CN117233608A - 储能电池检测方法及装置、存储介质及电子设备 - Google Patents
储能电池检测方法及装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN117233608A CN117233608A CN202311197399.2A CN202311197399A CN117233608A CN 117233608 A CN117233608 A CN 117233608A CN 202311197399 A CN202311197399 A CN 202311197399A CN 117233608 A CN117233608 A CN 117233608A
- Authority
- CN
- China
- Prior art keywords
- model
- detection
- energy storage
- detection model
- storage battery
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 390
- 238000004146 energy storage Methods 0.000 title claims abstract description 119
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 146
- 238000012545 processing Methods 0.000 claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims description 81
- 238000000034 method Methods 0.000 claims description 57
- 239000011159 matrix material Substances 0.000 claims description 55
- 238000012360 testing method Methods 0.000 claims description 31
- 238000010276 construction Methods 0.000 claims description 30
- 238000012423 maintenance Methods 0.000 claims description 23
- 238000012163 sequencing technique Methods 0.000 claims description 12
- 238000000354 decomposition reaction Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 210000000352 storage cell Anatomy 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 description 17
- 239000000178 monomer Substances 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000007599 discharging Methods 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013450 outlier detection Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 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
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明提供一种储能电池检测方法及装置、存储介质及电子设备，包括：获取与预设的电池运行阶段对应的训练数据集，训练数据集包含各个训练数据；使用各个训练数据对各个检测模型进行训练，并对各个训练完成的检测模型进行择优选择，并使用选中的模型构建目标检测模型；获取待检测的储能电池的储能电池数据；使用目标检测模型对储能电池数据进行处理，输出储能电池在电池运行阶段的检测结果。通过对训练完成的各个检测模型进行择优选择，使用选择的优质的模型构建目标检测模型，由此可以避免使用训练完成但是精确度不高的模型进行检测的情况，进而提高检测结果的准确度。
Description
技术领域
本发明涉及电池检测技术领域，特别涉及一种储能电池检测方法及装置、存储介质及电子设备。
背景技术
随着全球能源问题和环境问题的日益突出，减少碳排放已势在必行，为了减少碳排放，储能技术成为支撑新能源转型的关键技术之一。磷酸铁锂电池因其高温性能好、长寿命、效率高等优势，广泛应用于储能系统中。
然而，以锂电池故障为主要原因的储能安全事故频发，为了及时对出现故障的电池进行处理，对电池进行检测是极其有必要的，目前是直接使用训练完成的模型对电池进行检测，而有些训练完成的模型的检测准确率并不高，直接使用这样的模型进行检测得到的检测结果的准确率不高。
发明内容
有鉴于此，本发明实施例提供一种储能电池检测方法及装置、存储介质及电子设备，应用本发明可以获得与储能电池数据更适配的电池检测模型，从而提高检测结果的准确率。
为实现上述目的，本发明实施例提供如下技术方案：
一种储能电池检测方法，包括：
获取与预设的电池运行阶段对应的训练数据集，所述训练数据集包含各个训练数据；
使用各个所述训练数据对各个检测模型进行训练，并对各个训练完成的检测模型进行择优选择，并使用选中的模型构建目标检测模型；
获取待检测的储能电池的储能电池数据；
