CN117419828B - 基于光纤传感器的新能源电池温度监测方法 - Google Patents
基于光纤传感器的新能源电池温度监测方法 Download PDFInfo
- Publication number
- CN117419828B CN117419828B CN202311733003.1A CN202311733003A CN117419828B CN 117419828 B CN117419828 B CN 117419828B CN 202311733003 A CN202311733003 A CN 202311733003A CN 117419828 B CN117419828 B CN 117419828B
- Authority
- CN
- China
- Prior art keywords
- temperature
- battery temperature
- sequence
- global
- 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
- 239000013307 optical fiber Substances 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012544 monitoring process Methods 0.000 title claims abstract description 31
- 230000002159 abnormal effect Effects 0.000 claims abstract description 16
- 239000013598 vector Substances 0.000 claims description 151
- 239000011159 matrix material Substances 0.000 claims description 63
- 238000013527 convolutional neural network Methods 0.000 claims description 28
- 238000005070 sampling Methods 0.000 claims description 27
- 238000009826 distribution Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 5
- 238000012300 Sequence Analysis Methods 0.000 claims description 4
- 238000012731 temporal analysis Methods 0.000 claims description 3
- 238000000700 time series analysis Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 13
- 230000006870 function Effects 0.000 description 14
- 238000001816 cooling Methods 0.000 description 11
- 238000011176 pooling Methods 0.000 description 11
- 238000001514 detection method Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 239000007788 liquid Substances 0.000 description 9
- 230000004913 activation Effects 0.000 description 8
- 238000000605 extraction Methods 0.000 description 8
- 238000010606 normalization Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000013136 deep learning model Methods 0.000 description 5
- 239000000835 fiber Substances 0.000 description 5
- 239000007789 gas Substances 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004146 energy storage Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 230000002123 temporal effect Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000005311 autocorrelation function Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000010892 electric spark Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000002759 z-score normalization Methods 0.000 description 3
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 238000005314 correlation function Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000017525 heat dissipation Effects 0.000 description 2
- 239000001257 hydrogen Substances 0.000 description 2
