申请旨在至少解决背景技术中存在的技术问题之一。为此,本申请的一个目的在于提供一种电池状态检测方法,以缓解、减轻或消除相关技术中的问题。
本申请第一方面的实施例提供一种电池状态检测方法,该方法包括:获取与待测电池相关联的第一数据集;基于第一数据集,确定待测电池的荷电状态信息;从荷电状态信息中提取特征向量;将特征向量输入电池状态检测模型,以获取电池状态检测模型输出的重构特征向量;以及基于特征向量和重构特征向量,确定待测电池的状态。
本申请实施例的技术方案中,获取待测电池的特征向量,并通过电池状态检测模型对其进行重构,基于特征向量和重构特征向量确定待测电池的状态,可以提高检测结果的准确性(例如可以提高检测电池异常放电情况的准确性),同时降低电池状态检测过程对于人工的依赖。
在一些实施例中,基于第一数据集,确定待测电池的荷电状态信息包括:从第一数据集中获取待测电池在非充电时段内的数据子集;以及基于数据子集,确定待测电池的荷电状态信息。相对于充电时段的数据,电池在非充电时段的数据量更大,通过使用非充电时段的数据来确定待测电池的荷电状态信息,可以使得荷电状态信息的结果更加准确。
在一些实施例中,从第一数据集中获取待测电池在非充电时段内的数据子集包括:从第一数据集中获取待测电池在非充电并且非工作放电的静置时段内的数据子集。通过使用电池静置时段的数据来确定待测电池的荷电状态信息,可以进一步提高检测结果的准确性。
在一些实施例中,第一数据集包括待测电池的电流值,其中,在非充电时段内,待测电池的放电速率或充电速率小于速率阈值。根据放电速率或充电速率确定非充电时段,使得对于数据集的选取更加准确。
在一些实施例中,第一数据集包括待测电池的电流值,其中,在非充电时段内,待测电池的放电电流或充电电流小于电流阈值,并且非充电时段的持续时长大于时长阈值。根据小于电流阈值的电流以及持续时长确定非充电时段,使得对于数据集的选取更加准确。
在一些实施例中,第一数据集包括待测电池的多个电芯各自的电压值,其中,基于数据子集,确定待测电池的荷电状态信息包括:从数据子集中获取待测电池在非充电时段内的电压值列表;基于电压值列表,确定待测电池的荷电状态列表;以及根据荷电状态列表,确定待测电池在非充电时段内的荷电状态曲线。电池的荷电状态与电压值相关,通过基于电压值列表确定荷电状态列表,进一步确定荷电状态曲线,使得待测电池的荷电状态信息更加准确。
在一些实施例中,基于电压值列表,确定待测电池的荷电状态列表包括:根据在开路电压条件下电池的电压值与荷电状态之间的基准对应关系,对电压值列表进行插值,以获取荷电状态列表。通过该方法,对于电压值列表进行平滑,提高了计算精度和可靠性,提高了荷电状态列表的准确性。
在一些实施例中,根据荷电状态列表,确定待测电池在非充电时段内的荷电状态曲线包括:根据荷电状态列表,确定待测电池的多个电芯的荷电状态的平均值;确定多个电芯各自的荷电状态与平均值之间的第一差值;以及对多个电芯各自对应的第一差值进行滤波,以得到每个电芯在非充电时段内的荷电状态曲线。使用多个电芯各自的荷电状态与荷电状态的平均值之间的差值来获得荷电状态曲线,并对差值进行滤波,可以降低噪声等干扰信号的影响,提高荷电状态曲线的准确性。
在一些实施例中,从荷电状态信息中提取特征向量包括:针对多个电芯中的每个电芯:从该电芯的荷电状态曲线中提取至少一个中间值;以及基于至少一个中间值,确定中间特征向量;以及将每个电芯所对应的中间特征向量拼接成一维向量,作为特征向量。通过将每个电芯的中间特征向量拼接成一维向量,并将其作为特征向量输入电池状态检测模型,更准确地表示了待测电池的相关特征,使得检测结果更加准确。
在一些实施例中,针对多个电芯中的每个电芯,从该电芯的荷电状态曲线中提取至少一个中间值包括:针对每个电芯,利用预设长度的取样窗口,以小于预设长度的步长沿该电芯的荷电状态曲线的时间轴滑动取样,以获取至少一个中间值。通过使用该方法获取中间值,可以减少重复计算,提高检测效率。
在一些实施例中,中间特征向量包括以下各项中的至少一项:荷电状态曲线的概率密度;至少一个中间值各自与荷电状态曲线的最大值之间的第二差值;至少一个中间值各自与荷电状态曲线的最小值之间的第三差值;至少一个中间值的显著图特征值;或至少一个中间值的偏离程度。使用电池相关的重要参数构成中间特征向量,使得对于电池状态的检测结果更加准确。
在一些实施例中,基于特征向量和重构特征向量,确定待测电池的状态包括:确定重构特征向量与特征向量之间的重构误差;以及响应于确定重构误差大于误差阈值,确定待测电池发生自放电异常。通过对比特征向量与电池状态检测模型重构出的重构特征向量,基于重构误差确定待测电池是否异常,可以在提高检测结果准确性的同时,降低对于人工检测的需求。
在一些实施例中,响应于确定重构误差大于误差阈值,确定待测电池发生自放电异常包括:根据重构误差,确定待测电池发生自放电异常的风险等级。根据重构误差确定待测电池自放电异常的风险等级,可以根据风险等级进行排序,实现对于异常电池的快速排查。
本申请第二方面的实施例提供一种电池状态检测模型的训练方法,该方法包括:获取与第一样本电池相关联的第一样本数据集;基于第一样本数据集,确定第一样本电池的样本荷电状态信息;从样本荷电状态信息中提取样本特征向量;将样本特征向量输入电池状态检测模型,以获取电池状态检测模型输出的样本重构特征向量;以及至少基于样本特征向量和样本重构特征向量,调整电池状态检测模型的参数。利用待测电池的样本特征向量和重构样本特征向量来训练电池状态检测模型,使该模型能够不断优化,更进一步提高检测结果的准确性。
在一些实施例中,第一样本数据集是对第一样本电池在其根据预设充电指令进行充电或根据预设放电指令进行放电的过程中所采集的样本数据集,并且所述方法还包括:获取与第二样本电池相关联的第二样本数据集,其中,第二样本数据集包括指示第二样本电池发生自放电异常的标注,并且其中,至少基于样本特征向量和样本重构特征向量,调整电池状态检测模型的参数包括:基于样本特征向量、样本重构特征向量以及第二样本数据集,调整电池状态检测模型的参数。通过该方法,对于一些非典型的异常电池的案例进行人工标注,提高电池状态检测模型的可靠性,进一步提高检测结果的准确性。
本申请第三方面的实施例提供一种电池状态检测装置,其包括数据获取模块,被配置为获取与待测电池相关联的第一数据集;荷电状态信息确定模块,被配置为基于第一数据集,确定待测电池的荷电状态信息;特征向量提取模块,被配置为从荷电状态信息中提取特征向量;重构特征向量获取模块,被配置为将特征向量输入电池状态检测模型,以获取电池状态检测模型输出的重构特征向量;以及电池状态确定模块,被配置为基于特征向量和重构特征向量,确定待测电池的状态。
本申请第四方面的实施例提供一种电池状态检测模型的训练装置,其包括样本数据获取模块,被配置为获取与第一样本电池相关联的第一样本数据集;样本荷电状态信息确定模块,被配置为基于第一样本数据集,确定第一样本电池的样本荷电状态信息;样本特征向量提取模块,被配置为从样本荷电状态信息中提取样本特征向量;样本重构特征向量获取模块,被配置为将样本特征向量输入电池状态检测模型,以获取电池状态检测模型输出的样本重构特征向量;以及参数调整模块,被配置为至少基于样本特征向量和样本重构特征向量,调整电池状态检测模型的参数。