使用所述目标检测模型对所述储能电池数据进行处理，输出所述储能电池在所述电池运行阶段的检测结果。
上述的方法，可选的，所述使用各个所述训练数据对各个检测模型进行训练，包括：
将所述训练数据集中的各个所述训练数据输入各个所述检测模型，得到与所述训练数据集对应的表现矩阵，所述表现矩阵包含每个训练数据在每个检测模型上的表现值；
将所述表现矩阵进行矩阵分解，得到数据矩阵和模型矩阵；
从所述训练数据集中获取低维嵌入特征，并应用预设的回归模型将所述低维嵌入特征映射到所述数据矩阵，以对各个检测模型的模型参数进行优化，并在各个所述检测模型得到最优的模型参数后完成对各个检测模型的训练。
上述的方法，可选的，所述对各个训练完成的检测模型进行择优选择，并使用选中的模型构建目标检测模型，包括：
从预设的测试数据集中提取元特征；
对所述元特征进行处理，得到潜在特征；
应用各个训练完成的检测模型对所述潜在特征进行处理，得到所述测试数据集在每个训练完成的检测模型上的预测表现值；
基于各个预测表现值，对各个训练完成的检测模型进行择优选择，并使用选中的模型构建目标检测模型。
上述的方法，可选的，所述基于各个预测表现值，对各个训练完成的检测模型进行择优选择，并使用选中的模型构建目标检测模型，包括：
使用数值最大的预测表现值所对应的训练完成的检测模型的模型参数构建目标检测模型。
上述的方法，可选的，所述基于各个预测表现值，对各个训练完成的检测模型进行择优选择，并使用选中的模型构建目标检测模型，包括：
基于各个预测表现值，将各个训练完成的检测模型进行排序；
按照排序的先后顺序选择检测模型，直到选择的检测模型的个数满足预设数值，并将选中的各个检测模型确定为待处理模型；
确定每个待处理模型所应用的检测算法的类型，并确定是否每个待处理模型所应用的检测算法的类型均不相同；
当确定每个待处理模型所应用的检测算法的类型均不相同时，使用数值最大的预测表现值所对应的待处理模型的模型参数构建目标检测模型；
当各个待处理模型中存在应用相同类型的检测算法的待处理模型时，确定每种类型的检测算法的模型组合，所述模型组合中包含至少一个待处理模型；
将模型个数最多的模型组合确定为目标模型组合，并对目标模型组合中的各个待处理模型的模型参数进行求均值运算，得到模型构建参数；
应用所述模型构建参数构建目标检测模型。
上述的方法，可选的，还包括：
基于所述检测结果，确定维护策略；
基于所述维护策略，对所述储能电池进行维护。
一种储能电池检测装置，包括：
第一获取单元，用于获取与预设的电池运行阶段对应的训练数据集，所述训练数据集包含各个训练数据；
训练单元，用于使用各个所述训练数据对各个检测模型进行训练，并对各个训练完成的检测模型进行择优选择，并使用选中的模型构建目标检测模型；
第二获取单元，用于获取待检测的储能电池的储能电池数据；
输出单元，用于使用所述目标检测模型对所述储能电池数据进行处理，输出所述储能电池在所述电池运行阶段的检测结果。
上述的装置，可选的，所述训练单元，包括：
输入子单元，用于将所述训练数据集中的各个所述训练数据输入各个所述检测模型，得到与所述训练数据集对应的表现矩阵，所述表现矩阵包含每个训练数据在每个检测模型上的表现值；
分解子单元，用于将所述表现矩阵进行矩阵分解，得到数据矩阵和模型矩阵；
获取子单元，用于从所述训练数据集中获取低维嵌入特征，并应用预设的回归模型将所述低维嵌入特征映射到所述数据矩阵，以对各个检测模型的模型参数进行优化，并在各个所述检测模型得到最优的模型参数后完成对各个检测模型的训练。
上述的装置，可选的，所述训练单元，包括：
提取子单元，用于从预设的测试数据集中提取元特征；
第一处理子单元，用于对所述元特征进行处理，得到潜在特征；
第二处理子单元，用于应用各个训练完成的检测模型对所述潜在特征进行处理，得到所述测试数据集在每个训练完成的检测模型上的预测表现值；
构建子单元，用于基于各个预测表现值，对各个训练完成的检测模型进行择优选择，并使用选中的模型构建目标检测模型。
上述的装置，可选的，所述构建子单元，包括：
第一构建模型，用于使用数值最大的预测表现值所对应的训练完成的检测模型的模型参数构建目标检测模型。
上述的装置，可选的，所述构建子单元，包括：
排序模块，用于基于各个预测表现值，将各个训练完成的检测模型进行排序；
选择模块，用于按照排序的先后顺序选择检测模型，直到选择的检测模型的个数满足预设数值，并将选中的各个检测模型确定为待处理模型；
第一确定模块，用于确定每个待处理模型所应用的检测算法的类型，并确定是否每个待处理模型所应用的检测算法的类型均不相同；
第二构建模块，用于当确定每个待处理模型所应用的检测算法的类型均不相同时，使用数值最大的预测表现值所对应的待处理模型的模型参数构建目标检测模型；
第二确定模块，用于当各个待处理模型中存在应用相同类型的检测算法的待处理模型时，确定每种类型的检测算法的模型组合，所述模型组合中包含至少一个待处理模型；
运算模块，用于将模型个数最多的模型组合确定为目标模型组合，并对目标模型组合中的各个待处理模型的模型参数进行求均值运算，得到模型构建参数；
第三构建模块，用于应用所述模型构建参数构建目标检测模型。
上述的装置，可选的，还包括：
确定单元，用于基于所述检测结果，确定维护策略；
维护单元，用于基于所述维护策略，对所述储能电池进行维护。
一种存储介质，所述存储介质包括存储的指令，其中，在所述指令运行时控制所述存储介质所在的设备执行上述的储能电池检测方法。
一种电子设备，包括存储器，以及一个或者一个以上的指令，其中一个或者一个以上指令存储于存储器中，且经配置以由一个或者一个以上处理器执行上所述的储能电池检测方法。
与现有技术相比，本发明具有一下优点：