- 229910052739 hydrogen Inorganic materials 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 239000000779 smoke Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K11/00—Measuring temperature based upon physical or chemical changes not covered by groups G01K3/00, G01K5/00, G01K7/00 or G01K9/00
- G01K11/32—Measuring temperature based upon physical or chemical changes not covered by groups G01K3/00, G01K5/00, G01K7/00 or G01K9/00 using changes in transmittance, scattering or luminescence in optical fibres
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Secondary Cells (AREA)
Abstract
本申请公开了一种基于光纤传感器的新能源电池温度监测方法，其通过基于光纤传感器所采集的温度数据，并结合智能算法来进行温度监测，以及时发现异常情况。
Description
技术领域
本申请涉及智能监测领域，且更为具体地，涉及一种基于光纤传感器的新能源电池温度监测方法。
背景技术
在储能行业和新能源电池快速发展的同时，新能源电池储能技术仍存在较大的安全问题。
电池在充放电过程中会产生大量的热量，导致电池温度上升，而电池温度又会直接影响电池的安全性。目前，储能电站的电池热管理方式逐渐采用液冷代替传统风冷，可以有效改善电芯散热效果，提升电池安全性。但是，液冷电池包结构是将电池包裹在密封的壳体中，一旦发生电池热失控，释放出的热量、可燃气体等难以逸出密封壳体，无法被电池舱顶部的温感、烟感、可燃气体探测器及时探测。而传统的温感等探测器体积较大，置于液冷电池包内集成难度大，运维困难；同时，商用的电化学、电学原理的氢气探测器容易产生电火花，集成在液冷电池包内具有一定的安全风险。
因此，期待一种优化的新能源电池温度监测方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于光纤传感器的新能源电池温度监测方法，其通过基于光纤传感器所采集的温度数据，并结合智能算法来进行温度监测，以及时发现异常情况。
根据本申请的一个方面，提供了一种基于光纤传感器的新能源电池温度监测方法，其包括：
获取由光纤传感器采集的预定时间段内多个预定时间点的新能源电池温度值；
对所述多个预定时间点的新能源电池温度值进行数据预处理以得到上采样电池温度时序子向量的序列；
对所述上采样电池温度时序子向量的序列进行分析以得到全局温度语义特征矩阵；以及
基于所述全局温度语义特征矩阵，确定所述新能源电池的工作温度是否异常。
与现有技术相比，本申请提供的一种基于光纤传感器的新能源电池温度监测方法，其通过基于光纤传感器所采集的温度数据，并结合智能算法来进行温度监测，以及时发现异常情况。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的基于光纤传感器的新能源电池温度监测方法的流程图。
图2为根据本申请实施例的基于光纤传感器的新能源电池温度监测方法的系统架构图。
图3为根据本申请实施例的基于光纤传感器的新能源电池温度监测方法的子步骤S2的流程图。
图4为根据本申请实施例的基于光纤传感器的新能源电池温度监测方法的子步骤S3的流程图。
图5为根据本申请实施例的基于光纤传感器的新能源电池温度监测方法的子步骤S32的流程图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
目前，储能电站的电池热管理方式逐渐采用液冷代替传统风冷，可以有效改善电芯散热效果，提升电池安全性。但是，液冷电池包结构是将电池包裹在密封的壳体中，一旦发生电池热失控，释放出的热量、可燃气体等难以逸出密封壳体，无法被电池舱顶部的温感、烟感、可燃气体探测器及时探测。而传统的温感等探测器体积较大，置于液冷电池包内集成难度大，运维困难；同时，商用的电化学、电学原理的氢气探测器容易产生电火花，集成在液冷电池包内具有一定的安全风险。因此，期待一种优化的新能源电池温度监测方案。
在本申请的技术方案中，提出了一种基于光纤传感器的新能源电池温度监测方法。图1为根据本申请实施例的基于光纤传感器的新能源电池温度监测方法的流程图。图2为根据本申请实施例的基于光纤传感器的新能源电池温度监测方法的系统架构图。如图1和图2所示，根据本申请的实施例的基于光纤传感器的新能源电池温度监测方法，包括步骤：S1，获取由光纤传感器采集的预定时间段内多个预定时间点的新能源电池温度值；S2，对所述多个预定时间点的新能源电池温度值进行数据预处理以得到上采样电池温度时序子向量的序列；S3，对所述上采样电池温度时序子向量的序列进行分析以得到全局温度语义特征矩阵；以及，S4，基于所述全局温度语义特征矩阵，确定所述新能源电池的工作温度是否异常。
特别地，在步骤S1中，获取由光纤传感器采集的预定时间段内多个预定时间点的新能源电池温度值。其中，光纤传感器具有体积小、重量轻、灵敏度高、抗电磁干扰等优点，可以方便地集成在液冷电池包内，实现对电池温度的精确的监测；光纤传感器不会产生电火花，不会引发电池包内的可燃气体爆炸，提高了电池安全性。
值得注意的是，光纤传感器是一种利用光纤作为传感元件的传感器。它基于光的传输和探测原理，通过测量光信号的特性变化来感知和检测环境中的物理量或化学量。光纤传感器具有高灵敏度、抗干扰性强、体积小、可靠性高等优点，因此在多个领域得到广泛应用。光纤传感器的工作原理可以分为两种类型：干涉型和强度型。干涉型光纤传感器：这种传感器利用光的干涉原理来测量环境中的物理量。例如，布里渊光纤传感器利用光纤中声子-光子相互作用的布里渊散射效应，通过测量光的频移来检测温度或应变。迈克尔逊干涉型光纤传感器利用光的干涉现象，通过测量光的相位差来检测物理量。强度型光纤传感器：这种传感器利用光的强度变化来测量环境中的物理量。例如，光纤光栅传感器利用光纤中的光栅结构，当外界物理量作用于光纤时，会引起光的衍射，从而改变光的强度。通过测量光的强度变化，可以检测温度、应变、压力等物理量。