本申请第五方面的实施例提供一种计算设备,其包括至少一个处理器;以及与至少一个处理器通信连接的至少一个存储器,存储器存储有指令,指令当被至少一个处理器单独或共同执行时,使计算设备执行如上述实施例中的方法。
本申请第六方面的实施例提供一种计算机可读存储介质,其上存储有指令,指令当被计算设备的一个或多个处理器单独或共同执行时,使计算设备执行如上述实施例中的方法。
本申请第七方面的实施例提供一种计算机程序产品,包括指令,指令当被计算设备的一个或多个处理器单独或共同执行时,使计算设备执行如上述实施例中的方法。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
在附图中,除非另外规定,否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解,这些附图仅描绘了根据本申请公开的一些实施方式,而不应将其视为是对本申请范围的限制。
图1为本申请一些实施例的电池状态检测方法的流程示意图;
图2为本申请一些实施例的基于第一数据集确定荷电状态信息的流程示意图;
图3为本申请一些实施例的基于数据子集确定荷电状态信息的流程示意图;
图4为本申请一些实施例的确定非充电时段内的荷电状态曲线的流程示意图;
图5为本申请一些实施例的从荷电状态信息中提取特征向量的流程示意图;
图6为本申请一些实施例的确定待测电池状态的流程示意图;
图7为本申请一些实施例的电池状态检测模型的训练方法的流程示意图;
图8为本申请一些实施例的电池状态检测装置的示例性框图;
图9为本申请一些实施例的电池状态检测模型的训练装置的示例性框图;并且
图10为能够应用于示例性实施例的示例性计算设备的框图。
具体实施方式
下面将结合附图对本申请技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本申请的技术方案,因此只作为示例,而不能以此来限制本申请的保护范围。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。
在本申请实施例的描述中,技术术语“第一”“第二”等仅用于区别不同对象,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量、特定顺序或主次关系。在本申请实施例的描述中,“多个”的含义是两个以上,除非另有明确具体的限定。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
在本申请实施例的描述中,术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
在本申请实施例的描述中,术语“多个”指的是两个以上(包括两个),同理,“多组”指的是两组以上(包括两组),“多片”指的是两片以上(包括两片)。
在本申请实施例的描述中,技术术语“中心”“纵向”“横向”“长度”“宽度”“厚度”“上”“下”“前”“后”“左”“右”“竖直”“水平”“顶”“底”“内”“外”“顺时针”“逆时针”“轴向”“径向”“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请实施例和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请实施例的限制。
在本申请实施例的描述中,除非另有明确的规定和限定,技术术语“安装”“相连”“连接”“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;也可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本申请实施例中的具体含义。
目前,从市场形势的发展来看,动力电池的应用越加广泛。动力电池不仅被应用于水力、火力、风力和太阳能电站等储能电源系统,而且还被广泛应用于电动自行车、电动摩托车、电动汽车等电动交通工具,以及军事装备和航空航天等多个领域。随着动力电池应用领域的不断扩大,其市场的需求量也在不断地扩增。
电池在使用过程中,可能会出现自放电等异常现象,影响电池的安全性能。而目前对于电池状态的检测往往依赖于人工经验来配置检测阈值,导致检测结果不够准确,并且需要很高的人工成本。
因此,需要一种更为准确的电池状态检测方法,降低电池状态检测对于人工的需求。
基于以上考虑,提出了一种电池状态检测方法,通过将基于待测电池的荷电状态信息所提取的特征向量输入电池状态检测模型,获取模型输出的重构特征向量,并且基于该特征向量和该重构特征向量确定待测电池的状态,能够在降低人工成本的同时,提高电池状态检测的准确性。
本申请实施例公开的电池状态检测方法可以但不限用于检测车辆、船舶或飞行器等的电池。这样,有利于提升对异常电池检测的准确性,降低人工成本,并且可以根据异常风险排序,及时进行排查,降低电池异常带来的安全风险。
本申请实施例提供了一种电池状态检测方法100,请参照图1。电池状态检测方法100包括:
步骤110,获取与待测电池相关联的第一数据集;
步骤120,基于第一数据集,确定待测电池的荷电状态信息;
步骤130,从荷电状态信息中提取特征向量;
步骤140,将特征向量输入电池状态检测模型,以获取电池状态检测模型输出的重构特征向量;以及
步骤150,基于特征向量和重构特征向量,确定待测电池的状态。
在本文中,术语“荷电状态”(SOC)是指蓄电池使用一段时间或长期搁置不用后的剩余容量与其完全充电状态的容量的比值。“荷电状态”的取值通常在0到1之间,当SOC为0时表示电池放电完全,当SOC为1时表示电池完全充满。在本文中,术语“特征向量”是指根据不同的特征属性得到的特征值形成的向量。在示例中,与待测电池相关联的数据集可以是对电池的电压、电流中的至少一者进行预处理得到的。预处理包括对采集到的数据进行数据清洗、异常值删除、缺失值填充等操作。在示例中,电池的电压、电流可以是基于国标或行业标准,从电动车辆处获取的,而无需从电动车辆处获取其他的或额外的数据。
基于与待测电池相关联的数据集确定待测电池的荷电状态信息,并从荷电状态信息中提取特征向量。将提取到的特征向量输入电池状态检测模型得到重构特征向量,基于输入的特征向量和输出的重构特征向量之间的比较,可以确定待测电池的状态。例如可以根据特征向量和重构特征向量之间的重构误差来确定待测电池的状态。
在示例中,可以利用长短时间网络-自编码器模型对特征向量进行重构。
获取待测电池的特征向量,并通过电池状态检测模型对其进行重构,基于特征向量和重构特征向量确定待测电池的状态,可以提高检测结果的准确性(例如可以提高检测电池异常放电情况的准确性),同时降低电池状态检测过程对于人工的依赖。
根据本申请的一些实施例,请参照图2,步骤120可以包括:
步骤210,从第一数据集中获取待测电池在非充电时段内的数据子集;以及
步骤220,基于数据子集,确定待测电池的荷电状态信息。
电池的非充电段数据通常指的是电池在未进行充电时的使用数据,在与待测电池相关联的第一数据集中获取非充电时段的数据,基于待测电池在非充电时段的数据,得到荷电状态信息。例如,电池管理系统可以采用一些传感器和测量设备来监测电池的非充电段数据,并根据这些数据对电池进行相应的管理和控制。
相对于电池的充电时段,电池的非充电时段持续时间更长,数据量也相应更大,使用非充电时段的数据得到待测电池的荷电状态信息,可以提高结果的准确性。
根据本申请的一些实施例,上述步骤210,从第一数据集中获取待测电池在非充电时段内的数据子集可以包括:从第一数据集中获取待测电池在非充电并且非工作放电的静置时段内的数据子集。
电池在静置时段内,不进行充电,也不进行对外工作放电。换言之,电池在静置时段内处于闲置状态。在此期间,电池本身的化学反应逐渐平衡,同时电池内部的电荷也逐渐分布均匀,相应地,此时电池电流较小,并且处于较为稳定的状态。在示例中,基于待测电池在静置时段内的数据,确定待测电池的荷电状态信息。
将理解的是,可以根据电池的类型和使用场景来确定电池的静置时段。例如,电动汽车使用的电池需要静置的时间可能较长,因为电动汽车的电池组由多个单体电池组成,每个单体电池的化学反应和温度都不同,需要足够的时间来达到相对平衡的状态。而一些低功率的电池,如干电池和锂电池等,由于其化学反应较为简单,所以静置时段可以较短。
通过筛选出电池静置时段的数据来确定待测电池的荷电状态信息,可以进一步提高检测结果的准确性。
根据本申请的一些实施例,第一数据集可以包括待测电池的电流值,其中,在非充电时段内,待测电池的放电速率或充电速率小于速率阈值。
待测电池的放电速率或充电速率表示了电池电量的变化速率。根据预设的速率阈值,当放电速率或充电速率小于该预设速率阈值时,可以确定电池处于非充电时段内,此时电池状态较为稳定。
根据放电速率或充电速率确定非充电时段,进一步确定电池处于非充电时段的数据进行后续操作,使得对于数据集的选取更加准确。
根据本申请的一些实施例,第一数据集可以包括待测电池的电流值,其中,在非充电时段内,待测电池的放电电流或充电电流小于电流阈值,并且非充电时段的持续时长大于时长阈值。
根据待测电池的电流值,选取电流值小于电流阈值且持续时长大于时长阈值的时段。待测电池在选取出的该时段内状态较为稳定。
在示例中,时长阈值可以不小于5分钟。例如,时长阈值可以是5分钟。
根据小于电流阈值的电流以及持续时长确定非充电时段,进一步确定电池处于非充电时段的数据进行后续操作,使得对于数据集的选取更加准确。
根据本申请的一些实施例,第一数据集可以包括待测电池的多个电芯各自的电压值,并且参照图3,步骤220可以包括:
步骤310,从数据子集中获取待测电池在非充电时段内的电压值列表;
步骤320,基于电压值列表,确定待测电池的荷电状态列表;以及
步骤330,根据荷电状态列表,确定待测电池在非充电时段内的荷电状态曲线。
电池的电压值与荷电状态之间存在关系,通过测量电池的电压,可以得到电池的荷电状态。例如电池的电压通常与其荷电状态呈现一定的线性关系,因此通过测量电池组的开路电压,可以推算出其荷电状态。因此,根据获取到的待测电池在非充电时段内的电压值列表,可以确定待测电池的荷电状态列表,并进一步确定待测电池在非充电时段的荷电状态曲线。
基于电池的电压值确定电池的荷电状态,并进一步确定荷电状态曲线用于后续步骤的操作,提高了电池状态检测的效率,并且使得待测电池的荷电状态信息更加准确。
根据本申请的一些实施例,上述步骤320,基于电压值列表,确定待测电池的荷电状态列表可以包括:根据在开路电压条件下电池的电压值与荷电状态之间的基准对应关系,对电压值列表进行插值,以获取荷电状态列表。
在示例中,可以使用三次样条插值算法对电压值列表进行插值,获取荷电状态列表。三次样条插值算法用于在给定的一组数据上拟合出一个平滑的函数,可以把离散数据点拟合成一条连续的函数曲线,因此可以获取不同电压值对应的荷电状态。
通过对电压值列表进行插值,拟合出一个平滑的函数,对于待测电芯的电压值列表进行了准确拟合,使得到的待测电池的荷电状态列表更加精确。
根据本申请的一些实施例,请参照图4,步骤320可以包括:
步骤410,根据荷电状态列表,确定待测电池的多个电芯的荷电状态的平均值;
步骤420,确定多个电芯各自的荷电状态与平均值之间的第一差值;以及
步骤430,对多个电芯各自对应的第一差值进行滤波,以得到每个电芯在非充电时段内的荷电状态曲线。
根据荷电状态列表,得到多个电芯的荷电状态的平均值,并计算得到各个电芯的荷电状态与平均值之间的差值。进一步对差值进行滤波,得到平滑后的荷电状态曲线。
通过使用荷电状态与平均值之间的差值得到荷电状态曲线,可以提高数据的一致性,进一步对差值进行滤波,可以降低噪声等干扰信号对结果的影响,使得到的荷电状态曲线更准确地反映待测电池的特征。
根据本申请的一些实施例,请参照图5,步骤130可以包括:
针对多个电芯中的每个电芯:
步骤510,从该电芯的荷电状态曲线中提取至少一个中间值;以及
步骤520,基于至少一个中间值,确定中间特征向量;以及
步骤530,将每个电芯所对应的中间特征向量拼接成一维向量,作为特征向量。
针对每个电芯,该电芯的荷电状态曲线中的任意一个数据点可以转换为一个特征向量。因此,各个电芯的荷电状态曲线中的数据点对应的特征向量可以组成一个矩阵,相应地,可以将该矩阵按行拼接成一维向量,作为特征向量,输入电池状态检测模型。
从电芯的荷电状态曲线中获取电芯的特征向量,并将各个电芯对应的特征向量拼接成一维向量,更准确地表示了待测电池的特征。将得到的一维向量输入后续的电池状态检测模型进行检测,可以实现对于异常电池的精确识别。
根据本申请的一些实施例,针对多个电芯中的每个电芯,从该电芯的荷电状态曲线中提取至少一个中间值可以包括:针对每个电芯,利用预设长度的取样窗口,以小于预设长度的步长沿该电芯的荷电状态曲线的时间轴滑动取样,以获取至少一个中间值。
在示例中,使用滑动窗口对荷电状态曲线进行特征提取。通过预设长度的取样窗口沿荷电状态曲线的时间轴滑动取样,得到相应的特征值。在示例中,步长的长度可以是取样窗口长度的一半。
滑动窗口的长度和步长可以根据需要进行调整,窗口在时间轴上滑动,每滑动一定的距离,就在当前窗口内进行取样。通过使用该方法,可以减少重复计算,提高检测效率。
根据本申请的一些实施例,中间特征向量包括以下各项中的至少一项:荷电状态曲线的概率密度;至少一个中间值各自与荷电状态曲线的最大值之间的第二差值;至少一个中间值各自与荷电状态曲线的最小值之间的第三差值;至少一个中间值的显著图特征值;或至少一个中间值的偏离程度。
在示例中,根据高斯分布的概率密度函数,计算得到荷电状态曲线的概率密度。
在示例中,根据n-sigma准则,计算出荷电状态曲线的最大值和最小值,并计算得到中间值与荷电状态曲线的最大值的差值以及中间值与荷电状态曲线的最小值的差值。