本发明提供一种储能电池检测方法及装置、存储介质及电子设备，包括：获取与预设的电池运行阶段对应的训练数据集，训练数据集包含各个训练数据；使用各个训练数据对各个检测模型进行训练，并对各个训练完成的检测模型进行择优选择，并使用选中的模型构建目标检测模型；获取待检测的储能电池的储能电池数据；使用目标检测模型对储能电池数据进行处理，输出储能电池在电池运行阶段的检测结果。通过对训练完成的各个检测模型进行择优选择，使用选择的优质的模型构建目标检测模型，由此可以避免使用训练完成但是精确度不高的模型进行检测的情况，进而提高检测结果的准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种储能电池检测方法的方法流程图；
图2为本发明实施例提供的使用各个所述训练数据对各个检测模型进行训练的方法流程图；
图3为本发明实施例提供的对各个训练完成的检测模型进行择优选择，并使用选中的模型构建目标检测模型的方法流程图；
图4为本发明实施例提供的基于各个预测变限制，对各个训练完成的检测模型进行择优选择，并使用选中的模型构建目标检测模型的方法流程图；
图5为本发明实施例提供的又一储能电池检测方法的方法流程图；
图6为本发明实施例提供的选择目标检测模型的实现流程图；
图7为本发明实施例提供的一种储能电池检测装置结构示意图；
图8为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本申请中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
目前，储能技术是新能源转型的关键技术之一，目前的储能电池在工作时故障频发，因此，需要对储能电池进行检测，储能电池的检测结果的精准度关系着能否对储能电池及时的进行维护，避免因储能电池故障造成的损失。
基于此，本发明提供一种储能电池检测方案，通过使用训练数据集训练多个检测模型，然后对多个训练完成的检测模型进行择优选择，并使用选择的模型构建目标检测模型，由此，通过对从训练完成的各个检测模型中选择合适的模型构建目标检测模型，构建出检测精度更高的目标检测模型，从而在使用目标检测模型检测储能电池时，可以得到精度高的检测结果。
本发明可用于众多通用或专用的计算装置环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器装置、包括以上任何装置或设备的分布式计算环境等等。本发明提供的储能电池检测方案可以应用于处理器或服务器。
参照图1，为本发明实施例提供的一种储能电池检测方法的方法流程图，具体说明如下所述：
S101、获取与预设的电池运行阶段对应的训练数据集，训练数据集包含各个训练数据。
需要说明的是，可以获取与预设的电池运行阶段对应的训练数据集，电池运行阶段可以为充电阶段、放电阶段以及静置阶段中的任意一种。训练数据集中的训练数据从数据库中的各个历史运行数据中确定，进一步的，历史运行数据为投入生产的各个储能电池在运行中产生的数据，确定的训练数据为储能电池处于上述的电池运行阶段时生产的数据。
本发明的储能电池可以为电池簇内的单体电池，也可以为电池簇。
训练数据中可以包括储能电池在电池运行阶段的充电电压、充电电流、放电电压、放电电流等内容。
训练数据为携带真实标签的历史离群值检测训练数据，各个训练数据可以组成训练数据集Dtrain＝{D1,…,Dn}，其中，其中，Di为训练数据，xi为具体信号值(如电压数据)，yi为信号值对应标签(是否异常)，n为训练集个数。
S102、使用各个训练数据对各个检测模型进行训练，并对各个训练完成的检测模型进行择优选择，并使用选中的模型构建目标检测模型。
对各个检测模型进行说明，检测模型为使用异常算法构建的模型，各个检测模型所应用的异常算法的类型可以是一样的，也可以是不同的；示例性的，检测模型A和检测模型B均使用孤立森林算法构建，检测模型C和检测模型D均使用HBOS(Histogram-basedOutlier Score)算法构建。
进一步的，本方案使用的检测算法可以为无监督异常检测算法。
本申请可应用的异常检测算法包括但不限于上述提及的孤立森林算法和HBOS算法。
需要说明的是，该目标检测模型可以用于储能电池在对应的电池运行阶段的情况，可以为不同的电池运行阶段构建一个目标检测模型，由此，得到需要检测的储能电池在不同的运行阶段的检测结果。
使用训练数据集中的各个训练数据对各个检测模型进行训练，在训练完成后，从各个训练完成的检测模型中选择模型构建目标检测模型。由此，基于多个训练完成的检测模型，从中选择优质的模型来构建目标检测模型，可以有效减少检测误差，提高检测精度。可以解决目前在检测储能电池时，直接使用训练完成的模型进行检测，没有进行模型选择，导致因为没有使用最优的检测模型进行检测，导致检测结果的准确度低的问题。
S103、获取待检测的储能电池的储能电池数据。
优选的，此处获取的储能电池的储能电池数据可以是储能电池在上文的电池运行阶段的数据，该数据包括但不限于储能电池在电池运行阶段的充电电压、充电电流、放电电压、放电电流等内容。
S104、使用目标检测模型对储能电池数据进行处理，输出储能电池在电池运行阶段的检测结果。
将储能电池数据输入目标检测模型，目标检测模型对储能电池数据进行处理，从而可以输出储能电池在该电池运行阶段的检测结果。
进一步的，在得到检测结果，可以基于检测结果，确定维护策略；并基于维护策略，对储能电池进行维护。还可以将检测结果发送给工作人员，以便于工作人员可以根据检测结果直接确定电池是否存在异常。具体如，当检测结果为储能电池电量偏低时，维护策略可以是为储能电池补电，补电的其中一种方式可以是根据电池簇内其他单体容量设置合理阈值进行补电；又如，当检测结果为储能电池电量偏高时，维护策略可以是对储能电池进行被动均衡或放电。
基于储能电池的检测结果，可以及时的确定储能电池是否有异常，在储能电池有异常时，及时的确定维护策略对储能电池进行维护，从而可以提高储能电池的性能，使储能电池可以正常运行，有效延长储能电池的使用寿命。
