CN117368745B - 基于深度学习的硬包锂电池安全监测方法及装置 - Google Patents
基于深度学习的硬包锂电池安全监测方法及装置 Download PDFInfo
- Publication number
- CN117368745B CN117368745B CN202311670040.2A CN202311670040A CN117368745B CN 117368745 B CN117368745 B CN 117368745B CN 202311670040 A CN202311670040 A CN 202311670040A CN 117368745 B CN117368745 B CN 117368745B
- Authority
- CN
- China
- Prior art keywords
- temperature
- cell
- data
- feature
- 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.)
- Active
Links
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 77
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 77
- 238000012544 monitoring process Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000013135 deep learning Methods 0.000 title claims abstract description 23
- 239000013598 vector Substances 0.000 claims abstract description 132
- 238000004458 analytical method Methods 0.000 claims abstract description 66
- 238000001514 detection method Methods 0.000 claims abstract description 48
- 238000000513 principal component analysis Methods 0.000 claims abstract description 20
- 238000006243 chemical reaction Methods 0.000 claims abstract description 13
- 230000005856 abnormality Effects 0.000 claims description 41
- 238000012545 processing Methods 0.000 claims description 39
- 230000006870 function Effects 0.000 claims description 38
- 239000011159 matrix material Substances 0.000 claims description 26
- 230000004927 fusion Effects 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000010606 normalization Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 10
- 230000002776 aggregation Effects 0.000 claims description 9
- 238000004220 aggregation Methods 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 238000012806 monitoring device Methods 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 5
- 238000002864 sequence alignment Methods 0.000 claims description 4
- 210000004027 cell Anatomy 0.000 description 259
- 230000008569 process Effects 0.000 description 14
- 230000008859 change Effects 0.000 description 11
- 239000000284 extract Substances 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 239000006185 dispersion Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012067 mathematical method Methods 0.000 description 2
- 238000013021 overheating Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 102000008297 Nuclear Matrix-Associated Proteins Human genes 0.000 description 1
- 108010035916 Nuclear Matrix-Associated Proteins Proteins 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000299 nuclear matrix Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000002759 z-score normalization 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
-
- 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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
- H01M2010/4271—Battery management systems including electronic circuits, e.g. control of current or voltage to keep battery in healthy state, cell balancing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Secondary Cells (AREA)
- Manufacturing & Machinery (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Microelectronics & Electronic Packaging (AREA)
Abstract
本发明涉及电池管理技术领域,公开了一种基于深度学习的硬包锂电池安全监测方法及装置,用于提高硬包锂电池分容温度的安全监测准确率。方法包括:对硬包锂电池进行工作状态监测,得到输入电流时每个电芯的第一电芯温度数据以及输出电流时每个电芯的第二电芯温度数据;进行差值运算,生成温度差值数据集并进行核主元分析,得到第一温度特征集合;进行同源扩维,得到第二温度特征集合;计算均值和标准差并进行特征缩放,得到归一化温度特征集合;进行动态权重分析,生成目标温度特征集合并进行向量转换,生成初始温度特征向量;将每个电芯的初始温度特征向量输入温度安全分析模型进行温度异常监测,得到目标温度异常检测结果。
Description
技术领域
本发明涉及电池管理技术领域,尤其涉及一种基于深度学习的硬包锂电池安全监测方法及装置。
背景技术
随着硬包锂电池在电动汽车、便携设备等领域的广泛应用,对其安全性的关注日益增加。分容温度的安全监测是硬包锂电池管理系统中的关键问题之一。分容温度不仅影响电池性能和寿命,还导致严重的安全问题,如过热引发火灾或爆炸。因此,研究如何有效监测硬包锂电池的分容温度,提前发现温度异常,并采取相应的安全处理策略,成为当前研究的热点之一。