谱残差可以用于进行显著性检测。在示例中,利用谱残差法,计算得到显著图特征值。
在示例中,使用核密度估计方法计算得到中间值的偏离程度。
中间特征向量中包括了电池相关的重要参数,因此由中间特征向量拼接得到的特征向量同样包括了电池相关的重要参数,能够反映待测电池的重要特征,可以提高检测结果的准确性。
根据本申请的一些实施例,请参照图6,步骤150可以包括:
步骤610,确定重构特征向量与特征向量之间的重构误差;以及
步骤620,响应于确定重构误差大于误差阈值,确定待测电池发生自放电异常。
将特征向量输入电池状态检测模型中,电池状态检测模型会对特征向量进行重构,并输出重构特征向量。
在示例中,电池状态检测模型可以包括长短时间网络-自编码器模型。并且电池状态检测模型可以使用大量正常样本电池的数据进行训练,当待测电池异常时,经过电池状态检测模型重构得到的重构特征向量就会与输入的特征向量有较大的重构误差。因此,可以根据重构误差是否大于误差阈值来确定待测电池是否发生自放电异常。
通过对比特征向量与电池状态检测模型重构出的重构特征向量,基于重构误差确定待测电池是否异常,可以在提高检测结果准确性的同时,降低对于人工的需求。
根据本申请的一些实施例,上述步骤620,响应于确定重构误差大于误差阈值,确定待测电池发生自放电异常可以包括:根据重构误差,确定待测电池发生自放电异常的风险等级。
对待测电池设定偏离分数,偏离分数对应于待测电池对应的重构误差。重构误差越大,则偏离分数也越大。根据待测电池的偏离分数,得到待测电池发生自放电异常的风险等级,偏离分数越大,即说明发生自放电异常的风险等级越高。
通过确定待测电池发生自放电异常的风险等级,可以根据风险等级进行排序,从而对电池发生自放电异常的风险进行细分。
此外,还可以生成与风险等级对应的预警消息,实现对异常电池的快速排查,降低安全风险。
本申请实施例提供了一种电池状态检测模型的训练方法700,请参照图7。电池状态检测模型的训练方法700包括:
步骤710,获取与第一样本电池相关联的第一样本数据集;
步骤720,基于第一样本数据集,确定第一样本电池的样本荷电状态信息;
步骤730,从样本荷电状态信息中提取样本特征向量;
步骤740,将样本特征向量输入电池状态检测模型,以获取电池状态检测模型输出的样本重构特征向量;以及
步骤750,至少基于样本特征向量和样本重构特征向量,调整电池状态检测模型的参数。
基于与样本电池相关联的数据集确定样本电池的荷电状态信息,并从荷电状态信息中提取特征向量。将提取到的特征向量输入电池状态检测模型得到重构特征向量。在示例中,可以利用长短时间网络-自编码器模型对特征向量进行重构,并根据特征向量和重构特征向量之间的重构误差调整电池状态检测模型的参数,实现模型的优化。
在示例中,样本电池为正常电池,使用正常电池的数据来对电池状态检测模型进行优化。
利用待测电池的样本特征向量和重构样本特征向量来训练电池状态检测模型,使该模型能够不断优化,对于异常电池的识别更加精确,更进一步提高检测结果的准确性。
在示例中,步骤720可以包括:从第一样本数据集中获取第一样本电池在非充电时段内的样本数据子集;以及基于样本数据子集,确定第一样本电池的样本荷电状态信息。进一步地,可以从第一样本数据集中获取第一样本电池在非充电并且非工作放电的静置时段内的样本数据子集。
在示例中,第一样本数据集可以包括第一样本电池的样本电流值,在非充电时段内,第一样本电池的放电速率或充电速率小于速率阈值;或第一样本电池的放电电流或充电电流小于电流阈值,并且非充电时段的持续时长大于时长阈值。
在示例中,第一样本数据集可以包括第一样本电池的多个电芯各自的样本电压值,基于样本数据子集,确定第一样本电池的样本荷电状态信息包括:从样本数据子集中获取第一样本电池在非充电时段内的样本电压值列表;基于样本电压值列表,确定第一样本电池的样本荷电状态列表;以及根据样本荷电状态列表,确定述第一样本电池在非充电时段内的样本荷电状态曲线。其中,基于样本电压值列表,确定第一样本电池的样本荷电状态列表包括:根据在开路电压条件下电池的电压值与荷电状态之间的基准对应关系,对样本电压值列表进行插值,以获取样本荷电状态列表。根据样本荷电状态列表,确定第一样本电池在非充电时段内的样本荷电状态曲线包括:根据样本荷电状态列表,确定第一样本电池的多个电芯的样本荷电状态的平均值;确定多个电芯各自的样本荷电状态与平均值之间的第一差值;以及对多个电芯各自对应的第一差值进行滤波,以得到每个电芯在非充电时段内的样本荷电状态曲线。
在示例中,步骤730可以包括:针对多个电芯中的每个电芯:从该电芯的样本荷电状态曲线中提取至少一个中间值;基于至少一个中间值,确定中间特征向量;以及将每个电芯所对应的中间特征向量拼接成一维向量,作为样本特征向量。其中,针对多个电芯中的每个电芯,从该电芯的样本荷电状态曲线中提取至少一个中间值包括:针对每个电芯,利用预设长度的取样窗口,以小于预设长度的步长沿该电芯的样本荷电状态曲线的时间轴滑动取样,以获取至少一个中间值。
在示例中,中间特征向量包括以下各项中的至少一项:样本荷电状态曲线的概率密度;至少一个中间值各自与样本荷电状态曲线的最大值之间的第二差值;至少一个中间值各自与样本荷电状态曲线的最小值之间的第三差值;至少一个中间值的显著图特征值;或至少一个中间值的偏离程度。
根据本申请的一些实施例,第一样本数据集可以是对第一样本电池在其根据预设充电指令进行充电或根据预设放电指令进行放电的过程中所采集的样本数据集,并且电池状态检测模型的训练方法700还可以包括:获取与第二样本电池相关联的第二样本数据集,其中,第二样本数据集包括指示第二样本电池发生自放电异常的标注,并且其中,至少基于样本特征向量和样本重构特征向量,调整电池状态检测模型的参数包括:基于样本特征向量、样本重构特征向量以及第二样本数据集,调整电池状态检测模型的参数。
在示例中,第二样本数据集的数量小于第一样本数据集的数量。例如,第一样本数据集的数量可以远大于第二样本数据集的数量。
在示例中,进一步地,将可能出现的非典型异常电池的案例也作为样本数据,进行人工标注,并对电池状态检测模型的参数进行调整。
对于一些非典型的异常情况,电池状态检测模型可能会出现识别不出的情况。此时,可以根据人工经验,将这些非典型异常情况进行人工标注,通过使用该方法,可以提高电池状态检测模型的可靠性和准确性。
本申请实施例提供了一种电池状态检测装置800,请参照图8。电池状态检测装置800包括数据获取模块810、荷电状态信息确定模块820、特征向量提取模块830、重构特征向量获取模块840和电池状态确定模块850。
数据获取模块810被配置为获取与待测电池相关联的第一数据集。
荷电状态信息确定模块820被配置为基于第一数据集,确定待测电池的荷电状态信息。
特征向量提取模块830被配置为从荷电状态信息中提取特征向量。
重构特征向量获取模块840被配置为将特征向量输入电池状态检测模型,以获取电池状态检测模型输出的重构特征向量。