本发明实施例提供的方法中，获取与预设的电池运行阶段对应的训练数据集，训练数据集包含各个训练数据；使用各个训练数据对各个检测模型进行训练，并对各个训练完成的检测模型进行择优选择，并使用选中的模型构建目标检测模型；获取待检测的储能电池的储能电池数据；使用目标检测模型对储能电池数据进行处理，输出储能电池在电池运行阶段的检测结果。通过对训练完成的各个检测模型进行择优选择，使用选择的优质的模型构建目标检测模型，由此可以避免使用训练完成但是精确度不高的模型进行检测的情况，进而提高检测结果的准确度。并且，不同的目标检测模型可以检测储能电池在不同的电池运行阶段的情况，充分挖掘储能电池在不同的电池运行状态的差异特征，更能准确、搞笑的进行检测。
参照图2，为本发明实施例提供的使用各个所述训练数据对各个检测模型进行训练的方法流程图，具体说明如下所述。
S201、将训练数据集中的各个训练数据输入各个检测模型，得到与训练数据集对应的表现矩阵，表现矩阵包含每个训练数据在每个检测模型上的表现值。
需要说明的是，表现值为表征检测模型基于训练数据进行检测的表现的数值。
表现矩阵其中/>表示数域，n表示n个训练数据，m表示m个需要训练的检测模型，Pij表示第j个模型在第i个训练数据上的表现值。
进一步的，表现值可以表征检测模型基于数据进行检测的性能，示例性的，表现值越高，检测模型的检测性能越好，即检测的准确率更高。
S202、将表现矩阵进行矩阵分解，得到数据矩阵和模型矩阵。
将表现矩阵进行矩阵分解，P＝<U,VT>，得到模型矩阵V和数据矩阵U，然后可以学习和/>矩阵。
S203、从训练数据集中获取低维嵌入特征，并应用预设的回归模型将低维嵌入特征映射到数据矩阵，以对各个检测模型的模型参数进行优化，并在各个检测模型得到最优的模型参数后完成对各个检测模型的训练。
使用基于元学习的异常检测算法(Meta-learning Outlier Detection，MetaOD)从训练数据集中提取低维嵌入特征，进一步的，低维嵌入特征可以使用表示，从训练数据集的各个悬链数据中提取低维嵌入特征/>使用回归模型f将低维嵌入特征/>映射到最终的优化U上，进而得到检测模型的最优模型参数，从而完成对各个检测模型的训练。
参照图3，为本发明实施例提供的对各个训练完成的检测模型进行择优选择，并使用选中的模型构建目标检测模型的方法流程图，具体说明如下所述。
S301、从预设的测试数据集中提取元特征。
测试数据集可以使用Xtest表示，测试数据集用于测试检测模型的检测能力，测试数据集中包含多个测试数据，测试数据可以为与电池运行阶段对应的数据，测试数据也是包含标签的数据，该标签用于表示对应的储能电池在电池运行阶段是否异常。
优选的，可以使用MetaOD算法从测试数据集的各个测试数据中提取元特征，元特征可以表示为其中，Xtest表示测试数据集。
S302、对元特征进行处理，得到潜在特征。
示例性的，通过嵌入，回归得到潜在特征，即/>
S303、应用各个训练完成的检测模型对潜在特征进行处理，得到测试数据集在每个训练完成的检测模型上的预测表现值。
优选的，测试数据集在各个训练完成的检测模型的预测表现值可以组成矩阵，具体如：
S304、基于各个预测表现值，对各个训练完成的检测模型进行择优选择，并使用选中的模型构建目标检测模型。
需要说明的是，基于各个预测变限制，对各个训练完成的检测模型进行择优选择，并使用选中的模型构建目标检测模型的方式有两种，其中一种是使用数值最大的预测表现值所对应的训练完成的检测模型的模型参数构建目标检测模型，即，可以将数值最大的预测表现值所对应的训练完成的检测模型确定为目标检测模型。
另一种方式可以参照图4，为本发明实施例提供的基于各个预测变限制，对各个训练完成的检测模型进行择优选择，并使用选中的模型构建目标检测模型的方法流程图，具体说明如下所述。
S401、基于各个预测表现值，将各个训练完成的检测模型进行排序。
基于各个预测表现值从大到小的顺序，将各个训练完成的检测模型进行排序，得到检测模型队列，该队列中排在第一位的检测模型的预测表现值是最大的，即，排在最前面的检测模型的预测表现值是最大的；该队列中排在最后一位的检测模型的预测表现值是最小的。
S402、按照排序的先后顺序选择检测模型，直到选择的检测模型的个数满足预设数值，并将选中的各个检测模型确定为待处理模型。
预设数值可以根据实际需求进行设置，例如5，例如3，此处不做限定，预设数值不能为零，优选的，预设数值不大于训练完成的检测模型的个数。
在选择检测模型时，优先选择预测表现值大的检测模型，即，优先选择排在前面的检测模型。
S403、确定每个待处理模型所应用的检测算法的类型，并确定是否每个待处理模型所应用的检测算法的类型均不相同；当确定每个待处理模型所应用的检测算法的类型均不相同时，执行S404；当各个待处理模型中存在应用相同类型的检测算法的待处理模型时，执行S405。
优选的，检测算法的类型可以为最近邻算法、聚类的方法、统计的方法等。
当确定每个待处理模型所应用的检测算法的类型均不相同时，例如待处理模型为A、B、C，其中，A为使用最近邻算法构建的检测模型，B为使用聚类的方法构建的检测模型，C为使用统计的方法构建的检测模型，此时可以直接执行步骤S404。在各个待处理存在应用相同类型的检测算法的待处理模型时，延续上述具体，检测模型A和B均是使用最近算法构建的检测模型，检测模型C为使用聚类的方法构建的检测模型，此时可以执行S405。
S404、使用数值最大的预测表现值所对应的待处理模型的模型参数构建目标检测模型。
基于图3的说明，将预测表现值最大的检测模型作为选择的目标检测模型时，可以表示为：
S405、确定每种类型的检测算法的模型组合，模型组合中包含至少一个待处理模型。
不同类型的检测算法对应不同的模型组合，每个模型组合中包含至少一个待处理模型，一个模型组合中的所有待处理模型所使用的检测算法均是相同的。