硬包锂电池通常是由多个电芯组成的系统,每个电芯在不同的工作状态下,因此需要针对每个电芯进行分容温度监测。多电芯系统的复杂性增加了分容温度监测的难度,进而导致现有方案的准确率低。
发明内容
本发明提供了一种基于深度学习的硬包锂电池安全监测方法及装置,用于提高硬包锂电池分容温度的安全监测准确率。
本发明第一方面提供了一种基于深度学习的硬包锂电池安全监测方法,所述基于深度学习的硬包锂电池安全监测方法包括:
对硬包锂电池进行工作状态监测,得到电池工作状态数据,并对所述电池工作状态数据进行数据集分类,得到输入电流时每个电芯的第一电芯温度数据以及输出电流时每个电芯的第二电芯温度数据;
对所述第一电芯温度数据以及所述第二电芯温度数据进行差值运算,生成每个电芯的温度差值数据集,并对所述温度差值数据集进行核主元分析,得到每个电芯的第一温度特征集合;
对所述第一温度特征集合进行同源扩维,得到每个电芯的第二温度特征集合;
分别计算所述第二温度特征集合的均值和标准差,并根据所述均值和所述标准差对所述第二温度特征集合进行特征缩放,得到每个电芯的归一化温度特征集合;
对所述归一化温度特征集合进行动态权重分析,生成每个电芯的目标温度特征集合,并对所述目标温度特征集合进行向量转换,生成每个电芯的初始温度特征向量;
将每个电芯的初始温度特征向量输入预置的温度安全分析模型进行温度异常监测,得到目标温度异常检测结果,并根据所述目标温度异常分析结果生成所述硬包锂电池的电芯温度异常处理策略。
结合第一方面,在本发明第一方面的第一种实现方式中,所述对硬包锂电池进行工作状态监测,得到电池工作状态数据,并对所述电池工作状态数据进行数据集分类,得到输入电流时每个电芯的第一电芯温度数据以及输出电流时每个电芯的第二电芯温度数据,包括:
通过预置的温度传感器组,对硬包锂电池中的多个电芯进行工作状态监测,得到电池工作状态数据;
对所述电池工作状态数据进行状态分类,得到输入电流时的第一工作状态数据以及输出电流时的第二工作状态数据;
将所述第一工作状态数据输入预置的第一数据聚类模型,通过所述第一数据聚类模型确定所述多个电芯对应的多个第一聚类中心;
基于所述多个第一聚类中心,对所述第一工作状态数据进行状态数据集聚类,得到输入电流时每个电芯的第一电芯温度数据;
将所述第二工作状态数据输入预置的第二数据聚类模型,通过所述第二数据聚类模型确定所述多个电芯对应的多个第二聚类中心;
基于所述多个第二聚类中心,对所述第二工作状态数据进行状态数据集聚类,得到输出电流时每个电芯的第二电芯温度数据。
结合第一方面,在本发明第一方面的第二种实现方式中,所述对所述第一电芯温度数据以及所述第二电芯温度数据进行差值运算,生成每个电芯的温度差值数据集,并对所述温度差值数据集进行核主元分析,得到每个电芯的第一温度特征集合,包括:
对所述第一电芯温度数据以及所述第二电芯温度数据进行离散化处理,生成对应的第一离散化温度数据以及第二离散化温度数据;
对所述第一离散化温度数据以及所述第二离散化温度数据进行数据序列对齐,并对所述第一离散化温度数据以及所述第二离散化温度数据进行差值运算,生成每个电芯的温度差值数据集;
通过预置的高斯核函数,分别对每个电芯的温度差值数据集进行核矩阵计算,得到每个电芯的目标核矩阵;
分别对每个电芯的目标核矩阵进行中心化处理,得到每个电芯的中心化核矩阵;
分别每个电芯的中心化核矩阵进行特征值分解,得到每个电芯对应的多个特征值以及多个特征向量;
对所述多个特征值以及所述多个特征向量进行主成分特征选取,得到每个电芯的第一温度特征集合。
结合第一方面,在本发明第一方面的第三种实现方式中,所述对所述第一温度特征集合进行同源扩维,得到每个电芯的第二温度特征集合,包括:
分别确定每个电芯的同源扩维函数,并基于所述同源扩维函数对所述第一温度特征集合进行特征平方运算,生成每个目标电芯的第一同源特征集合;
分别对所述第一温度特征集合进行多项式特征扩展,得到每个目标电芯的第二同源特征集合;
对每个目标电芯的第一温度特征集合、所述第一同源特征集合以及所述第二同源特征集合进行特征融合,生成每个目标电芯的融合温度特征集合;
分别对每个目标电芯的融合温度特征集合进行特征标准化处理,得到每个电芯的第二温度特征集合。
结合第一方面,在本发明第一方面的第四种实现方式中,所述分别计算所述第二温度特征集合的均值和标准差,并根据所述均值和所述标准差对所述第二温度特征集合进行特征缩放,得到每个电芯的归一化温度特征集合,包括:
分别提取每个第二温度特征集合中的多个目标温度特征值,并对所述多个目标温度特征值进行均值运算,得到每个第二温度特征集合的均值;
根据所述多个目标温度特征值,分别计算所述第二温度特征集合的标准差;
采用零均值单位方差的标准化算法,根据每个温度特征的均值和标准差分别对所述第二温度特征集合中的多个目标温度特征值进行特征归一化缩放,得到每个目标温度特征值的归一化温度特征值;
根据所述归一化温度特征值生成每个电芯的归一化温度特征集合。
结合第一方面,在本发明第一方面的第五种实现方式中,所述对所述归一化温度特征集合进行动态权重分析,生成每个电芯的目标温度特征集合,并对所述目标温度特征集合进行向量转换,生成每个电芯的初始温度特征向量,包括:
对所述归一化温度特征集合中的归一化温度特征值进行动态权重计算,得到每个归一化温度特征值的目标动态权重数据;
根据所述目标动态权重数据,对所述归一化温度特征集合进行特征加权计算,生成每个电芯的目标温度特征集合;
分别对每个电芯的目标温度特征集合进行向量映射,生成每个电芯的初始温度特征向量。
结合第一方面,在本发明第一方面的第六种实现方式中,所述将每个电芯的初始温度特征向量输入预置的温度安全分析模型进行温度异常监测,得到目标温度异常检测结果,并根据所述目标温度异常分析结果生成所述硬包锂电池的电芯温度异常处理策略,包括:
将每个电芯的初始温度特征向量输入预置的温度安全分析模型,其中,所述温度安全分析模型包括多个温度异常检测网络以及决策网络,每个温度异常检测网络包括第一长短时记忆网络、第二长短时记忆网络以及门限循环网络,所述决策网络包括全连接层以及Sigmoid函数;
通过所述多个温度异常检测网络分别接收每个电芯的初始温度特征向量,通过每个温度异常检测网络中的第一长短时记忆网络对所述初始温度特征向量进行隐藏状态特征提取,得到每个初始温度特征向量的第一隐藏状态特征向量;
通过每个温度异常检测网络中的第二长短时记忆网络对所述初始温度特征向量进行隐藏状态特征提取,得到每个初始温度特征向量的第二隐藏状态特征向量;
将每个初始温度特征向量的第一隐藏状态特征向量以及第二隐藏状态特征向量输入所述门限循环网络进行特征整合,生成每个电芯的目标温度特征向量;
将每个电芯的目标温度特征向量输入所述决策网络,并通过所述决策网络中的全连接层以及Sigmoid函数对每个电芯的目标温度特征向量进行温度异常预测,得到每个电芯的温度异常预测值;
根据每个电芯的温度异常预测值生成所述硬包锂电池的目标温度异常检测结果,并根据所述目标温度异常分析结果从预置的多个候选温度异常处理策略中匹配对应的电芯温度异常处理策略。
本发明第二方面提供了一种基于深度学习的硬包锂电池安全监测装置,所述基于深度学习的硬包锂电池安全监测装置包括:
监测模块,用于对硬包锂电池进行工作状态监测,得到电池工作状态数据,并对所述电池工作状态数据进行数据集分类,得到输入电流时每个电芯的第一电芯温度数据以及输出电流时每个电芯的第二电芯温度数据;
运算模块,用于对所述第一电芯温度数据以及所述第二电芯温度数据进行差值运算,生成每个电芯的温度差值数据集,并对所述温度差值数据集进行核主元分析,得到每个电芯的第一温度特征集合;
扩维模块,用于对所述第一温度特征集合进行同源扩维,得到每个电芯的第二温度特征集合;
缩放模块,用于分别计算所述第二温度特征集合的均值和标准差,并根据所述均值和所述标准差对所述第二温度特征集合进行特征缩放,得到每个电芯的归一化温度特征集合;
分析模块,用于对所述归一化温度特征集合进行动态权重分析,生成每个电芯的目标温度特征集合,并对所述目标温度特征集合进行向量转换,生成每个电芯的初始温度特征向量;
生成模块,用于将每个电芯的初始温度特征向量输入预置的温度安全分析模型进行温度异常监测,得到目标温度异常检测结果,并根据所述目标温度异常分析结果生成所述硬包锂电池的电芯温度异常处理策略。