电池状态确定模块850被配置为基于特征向量和重构特征向量,确定待测电池的状态。
电池状态检测装置800中的数据获取模块810、荷电状态信息确定模块820、特征向量提取模块830、重构特征向量获取模块840和电池状态确定模块850可以分别对应于如图1所示的电池状态检测方法100中的步骤110至150,为了简洁起见,此处不再赘述。应当理解,与电池状态检测方法100的实施例相对应,电池状态检测装置800的实施例还可以包括更多的模块。
本申请实施例提供了一种电池状态检测模型的训练装置900,请参照图9。电池状态检测模型的训练装置900包括样本数据获取模块910、样本荷电状态信息确定模块920、样本特征向量提取模块930、样本重构特征向量获取模块940和参数调整模块950。
样本数据获取模块910被配置为获取与第一样本电池相关联的第一样本数据集。
样本荷电状态信息确定模块920被配置为基于第一样本数据集,确定第一样本电池的样本荷电状态信息。
样本特征向量提取模块930被配置为从样本荷电状态信息中提取样本特征向量。
样本重构特征向量获取模块940被配置为将样本特征向量输入电池状态检测模型,以获取电池状态检测模型输出的样本重构特征向量。
参数调整模块950被配置为至少基于样本特征向量和样本重构特征向量,调整电池状态检测模型的参数。
电池状态检测模型的训练装置900中的样本数据获取模块910、样本荷电状态信息确定模块920、样本特征向量提取模块930、样本重构特征向量获取模块940和参数调整模块950可以分别对应于如图7所示的电池状态检测模型的训练方法700中的步骤710至750,为了简洁起见,此处不再赘述。应当理解,与电池状态检测模型的训练方法700的实施例相对应,电池状态检测模型的训练装置900的实施例还可以包括更多的模块。
应当注意,本文讨论的各个模块的功能可以分为多个模块,和/或多个模块的至少一些功能可以组合成单个模块。本文讨论的特定模块执行动作包括该特定模块本身执行该动作,或者替换地该特定模块调用或以其他方式访问执行该动作(或结合该特定模块一起执行该动作)的另一个组件或模块。因此,执行动作的特定模块可以包括执行动作的该特定模块本身和/或该特定模块调用或以其他方式访问的、执行动作的另一模块。
还应当理解,本文可以在软件硬件元件或程序模块的一般上下文中描述各种技术。上面关于图8和图9描述的各个模块可以在硬件中或在结合软件和/或固件的硬件中实现。例如,这些模块可以被实现为计算机程序代码/指令,该计算机程序代码/指令被配置为在一个或多个处理器中执行并存储在计算机可读存储介质中。可替换地,这些模块可以被实现为硬件逻辑/电路。硬件逻辑/电路可以包括集成电路芯片(其包括处理器(例如,中央处理单元(Central Processing Unit, CPU)、微控制器、微处理器、数字信号处理器(Digital Signal Processor, DSP)等)、存储器、一个或多个通信接口、和/或其他电路中的一个或多个部件),并且可以可选地执行所接收的程序代码和/或包括嵌入式固件以执行功能。
本申请实施例提供了一种计算设备1000,如图10所示。图10示出了可以被用来实施本文所描述的方法的计算设备1000的示例配置。举例来说,上述电池状态检测装置800和电池状态检测模型的训练装置900可以全部或至少部分地由计算设备1000或类似设备或系统实现。
计算设备1000可以包括能够诸如通过系统总线1004或其他适当的连接彼此通信的至少一个处理器1005、存储器1007、(多个)通信接口1002、显示设备1001、其他输入/输出(I/O)设备1003以及一个或更多大容量存储设备1006。存储器1007上存储有指令,指令在被处理器1005执行时,使处理器1005执行如上述实施例中的方法。
计算设备1000可以是各种不同类型的设备。计算设备1000的示例包括但不限于:台式计算机、服务器计算机、笔记本电脑或上网本计算机、移动设备(例如,平板电脑、蜂窝或其他无线电话(例如,智能电话)、记事本计算机、移动台)、可穿戴设备(例如,眼镜、手表)、娱乐设备(例如,娱乐器具、通信地耦合到显示设备的机顶盒、游戏机)、电视或其他显示设备、汽车计算机等等。
处理器1005可以是单个处理单元或多个处理单元,所有处理单元可以包括单个或多个计算单元或者多个核心。处理器1005可以被实施成一个或更多微处理器、微型计算机、微控制器、数字信号处理器、中央处理单元、状态机、逻辑电路和/或基于操作指令来操纵信号的任何设备。除了其他能力之外,处理器1005可以被配置成获取并且执行存储在存储器1007、大容量存储设备1006或者其他计算机可读介质中的计算机可读指令,诸如操作系统1008的程序代码、应用程序1009的程序代码、其他程序1010的程序代码等。
存储器1007和大容量存储设备1006是用于存储指令的计算机可读存储介质的示例,所述指令由处理器1005执行来实施前面所描述的各种功能。举例来说,存储器1007一般可以包括易失性存储器和非易失性存储器二者(例如RAM、ROM等等)。此外,大容量存储设备1006一般可以包括硬盘驱动器、固态驱动器、可移除介质、包括外部和可移除驱动器、存储器卡、闪存、软盘、光盘(例如CD、DVD)、存储阵列、网络附属存储、存储区域网等等。存储器1007和大容量存储设备1006在本文中都可以被统称为存储器或计算机可读存储介质,并且可以是能够把计算机可读、处理器可执行程序指令存储为计算机程序代码的非暂态介质,所述计算机程序代码可以由处理器1005作为被配置成实施在本文的示例中所描述的操作和功能的特定机器来执行。
多个程序可以存储在大容量存储设备1006上。这些程序包括操作系统1008、一个或多个应用程序1009、其他程序1010和程序数据1011,并且它们可以被加载到存储器1007以供执行。这样的应用程序或程序模块的示例可以包括例如用于实现以下部件/功能的计算机程序逻辑(例如,计算机程序代码或指令):电池状态检测装置800(包括数据获取模块810、荷电状态信息确定模块820、特征向量提取模块830、重构特征向量获取模块840和电池状态确定模块850)和电池状态检测模型的训练装置900(包括样本数据获取模块910、样本荷电状态信息确定模块920、样本特征向量提取模块930、样本重构特征向量获取模块940和参数调整模块950)、电池状态检测方法100(包括电池状态检测方法100的任何合适的步骤)、电池状态检测模型的训练方法700(包括电池状态检测模型的训练方法700的任何合适的步骤)、和/或本文描述的另外的实施例。
虽然在图10中被图示成存储在计算设备1000的存储器1007中,但是操作系统1008、应用程序1009、其他程序1010和程序数据1011或者其部分可以使用可由计算设备1000访问的任何形式的计算机可读介质来实施。