S406、将模型个数最多的模型组合确定为目标模型组合，并对目标模型组合中的各个待处理模型的模型参数进行求均值运算，得到模型构建参数。
将模型个数最多的模型组合确定为目标模型组合的目的是应用不同的检测算法的检测模型中选择出适合对储能电池进行异常检测的检测模型。
在基于将各个预测表现值选出各个待处理模型后，选出的目标模型组合对应的检测算法为在各个待处理模型中所应用的检测算法的占比是最大的，即，各个待处理模型中使用与目标模型组合对应的检测算法的模型的个数是最多的，此时可以反映出该种检测算法很适用于进行储能电池的异常检测。
因此，对目标模型组合中的各个待处理模型的模型参数进行求均值运算，从而得到模型构建参数。
示例性的，目标检测模型的模型参数包括但不限于α、β以及γ；确定的目标模型组合中有待处理模型A、B以及C，其中待处理模型A的模型参数为(α1,β1,γ1)，待处理模型B的模型参数为(α2,β2,γ2)，待处理模型C的模型参数为(α3,β3,γ3)。
对待处理模型A、B以及C中的模型参数进行求均值运算后，可以得到模型构建参数其中，/>
S407、应用模型构建参数构建目标检测模型。
本发明通过使用各个训练完成的检测模型的预测表现值，选择合适的检测模型构建目标检测模型，可以通过选择预测表现值最大的检测模型作为目标检测模型，可以在多个检测模型中选择检测表现最好的模型作为目标检测模型，可以避免出现使用训练完成的模型的检测能力不好，导致检测结果不准确的情况。还可以选择排序在前的检测模型后，在选择的各个检测模型中确定出适合进行检测的算法，然后再通过使用了该算法的检测模型的模型参数构建目标检测模型，由此可以在多种检测算法中选择合适的算法，进而构建目标检测模型，从而提高检测的准确率。
应用本发明，可以通过选择模型构建目标检测模型，可以解决传统检测算法没有模型选项的过程，无法自动选择更适用于储能电池数据规模及分布的检测模型的问题，并且本发明可以针对不同的电池运行阶段构建不同的目标检测模型，可以充分应用储能电池整个充电或放电阶段的数据，可以很好的反映单体间的差异性。
参照图5，为本发明实施例提供的又一储能电池检测方法的方法流程图，具体说明如下所述：
步骤1：获取训练数据集。
训练数据集中包含多个携带真实标签的历史利群值检测训练数据，历史利群值检测训练数据可以理解为上文的训练数据。
步骤2：基于MetaOD算法在各个检测模型中选择目标检测模型。
本发明使用MetaOD算法选择选择目标检测模型，参照图6，为本发明实施例提供的选择目标检测模型的实现流程图，具体说明如下所述：
(1)训练m个异常检测模型：
在进行MetaOD算法前，需要基于训练数据训练m个异常检测模型，异常检测模型即为上文所述的检测模型。
现有的无监督异常检测算法可分为一下几种类型具体如：
1)基于最近邻算法，包括但不限于KNN算法和LOF算法；
2)基于聚类的方法，包括但不限于CBLOF算法；
3)基于统计的方法，包括但不限于HBOS算法；
4)基于子空间技术，包括但不限于IForest和PCA算法；
5)基于模型的方法，包括但不限于AutoEncoder算法。
针对大规模储能电池数据异常类型的多样化，可以选取上述5类中的7种经典的无监督异常检测算法，并结合不同超参数的组合进行训练，得到模型在模型空间中的历史表现M＝{M1,…,Mm}，其中m为待选择的模型个数(即模型与超参数的组合数)。
(2)基于MetaOD算法选择目标检测模型：
随着异常检测算法数量的不断增多，如何在无监督的前提下对任意数据集选择合适的算法进行异常检测，也成为数据挖掘领域的一大难题。本发明基于元学习的异常检测算法(MetaOD算法)，通过借用推荐系统的方法，将无监督的模型选择问题转化为冷启动下的推荐问题，给数据集选择合适的检测模型，实现了无监督条件下的模型选择，其具体流程如下：
首先得到历史训练数据在不同检测模型上的表现矩阵其中/>表示数域，n和m分别表示n个训练数据和m个可选择模型，Pij表示第j个模型在第i个数据上的表现。之后对P进行矩阵分解，P＝<U,VT>，来学习/>和/>矩阵，其中U和V矩阵分别代表数据矩阵和模型矩阵。最后通过训练一个回归模型f将低维嵌入特征/>映射到最终的优化U上。
示例性的，选择目标检测模型的过程如：当拿到一个用于异常检测的新数据集Xtest时，此时的新数据可以理解为上文中的储能电池数据，MetaOD首先计算相应的元特征然后通过/>嵌入，回归得到潜在特征(即上文的特征矩阵)，即/>得到新的数据集在m个模型上的表现预测(即上文的预测表现矩阵)，优选的，输出预测值最大的模型作为所选模型：/>还可以将排序在前N个的模型选择出来，然后将这N个模型中占比最大的检测算法的各个模型作为目标模型，然后对各个目标模型的模型参数进行求均值运算，并使用得到的均值模型参数构建最后的模型。
例如，针对储能电池数据，利用MetaOD算法对每个模型的结果及参数进行初始化评判，选取排名前五位的模型及其参数，排名结果如表1所示。
| 排名 | 模型 | 参数 |
| 1 | iForest | (α1,β1) |
| 2 | iForest | (α2,β2) |
| 3 | iForest | (α3,β3) |
| 4 | iForest | (α4,β4) |
| 5 | HBOS | (α5,β5) |
表1储能电池数据模型选择结果
如表1所示，可以将排名在前4的模型作为选择的目标检测模型，即排名前四个孤立森林(Isolation Forest，简称iForest)模型，iForest是一种基于树的集成检测算法，其利用决策树的特点，通过对特征空间进行划分，从而观察“孤立”点，结果更稳定。
步骤3：基于选择的目标检测模型获取电池检测模型，使用电池检测模型进行检测。
基于上述的选择的模型，求取4个iForest模型参数的均值和/>其中/> 用平均后的参数构建的模型iForest即为电池检测模型，使用该模型对储能电池数据进行异常检测，从而可以得到最终的异常检测结果。