相应的，在一种可能的实现方式中，可通过以下步骤获取由光纤传感器采集的预定时间段内多个预定时间点的新能源电池温度值，例如：在新能源电池系统中适当安装光纤传感器。确保传感器位置能够准确测量电池的温度，并且传感器与电池之间有良好的接触；将光纤传感器连接到数据采集系统或数据记录器。这可以通过光纤连接器或其他适当的接口完成；根据传感器的规格和要求，设置数据采集系统以获取温度数据。这可能涉及设置采样率、采样间隔等参数；确定多个预定时间点。这些时间点应在预定时间段内，并且根据需要进行适当的间隔；启动数据采集系统，开始记录光纤传感器的温度数据；在预定的时间点，记录从光纤传感器获取的温度值。确保在每个时间点都进行准确的数据记录；将采集到的温度数据存储在适当的数据存储介质中，例如计算机硬盘或数据库。根据需要，可以对数据进行整理和处理，以便后续分析和使用；根据采集到的温度数据，进行分析和应用。这可能包括温度趋势分析、异常检测、报警触发等。
特别地，在步骤S2中，对所述多个预定时间点的新能源电池温度值进行数据预处理以得到上采样电池温度时序子向量的序列。也就是，对所述多个预定时间点的新能源电池温度值进行数据结构化的同时，对其进行数据优化，使得所述上采样电池温度时序子向量的序列更能凸显温度数据在时间维度上的相关性与变化规律。特别地，在本申请的一个具体示例中，如图3所示，所述S2，包括：S21，将所述多个预定时间点的新能源电池温度值按照时间维度排列为电池温度时序输入向量；S22，对所述电池温度时序输入向量进行线性插值以得到上采样电池温度时序输入向量；以及，S23，将所述上采样电池温度时序输入向量进行向量切分以得到所述上采样电池温度时序子向量的序列。
具体地，所述S21，将所述多个预定时间点的新能源电池温度值按照时间维度排列为电池温度时序输入向量。应可以理解，通过将电池温度按时间顺序排列，可以捕捉到电池温度随时间变化的趋势和模式。这有助于建立电池温度的时序模型，从而更好地理解和预测电池温度的变化。
相应的，在一种可能的实现方式中，可通过以下步骤将所述多个预定时间点的新能源电池温度值按照时间维度排列为电池温度时序输入向量，例如：获取预定时间段内的多个预定时间点的新能源电池温度值；确定每个时间点之间的时间间隔；将电池温度值排列为时序输入向量。可以将每个时间点的温度值依次排列，形成一个一维向量或时间序列。
具体地，所述S22，对所述电池温度时序输入向量进行线性插值以得到上采样电池温度时序输入向量。应可以理解，通过对电池温度时序输入向量进行线性插值，可以获得更高时间分辨率的数据，充实数据集，平滑数据，并提高时序预测的准确性。这有助于更全面地分析和理解电池温度的变化。
值得注意的是，线性插值是一种常用的插值方法，用于在给定的数据点之间估计未知位置的值。它基于线性关系，假设两个已知数据点之间的值在直线上均匀变化。
相应的，在一种可能的实现方式中，可通过以下步骤对所述电池温度时序输入向量进行线性插值以得到上采样电池温度时序输入向量，例如：首先，获取原始的电池温度时序输入向量，其中包含一系列时间点和对应的温度值；确定上采样的倍数，即希望在原始时间间隔上增加多少个新的时间点；根据上采样倍数计算插值间隔，即原始时间间隔除以上采样倍数。这将确定新时间点之间的间隔；根据插值间隔，在原始时间点序列中生成新的时间点序列。这可以通过在原始时间点之间等间隔地添加新的时间点来实现；对于每个新的时间点，使用线性插值方法计算对应的温度值。根据线性插值的原理，在两个最接近新时间点的原始时间点之间进行插值计算；将原始时间点和对应的温度值，以及新生成的时间点和插值得到的温度值，组合成上采样后的电池温度时序输入向量。
具体地，所述S23，将所述上采样电池温度时序输入向量进行向量切分以得到所述上采样电池温度时序子向量的序列。应可以理解，向量切分可以将将一个大的向量划分为多个较小的子向量，每个子向量代表原始数据的一个分段或子序列。这对于对长序列进行分析和处理时非常有用，可以将问题分解为更小的部分，以便更好地理解和处理数据。
相应的，在一种可能的实现方式中，可通过以下步骤将所述上采样电池温度时序输入向量进行向量切分以得到所述上采样电池温度时序子向量的序列，例如：首先，确定切分窗口的大小，即每个子向量包含的连续时间点的数量。这个窗口大小可以根据具体需求和应用场景进行选择；确定切分步长，即每次移动窗口的时间点数量。它决定了相邻子向量之间的时间重叠程度；根据切分窗口大小和切分步长，计算需要切分的子向量的数量；从上采样的电池温度时序输入向量的起始点开始，依次移动切分步长，将每个切分窗口内的时间点和对应的温度值组成一个子向量。重复此过程，直到所有子向量都被切分出来；将切分得到的所有子向量按照切分顺序组成一个序列。每个子向量代表一个时间窗口内的电池温度时序数据。
值得一提的是，在本申请的其他具体示例中，还可以通过其他方式对所述多个预定时间点的新能源电池温度值进行数据预处理以得到上采样电池温度时序子向量的序列，例如：从数据存储介质中获取多个预定时间点的原始温度数据。确保数据的准确性和完整性；确定上采样倍数，即原始数据的采样率与目标采样率之间的倍数关系。例如，如果目标采样率是原始采样率的两倍，上采样倍数为2；使用插值算法对原始温度数据进行插值处理，以增加数据点的数量。常用的插值算法包括线性插值、多项式插值、样条插值等。根据具体情况选择合适的插值算法；根据需要确定子向量的长度。子向量是指连续的一段温度值组成的向量，用于构建时序序列。子向量的长度可以根据实际需求进行选择，例如选择5个连续温度值作为一个子向量；将插值处理后的温度数据划分为连续的子向量，并构建时序子向量序列。每个子向量的长度由步骤4中确定；将构建的时序子向量序列存储在适当的数据结构中，例如列表或数组。根据需要，可以对序列进行整理和处理，以便后续分析和使用。
特别地，在步骤S3中，对所述上采样电池温度时序子向量的序列进行分析以得到全局温度语义特征矩阵。特别地，在本申请的一个具体示例中，如图4所示，所述S3，包括：S31，对所述上采样电池温度时序子向量的序列进行时序分析以得到电池温度时序特征向量的序列；S32，提取所述电池温度时序特征向量的序列中的温度拓扑特征以得到电池温度拓扑特征矩阵；以及，S33，将所述电池温度时序特征向量的序列和所述电池温度相似度拓扑矩阵通过图神经网络模型以得到所述全局温度语义特征矩阵。