本发明提供的技术方案中,对硬包锂电池进行工作状态监测,得到输入电流时每个电芯的第一电芯温度数据以及输出电流时每个电芯的第二电芯温度数据;进行差值运算,生成温度差值数据集并进行核主元分析,得到第一温度特征集合;进行同源扩维,得到第二温度特征集合;计算均值和标准差并进行特征缩放,得到归一化温度特征集合;进行动态权重分析,生成目标温度特征集合并进行向量转换,生成初始温度特征向量;将每个电芯的初始温度特征向量输入温度安全分析模型进行温度异常监测,得到目标温度异常检测结果,本发明通过对硬包锂电池的工作状态进行监测和多个数据处理步骤,能够从多个维度提取电芯的温度特征,包括差值数据、核主元分析、同源扩维,提高了对电池状态的多角度理解。采用同源扩维技术对温度特征进行扩展,有助于提高特征的抽象表达能力,增加了对温度变化的敏感性。特征融合进一步提高了特征的综合性能。引入动态权重分析,使得对温度特征的分析更加灵活和智能化。根据实时的情况对温度特征进行加权,提高了对温度变化的适应性。通过预置的温度安全分析模型,包括多个温度异常检测网络和决策网络,实现了对电芯温度异常的及时监测和处理。生成的异常处理策略能够更有针对性地应对各种的异常情况,提高了硬包锂电池的安全性。通过对每个电芯的工作状态进行监测和分析,能够综合考虑硬包锂电池中多个电芯的状态,提高了硬包锂电池分容温度的安全监测准确率。
附图说明
图1为本发明实施例中基于深度学习的硬包锂电池安全监测方法的一个实施例示意图;
图2为本发明实施例中核主元分析的流程图;
图3为本发明实施例中同源扩维的流程图;
图4为本发明实施例中特征缩放的流程图;
图5为本发明实施例中基于深度学习的硬包锂电池安全监测装置的一个实施例示意图。
具体实施方式
本发明实施例提供了一种基于深度学习的硬包锂电池安全监测方法及装置,用于提高硬包锂电池分容温度的安全监测准确率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中基于深度学习的硬包锂电池安全监测方法的一个实施例包括:
S101、对硬包锂电池进行工作状态监测,得到电池工作状态数据,并对电池工作状态数据进行数据集分类,得到输入电流时每个电芯的第一电芯温度数据以及输出电流时每个电芯的第二电芯温度数据;
可以理解的是,本发明的执行主体可以为基于深度学习的硬包锂电池安全监测装置,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的,通过预置的温度传感器组,对硬包锂电池中的多个电芯进行工作状态监测,以获取电池工作状态数据。这些传感器分布在电池系统内,实时监测每个电芯的温度情况。这些传感器可以采用热敏电阻、红外线传感器或其他温度感应设备。对所获取的电池工作状态数据进行状态分类。这一步的目的是将工作状态数据按输入电流时和输出电流时进行分类。这可以通过数据分析算法来实现,根据电流变化的时间和特性来区分工作状态。进一步,将输入电流时的第一工作状态数据输入预置的第一数据聚类模型。这个模型的作用是确定多个电芯对应的多个第一聚类中心。这些第一聚类中心可以被看作是电芯在不同工作状态下的代表值,有助于后续的数据处理。基于第一聚类中心,对第一工作状态数据进行状态数据集聚类。这一步将电芯的温度数据按照相似性分为不同的类别,每个类别代表一个电芯在输入电流时的温度情况。类似地,将输出电流时的第二工作状态数据输入预置的第二数据聚类模型,以确定多个电芯对应的多个第二聚类中心。这些第二聚类中心用于后续的状态数据集聚类,从而获得每个电芯在输出电流时的温度数据。例如,通过在每个电芯上安装温度传感器,系统可以实时监测每个电芯的温度。当车辆启动时,电池工作状态数据被获取并分为输入电流状态。这些数据通过第一数据聚类模型进行处理,确定了每个电芯的第一聚类中心。根据这些中心,电池管理系统能够实时监测每个电芯的温度变化,以检测潜在的温度异常情况。当车辆停止时,同样的过程适用于输出电流状态,以获得每个电芯在不同工作状态下的温度数据。
S102、对第一电芯温度数据以及第二电芯温度数据进行差值运算,生成每个电芯的温度差值数据集,并对温度差值数据集进行核主元分析,得到每个电芯的第一温度特征集合;
具体的,将第一电芯温度数据和第二电芯温度数据进行离散化处理,得到对应的第一离散化温度数据和第二离散化温度数据。这有助于处理温度数据的连续性,将其转化为离散的数据点。进行数据序列对齐,确保第一离散化温度数据和第二离散化温度数据在时间上对齐,然后对这两组数据进行差值运算,生成每个电芯的温度差值数据集。这个数据集包含了每个电芯在不同工作状态下的温度变化信息。然后,通过预置的高斯核函数,对每个电芯的温度差值数据集进行核矩阵计算。这一步有助于量化不同电芯之间的温度差异,并将其表示为核矩阵。进一步,对每个电芯的目标核矩阵进行中心化处理。中心化是一种标准化的方法,有助于减少数据中的平均值偏差,并提高数据的可比性。对每个电芯的中心化核矩阵进行特征值分解。特征值分解是一种数学方法,用于提取矩阵中的特征信息,包括特征值和特征向量。对提取出的多个特征值和特征向量进行主成分特征选取。这一步旨在减少数据维度,保留最重要的特征信息,从而得到每个电芯的第一温度特征集合。例如,通过对每个电芯的第一和第二温度数据进行差值运算,并将其离散化,得到温度差值数据集。随后,使用核分析方法,将这些数据集转化为核矩阵,并对其进行中心化处理。特征值分解后,主成分分析用于提取最显著的温度特征。这些特征可以代表每个电芯的温度行为,有助于监测温度异常。如果某电芯的特征与其它电芯不同,表明出现了异常情况,需要采取相应的措施。
S103、对第一温度特征集合进行同源扩维,得到每个电芯的第二温度特征集合;
需要说明的是,分别确定每个电芯的同源扩维函数。这些扩维函数是用于将第一温度特征集合扩展为第二温度特征集合的数学函数。不同电芯需要不同的扩维函数,因为它们的温度行为不同。基于同源扩维函数,对第一温度特征集合进行特征平方运算,生成每个目标电芯的第一同源特征集合。这个过程通过数学运算将原始特征进行平方处理,从而获得更多的特征。接着,可以采用多项式特征扩展的方法,对第一温度特征集合进行扩展,以得到每个目标电芯的第二同源特征集合。这种方法使用多项式函数,将原始特征进行组合和扩展,以生成新的特征。进行特征融合,将每个目标电芯的第一温度特征集合、第一同源特征集合和第二同源特征集合合并在一起,生成每个目标电芯的融合温度特征集合。这个融合的过程可以采用加权平均、拼接等方法,将不同特征集合的信息结合在一起。对每个目标电芯的融合温度特征集合进行特征标准化处理。标准化是为了使不同特征具有相似的尺度和范围,有助于后续的分析和比较。例如,对于每个电芯,根据其温度数据和电池系统的特性,可以确定适用的同源扩维函数。通过对第一温度特征集合应用扩维函数,得到第一同源特征集合。同时,采用多项式特征扩展方法,生成第二同源特征集合。这些特征集合可以包含电芯温度的均值、方差、平方和其他更高阶的统计特征。随后,将这些特征融合在一起,得到每个电芯的融合温度特征集合。这些特征可以包括原始温度数据、扩展后的同源特征以及多项式特征,提供了更多信息用于电池温度分析。对这些融合特征进行标准化处理,以确保它们具有一致的尺度和范围。标准化可以采用Z-分数标准化或最小-最大标准化等方法,以便更容易进行特征比较和分析。
S104、分别计算第二温度特征集合的均值和标准差,并根据均值和标准差对第二温度特征集合进行特征缩放,得到每个电芯的归一化温度特征集合;
具体的,分别提取每个第二温度特征集合中的多个目标温度特征值,并对这些特征值进行均值运算,得到每个第二温度特征集合的均值。均值是对特征值的中心位置进行度量,用于了解每个电芯温度特征的整体趋势。根据均值的计算结果,继而计算每个第二温度特征集合的标准差。标准差度量了特征值的离散程度,即特征值在均值周围的分散程度。标准差越小表示特征值越接近均值,反之亦然。采用零均值单位方差的标准化算法,根据每个温度特征的均值和标准差,分别对第二温度特征集合中的多个目标温度特征值进行特征归一化缩放。这一步的目的是将特征值调整为均值为0,方差为1的标准正态分布,使不同特征值具有相似的尺度。最终,根据这些归一化温度特征值,生成每个电芯的归一化温度特征集合。这个集合包含了每个电芯的温度特征,经过标准化处理后,具有相似的尺度和范围。例如,对于每个电芯,从第二温度特征集合中提取多个目标温度特征值,计算均值和标准差。然后,通过零均值单位方差的标准化算法,对这些特征值进行缩放,使它们符合标准正态分布。最终,得到每个电芯的归一化温度特征集合,这些特征集合具有相似的统计特性,使不同电芯的温度特征具有可比性。
S105、对归一化温度特征集合进行动态权重分析,生成每个电芯的目标温度特征集合,并对目标温度特征集合进行向量转换,生成每个电芯的初始温度特征向量;