步骤4：针对检测结果确定维护策略。
根据异常检测结果，通知运维人员，及时对异常单体进行维护。若异常单体电量偏低，则根据电池簇内其他单体容量设置合理阈值进行补电；若异常单体电量偏高，则对其进行被动均衡或放电。
本发明提供了一种结合MetaOD和数据挖掘算法的模型框架，该框架可对不同电池、不同充放电阶段、不同信号等数据自动选择最优模型及参数，基于最终选取的算法和对应参数均值进行异常诊断，进而提高异常储能电池检测的准确性。本发明还可以基于充电、放电、静置阶段运行数据，进行异常单体检测，充分挖掘各阶段单体间差异性特征，能够更加准确、高效的进行异常单体检测。进一步的，本发明还可以精准定位异常单体电池的位置，并给出可操作性强的维护措施，提高运维效率，降低运维成本。
与图1所示的方法相对应的，本发明还提供一种储能电池检测装置，该装置可以配置于处理器或服务器，该装置用于支持图1所示的方法的具体实现。
参照图7，为本发明实施例提供的一种储能电池检测装置结构示意图，具体说明如下所述：
第一获取单元701，用于获取与预设的电池运行阶段对应的训练数据集，所述训练数据集包含各个训练数据；
训练单元702，用于使用各个所述训练数据对各个检测模型进行训练，并对各个训练完成的检测模型进行择优选择，并使用选中的模型构建目标检测模型；
第二获取单元703，用于获取待检测的储能电池的储能电池数据；
输出单元704，用于使用所述目标检测模型对所述储能电池数据进行处理，输出所述储能电池在所述电池运行阶段的检测结果。
本发明实施例提供的装置中，获取与预设的电池运行阶段对应的训练数据集，训练数据集包含各个训练数据；使用各个训练数据对各个检测模型进行训练，并对各个训练完成的检测模型进行择优选择，并使用选中的模型构建目标检测模型；获取待检测的储能电池的储能电池数据；使用目标检测模型对储能电池数据进行处理，输出储能电池在电池运行阶段的检测结果。通过对训练完成的各个检测模型进行择优选择，使用选择的优质的模型构建目标检测模型，由此可以避免使用训练完成但是精确度不高的模型进行检测的情况，进而提高检测结果的准确度。
在本发明提供的另一实施例中，该装置的所述训练单元702，包括：
输入子单元，用于将所述训练数据集中的各个所述训练数据输入各个所述检测模型，得到与所述训练数据集对应的表现矩阵，所述表现矩阵包含每个训练数据在每个检测模型上的表现值；
分解子单元，用于将所述表现矩阵进行矩阵分解，得到数据矩阵和模型矩阵；
获取子单元，用于从所述训练数据集中获取低维嵌入特征，并应用预设的回归模型将所述低维嵌入特征映射到所述数据矩阵，以对各个检测模型的模型参数进行优化，并在各个所述检测模型得到最优的模型参数后完成对各个检测模型的训练。
在本发明提供的另一实施例中，该装置的所述训练单元，包括：
提取子单元，用于从预设的测试数据集中提取元特征；
第一处理子单元，用于对所述元特征进行处理，得到潜在特征；
第二处理子单元，用于应用各个训练完成的检测模型对所述潜在特征进行处理，得到所述测试数据集在每个训练完成的检测模型上的预测表现值；
构建子单元，用于基于各个预测表现值，对各个训练完成的检测模型进行择优选择，并使用选中的模型构建目标检测模型。
在本发明提供的另一实施例中，该装置的所述构建子单元，包括：
第一构建模型，用于使用数值最大的预测表现值所对应的训练完成的检测模型的模型参数构建目标检测模型。
在本发明提供的另一实施例中，该装置的所述构建子单元，包括：
排序模块，用于基于各个预测表现值，将各个训练完成的检测模型进行排序；
选择模块，用于按照排序的先后顺序选择检测模型，直到选择的检测模型的个数满足预设数值，并将选中的各个检测模型确定为待处理模型；
第一确定模块，用于确定每个待处理模型所应用的检测算法的类型，并确定是否每个待处理模型所应用的检测算法的类型均不相同；
第二构建模块，用于当确定每个待处理模型所应用的检测算法的类型均不相同时，使用数值最大的预测表现值所对应的待处理模型的模型参数构建目标检测模型；
第二确定模块，用于当各个待处理模型中存在应用相同类型的检测算法的待处理模型时，确定每种类型的检测算法的模型组合，所述模型组合中包含至少一个待处理模型；
运算模块，用于将模型个数最多的模型组合确定为目标模型组合，并对目标模型组合中的各个待处理模型的模型参数进行求均值运算，得到模型构建参数；
第三构建模块，用于应用所述模型构建参数构建目标检测模型。
在本发明提供的另一实施例中，该装置还包括：
确定单元，用于基于所述检测结果，确定维护策略；
维护单元，用于基于所述维护策略，对所述储能电池进行维护。
本发明实施例还提供一种存储介质，所述存储介质包括存储的指令，其中，在所述指令运行时控制所述存储介质所在的设备执行上述的储能电池检测方法。
本发明实施例还提供了一种电子设备，其结构示意图如图8所示，具体包括存储器801，以及一个或者一个以上的指令802，其中一个或者一个以上指令802存储于存储器801中，且经配置以由一个或者一个以上处理器803执行所述一个或者一个以上指令802执行上述储能电池检测方法。
上述各个实施例的具体实施过程及其衍生方式，均在本发明的保护范围之内。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (14)
1.一种储能电池检测方法，其特征在于，包括：
获取与预设的电池运行阶段对应的训练数据集，所述训练数据集包含各个训练数据；
使用各个所述训练数据对各个检测模型进行训练，并对各个训练完成的检测模型进行择优选择，并使用选中的模型构建目标检测模型；
获取待检测的储能电池的储能电池数据；
使用所述目标检测模型对所述储能电池数据进行处理，输出所述储能电池在所述电池运行阶段的检测结果。
2.根据权利要求1所述的方法，其特征在于，所述使用各个所述训练数据对各个检测模型进行训练，包括：