具体地，所述S31，对所述上采样电池温度时序子向量的序列进行时序分析以得到电池温度时序特征向量的序列。特别地，在本申请的一个具体示例中，所述S31，包括：将所述上采样电池温度时序子向量的序列通过基于一维卷积神经网络模型的温度时序特征提取器以得到所述电池温度时序特征向量的序列。也就是，提取所述电池温度时序特征向量的序列中的温度拓扑特征来作为图结构中的边信息，以此来进行图结构的建模。具体地，使用所述基于一维卷积神经网络模型的温度时序特征提取器的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述基于一维卷积神经网络模型的温度时序特征提取器的最后一层的输出为所述电池温度时序特征向量的序列，所述基于一维卷积神经网络模型的温度时序特征提取器的第一层的输入为所述上采样电池温度时序子向量的序列。值得一提的是，通过将上采样的电池温度时序子向量序列输入到一维卷积神经网络模型中，可以提取出具有代表性的温度时序特征。这些特征可以捕捉到电池温度的变化趋势、周期性、时间关联等重要信息。
值得注意的是，一维卷积神经网络（1D Convolutional Neural Network，1D CNN）是一种深度学习模型，用于处理序列数据的任务，如文本分类、语音识别、时间序列分析等。与传统的全连接神经网络相比，1D CNN 利用卷积操作对输入数据进行局部感知和特征提取，具有参数共享和平移不变性的特点。1D CNN 是基于卷积神经网络（CNN）的变体，专门用于处理一维序列数据。它通过在输入序列上滑动一个固定大小的卷积核（也称为滤波器），对局部序列片段进行特征提取。1D CNN 的基本结构包括卷积层、激活函数、池化层和全连接层。通常，多个卷积层和池化层可以堆叠在一起以提取更高级的特征。最后，通过全连接层将提取的特征映射到输出类别或进行其他任务的处理。
值得一提的是，在本申请的其他具体示例中，还可以通过其他方式对所述上采样电池温度时序子向量的序列进行时序分析以得到电池温度时序特征向量的序列，例如：从存储结构中获取上采样电池温度时序子向量的序列；根据具体需求和应用场景，选择合适的时序特征提取方法。常用的时序特征提取方法包括傅里叶变换、小波变换、自相关函数、互相关函数、时序统计特征等；对每个时序子向量应用所选的时序特征提取方法，将其转换为对应的时序特征向量。例如，可以使用傅里叶变换将时序子向量转换为频域特征向量，或者使用自相关函数计算时序子向量的自相关系数；将所有时序子向量经过时序特征提取方法转换得到的时序特征向量按照时间顺序组合起来，构建电池温度时序特征向量的序列。每个时序特征向量代表了相应时间点的电池温度特征；对电池温度时序特征向量的序列进行归一化处理，以消除不同特征之间的量纲差异。常用的归一化方法包括最小-最大归一化和Z-score归一化；根据具体的应用需求，可以对电池温度时序特征向量的序列进行进一步分析和应用。例如，可以使用时间序列分析方法探索温度序列的趋势、周期性和季节性，或者使用机器学习算法进行温度预测或异常检测。
具体地，所述S32，提取所述电池温度时序特征向量的序列中的温度拓扑特征以得到电池温度拓扑特征矩阵。也就是，提取所述电池温度时序特征向量的序列中的温度拓扑特征来作为图结构中的边信息，以此来进行图结构的建模。特别地，在本申请的一个具体示例中，如图5所示，所述S32，包括：S321，计算所述电池温度时序特征向量的序列中任意两个电池温度时序特征向量之间的余弦相似度以得到电池温度相似度拓扑矩阵；以及，S322，将所述电池温度相似度拓扑矩阵通过基于卷积神经网络模型的温度拓扑特征提取器以得到所述电池温度拓扑特征矩阵。
更具体地，所述S321，计算所述电池温度时序特征向量的序列中任意两个电池温度时序特征向量之间的余弦相似度以得到电池温度相似度拓扑矩阵。应可以理解，余弦相似度是一种常用的相似度度量方法，可以衡量两个向量之间的相似程度。通过计算电池温度时序特征向量之间的余弦相似度，可以量化不同电池温度之间的相似性，从而得到相似度拓扑矩阵。
更具体地，所述S322，将所述电池温度相似度拓扑矩阵通过基于卷积神经网络模型的温度拓扑特征提取器以得到所述电池温度拓扑特征矩阵。具体地，使用所述基于卷积神经网络模型的温度拓扑特征提取器的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述基于卷积神经网络模型的温度拓扑特征提取器的最后一层的输出为所述电池温度拓扑特征矩阵，所述基于卷积神经网络模型的温度拓扑特征提取器的第一层的输入为所述电池温度相似度拓扑矩阵。
值得注意的是，卷积神经网络（Convolutional Neural Network，CNN）是一种深度学习模型，主要用于处理具有网格结构数据的任务，如图像和序列数据。它在计算机视觉和自然语言处理等领域取得了重大的成功。CNN的主要特点是通过卷积层、池化层和全连接层构成的层级结构，以及使用激活函数和参数共享等技术。下面是CNN的一般结构和作用的解释：卷积层：卷积层是CNN的核心组成部分。它通过应用一组可学习的滤波器（也称为卷积核）对输入数据进行卷积操作，从而提取输入数据中的局部特征。卷积操作可以捕捉到输入数据的空间结构和模式。卷积层的输出称为特征图，其中每个元素表示对应位置的特征值；池化层：池化层用于减少特征图的空间维度，并保留重要的特征信息。常用的池化操作包括最大池化和平均池化。池化层可以减少模型的参数数量，提高模型的计算效率，并具有一定的平移不变性；全连接层：全连接层将前一层的特征图转换为一维向量，并通过一系列的全连接操作进行分类或回归等任务。全连接层可以学习到输入特征之间的复杂关系，对整体的特征进行综合和判别；激活函数：激活函数在CNN中起到引入非线性的作用。常用的激活函数包括ReLU、Sigmoid和Tanh等。激活函数可以增加模型的表达能力，使其能够学习更复杂的特征表示；参数共享：CNN中的参数共享是指在卷积层中，使用相同的卷积核对输入数据的不同位置进行卷积操作。这样可以减少模型的参数数量，提高模型的泛化能力，并且能够有效地捕捉到输入数据的局部模式和特征。