具体的,对归一化温度特征集合中的归一化温度特征值进行动态权重计算。动态权重是一种根据特定条件和需求分配给不同特征的权重,以突出重要性或减弱不重要性。这些权重可以根据电池系统的实际情况进行调整,以适应不同工作状态或温度异常的情况。根据计算得到的目标动态权重数据,对归一化温度特征集合进行特征加权计算,生成每个电芯的目标温度特征集合。这一步是动态权重分析的核心,将不同特征值根据其权重进行组合,以得到更有意义的目标特征。然后,分别对每个电芯的目标温度特征集合进行向量映射,生成每个电芯的初始温度特征向量。这一步是将特征集合变换为向量形式,方便后续的分析和处理。例如,对于每个电芯,动态权重可以根据电池系统的工作状态和需求来计算。例如,在高温工作状态下,温度特征值的权重更倾向于关注高温相关的特征。然后,将这些权重应用于归一化温度特征集合,生成目标温度特征集合。通过将目标温度特征集合转换为向量形式,得到初始温度特征向量。这些向量可以用于后续的分析,如异常检测、故障诊断等,以提高电池管理系统对温度异常的监测和响应能力。
S106、将每个电芯的初始温度特征向量输入预置的温度安全分析模型进行温度异常监测,得到目标温度异常检测结果,并根据目标温度异常分析结果生成硬包锂电池的电芯温度异常处理策略。
具体的,预置的温度安全分析模型包括多个温度异常检测网络以及决策网络。这些网络协同工作,以监测电池温度的异常情况并做出相应的处理策略。具体地,每个温度异常检测网络包括第一长短时记忆网络、第二长短时记忆网络以及门限循环网络,用于特征提取和异常检测。决策网络包括全连接层以及Sigmoid函数,用于整合各电芯的异常信息和制定处理策略。通过多个温度异常检测网络分别接收每个电芯的初始温度特征向量。这一步是数据输入的起点,各网络会分别处理不同电芯的数据。在每个温度异常检测网络中,第一长短时记忆网络对初始温度特征向量进行处理,提取第一隐藏状态特征向量。这个特征提取过程有助于捕捉温度数据中的长期依赖和序列信息。接着,第二长短时记忆网络进一步处理初始温度特征向量,提取第二隐藏状态特征向量。这一步骤有助于综合考虑温度数据的不同特性,包括短期波动和快速变化。然后,将每个电芯的初始温度特征向量的第一隐藏状态特征向量和第二隐藏状态特征向量输入门限循环网络进行特征整合。门限循环网络的目标是综合两个隐藏状态特征向量的信息,以生成每个电芯的目标温度特征向量。将每个电芯的目标温度特征向量输入到决策网络中。通过决策网络中的全连接层以及Sigmoid函数对每个电芯的目标温度特征向量进行温度异常预测。其中Sigmoid函数用于将输出映射到概率空间,以判断是否存在温度异常。根据每个电芯的温度异常预测值,生成硬包锂电池的目标温度异常检测结果。这个结果表示每个电芯是否出现温度异常,可以用于进一步的处理策略的制定。在电池管理系统中,根据目标温度异常分析结果,可以从预置的多个候选温度异常处理策略中选择最合适的策略来应对温度异常情况。这包括降低充电速率、停止充电、通知维护人员等一系列措施,以确保硬包锂电池的安全性和性能。例如,对于每个电芯,根据其初始温度特征向量,通过多个温度异常检测网络进行特征提取和异常检测。决策网络会整合各电芯的异常信息,根据综合情况做出决策,例如降低充电速率,以防止电池过热。这种方法在电池管理中可以帮助及时应对温度异常情况,从而提高硬包锂电池的可靠性和安全性。
本发明实施例中,对硬包锂电池进行工作状态监测,得到输入电流时每个电芯的第一电芯温度数据以及输出电流时每个电芯的第二电芯温度数据;进行差值运算,生成温度差值数据集并进行核主元分析,得到第一温度特征集合;进行同源扩维,得到第二温度特征集合;计算均值和标准差并进行特征缩放,得到归一化温度特征集合;进行动态权重分析,生成目标温度特征集合并进行向量转换,生成初始温度特征向量;将每个电芯的初始温度特征向量输入温度安全分析模型进行温度异常监测,得到目标温度异常检测结果,本发明通过对硬包锂电池的工作状态进行监测和多个数据处理步骤,能够从多个维度提取电芯的温度特征,包括差值数据、核主元分析、同源扩维,提高了对电池状态的多角度理解。采用同源扩维技术对温度特征进行扩展,有助于提高特征的抽象表达能力,增加了对温度变化的敏感性。特征融合进一步提高了特征的综合性能。引入动态权重分析,使得对温度特征的分析更加灵活和智能化。根据实时的情况对温度特征进行加权,提高了对温度变化的适应性。通过预置的温度安全分析模型,包括多个温度异常检测网络和决策网络,实现了对电芯温度异常的及时监测和处理。生成的异常处理策略能够更有针对性地应对各种的异常情况,提高了硬包锂电池的安全性。通过对每个电芯的工作状态进行监测和分析,能够综合考虑硬包锂电池中多个电芯的状态,提高了硬包锂电池分容温度的安全监测准确率。
在一具体实施例中,执行步骤S101的过程可以具体包括如下步骤:
(1)通过预置的温度传感器组,对硬包锂电池中的多个电芯进行工作状态监测,得到电池工作状态数据;
(2)对电池工作状态数据进行状态分类,得到输入电流时的第一工作状态数据以及输出电流时的第二工作状态数据;
(3)将第一工作状态数据输入预置的第一数据聚类模型,通过第一数据聚类模型确定多个电芯对应的多个第一聚类中心;
(4)基于多个第一聚类中心,对第一工作状态数据进行状态数据集聚类,得到输入电流时每个电芯的第一电芯温度数据;
(5)将第二工作状态数据输入预置的第二数据聚类模型,通过第二数据聚类模型确定多个电芯对应的多个第二聚类中心;
(6)基于多个第二聚类中心,对第二工作状态数据进行状态数据集聚类,得到输出电流时每个电芯的第二电芯温度数据。
具体的,通过预置的温度传感器组对硬包锂电池中的多个电芯进行工作状态监测,得到电池工作状态数据。这些传感器能够测量每个电芯的温度,电压,电流等参数,以提供关于电池的工作状态信息。随后,对电池工作状态数据进行状态分类,以获取输入电流时的第一工作状态数据和输出电流时的第二工作状态数据。这可以涉及电流、电压和温度等多个参数的组合,以确定电池的不同工作状态。接着,将第一工作状态数据输入预置的第一数据聚类模型,这个模型可以是聚类算法如K均值聚类或层次聚类。通过第一数据聚类模型,可以确定多个电芯对应的多个第一聚类中心。每个聚类中心代表了一组电芯,具有相似的工作状态数据。基于多个第一聚类中心,对第一工作状态数据进行状态数据集聚类,得到输入电流时每个电芯的第一电芯温度数据。这一步骤有助于将工作状态数据分组,以确定每个电芯的温度特性。然后,将第二工作状态数据输入预置的第二数据聚类模型,通过这个模型确定多个电芯对应的多个第二聚类中心。这一步骤类似于前一步,但针对输出电流时的工作状态数据。基于多个第二聚类中心,对第二工作状态数据进行状态数据集聚类,得到输出电流时每个电芯的第二电芯温度数据。这些数据表示了不同电芯在输出电流时的温度情况,有助于进一步的分析和监测。例如,假设通过预置的温度传感器组对每个电芯进行监测,测量其电压、电流和温度等参数。这些数据随后被输入到一个数据处理系统,经过工作状态分类,以确定每个电芯在不同工作状态下的状态数据。接着,第一数据聚类模型通过聚类算法确定多个第一聚类中心,代表电池在输入电流时的不同状态。然后,基于这些聚类中心,对数据进行聚类,得到每个电芯的第一电芯温度数据。同样,第二数据聚类模型用于输出电流时的数据聚类,以获取每个电芯的第二电芯温度数据。这些数据可以用于进一步的分容温度监测和安全分析。这个方法有助于确保电池的可靠性和安全性。
在一具体实施例中,如图2所示,执行步骤S102的过程可以具体包括如下步骤:
S201、对第一电芯温度数据以及第二电芯温度数据进行离散化处理,生成对应的第一离散化温度数据以及第二离散化温度数据;
S202、对第一离散化温度数据以及第二离散化温度数据进行数据序列对齐,并对第一离散化温度数据以及第二离散化温度数据进行差值运算,生成每个电芯的温度差值数据集;
S203、通过预置的高斯核函数,分别对每个电芯的温度差值数据集进行核矩阵计算,得到每个电芯的目标核矩阵;
S204、分别对每个电芯的目标核矩阵进行中心化处理,得到每个电芯的中心化核矩阵;
S205、分别每个电芯的中心化核矩阵进行特征值分解,得到每个电芯对应的多个特征值以及多个特征向量;
S206、对多个特征值以及多个特征向量进行主成分特征选取,得到每个电芯的第一温度特征集合。
具体的,对第一电芯温度数据和第二电芯温度数据进行离散化处理。离散化是将连续的温度数据转换为离散的数值,通常使用分箱或分段方法。这样可以减少数据的复杂性,便于进一步分析。对第一离散化温度数据和第二离散化温度数据进行数据序列对齐。这一步确保两组数据具有相同的时间步长和对应关系,以便进行后续的差值运算。然后,对第一离散化温度数据和第二离散化温度数据进行差值运算,生成每个电芯的温度差值数据集。温度差值反映了电芯温度的变化情况,有助于后续分析。接着,通过预置的高斯核函数,分别对每个电芯的温度差值数据集进行核矩阵计算。高斯核函数用于度量数据之间的相似性,以建立核矩阵,反映电芯温度差值数据之间的关系。分别对每个电芯的目标核矩阵进行中心化处理。中心化可以帮助去除数据的均值,以保留数据的变异性和信息。继而,对每个电芯的中心化核矩阵进行特征值分解。特征值分解是一种数学方法,用于找到核矩阵的特征值和特征向量。这些特征值和特征向量包含了核矩阵的重要信息。对多个特征值和多个特征向量进行主成分特征选取。主成分分析是一种降维技术,通过选择最重要的特征值和特征向量,将数据从高维空间降低到低维空间,以减少数据的复杂性。