一个或更多通信接口1002用于诸如通过网络、直接连接等等与其他设备交换数据。这样的通信接口可以是以下各项中的一个或多个:任何类型的网络接口(例如,网络接口卡(NIC))、有线或无线(诸如IEEE 802.11无线LAN(WLAN))无线接口、全球微波接入互操作(Wi-MAX)接口、以太网接口、通用串行总线(USB)接口、蜂窝网络接口、BluetoothTM接口、近场通信(NFC)接口等。通信接口1002可以促进在多种网络和协议类型内的通信,其中包括有线网络(例如LAN、电缆等等)和无线网络(例如WLAN、蜂窝、卫星等等)、因特网等等。通信接口1002还可以提供与诸如存储阵列、网络附属存储、存储区域网等等中的外部存储装置(未示出)的通信。
在一些示例中,可以包括诸如监视器之类的显示设备1001,以用于向用户显示信息和图像。其他I/O设备1003可以是接收来自用户的各种输入并且向用户提供各种输出的设备,并且可以包括触摸输入设备、手势输入设备、摄影机、键盘、遥控器、鼠标、打印机、音频输入/输出设备等等。
本文描述的技术可以由计算设备1000的这些各种配置来支持,并且不限于本文所描述的技术的具体示例。例如,该功能还可以通过使用分布式系统在“云”上全部或部分地实现。云包括和/或代表用于资源的平台。平台抽象云的硬件(例如,服务器)和软件资源的底层功能。资源可以包括在远离计算设备1000的服务器上执行计算处理时可以使用的应用和/或数据。资源还可以包括通过因特网和/或通过诸如蜂窝或Wi-Fi网络的订户网络提供的服务。平台可以抽象资源和功能以将计算设备1000与其他计算设备连接。因此,本文描述的功能的实现可以分布在整个云内。例如,功能可以部分地在计算设备1000上以及部分地通过抽象云的功能的平台来实现。
本申请实施例还提供了一种计算机可读存储介质,其上存储有指令,指令当被计算设备的一个或多个处理器单独或共同执行时,使计算设备执行如上述任意实施例中的方法。
计算机可读存储介质包括通过用于存储信息的任何方法或技术实施的易失性和非易失性、可移除和不可移除介质,信息诸如是计算机可读指令、数据结构、程序模块或者其他数据。计算机可读存储介质包括而不限于RAM、ROM、EEPROM、闪存或其他存储器技术,CD-ROM、数字通用盘(DVD)、或其他光学存储装置,磁盒、磁带、磁盘存储装置或其他磁性存储设备,或者可以被用来存储信息以供计算设备访问的任何其他非传送介质。
本申请实施例还提供了一种计算机程序产品,包括指令,该指令当被计算设备的一个或多个处理器单独或共同执行时,使所述计算设备执行如上述任意实施例中的方法。
根据本申请的一些实施例,如图1-6所示,提供了一种电池状态检测方法。在电池状态检测方法中:
接收电动车辆发送的与电池相关的原始数据,原始数据包括电压、电流等数据。接着,可以对原始数据进行数据清洗、异常值删除、缺失值填充等预处理,得到预处理后的数据集。
根据待测电池的电流以及充电速率筛选出非充电时段。非充电时段的持续时间大于时长阈值T,时长阈值T通常不超过5分钟。在该时段中,待测电池的电流小于电流阈值I。并且在该时段内,待测电池的充电速率小于速率阈值。从经过预处理的数据中获取对应于该时段的数据,并进一步获取对应于该时段的电池的电压值,得到待测电池的电压列表。
根据在开路电压条件下的电压值与荷电状态之间的基准对应关系,使用三次样条插值算法对电压列表进行插值,得到荷电状态列表。
根据荷电状态列表计算待测电池的多个电芯的荷电状态的平均值,并计算各个电芯的荷电状态与平均值的差值,对各个电芯对应的差值进行滤波,以得到每个电芯在非充电时段内的荷电状态曲线。
使用滑动窗口对每个电芯的荷电状态曲线提取特征向量。设定滑动窗口长度为w,以w/2的步长沿荷电状态曲线的时间轴滑动,在每个窗口处获取一个中间值,并基于至少一个中间值,确定中间特征向量。
中间特征向量可以包括:荷电状态曲线的概率密度;至少一个中间值各自与荷电状态曲线的最大值之间的第二差值;至少一个中间值各自与荷电状态曲线的最小值之间的第三差值;至少一个中间值的显著图特征值;或至少一个中间值的偏离程度中的至少一项。
各个电芯的中间特征向量可以组成一个矩阵F,将矩阵F按行拼接为一个一维向量,作为待测电池的特征向量。
将待测电池的特征向量输入电池状态检测模型进行重构,得到重构特征向量。当重构特征向量与输入的特征向量之间存在超过误差阈值的重构误差时,将待测电池确定为发生自放电异常。
电池状态检测模型是经过训练的长短时间网络-自编码器模型。该模型的编码器与解码器均使用长短时间网络结构。对电池状态检测模型的训练使用了大量正常电池的数据作为样本数据。
在模型训练过程中,对于样本电池,获取样本电池在非充电时段的电压列表。根据在开路电压条件下的电压值与荷电状态之间的基准对应关系,使用三次样条插值算法对样本电池电压列表进行插值,得到样本电压的荷电状态列表。
根据荷电状态列表计算样本电池的多个电芯的荷电状态的平均值,并计算各个电芯的荷电状态与平均值的差值,对各个电芯对应的差值进行滤波,以得到每个电芯在非充电时段内的荷电状态曲线。
使用滑动窗口对每个电芯的荷电状态曲线提取特征向量。设定滑动窗口长度为w,以w/2的步长沿荷电状态曲线的时间轴滑动,在每个窗口处获取一个中间值,并基于至少一个中间值,确定中间特征向量。
中间特征向量可以包括:荷电状态曲线的概率密度;至少一个中间值各自与荷电状态曲线的最大值之间的第二差值;至少一个中间值各自与荷电状态曲线的最小值之间的第三差值;至少一个中间值的显著图特征值;或至少一个中间值的偏离程度中的至少一项。
各个电芯的中间特征向量可以组成一个矩阵F’,将矩阵F’按行拼接为一个一维向量,作为样本电池的特征向量。
将样本电池的特征向量输入电池状态检测模型进行重构,得到重构特征向量。根据输入的特征向量和重构特征向量之间的重构误差,调整电池状态检测模型的参数。
进一步地,可以将一些非典型的异常电池案例进行人工标注,并对电池状态检测模型的参数进行调整,提高电池状态检测模型的可靠性。
基于待测电池的重构误差,确定待测电池的偏离分数,偏离分数指示了待测电池的自放电风险等级。待测电池的重构误差越大,偏离分数也越大,表示待测电池的自放电风险等级越高。
根据待测电池的自放电风险等级,生成预警消息。同时生成预警排查任务,派发给工作人员进行排查,降低异常电池带来的安全风险。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,其均应涵盖在本申请的权利要求和说明书的范围当中。尤其是,只要不存在结构冲突,各个实施例中所提到的各项技术特征均可以任意方式组合起来。本申请并不局限于文中公开的特定实施例,而是包括落入权利要求的范围内的所有技术方案。
Claims (20)
1.一种电池状态检测方法,其特征在于,包括:
获取与待测电池相关联的第一数据集;
基于所述第一数据集,确定所述待测电池的荷电状态信息;
从所述荷电状态信息中提取特征向量;
将所述特征向量输入电池状态检测模型,以获取所述电池状态检测模型输出的重构特征向量;以及
基于所述特征向量和所述重构特征向量,确定所述待测电池的状态。
2.根据权利要求1所述的方法,其特征在于,基于所述第一数据集,确定所述待测电池的荷电状态信息包括:
从所述第一数据集中获取所述待测电池在非充电时段内的数据子集;以及