值得一提的是，在本申请的其他具体示例中，还可以通过其他方式提取所述电池温度时序特征向量的序列中的温度拓扑特征以得到电池温度拓扑特征矩阵，例如：从之前得到的电池温度时序特征向量序列中获取数据；温度拓扑特征是描述温度分布和相对关系的特征。常见的温度拓扑特征包括最高温度、最低温度、平均温度、温度梯度、温度差值等；对于每个时刻的温度特征向量，根据定义的温度拓扑特征，提取相应的特征值，并将这些特征值按照时间顺序组合起来，构建电池温度拓扑特征矩阵。矩阵的每一行代表一个时间点，每一列代表一个温度拓扑特征；对电池温度拓扑特征矩阵进行归一化处理，以消除不同特征之间的量纲差异。常用的归一化方法包括最小-最大归一化和Z-score归一化；根据具体的应用需求，可以对电池温度拓扑特征矩阵进行进一步分析和应用。例如，可以使用图像处理技术对温度拓扑特征矩阵进行可视化，或者使用机器学习算法进行温度拓扑分析和异常检测。
具体地，所述S33，将所述电池温度时序特征向量的序列和所述电池温度相似度拓扑矩阵通过图神经网络模型以得到所述全局温度语义特征矩阵。考虑到传统的时序特征提取往往只考虑直接相邻的温度数据，无法充分利用温度之间的非线性依赖关系。而图神经网络模型能够有效地捕捉温度数据之间的复杂关系，通过对图结构的建模和图卷积操作，可以考虑到更多节点之间的交互作用，从而提高了特征提取的能力。也就是说，图神经网络模型可以在电池温度监测中捕捉电池温度之间的复杂关系和全局温度语义特征信息，以丰富特征表达。具体而言，图神经网络模型可以通过全局的图结构和信息传播来捕捉电池温度的全局语义特征。通过在图结构上进行信息聚合和传递，可以将各个节点的局部特征整合起来，形成更全面的温度特征表示。
值得注意的是，图神经网络（Graph Neural Network，GNN）是一种用于处理图数据的深度学习模型。与传统的深度学习模型主要处理向量或矩阵数据不同，GNN能够对图结构中的节点和边进行学习和推理，从而对图数据进行分析和预测。GNN是一种基于图结构的深度学习模型，它通过在节点和边上进行信息传递和聚合来学习图的表示和特征。GNN通过逐层更新节点的表示向量，融合节点自身的特征和邻居节点的信息，从而实现对图数据的分析和预测。
值得一提的是，在本申请的其他具体示例中，还可以通过其他方式对所述上采样电池温度时序子向量的序列进行分析以得到全局温度语义特征矩阵，例如：从存储结构中获取上采样电池温度时序子向量的序列；对每个子向量进行统计特征计算，以获取有关温度分布和变化的信息。常用的统计特征包括均值、方差、最大值、最小值、中位数等。可以使用这些统计特征来描述子向量的整体温度特征；对子向量序列进行时序特征提取，以捕捉温度的动态变化模式。常用的时序特征包括自相关函数、互相关函数、傅里叶变换、小波变换等。这些特征可以帮助分析温度序列的周期性、趋势性和频谱信息；将统计特征和时序特征组合起来，构建全局温度语义特征矩阵。矩阵的每行代表一个子向量，每列代表一个特征。可以根据需要选择合适的特征组合方式，例如将统计特征和时序特征按列拼接在一起；对全局温度语义特征矩阵进行归一化处理，以消除不同特征之间的量纲差异。常用的归一化方法包括最小-最大归一化和Z-score归一化；根据具体的应用需求，可以对全局温度语义特征矩阵进行进一步分析和应用。例如，可以使用聚类算法对温度矩阵进行聚类分析，或者使用机器学习算法进行异常检测或预测建模。
特别地，在步骤S4中，基于所述全局温度语义特征矩阵，确定所述新能源电池的工作温度是否异常。特别地，在本申请的一个具体示例中，所述S4，包括：将所述全局温度语义特征矩阵通过分类器以得到分类结果，所述分类结果用于表示所述新能源电池的工作温度是否异常。
具体地，将所述全局温度语义特征矩阵通过分类器以得到分类结果，所述分类结果用于表示所述新能源电池的工作温度是否异常。也就是，将所述全局温度语义特征矩阵进行展开以得到全局温度语义特征向量；使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
分类器（Classifier）是指一种机器学习模型或算法，用于将输入数据分为不同的类别或标签。分类器是监督学习的一部分，它通过学习从输入数据到输出类别的映射关系来进行分类任务。
全连接层（Fully Connected Layer）是神经网络中常见的一种层类型。在全连接层中，每个神经元都与上一层的所有神经元相连接，每个连接都有一个权重。这意味着全连接层中的每个神经元都接收来自上一层所有神经元的输入，并通过权重对这些输入进行加权求和，然后将结果传递给下一层。
Softmax分类函数是一种常用的激活函数，用于多分类问题。它将输入向量的每个元素转化为一个介于0和1之间的概率值，并且这些概率值的和等于1。Softmax函数常用于神经网络的输出层，特别适用于多分类问题，因为它能够将网络输出映射为各个类别的概率分布。在训练过程中，Softmax函数的输出可以用于计算损失函数，并通过反向传播算法来更新网络参数。值得注意的是，Softmax函数的输出并不会改变元素之间的相对大小关系，只是对其进行了归一化处理。因此，Softmax函数并不改变输入向量的特性，只是将其转化为概率分布形式。
值得一提的是，在本申请的其他具体示例中，还可以通过其他方式基于所述全局温度语义特征矩阵，确定所述新能源电池的工作温度是否异常，例如：从存储结构中获取全局温度语义特征矩阵，该矩阵包含了对上采样电池温度时序子向量进行分析提取的特征；根据具体需求，选择合适的异常检测模型。常用的异常检测方法包括基于统计的方法（如均值、方差、离群点检测）、基于机器学习的方法（如支持向量机、随机森林、神经网络）以及基于深度学习的方法（如自编码器、变分自编码器）等；将全局温度语义特征矩阵划分为训练集和测试集。通常，将大部分数据用于训练模型，剩余部分用于评估模型的性能；使用训练集对异常检测模型进行训练。根据所选择的模型，调整模型的参数和超参数，并使用训练数据进行模型拟合；使用训练好的模型对测试集中的样本进行异常检测。模型将根据训练数据学习到的模式和特征，对测试样本进行判断，判断其是否属于正常范围内的工作温度；根据异常检测结果，判断新能源电池的工作温度是否异常。如果某个样本被模型判断为异常，可以采取相应的处理措施，如报警、维护或更换电池等。