在一具体实施例中,如图3所示,执行步骤S103的过程可以具体包括如下步骤:
S301、分别确定每个电芯的同源扩维函数,并基于同源扩维函数对第一温度特征集合进行特征平方运算,生成每个目标电芯的第一同源特征集合;
S302、分别对第一温度特征集合进行多项式特征扩展,得到每个目标电芯的第二同源特征集合;
S303、对每个目标电芯的第一温度特征集合、第一同源特征集合以及第二同源特征集合进行特征融合,生成每个目标电芯的融合温度特征集合;
S304、分别对每个目标电芯的融合温度特征集合进行特征标准化处理,得到每个电芯的第二温度特征集合。
具体的,分别确定每个电芯的同源扩维函数。同源扩维是一种方法,通过构建新的特征来捕捉原始特征之间的关系。每个电芯有不同的同源扩维函数,以考虑其独特的特性。这些同源扩维函数可以基于数据分析或专业知识进行定义。基于同源扩维函数,对第一温度特征集合进行特征平方运算。将原始特征进行平方操作,以捕获非线性关系。平方后的特征可以提供更多的信息,有助于改进模型的性能。对第一温度特征集合进行多项式特征扩展。多项式特征扩展是通过将原始特征进行组合和幂运算,生成新的多项式特征。这有助于捕捉特征之间的交互作用,从而提高特征的表达能力。随后,对每个目标电芯的第一温度特征集合、第一同源特征集合以及第二同源特征集合进行特征融合。特征融合可以是简单的特征拼接,也可以是更复杂的特征组合方法。这一步骤有助于将不同类型的特征结合在一起,生成更丰富的特征集合。分别对每个目标电芯的融合温度特征集合进行特征标准化处理。特征标准化是将特征缩放到相同的尺度,以确保不同特征对模型的影响权重是一致的。通常使用均值和标准差来进行标准化,使特征的均值为0,标准差为1。例如,假设确定了同源扩维函数,以捕捉其温度特性。然后,通过同源扩维函数进行特征平方运算,生成第一同源特征集合。接着,对第一温度特征集合进行多项式特征扩展,得到第二同源特征集合。将第一温度特征集合、第一同源特征集合和第二同源特征集合进行融合,并对整个融合温度特征集合进行标准化处理。这一系列特征工程步骤可为每个电芯生成具有丰富信息和统一尺度的第二温度特征集合,以支持温度异常的监测和分析。
在一具体实施例中,如图4所示,执行步骤S104的过程可以具体包括如下步骤:
S401、分别提取每个第二温度特征集合中的多个目标温度特征值,并对多个目标温度特征值进行均值运算,得到每个第二温度特征集合的均值;
S402、根据多个目标温度特征值,分别计算第二温度特征集合的标准差;
S403、采用零均值单位方差的标准化算法,根据每个温度特征的均值和标准差分别对第二温度特征集合中的多个目标温度特征值进行特征归一化缩放,得到每个目标温度特征值的归一化温度特征值;
S404、根据归一化温度特征值生成每个电芯的归一化温度特征集合。
具体的,分别提取每个第二温度特征集合中的多个目标温度特征值。目标温度特征值是已经经过特征工程处理的温度特征。对多个目标温度特征值进行均值运算,得到每个第二温度特征集合的均值。均值是所有特征值的平均值,用于衡量特征集合的中心位置。然后,根据多个目标温度特征值,分别计算第二温度特征集合的标准差。标准差是一种度量特征值分散程度的统计指标,用于衡量特征集合的离散度。接着,采用零均值单位方差的标准化算法,根据每个温度特征的均值和标准差,分别对第二温度特征集合中的多个目标温度特征值进行特征归一化缩放。将每个特征值减去均值,然后除以标准差,以将其缩放到均值为0,方差为1的尺度上。根据归一化温度特征值生成每个电芯的归一化温度特征集合。这些归一化特征集合可以用于后续的温度异常监测和分析。例如,对于每个电芯,提取了第二温度特征集合中的多个目标温度特征值。通过计算这些特征值的均值和标准差,得到了均值和标准差的值。然后,采用零均值单位方差的标准化算法,将特征值归一化缩放。这一系列步骤可确保每个电芯的温度特征在相同的尺度上,并为进一步的分容温度安全监测提供了准备。
在一具体实施例中,执行步骤S105的过程可以具体包括如下步骤:
(1)对归一化温度特征集合中的归一化温度特征值进行动态权重计算,得到每个归一化温度特征值的目标动态权重数据;
(2)根据目标动态权重数据,对归一化温度特征集合进行特征加权计算,生成每个电芯的目标温度特征集合;
(3)分别对每个电芯的目标温度特征集合进行向量映射,生成每个电芯的初始温度特征向量。
具体的,对归一化温度特征集合中的每个归一化温度特征值进行动态权重计算。动态权重是根据电池当前状态或其他相关因素分配给特征值的权重。这些权重可以在不同情况下发生变化,以反映电池状态的变化。然后,根据目标动态权重数据,对归一化温度特征集合进行特征加权计算。特征加权计算是将每个特征值与其对应的动态权重相乘,以生成特征加权后的值。这有助于突出对于当前状态最重要的特征。分别对每个电芯的目标温度特征集合进行向量映射。向量映射是将特征集合映射为一个较低维度的向量,以减少计算复杂性和提取最相关的信息。这个映射后的向量就是每个电芯的初始温度特征向量。例如,假设服务器有两个传感器测量电池的温度特征,一个在电池内部,另一个在外部。根据动态权重计算,内部传感器的权重为0.7,外部传感器的权重为0.3。如果内部传感器读取的归一化温度特征值为0.8,外部传感器的归一化温度特征值为0.6,那么生成的目标温度特征值将如下所示:目标温度特征值=(0.8*0.7)+(0.6*0.3)=0.56+0.18=0.74;服务器对每个电芯的目标温度特征集合进行向量映射。这一步通常用于将每个电芯的目标温度特征集合映射到一个共同的特征空间,以便进行比较或进一步的分析。向量映射可以采用不同的技术,如主成分分析(PCA)或多维尺度分析(MDS),根据具体情况选择合适的方法。根据向量映射的结果,服务器生成每个电芯的初始温度特征向量。这个向量可以被用于电池管理系统中的进一步决策,例如温度控制、故障检测或预测。
在一具体实施例中,执行步骤S106的过程可以具体包括如下步骤:
(1)将每个电芯的初始温度特征向量输入预置的温度安全分析模型,其中,温度安全分析模型包括多个温度异常检测网络以及决策网络,每个温度异常检测网络包括第一长短时记忆网络、第二长短时记忆网络以及门限循环网络,决策网络包括全连接层以及Sigmoid函数;
(2)通过多个温度异常检测网络分别接收每个电芯的初始温度特征向量,通过每个温度异常检测网络中的第一长短时记忆网络对初始温度特征向量进行隐藏状态特征提取,得到每个初始温度特征向量的第一隐藏状态特征向量;
(3)通过每个温度异常检测网络中的第二长短时记忆网络对初始温度特征向量进行隐藏状态特征提取,得到每个初始温度特征向量的第二隐藏状态特征向量;
(4)将每个初始温度特征向量的第一隐藏状态特征向量以及第二隐藏状态特征向量输入门限循环网络进行特征整合,生成每个电芯的目标温度特征向量;
(5)将每个电芯的目标温度特征向量输入决策网络,并通过决策网络中的全连接层以及Sigmoid函数对每个电芯的目标温度特征向量进行温度异常预测,得到每个电芯的温度异常预测值;
(6)根据每个电芯的温度异常预测值生成硬包锂电池的目标温度异常检测结果,并根据目标温度异常分析结果从预置的多个候选温度异常处理策略中匹配对应的电芯温度异常处理策略。
具体的将每个电芯的初始温度特征向量输入预置的温度安全分析模型。温度安全分析模型是一个复杂的神经网络系统,包括多个温度异常检测网络和一个决策网络。这些网络负责处理和分析电池的温度特征,以检测温度异常。多个温度异常检测网络分别接收每个电芯的初始温度特征向量。每个温度异常检测网络包括第一长短时记忆网络(LSTM)、第二长短时记忆网络以及门限循环网络。这些网络的目标是从特征向量中提取隐藏状态特征,以捕捉温度异常的模式。接着,通过第一长短时记忆网络对初始温度特征向量进行隐藏状态特征提取,得到每个初始温度特征向量的第一隐藏状态特征向量。这个隐藏状态特征向量包含了关于温度变化的重要信息。同样,通过第二长短时记忆网络对初始温度特征向量进行隐藏状态特征提取,得到每个初始温度特征向量的第二隐藏状态特征向量。这个步骤可以更全面地捕捉温度异常的相关信息。将每个初始温度特征向量的第一隐藏状态特征向量和第二隐藏状态特征向量输入门限循环网络进行特征整合。门限循环网络的作用是综合这两个隐藏状态特征向量,以生成每个电芯的目标温度特征向量。然后,将每个电芯的目标温度特征向量输入决策网络,并通过决策网络中的全连接层以及Sigmoid函数对每个电芯的目标温度特征向量进行温度异常预测。Sigmoid函数用于输出温度异常的概率,以确定是否存在异常情况。再然后,根据每个电芯的温度异常预测值生成硬包锂电池的目标温度异常检测结果。这些结果指示了每个电芯是否存在温度异常情况。根据目标温度异常分析结果,从预置的多个候选温度异常处理策略中匹配对应的电芯温度异常处理策略。这些策略可以包括调整电池工作参数、报警通知、停机措施等,以应对温度异常情况。例如,如果某个电芯的温度异常被检测到,系统可以根据预设的策略采取相应的措施,如降低充电速度、通知维护人员,以确保电池系统的安全性和性能。