将所述训练数据集中的各个所述训练数据输入各个所述检测模型，得到与所述训练数据集对应的表现矩阵，所述表现矩阵包含每个训练数据在每个检测模型上的表现值；
将所述表现矩阵进行矩阵分解，得到数据矩阵和模型矩阵；
从所述训练数据集中获取低维嵌入特征，并应用预设的回归模型将所述低维嵌入特征映射到所述数据矩阵，以对各个检测模型的模型参数进行优化，并在各个所述检测模型得到最优的模型参数后完成对各个检测模型的训练。
3.根据权利要求1所述的方法，其特征在于，所述对各个训练完成的检测模型进行择优选择，并使用选中的模型构建目标检测模型，包括：
从预设的测试数据集中提取元特征；
对所述元特征进行处理，得到潜在特征；
应用各个训练完成的检测模型对所述潜在特征进行处理，得到所述测试数据集在每个训练完成的检测模型上的预测表现值；
基于各个预测表现值，对各个训练完成的检测模型进行择优选择，并使用选中的模型构建目标检测模型。
4.根据权利要求3所述的方法，其特征在于，所述基于各个预测表现值，对各个训练完成的检测模型进行择优选择，并使用选中的模型构建目标检测模型，包括：
使用数值最大的预测表现值所对应的训练完成的检测模型的模型参数构建目标检测模型。
5.根据权利要求3所述的方法，其特征在于，所述基于各个预测表现值，对各个训练完成的检测模型进行择优选择，并使用选中的模型构建目标检测模型，包括：
基于各个预测表现值，将各个训练完成的检测模型进行排序；
按照排序的先后顺序选择检测模型，直到选择的检测模型的个数满足预设数值，并将选中的各个检测模型确定为待处理模型；
确定每个待处理模型所应用的检测算法的类型，并确定是否每个待处理模型所应用的检测算法的类型均不相同；
当确定每个待处理模型所应用的检测算法的类型均不相同时，使用数值最大的预测表现值所对应的待处理模型的模型参数构建目标检测模型；
当各个待处理模型中存在应用相同类型的检测算法的待处理模型时，确定每种类型的检测算法的模型组合，所述模型组合中包含至少一个待处理模型；
将模型个数最多的模型组合确定为目标模型组合，并对目标模型组合中的各个待处理模型的模型参数进行求均值运算，得到模型构建参数；
应用所述模型构建参数构建目标检测模型。
6.根据权利要求1-5任意一项所述的方法，其特征在于，还包括：
基于所述检测结果，确定维护策略；
基于所述维护策略，对所述储能电池进行维护。
7.一种储能电池检测装置，其特征在于，包括：
第一获取单元，用于获取与预设的电池运行阶段对应的训练数据集，所述训练数据集包含各个训练数据；
训练单元，用于使用各个所述训练数据对各个检测模型进行训练，并对各个训练完成的检测模型进行择优选择，并使用选中的模型构建目标检测模型；
第二获取单元，用于获取待检测的储能电池的储能电池数据；
输出单元，用于使用所述目标检测模型对所述储能电池数据进行处理，输出所述储能电池在所述电池运行阶段的检测结果。
8.根据权利要求7所述的装置，其特征在于，所述训练单元，包括：
输入子单元，用于将所述训练数据集中的各个所述训练数据输入各个所述检测模型，得到与所述训练数据集对应的表现矩阵，所述表现矩阵包含每个训练数据在每个检测模型上的表现值；
分解子单元，用于将所述表现矩阵进行矩阵分解，得到数据矩阵和模型矩阵；
获取子单元，用于从所述训练数据集中获取低维嵌入特征，并应用预设的回归模型将所述低维嵌入特征映射到所述数据矩阵，以对各个检测模型的模型参数进行优化，并在各个所述检测模型得到最优的模型参数后完成对各个检测模型的训练。
9.根据权利要求7所述的装置，其特征在于，所述训练单元，包括：
提取子单元，用于从预设的测试数据集中提取元特征；
第一处理子单元，用于对所述元特征进行处理，得到潜在特征；
第二处理子单元，用于应用各个训练完成的检测模型对所述潜在特征进行处理，得到所述测试数据集在每个训练完成的检测模型上的预测表现值；
构建子单元，用于基于各个预测表现值，对各个训练完成的检测模型进行择优选择，并使用选中的模型构建目标检测模型。
10.根据权利要求9所述的装置，其特征在于，所述构建子单元，包括：
第一构建模型，用于使用数值最大的预测表现值所对应的训练完成的检测模型的模型参数构建目标检测模型。
11.根据权利要求9所述的装置，其特征在于，所述构建子单元，包括：
排序模块，用于基于各个预测表现值，将各个训练完成的检测模型进行排序；
选择模块，用于按照排序的先后顺序选择检测模型，直到选择的检测模型的个数满足预设数值，并将选中的各个检测模型确定为待处理模型；
第一确定模块，用于确定每个待处理模型所应用的检测算法的类型，并确定是否每个待处理模型所应用的检测算法的类型均不相同；
第二构建模块，用于当确定每个待处理模型所应用的检测算法的类型均不相同时，使用数值最大的预测表现值所对应的待处理模型的模型参数构建目标检测模型；
第二确定模块，用于当各个待处理模型中存在应用相同类型的检测算法的待处理模型时，确定每种类型的检测算法的模型组合，所述模型组合中包含至少一个待处理模型；
运算模块，用于将模型个数最多的模型组合确定为目标模型组合，并对目标模型组合中的各个待处理模型的模型参数进行求均值运算，得到模型构建参数；
第三构建模块，用于应用所述模型构建参数构建目标检测模型。
12.根据权利要求7-11任意一项所述的装置，其特征在于，还包括：
确定单元，用于基于所述检测结果，确定维护策略；
维护单元，用于基于所述维护策略，对所述储能电池进行维护。
13.一种存储介质，其特征在于，所述存储介质包括存储的指令，其中，在所述指令运行时控制所述存储介质所在的设备执行如权利要求1-6任意一项所述的储能电池检测方法。