基于所述数据子集,确定所述待测电池的荷电状态信息。
3.根据权利要求2所述的方法,其特征在于,从所述第一数据集中获取所述待测电池在非充电时段内的数据子集包括:
从所述第一数据集中获取所述待测电池在非充电并且非工作放电的静置时段内的所述数据子集。
4.根据权利要求2所述的方法,其特征在于,所述第一数据集包括所述待测电池的电流值,其中,在所述非充电时段内,所述待测电池的放电速率或充电速率小于速率阈值。
5.根据权利要求2所述的方法,其特征在于,所述第一数据集包括所述待测电池的电流值,其中,在所述非充电时段内,所述待测电池的放电电流或充电电流小于电流阈值,并且所述非充电时段的持续时长大于时长阈值。
6.根据权利要求2至5中任一项所述的方法,其特征在于,所述第一数据集包括所述待测电池的多个电芯各自的电压值,其中,基于所述数据子集,确定所述待测电池的荷电状态信息包括:
从所述数据子集中获取所述待测电池在所述非充电时段内的电压值列表;
基于所述电压值列表,确定所述待测电池的荷电状态列表;以及
根据所述荷电状态列表,确定所述待测电池在所述非充电时段内的荷电状态曲线。
7.根据权利要求6所述的方法,其特征在于,基于所述电压值列表,确定所述待测电池的荷电状态列表包括:
根据在开路电压条件下电池的电压值与荷电状态之间的基准对应关系,对所述电压值列表进行插值,以获取所述荷电状态列表。
8.根据权利要求6所述的方法,其特征在于,根据所述荷电状态列表,确定所述待测电池在所述非充电时段内的荷电状态曲线包括:
根据所述荷电状态列表,确定所述待测电池的多个电芯的荷电状态的平均值;
确定所述多个电芯各自的荷电状态与所述平均值之间的第一差值;以及
对所述多个电芯各自对应的第一差值进行滤波,以得到每个电芯在所述非充电时段内的荷电状态曲线。
9.根据权利要求6所述的方法,其特征在于,从所述荷电状态信息中提取特征向量包括:
针对所述多个电芯中的每个电芯:
从该电芯的荷电状态曲线中提取至少一个中间值;以及
基于所述至少一个中间值,确定中间特征向量;以及
将所述每个电芯所对应的中间特征向量拼接成一维向量,作为所述特征向量。
10.根据权利要求9所述的方法,其特征在于,针对所述多个电芯中的每个电芯,从该电芯的荷电状态曲线中提取至少一个中间值包括:
针对所述每个电芯,利用预设长度的取样窗口,以小于所述预设长度的步长沿该电芯的荷电状态曲线的时间轴滑动取样,以获取所述至少一个中间值。
11.根据权利要求9所述的方法,其特征在于,所述中间特征向量包括以下各项中的至少一项:
所述荷电状态曲线的概率密度;
所述至少一个中间值各自与所述荷电状态曲线的最大值之间的第二差值;
所述至少一个中间值各自与所述荷电状态曲线的最小值之间的第三差值;
所述至少一个中间值的显著图特征值;或
所述至少一个中间值的偏离程度。
12.根据权利要求1至5中任一项所述的方法,其特征在于,基于所述特征向量和所述重构特征向量,确定所述待测电池的状态包括:
确定所述重构特征向量与所述特征向量之间的重构误差;以及
响应于确定所述重构误差大于误差阈值,确定所述待测电池发生自放电异常。
13.根据权利要求12所述的方法,其特征在于,响应于确定所述重构误差大于误差阈值,确定所述待测电池发生自放电异常包括:
根据所述重构误差,确定所述待测电池发生自放电异常的风险等级。
14.一种电池状态检测模型的训练方法,其特征在于,包括:
获取与第一样本电池相关联的第一样本数据集;
基于所述第一样本数据集,确定所述第一样本电池的样本荷电状态信息;
从所述样本荷电状态信息中提取样本特征向量;
将所述样本特征向量输入所述电池状态检测模型,以获取所述电池状态检测模型输出的样本重构特征向量;以及
至少基于所述样本特征向量和所述样本重构特征向量,调整所述电池状态检测模型的参数。
15.根据权利要求14所述的方法,其特征在于,所述第一样本数据集是对所述第一样本电池在其根据预设充电指令进行充电或根据预设放电指令进行放电的过程中所采集的样本数据集,并且所述方法还包括:
获取与第二样本电池相关联的第二样本数据集,其中,所述第二样本数据集包括指示所述第二样本电池发生自放电异常的标注,并且
其中,至少基于所述样本特征向量和所述样本重构特征向量,调整所述电池状态检测模型的参数包括:
基于所述样本特征向量、所述样本重构特征向量以及所述第二样本数据集,调整所述电池状态检测模型的参数。
16.一种电池状态检测装置,其特征在于,包括:
数据获取模块,被配置为获取与待测电池相关联的第一数据集;
荷电状态信息确定模块,被配置为基于所述第一数据集,确定所述待测电池的荷电状态信息;
特征向量提取模块,被配置为从所述荷电状态信息中提取特征向量;
重构特征向量获取模块,被配置为将所述特征向量输入电池状态检测模型,以获取所述电池状态检测模型输出的重构特征向量;以及
电池状态确定模块,被配置为基于所述特征向量和所述重构特征向量,确定所述待测电池的状态。
17.一种电池状态检测模型的训练装置,其特征在于,包括:
样本数据获取模块,被配置为获取与第一样本电池相关联的第一样本数据集;
样本荷电状态信息确定模块,被配置为基于所述第一样本数据集,确定所述第一样本电池的样本荷电状态信息;
样本特征向量提取模块,被配置为从所述样本荷电状态信息中提取样本特征向量;
样本重构特征向量获取模块,被配置为将所述样本特征向量输入所述电池状态检测模型,以获取所述电池状态检测模型输出的样本重构特征向量;以及
参数调整模块,被配置为至少基于所述样本特征向量和所述样本重构特征向量,调整所述电池状态检测模型的参数。
18.一种计算设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的至少一个存储器,所述至少一个存储器存储有指令,所述指令当被所述至少一个处理器单独或共同执行时,使所述计算设备执行权利要求1至15中任一项所述的方法。
19.一种计算机可读存储介质,其特征在于,存储有指令,所述指令当被计算设备的一个或多个处理器单独或共同执行时,使所述计算设备执行权利要求1至15中任一项所述的方法。
20.一种计算机程序产品,其特征在于,包括指令,所述指令当被计算设备的一个或多个处理器单独或共同执行时,使所述计算设备执行权利要求1至15中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311426268.7A CN117148172B (zh) | 2023-10-31 | 2023-10-31 | 电池状态检测方法、装置、计算设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311426268.7A CN117148172B (zh) | 2023-10-31 | 2023-10-31 | 电池状态检测方法、装置、计算设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117148172A true CN117148172A (zh) | 2023-12-01 |