上面对本发明实施例中基于深度学习的硬包锂电池安全监测方法进行了描述,下面对本发明实施例中基于深度学习的硬包锂电池安全监测装置进行描述,请参阅图5,本发明实施例中基于深度学习的硬包锂电池安全监测装置一个实施例包括:
监测模块501,用于对硬包锂电池进行工作状态监测,得到电池工作状态数据,并对所述电池工作状态数据进行数据集分类,得到输入电流时每个电芯的第一电芯温度数据以及输出电流时每个电芯的第二电芯温度数据;
运算模块502,用于对所述第一电芯温度数据以及所述第二电芯温度数据进行差值运算,生成每个电芯的温度差值数据集,并对所述温度差值数据集进行核主元分析,得到每个电芯的第一温度特征集合;
扩维模块503,用于对所述第一温度特征集合进行同源扩维,得到每个电芯的第二温度特征集合;
缩放模块504,用于分别计算所述第二温度特征集合的均值和标准差,并根据所述均值和所述标准差对所述第二温度特征集合进行特征缩放,得到每个电芯的归一化温度特征集合;
分析模块505,用于对所述归一化温度特征集合进行动态权重分析,生成每个电芯的目标温度特征集合,并对所述目标温度特征集合进行向量转换,生成每个电芯的初始温度特征向量;
生成模块506,用于将每个电芯的初始温度特征向量输入预置的温度安全分析模型进行温度异常监测,得到目标温度异常检测结果,并根据所述目标温度异常分析结果生成所述硬包锂电池的电芯温度异常处理策略。
通过上述各个组成部分的协同合作,对硬包锂电池进行工作状态监测,得到输入电流时每个电芯的第一电芯温度数据以及输出电流时每个电芯的第二电芯温度数据;进行差值运算,生成温度差值数据集并进行核主元分析,得到第一温度特征集合;进行同源扩维,得到第二温度特征集合;计算均值和标准差并进行特征缩放,得到归一化温度特征集合;进行动态权重分析,生成目标温度特征集合并进行向量转换,生成初始温度特征向量;将每个电芯的初始温度特征向量输入温度安全分析模型进行温度异常监测,得到目标温度异常检测结果,本发明通过对硬包锂电池的工作状态进行监测和多个数据处理步骤,能够从多个维度提取电芯的温度特征,包括差值数据、核主元分析、同源扩维,提高了对电池状态的多角度理解。采用同源扩维技术对温度特征进行扩展,有助于提高特征的抽象表达能力,增加了对温度变化的敏感性。特征融合进一步提高了特征的综合性能。引入动态权重分析,使得对温度特征的分析更加灵活和智能化。根据实时的情况对温度特征进行加权,提高了对温度变化的适应性。通过预置的温度安全分析模型,包括多个温度异常检测网络和决策网络,实现了对电芯温度异常的及时监测和处理。生成的异常处理策略能够更有针对性地应对各种的异常情况,提高了硬包锂电池的安全性。通过对每个电芯的工作状态进行监测和分析,能够综合考虑硬包锂电池中多个电芯的状态,提高了硬包锂电池分容温度的安全监测准确率。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种基于深度学习的硬包锂电池安全监测方法,其特征在于,所述基于深度学习的硬包锂电池安全监测方法包括:
对硬包锂电池进行工作状态监测,得到电池工作状态数据,并对所述电池工作状态数据进行数据集分类,得到输入电流时每个电芯的第一电芯温度数据以及输出电流时每个电芯的第二电芯温度数据;
对所述第一电芯温度数据以及所述第二电芯温度数据进行差值运算,生成每个电芯的温度差值数据集,并对所述温度差值数据集进行核主元分析,得到每个电芯的第一温度特征集合;
对所述第一温度特征集合进行同源扩维,得到每个电芯的第二温度特征集合;
分别计算所述第二温度特征集合的均值和标准差,并根据所述均值和所述标准差对所述第二温度特征集合进行特征缩放,得到每个电芯的归一化温度特征集合;
对所述归一化温度特征集合进行动态权重分析,生成每个电芯的目标温度特征集合,并对所述目标温度特征集合进行向量转换,生成每个电芯的初始温度特征向量;
将每个电芯的初始温度特征向量输入预置的温度安全分析模型进行温度异常监测,得到目标温度异常检测结果,并根据所述目标温度异常检测结果生成所述硬包锂电池的电芯温度异常处理策略。
2.根据权利要求1所述的基于深度学习的硬包锂电池安全监测方法,其特征在于,所述对硬包锂电池进行工作状态监测,得到电池工作状态数据,并对所述电池工作状态数据进行数据集分类,得到输入电流时每个电芯的第一电芯温度数据以及输出电流时每个电芯的第二电芯温度数据,包括:
通过预置的温度传感器组,对硬包锂电池中的多个电芯进行工作状态监测,得到电池工作状态数据;
对所述电池工作状态数据进行状态分类,得到输入电流时的第一工作状态数据以及输出电流时的第二工作状态数据;
将所述第一工作状态数据输入预置的第一数据聚类模型,通过所述第一数据聚类模型确定所述多个电芯对应的多个第一聚类中心;
基于所述多个第一聚类中心,对所述第一工作状态数据进行状态数据集聚类,得到输入电流时每个电芯的第一电芯温度数据;
将所述第二工作状态数据输入预置的第二数据聚类模型,通过所述第二数据聚类模型确定所述多个电芯对应的多个第二聚类中心;
基于所述多个第二聚类中心,对所述第二工作状态数据进行状态数据集聚类,得到输出电流时每个电芯的第二电芯温度数据。
3.根据权利要求1所述的基于深度学习的硬包锂电池安全监测方法,其特征在于,所述对所述第一电芯温度数据以及所述第二电芯温度数据进行差值运算,生成每个电芯的温度差值数据集,并对所述温度差值数据集进行核主元分析,得到每个电芯的第一温度特征集合,包括:
对所述第一电芯温度数据以及所述第二电芯温度数据进行离散化处理,生成对应的第一离散化温度数据以及第二离散化温度数据;
对所述第一离散化温度数据以及所述第二离散化温度数据进行数据序列对齐,并对所述第一离散化温度数据以及所述第二离散化温度数据进行差值运算,生成每个电芯的温度差值数据集;
通过预置的高斯核函数,分别对每个电芯的温度差值数据集进行核矩阵计算,得到每个电芯的目标核矩阵;
分别对每个电芯的目标核矩阵进行中心化处理,得到每个电芯的中心化核矩阵;
分别每个电芯的中心化核矩阵进行特征值分解,得到每个电芯对应的多个特征值以及多个特征向量;
对所述多个特征值以及所述多个特征向量进行主成分特征选取,得到每个电芯的第一温度特征集合。
4.根据权利要求1所述的基于深度学习的硬包锂电池安全监测方法,其特征在于,所述对所述第一温度特征集合进行同源扩维,得到每个电芯的第二温度特征集合,包括:
分别确定每个电芯的同源扩维函数,并基于所述同源扩维函数对所述第一温度特征集合进行特征平方运算,生成每个目标电芯的第一同源特征集合;
分别对所述第一温度特征集合进行多项式特征扩展,得到每个目标电芯的第二同源特征集合;
对每个目标电芯的第一温度特征集合、所述第一同源特征集合以及所述第二同源特征集合进行特征融合,生成每个目标电芯的融合温度特征集合;
分别对每个目标电芯的融合温度特征集合进行特征标准化处理,得到每个电芯的第二温度特征集合。
5.根据权利要求4所述的基于深度学习的硬包锂电池安全监测方法,其特征在于,所述分别计算所述第二温度特征集合的均值和标准差,并根据所述均值和所述标准差对所述第二温度特征集合进行特征缩放,得到每个电芯的归一化温度特征集合,包括:
分别提取每个第二温度特征集合中的多个目标温度特征值,并对所述多个目标温度特征值进行均值运算,得到每个第二温度特征集合的均值;
根据所述多个目标温度特征值,分别计算所述第二温度特征集合的标准差;
采用零均值单位方差的标准化算法,根据每个温度特征的均值和标准差分别对所述第二温度特征集合中的多个目标温度特征值进行特征归一化缩放,得到每个目标温度特征值的归一化温度特征值;
根据所述归一化温度特征值生成每个电芯的归一化温度特征集合。
6.根据权利要求5所述的基于深度学习的硬包锂电池安全监测方法,其特征在于,所述对所述归一化温度特征集合进行动态权重分析,生成每个电芯的目标温度特征集合,并对所述目标温度特征集合进行向量转换,生成每个电芯的初始温度特征向量,包括:
对所述归一化温度特征集合中的归一化温度特征值进行动态权重计算,得到每个归一化温度特征值的目标动态权重数据;
根据所述目标动态权重数据,对所述归一化温度特征集合进行特征加权计算,生成每个电芯的目标温度特征集合;
分别对每个电芯的目标温度特征集合进行向量映射,生成每个电芯的初始温度特征向量。
7.根据权利要求1所述的基于深度学习的硬包锂电池安全监测方法,其特征在于,所述将每个电芯的初始温度特征向量输入预置的温度安全分析模型进行温度异常监测,得到目标温度异常检测结果,并根据所述目标温度异常检测结果生成所述硬包锂电池的电芯温度异常处理策略,包括:
将每个电芯的初始温度特征向量输入预置的温度安全分析模型,其中,所述温度安全分析模型包括多个温度异常检测网络以及决策网络,每个温度异常检测网络包括第一长短时记忆网络、第二长短时记忆网络以及门限循环网络,所述决策网络包括全连接层以及Sigmoid函数;
通过所述多个温度异常检测网络分别接收每个电芯的初始温度特征向量,通过每个温度异常检测网络中的第一长短时记忆网络对所述初始温度特征向量进行隐藏状态特征提取,得到每个初始温度特征向量的第一隐藏状态特征向量;
通过每个温度异常检测网络中的第二长短时记忆网络对所述初始温度特征向量进行隐藏状态特征提取,得到每个初始温度特征向量的第二隐藏状态特征向量;
将每个初始温度特征向量的第一隐藏状态特征向量以及第二隐藏状态特征向量输入所述门限循环网络进行特征整合,生成每个电芯的目标温度特征向量;
将每个电芯的目标温度特征向量输入所述决策网络,并通过所述决策网络中的全连接层以及Sigmoid函数对每个电芯的目标温度特征向量进行温度异常预测,得到每个电芯的温度异常预测值;
根据每个电芯的温度异常预测值生成所述硬包锂电池的目标温度异常检测结果,并根据所述目标温度异常检测结果从预置的多个候选温度异常处理策略中匹配对应的电芯温度异常处理策略。
8.一种基于深度学习的硬包锂电池安全监测装置,其特征在于,所述基于深度学习的硬包锂电池安全监测装置包括:
监测模块,用于对硬包锂电池进行工作状态监测,得到电池工作状态数据,并对所述电池工作状态数据进行数据集分类,得到输入电流时每个电芯的第一电芯温度数据以及输出电流时每个电芯的第二电芯温度数据;
运算模块,用于对所述第一电芯温度数据以及所述第二电芯温度数据进行差值运算,生成每个电芯的温度差值数据集,并对所述温度差值数据集进行核主元分析,得到每个电芯的第一温度特征集合;
扩维模块,用于对所述第一温度特征集合进行同源扩维,得到每个电芯的第二温度特征集合;
缩放模块,用于分别计算所述第二温度特征集合的均值和标准差,并根据所述均值和所述标准差对所述第二温度特征集合进行特征缩放,得到每个电芯的归一化温度特征集合;
分析模块,用于对所述归一化温度特征集合进行动态权重分析,生成每个电芯的目标温度特征集合,并对所述目标温度特征集合进行向量转换,生成每个电芯的初始温度特征向量;
生成模块,用于将每个电芯的初始温度特征向量输入预置的温度安全分析模型进行温度异常监测,得到目标温度异常检测结果,并根据所述目标温度异常检测结果生成所述硬包锂电池的电芯温度异常处理策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311670040.2A CN117368745B (zh) | 2023-12-07 | 2023-12-07 | 基于深度学习的硬包锂电池安全监测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311670040.2A CN117368745B (zh) | 2023-12-07 | 2023-12-07 | 基于深度学习的硬包锂电池安全监测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117368745A CN117368745A (zh) | 2024-01-09 |
CN117368745B true CN117368745B (zh) | 2024-02-20 |
Family
ID=89404472
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311670040.2A Active CN117368745B (zh) | 2023-12-07 | 2023-12-07 | 基于深度学习的硬包锂电池安全监测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117368745B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117556753B (zh) * | 2024-01-11 | 2024-03-19 | 联和存储科技(江苏)有限公司 | 存储芯片的能耗分析方法、装置、设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113722877A (zh) * | 2021-07-14 | 2021-11-30 | 广东工业大学 | 一种对锂电池放电时温度场分布变化进行在线预测的方法 |
DE102020212299A1 (de) * | 2020-09-29 | 2022-03-31 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren und Vorrichtung zum Betreiben eines Systems zum Bereitstellen von prädizierten Alterungszuständen von elektrischen Energiespeichern für ein Gerät mithilfe von maschinellen Lernverfahren |
CN114923503A (zh) * | 2022-04-11 | 2022-08-19 | 北京航空航天大学 | 一种基于主元分析的在轨航天器陀螺仪和星敏感器故障诊断方法 |
CN115799580A (zh) * | 2022-12-08 | 2023-03-14 | 合肥综合性国家科学中心能源研究院(安徽省能源实验室) | 基于优化fcm训练的os-elm燃料电池故障诊断方法 |
CN116306248A (zh) * | 2023-02-17 | 2023-06-23 | 广东工业大学 | 基于时空非线性误差补偿模型的锂电池温度场预测方法 |
CN116609668A (zh) * | 2023-04-26 | 2023-08-18 | 淮阴工学院 | 一种锂离子电池健康状态和剩余寿命预测方法 |
CN116679211A (zh) * | 2023-05-18 | 2023-09-01 | 淮阴工学院 | 一种锂电池健康状态的预测方法 |
CN116893366A (zh) * | 2022-04-05 | 2023-10-17 | 罗伯特·博世有限公司 | 用于运行系统以识别设备的电蓄能器的异常的方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102020215297A1 (de) * | 2020-12-03 | 2022-06-09 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren und Vorrichtung zum Betreiben eines Systems zum Bereitstellen von prädizierten Alterungszuständen von elektrischen Energiespeichern für ein Gerät mithilfe von maschinellen Lernverfahren |
-
2023
- 2023-12-07 CN CN202311670040.2A patent/CN117368745B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102020212299A1 (de) * | 2020-09-29 | 2022-03-31 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren und Vorrichtung zum Betreiben eines Systems zum Bereitstellen von prädizierten Alterungszuständen von elektrischen Energiespeichern für ein Gerät mithilfe von maschinellen Lernverfahren |
CN113722877A (zh) * | 2021-07-14 | 2021-11-30 | 广东工业大学 | 一种对锂电池放电时温度场分布变化进行在线预测的方法 |
CN116893366A (zh) * | 2022-04-05 | 2023-10-17 | 罗伯特·博世有限公司 | 用于运行系统以识别设备的电蓄能器的异常的方法和装置 |
CN114923503A (zh) * | 2022-04-11 | 2022-08-19 | 北京航空航天大学 | 一种基于主元分析的在轨航天器陀螺仪和星敏感器故障诊断方法 |
CN115799580A (zh) * | 2022-12-08 | 2023-03-14 | 合肥综合性国家科学中心能源研究院(安徽省能源实验室) | 基于优化fcm训练的os-elm燃料电池故障诊断方法 |
CN116306248A (zh) * | 2023-02-17 | 2023-06-23 | 广东工业大学 | 基于时空非线性误差补偿模型的锂电池温度场预测方法 |
CN116609668A (zh) * | 2023-04-26 | 2023-08-18 | 淮阴工学院 | 一种锂离子电池健康状态和剩余寿命预测方法 |
CN116679211A (zh) * | 2023-05-18 | 2023-09-01 | 淮阴工学院 | 一种锂电池健康状态的预测方法 |
Non-Patent Citations (3)
Title |
---|
Online Detection of Soft Internal Short Circuits in Lithium-Ion Battery Packs by Data-Driven Cell Voltage Monitoring;Michael Schmid et al.;《Conference Proceedings: 2021 IEEE 12th Energy Conversion Congress & Exposition - Asia (ECCE-Asia)》;第1711-1718页 * |
基于运行数据时空特征和Stacking集成学习的质子交换膜燃料电池故障诊断;袁铁江 等;《中国电机工程学报》;第43卷(第14期);第5461-5471页 * |
核主元分析在航天器飞轮自主故障诊断的应用;聂小辉 等;《北京航空航天大学学报》;第49卷(第08期);第2119-2128页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117368745A (zh) | 2024-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Guo et al. | Online estimation of SOH for lithium-ion battery based on SSA-Elman neural network | |
Schmid et al. | Data-driven fault diagnosis in battery systems through cross-cell monitoring | |
CN117368745B (zh) | 基于深度学习的硬包锂电池安全监测方法及装置 | |
Chen et al. | A health index construction framework for prognostics based on feature fusion and constrained optimization | |
Kamat et al. | Deep learning-based anomaly-onset aware remaining useful life estimation of bearings | |
Jiang et al. | A fault diagnosis method for electric vehicle power lithium battery based on wavelet packet decomposition | |
CN116572747B (zh) | 电池故障检测方法、装置、计算机设备和存储介质 | |
CN116660759B (zh) | 基于bms电池管理系统的电池寿命预测方法及装置 | |
Li et al. | An optimal stacking ensemble for remaining useful life estimation of systems under multi-operating conditions | |
Chang et al. | Micro-fault diagnosis of electric vehicle batteries based on the evolution of battery consistency relative position | |
Ali et al. | A new suitable feature selection and regression procedure for lithium-ion battery prognostics | |
He et al. | Voltage abnormality-based fault diagnosis for batteries in electric buses with a self-adapting update model | |
Su et al. | Failure prognosis of complex equipment with multistream deep recurrent neural network | |
CN117154263A (zh) | 锂电池梯次利用充放电系统及控制方法 | |
Ye et al. | A novel self-supervised learning-based anomalous node detection method based on an autoencoder for wireless sensor networks | |
Wang et al. | Assessing the Performance Degradation of Lithium‐Ion Batteries Using an Approach Based on Fusion of Multiple Feature Parameters | |
Wei et al. | A spatio-temporal inference system for abnormality detection and localization of battery systems | |
Ma et al. | A novel health index for battery RUL degradation modeling and prognostics | |
Wang et al. | A double-layer fault diagnosis strategy for electric vehicle batteries based on Gaussian mixture model | |
Wang et al. | An inconsistency fault diagnosis method for lithium-ion cells in the battery pack based on piecewise dimensionality reduction and outlier identification | |
CN117169761A (zh) | 电池状态评估方法、装置、设备、存储介质和程序产品 | |
CN116565354A (zh) | 一种电化学储能系统故障分级诊断预警方法、系统及设备 | |
CN116901707A (zh) | 一种动力电池组故障预警方法、系统及车辆 | |
Cohen et al. | Machine learning for diagnosis of event synchronization faults in discrete manufacturing systems | |
CN116061690A (zh) | 一种电动汽车充电过程中的安全预警方法及装置 |
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 |