14.一种电子设备，其特征在于，包括存储器，以及一个或者一个以上的指令，其中一个或者一个以上指令存储于存储器中，且经配置以由一个或者一个以上处理器执行如权利要求1-6任意一项所述的储能电池检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311197399.2A CN117233608A (zh) | 2023-09-15 | 2023-09-15 | 储能电池检测方法及装置、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311197399.2A CN117233608A (zh) | 2023-09-15 | 2023-09-15 | 储能电池检测方法及装置、存储介质及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117233608A true CN117233608A (zh) | 2023-12-15 |
Family
ID=89094316
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311197399.2A Pending CN117233608A (zh) | 2023-09-15 | 2023-09-15 | 储能电池检测方法及装置、存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117233608A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117554824A (zh) * | 2024-01-05 | 2024-02-13 | 四会永利五金电池有限公司 | 一种锌锰电池的异常数据检测方法 |
-
2023
- 2023-09-15 CN CN202311197399.2A patent/CN117233608A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117554824A (zh) * | 2024-01-05 | 2024-02-13 | 四会永利五金电池有限公司 | 一种锌锰电池的异常数据检测方法 |
| CN117554824B (zh) * | 2024-01-05 | 2024-03-22 | 四会永利五金电池有限公司 | 一种锌锰电池的异常数据检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112699913B (zh) | 一种台区户变关系异常诊断方法及装置 | |
| CN109891508B (zh) | 单细胞类型检测方法、装置、设备和存储介质 | |
| CN106154180B (zh) | 储能电池充/放电异常行为检测方法及检测系统 | |
| WO2017076154A1 (zh) | 网络事件预测以及建立网络事件预测模型的方法和装置 | |
| JP7096775B2 (ja) | 蓄電池評価装置、蓄電池評価方法及び蓄電池評価システム | |
| CN117233608A (zh) | 储能电池检测方法及装置、存储介质及电子设备 | |
| CN112434390B (zh) | 基于多层网格搜索的pca-lstm轴承剩余寿命预测方法 | |
| CN115822887A (zh) | 风电机组的性能评估与能效诊断方法及系统 | |
| CN110263945A (zh) | 基于马尔科夫链的配电网线损处理系统 | |
| JP2018125897A (ja) | 系統運用意思決定支援装置および方法 | |
| CN116961052A (zh) | 一种分布式储能系统的选址定容方法及系统 | |
| CN116794510A (zh) | 故障预测方法、装置、计算机设备和存储介质 | |
| CN114021425B (zh) | 电力系统运行数据建模与特征选择方法、装置、电子设备和存储介质 | |
| CN115033591A (zh) | 一种电费数据异常智能检测方法、系统、存储介质及计算机设备 | |
| Dong et al. | Data-driven predictive prognostic model for power batteries based on machine learning | |
| CN114723234A (zh) | 变压器容量瞒报识别方法、系统、计算机设备和存储介质 | |
| 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 | |
| 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 | |
| Xiao et al. | Battery state of health prediction based on voltage intervals, BP neural network and genetic algorithm | |
| CN116293454A (zh) | 一种基于蒸汽管网动态平衡的管理系统、方法及介质 | |
| CN115841580A (zh) | 一种基于标记分布的轴承剩余使用寿命预测方法 | |
| CN111222688B (zh) | 一种商业楼宇的日负荷预测方法 | |
| CN114066068A (zh) | 一种短期电力负荷预测方法、装置、设备和存储介质 | |
| CN115598459A (zh) | 一种配电网10kV馈线故障停电预测方法 | |
| Wang et al. | Reliability evaluation of power-generating systems including time-dependent sources based on binary particle swarm optimization |
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 |