特别地，在本申请的技术方案中，所述电池温度时序特征向量的序列中的每个电池温度时序特征向量表达局部时域下的电池温度值的局部时序关联特征，由此，在将所述电池温度时序特征向量的序列和所述电池温度相似度拓扑矩阵通过图神经网络模型时，所述全局温度语义特征矩阵可以表达各个局部时域的电池温度值的局部时序关联特征在时域分布相似性拓扑下的拓扑关联表示，这样，相对于局部时域的电池温度值的局部时序关联特征作为前景对象特征，在进行时域分布相似性拓扑关联时，也会引入与各个局部时序关联特征的特征分布干涉相关的背景分布噪声，并且，所述全局温度语义特征矩阵也同时具有局部时域和全局时域下的分级时序关联特征表达，但也会使得所述全局温度语义特征矩阵具有整体特征分布的较为显著的不一致和不稳定，从而影响所述全局温度语义特征矩阵通过分类器进行分类训练的稳定性。
基于此，本申请在将所述全局温度语义特征矩阵展开后得到的全局温度语义特征向量通过分类器进行分类训练时，在每次迭代时对所述全局温度语义特征向量进行训练优化。
具体地，对所述全局温度语义特征向量进行训练优化以得到优化全局温度语义特征向量，包括：以如下优化公式对所述全局温度语义特征向量进行训练优化以得到所述优化全局温度语义特征向量；
其中，所述优化公式为：
其中，是所述全局温度语义特征向量/>的第/>个位置的特征值，/>和/>分别是所述全局温度语义特征向量/>的1范数和2范数，/>是所述全局温度语义特征向量/>的长度，且/>是与/>相关的权重超参数，/>是所述优化全局温度语义特征向量的第/>个位置的特征值。
这里，通过所述全局温度语义特征向量的整体特征分布分别在绝对距离的刚性结构和空间距离的非刚性结构下的结构一致性和稳定性表示，来使得所述全局温度语义特征向量/>的全局特征分布对于局部模式变化具有一定重复性，以在所述全局温度语义特征向量/>通过分类器进行分类时，对于全局特征分布经由分类器的权重矩阵的尺度和旋转变化具有鲁棒性，提升分类训练的稳定性。
综上，根据本申请实施例的基于光纤传感器的新能源电池温度监测方法被阐明，其通过基于光纤传感器所采集的温度数据，并结合智能算法来进行温度监测，以及时发现异常情况。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (5)
1.一种基于光纤传感器的新能源电池温度监测方法，其特征在于，包括：
获取由光纤传感器采集的预定时间段内多个预定时间点的新能源电池温度值；
对所述多个预定时间点的新能源电池温度值进行数据预处理以得到上采样电池温度时序子向量的序列；
对所述上采样电池温度时序子向量的序列进行分析以得到全局温度语义特征矩阵；以及
基于所述全局温度语义特征矩阵，确定所述新能源电池的工作温度是否异常；
其中，对所述多个预定时间点的新能源电池温度值进行数据预处理以得到上采样电池温度时序子向量的序列，包括：
将所述多个预定时间点的新能源电池温度值按照时间维度排列为电池温度时序输入向量；
对所述电池温度时序输入向量进行线性插值以得到上采样电池温度时序输入向量；以及
将所述上采样电池温度时序输入向量进行向量切分以得到所述上采样电池温度时序子向量的序列；
其中，在将所述全局温度语义特征矩阵展开后得到的全局温度语义特征向量通过分类器进行分类训练时，在每次迭代时对所述全局温度语义特征向量进行训练优化；
其中，对所述全局温度语义特征向量进行训练优化以得到优化全局温度语义特征向量，包括：以如下优化公式对所述全局温度语义特征向量进行训练优化以得到所述优化全局温度语义特征向量；
其中，所述优化公式为：
其中，是所述全局温度语义特征向量/>的第/>个位置的特征值，/>和/>分别是所述全局温度语义特征向量/>的1范数和2范数，/>是所述全局温度语义特征向量/>的长度，且/>是与/>相关的权重超参数，/>是所述优化全局温度语义特征向量的第/>个位置的特征值；
在上述公式中，通过所述全局温度语义特征向量的整体特征分布分别在绝对距离的刚性结构和空间距离的非刚性结构下的结构一致性和稳定性表示，来使得所述全局温度语义特征向量的全局特征分布对于局部模式变化具有一定重复性，以在所述全局温度语义特征向量通过分类器进行分类时，对于全局特征分布经由分类器的权重矩阵的尺度和旋转变化具有鲁棒性，提升分类训练的稳定性。
2.根据权利要求1所述的基于光纤传感器的新能源电池温度监测方法，其特征在于，对所述上采样电池温度时序子向量的序列进行分析以得到全局温度语义特征矩阵，包括：
对所述上采样电池温度时序子向量的序列进行时序分析以得到电池温度时序特征向量的序列；
提取所述电池温度时序特征向量的序列中的温度拓扑特征以得到电池温度拓扑特征矩阵；以及
将所述电池温度时序特征向量的序列和所述电池温度相似度拓扑矩阵通过图神经网络模型以得到所述全局温度语义特征矩阵。
3.根据权利要求2所述的基于光纤传感器的新能源电池温度监测方法，其特征在于，对所述上采样电池温度时序子向量的序列进行时序分析以得到电池温度时序特征向量的序列，包括：
将所述上采样电池温度时序子向量的序列通过基于一维卷积神经网络模型的温度时序特征提取器以得到所述电池温度时序特征向量的序列。
4. 根据权利要求3所述的基于光纤传感器的新能源电池温度监测方法，其特征在于，提取所述电池温度时序特征向量的序列中的温度拓扑特征以得到电池温度拓扑特征矩阵，包括：
计算所述电池温度时序特征向量的序列中任意两个电池温度时序特征向量之间的余弦相似度以得到电池温度相似度拓扑矩阵；以及
将所述电池温度相似度拓扑矩阵通过基于卷积神经网络模型的温度拓扑特征提取器以得到所述电池温度拓扑特征矩阵。
5.根据权利要求4所述的基于光纤传感器的新能源电池温度监测方法，其特征在于，基于所述全局温度语义特征矩阵，确定所述新能源电池的工作温度是否异常，包括：
将所述全局温度语义特征矩阵通过分类器以得到分类结果，所述分类结果用于表示所述新能源电池的工作温度是否异常。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311733003.1A CN117419828B (zh) | 2023-12-18 | 2023-12-18 | 基于光纤传感器的新能源电池温度监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311733003.1A CN117419828B (zh) | 2023-12-18 | 2023-12-18 | 基于光纤传感器的新能源电池温度监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117419828A CN117419828A (zh) | 2024-01-19 |
| CN117419828B true CN117419828B (zh) | 2024-05-03 |
Family
ID=89526950
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311733003.1A Active CN117419828B (zh) | 2023-12-18 | 2023-12-18 | 基于光纤传感器的新能源电池温度监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117419828B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022107076A1 (en) * | 2020-11-20 | 2022-05-27 | Imagia Cybernetics Inc. | Method of and system for adapting multiple trained machine learning models on unlabelled dataset |
| CN116383714A (zh) * | 2023-03-06 | 2023-07-04 | 华能(广东)能源开发有限公司汕头电厂 | 用于斗轮机的设备保护系统及其方法 |
| CN116643989A (zh) * | 2023-06-02 | 2023-08-25 | 湖州师范学院 | 一种采用图结构进行深层语义理解的缺陷预测方法 |
| CN116844217A (zh) * | 2023-08-30 | 2023-10-03 | 成都睿瞳科技有限责任公司 | 用于生成人脸数据的图像处理系统及方法 |
| CN116920581A (zh) * | 2023-08-31 | 2023-10-24 | 浙江浙能迈领环境科技有限公司 | 用于天然气动力船舶的二氧化碳回收控制系统及其方法 |
| CN117040917A (zh) * | 2023-09-21 | 2023-11-10 | 深圳汉光电子技术有限公司 | 一种具有监测预警功能的智慧型交换机 |
| CN117154263A (zh) * | 2023-10-17 | 2023-12-01 | 江西富辉锂业有限公司 | 锂电池梯次利用充放电系统及控制方法 |
| CN117154256A (zh) * | 2023-10-17 | 2023-12-01 | 江西富辉锂业有限公司 | 锂电池的电化学修复方法 |
| CN117168331A (zh) * | 2023-11-02 | 2023-12-05 | 山西锦烁生物医药科技有限公司 | 基于光纤传感器的天然冰场冰层厚度实时检测方法 |
| CN117201733A (zh) * | 2023-08-22 | 2023-12-08 | 杭州中汇通航航空科技有限公司 | 一种实时无人机监控分享系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210049298A1 (en) * | 2019-08-14 | 2021-02-18 | Google Llc | Privacy preserving machine learning model training |
-
2023
- 2023-12-18 CN CN202311733003.1A patent/CN117419828B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022107076A1 (en) * | 2020-11-20 | 2022-05-27 | Imagia Cybernetics Inc. | Method of and system for adapting multiple trained machine learning models on unlabelled dataset |
| CN116383714A (zh) * | 2023-03-06 | 2023-07-04 | 华能(广东)能源开发有限公司汕头电厂 | 用于斗轮机的设备保护系统及其方法 |
| CN116643989A (zh) * | 2023-06-02 | 2023-08-25 | 湖州师范学院 | 一种采用图结构进行深层语义理解的缺陷预测方法 |
| CN117201733A (zh) * | 2023-08-22 | 2023-12-08 | 杭州中汇通航航空科技有限公司 | 一种实时无人机监控分享系统 |
| CN116844217A (zh) * | 2023-08-30 | 2023-10-03 | 成都睿瞳科技有限责任公司 | 用于生成人脸数据的图像处理系统及方法 |
| CN116920581A (zh) * | 2023-08-31 | 2023-10-24 | 浙江浙能迈领环境科技有限公司 | 用于天然气动力船舶的二氧化碳回收控制系统及其方法 |
| CN117040917A (zh) * | 2023-09-21 | 2023-11-10 | 深圳汉光电子技术有限公司 | 一种具有监测预警功能的智慧型交换机 |
| CN117154263A (zh) * | 2023-10-17 | 2023-12-01 | 江西富辉锂业有限公司 | 锂电池梯次利用充放电系统及控制方法 |
| CN117154256A (zh) * | 2023-10-17 | 2023-12-01 | 江西富辉锂业有限公司 | 锂电池的电化学修复方法 |
| CN117168331A (zh) * | 2023-11-02 | 2023-12-05 | 山西锦烁生物医药科技有限公司 | 基于光纤传感器的天然冰场冰层厚度实时检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117419828A (zh) | 2024-01-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hsieh et al. | Unsupervised online anomaly detection on multivariate sensing time series data for smart manufacturing | |
| Cheng et al. | A convolutional neural network based degradation indicator construction and health prognosis using bidirectional long short-term memory network for rolling bearings | |
| Xu et al. | Predicting pipeline leakage in petrochemical system through GAN and LSTM | |
| Wang et al. | A method for rapidly evaluating reliability and predicting remaining useful life using two-dimensional convolutional neural network with signal conversion | |
| CN115618296B (zh) | 一种基于图注意力网络的大坝监测时序数据异常检测方法 | |
| Hollmén | User profiling and classification for fraud detection in mobile communications networks | |
| Xia et al. | Multiscale similarity ensemble framework for remaining useful life prediction | |
| KR20140041766A (ko) | 예측 및 예지를 위한 순차적 커널 회귀 모델링 방법 | |
| CN116679890B (zh) | 存储设备安全管理系统及其方法 | |
| CN116557787B (zh) | 管网状态智能评估系统及其方法 | |
| Yu et al. | Supervised convolutional autoencoder-based fault-relevant feature learning for fault diagnosis in industrial processes | |
| Song et al. | SFNet: A slow feature extraction network for parallel linear and nonlinear dynamic process monitoring | |
| CN114399066A (zh) | 基于弱监督学习的机械设备预知性维护系统和维护方法 | |
| Zhang et al. | Adaptive spatio-temporal graph information fusion for remaining useful life prediction | |
| CN117104377A (zh) | 电动自行车的智能管理系统及其方法 | |
| Li et al. | A novel unsupervised anomaly detection method for rotating machinery based on memory augmented temporal convolutional autoencoder | |
| Fu et al. | MCA-DTCN: A novel dual-task temporal convolutional network with multi-channel attention for first prediction time detection and remaining useful life prediction | |
| Isaza et al. | Situation prediction based on fuzzy clustering for industrial complex processes | |
| Wang et al. | Combining autoencoder with similarity measurement for aircraft engine remaining useful life estimation | |
| Ye et al. | A novel self-supervised learning-based anomalous node detection method based on an autoencoder for wireless sensor networks | |
| CN117419828B (zh) | 基于光纤传感器的新能源电池温度监测方法 | |
| CN117154256A (zh) | 锂电池的电化学修复方法 | |
| Huang et al. | A hybrid bayesian deep learning model for remaining useful life prognostics and uncertainty quantification | |
| KR20210126378A (ko) | 슬라이딩 윈도우 기법을 이용한 제조설비의 실시간 다변량 이상감지 시스템 | |
| Qi et al. | Two-view LSTM variational auto-encoder for fault detection and diagnosis in multivariable manufacturing processes |
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 |