CN117148172B CN117148172B (zh) | 2024-04-09 |
Family
ID=88897234
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311426268.7A Active CN117148172B (zh) | 2023-10-31 | 2023-10-31 | 电池状态检测方法、装置、计算设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117148172B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113049974A (zh) * | 2021-02-02 | 2021-06-29 | 欣旺达电动汽车电池有限公司 | 电池容量预测方法、装置、设备及存储介质 |
CN113466723A (zh) * | 2020-03-31 | 2021-10-01 | 比亚迪股份有限公司 | 确定电池荷电状态的方法及装置,电池管理系统 |
CN114462194A (zh) * | 2021-12-27 | 2022-05-10 | 北京车和家汽车科技有限公司 | 自放电监控模型的训练方法、装置、电子设备及存储介质 |
CN115347634A (zh) * | 2022-07-20 | 2022-11-15 | 江铃汽车股份有限公司 | 一种电池检测方法、系统、可读存储介质及车辆 |
CN115856643A (zh) * | 2022-12-28 | 2023-03-28 | 北京三缘聚科技有限公司 | 一种锂电池自放电检测方法、装置、系统及其介质 |
CN116203428A (zh) * | 2023-01-13 | 2023-06-02 | 四川大学 | 基于恒压充电解算锂电池等效模型参数的自放电检测方法 |
CN116400247A (zh) * | 2023-06-08 | 2023-07-07 | 中国华能集团清洁能源技术研究院有限公司 | 电池软短路故障的确定方法及装置 |
-
2023
- 2023-10-31 CN CN202311426268.7A patent/CN117148172B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113466723A (zh) * | 2020-03-31 | 2021-10-01 | 比亚迪股份有限公司 | 确定电池荷电状态的方法及装置,电池管理系统 |
CN113049974A (zh) * | 2021-02-02 | 2021-06-29 | 欣旺达电动汽车电池有限公司 | 电池容量预测方法、装置、设备及存储介质 |
CN114462194A (zh) * | 2021-12-27 | 2022-05-10 | 北京车和家汽车科技有限公司 | 自放电监控模型的训练方法、装置、电子设备及存储介质 |
CN115347634A (zh) * | 2022-07-20 | 2022-11-15 | 江铃汽车股份有限公司 | 一种电池检测方法、系统、可读存储介质及车辆 |
CN115856643A (zh) * | 2022-12-28 | 2023-03-28 | 北京三缘聚科技有限公司 | 一种锂电池自放电检测方法、装置、系统及其介质 |
CN116203428A (zh) * | 2023-01-13 | 2023-06-02 | 四川大学 | 基于恒压充电解算锂电池等效模型参数的自放电检测方法 |
CN116400247A (zh) * | 2023-06-08 | 2023-07-07 | 中国华能集团清洁能源技术研究院有限公司 | 电池软短路故障的确定方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN117148172B (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108254696B (zh) | 电池的健康状态评估方法及系统 | |
KR102225667B1 (ko) | 배터리의 상태를 추정하는 방법 및 장치 | |
KR101837453B1 (ko) | 2차 전지의 잔존용량 연산 방법 및 장치 | |
CN110888065B (zh) | 电池包荷电状态修正方法和装置 | |
WO2023221589A1 (zh) | 一种电池健康状态的检测方法、装置及系统 | |
US11228193B2 (en) | Serial SOC testing for improved fast-charge algorithm | |
CN111490304A (zh) | 一种电池均衡使能方法、装置、存储介质和电池包 | |
CN110806540B (zh) | 电芯测试数据处理方法、装置、系统和存储介质 | |
CN108051755A (zh) | 电池内阻获取方法与装置、电池管理系统以及计算机存储可读介质 | |
CN111178423A (zh) | 一种故障预警方法及装置 | |
CN114264964B (zh) | 一种电池容量评估的方法、装置、设备及介质 | |
CN114675188A (zh) | 一种电池健康状态信息确定方法、装置及电池系统 | |
CN114464906A (zh) | 动力电池预警方法和装置 | |
KR20210080069A (ko) | 배터리 진단 장치 및 방법 | |
CN113447824A (zh) | 电池最大充放电电流的估算方法、装置及存储介质 | |
CN117289142B (zh) | 锂离子储能电站电池内部短路故障检测方法及装置 | |
CN112084459A (zh) | 电池充放电循环寿命的预测方法、装置、电子终端、及存储介质 | |
CN112397798B (zh) | 一种动力电池管理系统及匹配方法 | |
CN117148172B (zh) | 电池状态检测方法、装置、计算设备和介质 | |
WO2023220949A1 (zh) | 换电方法、系统、装置、存储介质和计算机程序产品 | |
CN115840151A (zh) | 电池容量一致性的分析方法、装置和计算机设备 | |
CN114660461A (zh) | 电池健康状态的评估方法、装置、电子设备和存储介质 | |
CN117169732B (zh) | 电池故障检测方法、装置、计算设备和介质 | |
CN115840145B (zh) | 电化学参数辨识方法、装置、设备及存储介质 | |
CN115291111B (zh) | 电池静置时间预测模型的训练方法以及静置时间预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |