CN117610611A - 电池异常预警方法、装置、设备及存储介质 - Google Patents
电池异常预警方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117610611A CN117610611A CN202311494715.2A CN202311494715A CN117610611A CN 117610611 A CN117610611 A CN 117610611A CN 202311494715 A CN202311494715 A CN 202311494715A CN 117610611 A CN117610611 A CN 117610611A
- Authority
- CN
- China
- Prior art keywords
- target
- feature vector
- matrix
- battery
- sliding window
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000005856 abnormality Effects 0.000 title claims abstract description 47
- 239000013598 vector Substances 0.000 claims abstract description 282
- 238000012549 training Methods 0.000 claims abstract description 113
- 230000002159 abnormal effect Effects 0.000 claims abstract description 87
- 238000003062 neural network model Methods 0.000 claims abstract description 25
- 239000011159 matrix material Substances 0.000 claims description 194
- 238000012545 processing Methods 0.000 claims description 38
- 230000006870 function Effects 0.000 claims description 35
- 230000004913 activation Effects 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 9
- 230000001932 seasonal effect Effects 0.000 claims description 7
- 230000004931 aggregating effect Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 abstract description 11
- 230000008859 change Effects 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 206010000117 Abnormal behaviour Diseases 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000003029 clitoris Anatomy 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- 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]
-
- 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
- B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
- B60L3/0023—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train
- B60L3/0046—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train relating to electric energy storage systems, e.g. batteries or capacitors
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Secondary Cells (AREA)
Abstract
本申请涉及一种电池异常预警方法、装置、设备及存储介质,涉及电动汽车电池异常检测的技术领域。该方法包括:获取多个目标训练数据;目标训练数据包括多个电池特征数据组成的特征向量;将多个目标训练数据基于预设滑动窗口步长输入目标神经网络模型中进行训练,生成至少一个特征向量对应的至少一个第一目标预测值;目标神经网络模型包括:长短记忆LSTM模型和局部注意力模型;将至少一个特征向量对应的至少一个第一目标预测值与安全阈值进行比较,确定异常特征向量;基于异常特征向量,生成异常预警信息;异常预警信息包括:异常电池特征数据和异常处理措施。由此,可以解决相关技术的电池异常预警精确度的技术问题。
Description
技术领域
本申请涉及电动汽车领域,尤其涉及电动汽车电池异常检测的技术领域,具体涉及一种电池异常预警方法、装置、设备及存储介质。
背景技术
目前,电池异常检测的技术手段通常集中在对电池电压、电流阈值设定、电池温度等方面进行异常检测。但是,电池特征数据是属于典型的非线性时序数据。不同季节的气温变化,也会导致电池特征数据的变化,仅通过统计模型进行异常检测和数据处理,会导致电池异常预警检测的精确度下降。因此,如何提高电池异常预警的检测的精确度成为亟待解决的技术问题。
发明内容
本申请提供一种电池异常预警方法、装置、设备及存储介质,以至少解决相关技术的电池异常预警精确度的技术问题。本申请的技术方案如下:
根据本申请涉及的第一方面,提供一种电池异常预警方法,包括:获取多个目标训练数据;目标训练数据包括多个电池特征数据组成的特征向量;将多个目标训练数据基于预设滑动窗口步长输入目标神经网络模型中进行训练,生成至少一个特征向量对应的至少一个第一目标预测值;预设滑动窗口步长是基于目标训练数据对应的季节标签设定的滑动窗口步长;目标神经网络模型包括:长短记忆LSTM模型和局部注意力模型;局部注意力模型用于确定训练数据中权重值满足预设条件的特征向量;LSTM模型用于确定特征向量对应的预测值;将至少一个特征向量对应的至少一个第一目标预测值与安全阈值进行比较,确定异常特征向量;基于异常特征向量,生成异常预警信息;异常预警信息包括:异常电池特征数据和异常处理措施。
根据上述技术手段,针对目标训练数据对应的不同季节标签,对不同季节标签的目标训练数据,采用不同的预设滑动窗口步长将目标训练数据输入目标神经网络模型中进行训练,可以捕捉到多个电池特征数据在不同时间间隔中的变化情况。同时,局部注意力模型基于多个电池特征数据之间的关联性,确定每个电池特征数据对应的权重。基于每个电池特征数据对应的权重,对电池特征数据进行训练和预测,有效提高了电池特征数据预测的准确性。进一步的,将电池特征数据的多个预测值与安全阈值进行比较,确定异常电池特征数据。根据异常电池特征数据,生成异常预警信息,有助于提前采取电池异常处理措施,保障电池的可靠性和安全性。该技术手段有效提高了电池异常预警的精确度。
在一种可能的实施方式中,将多个目标训练数据基于预设滑动窗口步长输入目标神经网络模型中进行训练,生成至少一个特征向量对应的至少一个第一目标预测值,包括:步骤1、将输入的预设滑动窗口步长内的目标训练数据与目标权重矩阵进行相乘运算,生成目标注意力矩阵;目标权重矩阵包括:查询权重矩阵WQ、键权重矩阵WK、值权重矩阵WV;目标注意力矩阵包括:查询矩阵Q、键矩阵K、值矩阵V;步骤2、将目标注意力矩阵划分为多个局部向量块;每个局部向量块包括至少一个电池特征数据;每个局部向量块对应一个第一目标权重矩阵;第一目标权重矩阵包括:查询权重矩阵WQ,i、键权重矩阵WK,i、值权重矩阵WV,i;其中,i为正整数;i用于表征第i个局部向量块;步骤3、基于目标注意力矩阵和每个局部向量块对应的第一目标权重矩阵,生成每个局部向量块对应的目标注意力分数矩阵;步骤4、基于池化函数对每个目标注意力分数矩阵进行聚合,确定每个目标注意力分数矩阵对应的目标特征向量;目标特征向量为注意力分数矩阵中权重值最大的特征向量;步骤5、基于拼接函数将多个局部向量块对应的目标特征向量进行拼接,生成目标增强矩阵;步骤6、基于时间序列将目标增强矩阵依次输入LSTM模型中进行激活函数线性运算,确定目标特征向量对应的至少一个第一目标预测值。
根据上述技术手段,本申请利用目标权重矩阵和注意力机制,能够根据输入的目标训练数据生成目标注意力矩阵,从而激活相关电池特征数据并关注重要的信息。将目标注意力矩阵划分为多个局部向量块,使得每个局部向量块都包含至少一个电池特征数据。通过这种方式,能够更好地捕捉到电池数据的局部信息。基于目标注意力矩阵和局部向量块对应的第一目标权重矩阵,生成了每个局部向量块的目标注意力分数矩阵。这有助于识别每个局部向量块中重要的特征。
进一步的,通过池化函数对目标注意力分数矩阵进行聚合,确定了每个目标注意力分数矩阵对应的目标特征向量。这样的特征向量能够反映出目标在不同时间步的重要特征。对多个局部向量块对应的目标特征向量进行拼接,生成了目标增强矩阵。基于时间序列将目标增强矩阵依次输入LSTM模型中进行激活函数线性运算,确定了目标特征向量对应的至少一个第一目标预测值。该技术手段提高了电池特征数据预测的准确性和鲁棒性。
在一种可能的实时方式中,将至少一个特征向量对应的至少一个第一目标预测值与安全阈值进行比较,确定异常特征向量,包括:获取历史时间段内的至少一个特征向量对应的多个历史特征数据;将至少一个特征向量对应的至少一个第一目标预测值与多个历史特征数据进行差分平方求和运算,生成目标差分矩阵;确定目标差分矩阵中每个特征向量对应的最大值为安全阈值;将至少一个特征向量对应的至少一个第一目标预测值与安全阈值进行比较,确定第二目标预测值的数量;第二目标预测值为大于安全阈值的第一目标预测值的数量;基于每个特征向量对应的第二目标预测值的数量,确定异常特征向量。
根据上述技术手段,通过与安全阈值的比较和异常预警条件的判定,能够检测出特征向量是否满足异常预警条件,从而提供了对电池异常情况的预警能力。这有助于及时发现电池的异常行为并采取相应的处理措施,以提高电池的安全性和可靠性。
在一种可能的实施方式中,基于每个特征向量对应的第二目标预测值的数量,确定异常特征向量,包括:确定每个特征向量在目标差分矩中存在的第一目标预测值的数量;当特征向量对应的第二目标预测值的数量大于目标差分矩阵中存在的第一目标预测值的数量时,确定特征向量为异常特征向量;当特征向量对应的第二目标预测值的数量小于目标差分矩阵中第一目标预测值的数量时,确定至少一个特征向量不满足异常预警条件确定特征向量为非异常特征向量。
根据上述技术手段,通过比较第二目标预测值数量和目标差分矩阵中第一目标预测值数量,能够准确判断特征向量是否满足异常预警条件。这有助于快速识别出异常特征向量,提供及时有效的预警信息,以确保电池管理的安全性和可靠性。
在一种可能的实施方式中,获取多个目标训练数据之前,还包括:获取历史时间段内的多个第一电池特征数据组;第一电池特征数据组包括:时间戳和多个第一电池特征数据;针对每个第一电池特征数据组,对第一电池特征数据组进行预处理,生成第一电池特征数据组对应的第二电池特征数据组,以得到多个第二电池特征数据组;第二电池特征数据组包括:时间戳和预处理后的多个第一电池特征数据;基于时间戳,生成每个第二电池特征组对应的季节标签;季节标签用于表征特征组所属的季节;基于季节标签对多个第二电池特征数据组进行分类,生成目标训练数据。
根据上述技术手段,能够对历史数据进行预处理、分类和标记,从而生成多个目标训练数据。这些数据有助于神经网络模型更好地理解电池的特征和行为模式,提高电池状态预测的准确性和鲁棒性。
在一种可能的实施方式中,基于目标训练数据对应的目标标签,确定目标训练数据对应的预设滑动窗口步长;预设滑动窗口步长为第一预设滑动窗口步长或第二预设滑动窗口步长;第一预设滑动窗口步长大于第二预设滑动窗口步长;其中,在目标训练数据对应的目标标签为春季或秋季的情况下,目标训练数据对应的预设滑动窗口的步长为第一预设滑动窗口步长;在目标训练数据对应的目标标签为夏季或冬季的情况下,目标训练数据对应的预设滑动窗口的步长为第二预设滑动窗口步长。
根据上述技术手段,将春季或秋季的多个目标训练数据,划分为第一预设滑动窗口步长;将夏季或冬季的多个目标训练数据,划分为第二预设滑动窗口步长。其中,第一预设滑动窗口步长大于第二预设滑动窗口步长。这样,基于不同季节对目标训练数据的影响,设置目标训练数据的不同滑动窗口步长,能够精确的捕捉目标训练数据的电池异常特征的变化情况。
根据本申请提供的第二方面,提供一种电池异常预警装置,包括获取单元和处理单元;获取单元,用于获取多个目标训练数据;目标训练数据包括多个电池特征数据组成的特征向量;处理单元,用于将多个目标训练数据基于预设滑动窗口步长输入目标神经网络模型中进行训练,生成至少一个特征向量对应的至少一个第一目标预测值;目标神经网络模型包括:长短记忆LSTM模型和局部注意力模型;处理单元,还用于将至少一个特征向量对应的至少一个第一目标预测值与安全阈值进行比较,确定异常特征向量;处理单元,还用于基于异常特征向量,生成异常预警信息;异常预警信息包括:异常电池特征数据和异常处理措施。
在一种可能的实施方式中,上述处理单元,具体用于:步骤1、将输入的预设滑动窗口步长内的目标训练数据与目标权重矩阵进行相乘运算,生成目标注意力矩阵;目标权重矩阵包括:查询权重矩阵WQ、键权重矩阵WK、值权重矩阵WV;目标注意力矩阵包括:查询矩阵Q、键矩阵K、值矩阵V;步骤2、将目标注意力矩阵划分为多个局部向量块;每个局部向量块包括至少一个电池特征数据;每个局部向量块对应一个第一目标权重矩阵;第一目标权重矩阵包括:查询权重矩阵WQ,i、键权重矩阵WK,i、值权重矩阵WV,i;其中,i为正整数;i用于表征第i个局部向量块;步骤3、基于目标注意力矩阵和每个局部向量块对应的第一目标权重矩阵,生成每个局部向量块对应的目标注意力分数矩阵;步骤4、基于池化函数对每个目标注意力分数矩阵进行聚合,确定每个目标注意力分数矩阵对应的目标特征向量;目标特征向量为注意力分数矩阵中权重值最大的特征向量;步骤5、基于拼接函数将多个局部向量块对应的目标特征向量进行拼接,生成目标增强矩阵;步骤6、基于时间序列将目标增强矩阵依次输入LSTM模型中进行激活函数线性运算,确定目标特征向量对应的至少一个第一目标预测值。
在一种可能的实施方式中,上述处理单元,还具体用于:获取历史时间段内的至少一个特征向量对应的多个历史特征数据;将至少一个特征向量对应的至少一个第一目标预测值与多个历史特征数据进行差分平方求和运算,生成目标差分矩阵;确定目标差分矩阵中每个特征向量对应的最大值为安全阈值;将至少一个特征向量对应的至少一个第一目标预测值与安全阈值进行比较,确定第二目标预测值的数量;第二目标预测值为大于安全阈值的第一目标预测值的数量;基于每个特征向量对应的第二目标预测值的数量,确定异常特征向量。
在一种可能的实施方式中,上述处理单元,具体用于:确定每个特征向量在目标差分矩中存在的第一目标预测值的数量;当特征向量对应的第二目标预测值的数量大于目标差分矩阵中存在的第一目标预测值的数量时,确定特征向量为异常特征向量;当特征向量对应的第二目标预测值的数量小于目标差分矩阵中第一目标预测值的数量时,确定至少一个特征向量不满足异常预警条件确定特征向量为非异常特征向量。
在一种可能的实施方式中,上述处理单元,还用于:获取历史时间段内的多个第一电池特征数据组;第一电池特征数据组包括:时间戳和多个第一电池特征数据;针对每个第一电池特征数据组,对第一电池特征数据组进行预处理,生成第一电池特征数据组对应的第二电池特征数据组,以得到多个第二电池特征数据组;第二电池特征数据组包括:时间戳和预处理后的多个第一电池特征数据;基于时间戳,生成每个第二电池特征组对应的季节标签;季节标签用于表征特征组所属的季节;基于季节标签对多个第二电池特征数据组进行分类,生成目标训练数据。
在一种可能的实施方式中,上述处理单元,还用于:基于目标训练数据对应的目标标签,确定目标训练数据对应的预设滑动窗口步长;预设滑动窗口步长为第一预设滑动窗口步长或第二预设滑动窗口步长;第一预设滑动窗口步长大于第二预设滑动窗口步长;其中,在目标训练数据对应的目标标签为春季或秋季的情况下,目标训练数据对应的预设滑动窗口的步长为第一预设滑动窗口步长;在目标训练数据对应的目标标签为夏季或冬季的情况下,目标训练数据对应的预设滑动窗口的步长为第二预设滑动窗口步长。
根据本申请提供的第三方面,提供一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,处理器被配置为执行指令,以实现上述第一方面及其任一种可能的实施方式的方法。
根据本申请提供的第四方面,提供一种计算机可读存储介质,当计算机可读存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行上述第一方面中及其任一种可能的实施方式的方法。
根据本申请提供的第五方面,提供一种计算机程序产品,计算机程序产品包括计算机指令,当计算机指令在电子设备上运行时,使得电子设备执行上述第一方面及其任一种可能的实施方式的方法。
由此,本申请的上述技术特征具有以下有益效果:
(1)针对目标训练数据对应的不同季节标签,对不同季节标签的目标训练数据,采用不同的预设滑动窗口步长将目标训练数据输入目标神经网络模型中进行训练,可以捕捉到多个电池特征数据在不同时间间隔中的变化情况。同时,局部注意力模型基于多个电池特征数据之间的关联性,确定每个电池特征数据对应的权重。基于每个电池特征数据对应的权重,对电池特征数据进行训练和预测,有效提高了电池特征数据预测的准确性。进一步的,将电池特征数据的多个预测值与安全阈值进行比较,确定异常电池特征数据。根据异常电池特征数据,生成异常预警信息,有助于提前采取电池异常处理措施,保障电池的可靠性和安全性。该技术手段有效提高了电池异常预警的精确度。
(2)利用目标权重矩阵和注意力机制,能够根据输入的目标训练数据生成目标注意力矩阵,从而激活相关电池特征数据并关注重要的信息。将目标注意力矩阵划分为多个局部向量块,使得每个局部向量块都包含至少一个电池特征数据。通过这种方式,能够更好地捕捉到电池数据的局部信息。基于目标注意力矩阵和局部向量块对应的第一目标权重矩阵,生成了每个局部向量块的目标注意力分数矩阵。这有助于识别每个局部向量块中重要的特征。
进一步的,通过池化函数对目标注意力分数矩阵进行聚合,确定了每个目标注意力分数矩阵对应的目标特征向量。这样的特征向量能够反映出目标在不同时间步的重要特征。对多个局部向量块对应的目标特征向量进行拼接,生成了目标增强矩阵。基于时间序列将目标增强矩阵依次输入LSTM模型中进行激活函数线性运算,确定了目标特征向量对应的至少一个第一目标预测值。该技术手段提高了电池特征数据预测的准确性和鲁棒性。
(3)通过与安全阈值的比较和异常预警条件的判定,能够检测出特征向量是否满足异常预警条件,从而提供了对电池异常情况的预警能力。这有助于及时发现电池的异常行为并采取相应的处理措施,以提高电池的安全性和可靠性。
(4)通过比较第二目标预测值数量和目标差分矩阵中第一目标预测值数量,能够准确判断特征向量是否满足异常预警条件。这有助于快速识别出异常特征向量,提供及时有效的预警信息,以确保电池管理的安全性和可靠性。
(5)能够对历史数据进行预处理、分类和标记,从而生成多个目标训练数据。这些数据有助于神经网络模型更好地理解电池的特征和行为模式,提高电池状态预测的准确性和鲁棒性。
(6)将春季或秋季的多个目标训练数据,划分为第一预设滑动窗口步长;将夏季或冬季的多个目标训练数据,划分为第二预设滑动窗口步长。其中,第一预设滑动窗口步长大于第二预设滑动窗口步长。这样,基于不同季节对目标训练数据的影响,设置目标训练数据的不同滑动窗口步长,能够精确的捕捉目标训练数据的电池异常特征的变化情况。
需要说明的是,第二方面至第五方面中的任一种实现方式所带来的技术效果可参见第一方面中对应实现方式所带来的技术效果,此处不再赘述。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理,并不构成对本申请的不当限定。
图1是根据一示例性实施例示出的一种电池异常预警方法的流程图;
图2是根据一示例性实施例示出的又一种电池异常预警方法的流程图;
图3是根据一示例性实施例示出的又一种电池异常预警方法的流程图;
图4是根据一示例性实施例示出的又一种电池异常预警方法的流程图;
图5是根据一示例性实施例示出的一种电池异常预警装置的框图;
图6是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
为了使本领域普通人员更好地理解本申请的技术方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等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,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
随着新能源电动汽车在国内的发展,一些关于电动汽车的电池安全问题也逐渐暴露出来。常见的电动汽车电池问题包括:电池高温起火、电池充电速度慢、电池使用寿命短、续航能力差、电池故障导致动力不足等问题。这使得一些刚需购车人群在购买油车和电动汽车之间犹豫不绝。
相关技术中,电池异常检测的技术手段通常集中在对电池电压、电流阈值设定、电池温度等方面进行异常检测。例如专利文献:CN114492529A,一种动力电池系统连接异常故障安全预警方法,以及专利文献:CN110018425B,一种动力电池故障诊断方法及系统。
但是,电池特征数据是属于典型的非线性时序数据,仅通过统计模型进行异常检测和数据处理,会导致电池异常预警检测的精确度下降。并且无法及时对电池的异常情况进行处理。因此,如何提高电池异常预警的检测的精确度成为亟待解决的技术问题。
为了便于理解,以下结合附图对本申请提供的电池异常预警方法进行具体介绍。
图1是根据一示例性实施例示出的一种电池异常预警方法的流程图,如图1所示,该电池异常预警方法包括以下步骤:
步骤101、获取多个目标训练数据。
目标训练数据包括多个电池特征数据组成的特征向量。
一种示例,每个目标训练数据对应的电池特征数据包括至少以下数据:时间戳、季节标签、电流、电压、电池温度、环境温度、充电速率、充电状态、放电速率、放电状态、电池容量等。
步骤102、将多个目标训练数据基于预设滑动窗口步长输入目标神经网络模型中进行训练,生成至少一个特征向量对应的至少一个第一目标预测值。
其中,目标神经网络模型包括:长短记忆LSTM模型和局部注意力模型。局部注意力模型用于确定训练数据中权重值满足预设条件的特征向量;LSTM模型用于确定特征向量对应的预测值。
一种可能的实现方式中,基于目标训练数据的季节标签,将目标训练数据进行分类。基于目标训练数据对应的不同季节,设置不同长度的滑动窗口步长。基于该滑动窗口步长,将目标训练数据依次输入到目标神经网络模型中进行训练。其中,基于该神经网络模型中的局部注意力模块,标记权重最大的电池特征数据对应特征向量为目标特征向量。进一步的,基于LSTM模型确定该目标特征向量的至少一个第一目标预测值。
一种示例,基于季节标签为春秋的目标训练数据,由于春秋季节的温度适宜,电池的多项特征数据比较稳定,可设置较长的预设滑动窗口的步长来检测特征指标的变化。基于季节标签为冬夏的目标训练数据,由于冬夏季节温度变化比较大,电池的多项特征数据变化也比较大,可设置较短的预设滑动窗口的步长来检测特征指标的变化。
需要说明的是,对目标训练数据进行季节性处理,可以使LSTM更好的应对季节性温蒂,以及对特征信号进行不同时间存储,并且给出相应特征的预测值,提高电池异常检测和寿命预测的准确度。
步骤103、将至少一个特征向量对应的至少一个第一目标预测值与安全阈值进行比较,确定异常特征向量。
一种可能的实现方式中,将预设神经网络模型输出的至少一个特征向量对应的至少一个第一目标预测值与安全阈值进行比较,确定至少一个特征向量中的异常特征向量。
一种示例,基于输出的至少一个特征向量的至少一个第一目标预测值和至少一个特征向量在历史时间段内的历史特征数据,确定安全阈值。进一步的,将至少一个第一目标阈值与安全阈值进行比较,确定至少一个特征向量中的异常特征向量。
步骤104、基于异常特征向量,生成异常预警信息;异常预警信息包括:异常电池特征数据和异常处理措施。
一种可能的实现方式中,确定异常特征向量后,基于该异常特征向量,匹配该异常特征向量对应的异常处理措施。基于该异常处理措施生成异常预警信息。
一种示例,预测到电池的温度超过安全阈值时,匹配的异常处理措施为停止行驶的车辆,启动电池冷却系统等。基于该异常处理措施生成异常预警信息,并将该异常预警信息及时通知给用户。
结合图1,如图2所示,上述步骤102,将多个目标训练数据基于预设滑动窗口步长输入目标神经网络模型中进行训练,生成至少一个特征向量对应的至少一个第一目标预测值。具体可通过以下步骤201-步骤206实现:
步骤201、将输入的预设滑动窗口步长内的目标训练数据与目标权重矩阵进行相乘运算,生成目标注意力矩阵。
其中,目标权重矩阵包括:查询权重矩阵WQ、键权重矩阵WK、值权重矩阵WV;目标注意力矩阵包括:查询矩阵Q、键矩阵K、值矩阵V。
一种可能的实现方式中,将预设滑动窗口步长内的目标训练数据嵌入到局部注意力模型中,进行线性变换。即将输入的预设滑动窗口步长内的目标训练数据与目标权重矩阵进行相乘运算,生成目标注意力矩阵。
一种示例,将预设滑动窗口步长内的目标训练数据即为X。则预设滑动窗口步长内的目标训练数据线性变换可表示为:Q=XWQ、K=XWK、V=XWV。基于线性变换得到的Q、K、V矩阵,生成目标注意力矩阵。其中,目标注意力矩阵为Attention(Q、K、V)。
需要说明的是,Q通常有当前时间步长的的输入产生,查询向量帮助我们确定我们要关注输入序列中的哪些部分。键K用于描述输入序列中的位置,键向量通常由输入序列中的各个时间步生成,并帮助计算查询与输入序列中的不同位置的相关性。值V包含了输入序列中的信息,与每个键向量对应的值向量在注意力机制中被用来计算加权平均,用来捕捉输入序列的相关信息。
步骤202、将目标注意力矩阵划分为多个局部向量块。
其中,每个局部向量块包括至少一个电池特征数据;每个局部向量块对应一个第一目标权重矩阵;第一目标权重矩阵包括:第一查询权重矩阵WQ,i、第一键权重矩阵WK,i、第一值权重矩阵WV,i;其中,i为正整数;i用于表征第i个局部向量块。
步骤203、基于目标注意力矩阵和每个局部向量块对应的第一目标权重矩阵,生成每个局部向量块对应的目标注意力分数矩阵。
一种可能的实现方式中,将上述目标注意力矩阵拆分成若干个局部向量块。计算每个局部向量块对应的目标注意力分数矩阵。
一种示例,每个局部向量块对应的目标注意力分数矩阵满足以下算法公式1:
步骤204、基于池化函数对每个目标注意力分数矩阵进行聚合,确定每个目标注意力分数矩阵对应的目标特征向量。
其中,目标特征向量为注意力分数矩阵中权重值最大的特征向量。
一种示例,基于池化函数对每个目标注意力分数矩阵进行聚合,满足以下算法公式2:
αi=pool(blocki),i=1,...,b 公式2;
步骤205、基于拼接函数将多个局部向量块对应的目标特征向量进行拼接,生成目标增强矩阵。
一种示例,将上述公式2中得到的多个局部向量块对应的目标特征向量进行拼接生成增强矩阵。满足以下算法公式:
Y=concat(α1,...,αb)WC 公式3;
其中,Y为增强矩阵,WC为目标神经网络模型学习到的权重矩阵。
步骤206、基于时间序列将目标增强矩阵依次输入LSTM模型中进行激活函数线性运算,确定目标特征向量对应的至少一个第一目标预测值。
一种示例,基于时间序列将目标增强矩阵依次输入LSTM模型中进行激活函数线性运算,输出目标增强矩阵的计算结果,该计算记过基于目标特征向量对应的至少一个第一目标预测值。其中,LSTM模型中激活函数线性运算满足以下公式4:
output_t=activation(W.input_t-1+U.state_t-1+V.c_t-1+bo) 公式4;
其中,output_t表示当前时间步的输出状态;W表示用于输入控制的权重矩阵;input_t-1表示前一个时间步的输入;U表示用于前一个隐藏状态控制的权重矩阵;state_t-1表示前一个时间步的隐藏状态;V表示用于细胞状态控制的权重矩阵;c_t-1表示前一个时间步的细胞状态;bo表示偏置向量;activation表示激活函数,将线性变换的结果进行非线性映射。
需要说明的是,c用于记录长序列中的outputt-n的重要信息,以便LSTM模型在后续的时间步中更准确的预测和建模。其中,c满足以下公式5:
ct+1=it*kt+ct*ft 公式5;
其中,it、kt、ft分别由LSTM模型的前一个时间步的输入inputt-1、前一个时间不的输出outputt-1,以及it、kt、ft分别对应的权重值W、U和偏置向量bo确定。且it、kt、ft分别满足以下公式6、公式7、公式8:
it=activation(Wi.inputt-1+Ui.statet-1+boi) 公式6;
kt=activation(Wk.inputt-1+Uk.statet-1+bok) 公式7;
ft=activation(Wf.inputt-1+Uf.statet-1+bof) 公式8;
结合图1,如图3所示,上述步骤103、将至少一个特征向量对应的至少一个第一目标预测值与安全阈值进行比较,确定异常特征向量。具体还可以通过以下步骤301-步骤307实现:
步骤301、获取历史时间段内的至少一个特征向量对应的多个历史特征数据。
一种示例,获取历史时间段内的至少一个特征向量对应的多个历史特征数据。例如,电池温度对应的历史特征数据为[Tt-n,Tt-n-1,Tt-n-2,…,Tt]。
步骤302、将至少一个特征向量对应的至少一个第一目标预测值与多个历史特征数据进行差分平方求和运算,生成目标差分矩阵。
一种示例,电池温度对应的特征向量在t时刻的第一目标预测值为Tpre,将第一目标预测值Tpre与第多个历史特征数据进行差分平和求和运算,生成电池温度向量对应的差分向量。对该差分向量进一步的进行平方求和相加运算,生成电池温度向量对应的目标差分向量。基于每个特征向量对应的至少一个第一目标预测值与多个历史特征数据,确定每个差分特征向量对应的目标差分向量。将上述每个特征向量对应的目标差分向量进行组合生成目标差分矩阵。其中,将该目标差分矩阵记为matrixdiff。
步骤303、确定目标差分矩阵中每个特征向量对应的最大值为安全阈值。
一种示例,遍历目标差分矩阵中每个特征向量中的值,确定每个特征向量在差分矩阵中对应的最大值为安全阈值。其中,安全阈值可记为
步骤304、将至少一个特征向量对应的至少一个第一目标预测值与安全阈值进行比较,确定第二目标预测值的数量。
其中,第二目标预测值为大于安全阈值的第一目标预测值的数量。
一种示例,将至少一个特征向量对应的至少一个第一目标预测值与上述安全阈值进行比较。并统计大于安全阈值的第一目标预测值的数量。
具体的,当“第一目标预测值时,则确定该第一目标预测值为第二目标预测值。该第二目标预测值的数量可记为count1。
步骤305、确定每个特征向量在目标差分矩中存在的第一目标预测值的数量。
一种示例,确定目标差分矩阵记为matrixdiff中,每个特征向量中存在的该特征向量对应的第一目标预测值的数量。该第一目标预测值的数量可记为count2。
步骤306、当特征向量对应的第二目标预测值的数量大于目标差分矩阵中存在的第一目标预测值的数量时,确定特征向量为异常特征向量。
一种示例,当“count1>count2”时,确定该特征向量为异常特征向量。
步骤307、当特征向量对应的第二目标预测值的数量小于目标差分矩阵中第一目标预测值的数量时,确定特征向量为非异常特征向量。
一种示例,当“count1<count2”时,确定该特征向量为非异常特征向量。
结合图1,如图4所示,上述步骤101、获取多个目标训练数据;目标训练数据包括多个电池特征数据组成的特征向量之前,还包括以下步骤401-步骤404:
步骤401、获取历史时间段内的多个第一电池特征数据组。
其中,第一电池特征数据组包括:时间戳和多个第一电池特征数据。
一种可能的实现方式中,获取历史时间段内的电池的多个第一电池特征数据组。每个第一电池特征数据组包括:时间戳、电流、电压、电池温度、环境温度、电池容量、充电状态、充电速率、放电速率、放电状态等信息。
步骤402、对每个第一电池特征数据组进行预处理,生成第二电池特征数据组。
其中,预处理包括:去噪、校准、对齐、插值;第二电池特征数据组包括:时间戳和预处理后的多个第一电池特征数据。
一种可能的实现方式中,对每个第一电池特征数据组中的数据进行去噪、校准、对齐、差值等数据预处理操作,生成第二电池特征数据组。
一种示例,基于平均值滤波处理对数据进行去噪。基于第一电池特征数据组中的时间戳,提取出一条完整的时间序列、基于该时间序列,将第一电池特征数据组中不同时间段的数据进行对齐和同步。进一步的,对第一电池特征数据组中缺失的数据进行插值、填充处理。例如,电池温度、电流、电压等数据可采用拟合插值填充的方法对数据进行处理。
步骤403、基于时间戳,生成每个第二电池特征组对应的目标标签。
其中,目标标签用于表征每个第二电池特征组所属的季节。
一种可能的实现方式中,基于每个第二电池特征组中的时间戳,确定每个第二电池特征组对应的,目标标签。
一种示例,用标签“1”表示春季、用标签“2”表示夏季、用标签“3”表示秋季、用标签“4”表示冬季。
步骤404、基于目标标签对多个第二电池特征数据组进行分类,生成多个目标训练数据。
一种可能的实现方式中,基于每个第二电池特征数据对应的目标标签,将多个第二电池特征数据分为春季、夏季、秋季、冬季四类。
上述主要从方法的角度对本申请实施例提供的方案进行了介绍。为了实现上述功能,电池异常预警装置或电子设备包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到,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,本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,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申请的范围。
本申请实施例可以根据上述方法,示例性的对电池异常预警装置或电子设备进行功能模块的划分,例如,电池异常预警装置或电子设备可以包括对应各个功能划分的各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。需要说明的是,本申请实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
图5是根据一示例性实施例示出的一种电池异常预警装置的框图。参照图5,该电池异常预警装置500包括:获取单元501和处理单元502:
获取单元501,用于获取多个目标训练数据;目标训练数据包括多个电池特征数据组成的特征向量;处理单元502,用于将多个目标训练数据基于预设滑动窗口步长输入目标神经网络模型中进行训练,生成至少一个特征向量对应的至少一个第一目标预测值;目标神经网络模型包括:长短记忆LSTM模型和局部注意力模型;处理单元502,还用于将至少一个特征向量对应的至少一个第一目标预测值与安全阈值进行比较,确定异常特征向量;处理单元502,还用于基于异常特征向量,生成异常预警信息;异常预警信息包括:异常电池特征数据和异常处理措施。
处理单元502,具体用于:步骤1、将输入的预设滑动窗口步长内的目标训练数据与目标权重矩阵进行相乘运算,生成目标注意力矩阵;目标权重矩阵包括:查询权重矩阵WQ、键权重矩阵WK、值权重矩阵WV;目标注意力矩阵包括:查询矩阵Q、键矩阵K、值矩阵V;步骤2、将目标注意力矩阵划分为多个局部向量块;每个局部向量块包括至少一个电池特征数据;每个局部向量块对应一个第一目标权重矩阵;第一目标权重矩阵包括:查询权重矩阵WQ,i、键权重矩阵WK,i、值权重矩阵WV,i;其中,i为正整数;i用于表征第i个局部向量块;步骤3、基于目标注意力矩阵和每个局部向量块对应的第一目标权重矩阵,生成每个局部向量块对应的目标注意力分数矩阵;步骤4、基于池化函数对每个目标注意力分数矩阵进行聚合,确定每个目标注意力分数矩阵对应的目标特征向量;目标特征向量为注意力分数矩阵中权重值最大的特征向量;步骤5、基于拼接函数将多个局部向量块对应的目标特征向量进行拼接,生成目标增强矩阵;步骤6、基于时间序列将目标增强矩阵依次输入LSTM模型中进行激活函数线性运算,确定目标特征向量对应的至少一个第一目标预测值。
处理单元502,还具体用于:获取历史时间段内的至少一个特征向量对应的多个历史特征数据;将至少一个特征向量对应的至少一个第一目标预测值与多个历史特征数据进行差分平方求和运算,生成目标差分矩阵;确定目标差分矩阵中每个特征向量对应的最大值为安全阈值;将至少一个特征向量对应的至少一个第一目标预测值与安全阈值进行比较,确定第二目标预测值的数量;第二目标预测值为大于安全阈值的第一目标预测值的数量;基于每个特征向量对应的第二目标预测值的数量,确定异常特征向量。
处理单元502,还具体用于:确定每个特征向量在目标差分矩中存在的第一目标预测值的数量;当特征向量对应的第二目标预测值的数量大于目标差分矩阵中存在的第一目标预测值的数量时,确定特征向量为异常特征向量;当特征向量对应的第二目标预测值的数量小于目标差分矩阵中第一目标预测值的数量时,确定至少一个特征向量不满足异常预警条件确定特征向量为非异常特征向量。
处理单元502,还用于:获取历史时间段内的多个第一电池特征数据组;第一电池特征数据组包括:时间戳和多个第一电池特征数据;对每个第一电池特征数据组进行预处理,生成第二电池特征数据组;预处理包括:去噪、校准、对齐、插值;第二电池特征数据组包括:时间戳和预处理后的多个第一电池特征数据;基于时间戳,生成每个第二电池特征组对应的目标标签;目标标签用于表征每个第二电池特征组所属的季节;基于目标标签对多个第二电池特征数据组进行分类,生成多个目标训练数据。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图6是根据一示例性实施例示出的一种电子设备的框图。如图6所示,电子设备600包括但不限于:处理器601和存储器602。
其中,上述的存储器602,用于存储上述处理器601的可执行指令。可以理解的是,上述处理器601被配置为执行指令,以实现上述实施例中的电池异常预警方法。
需要说明的是,本领域技术人员可以理解,图6中示出的电子设备结构并不构成对电子设备的限定,电子设备可以包括比图6所示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
处理器601是电子设备的控制中心,利用各种接口和线路连接整个电子设备的各个部分,通过运行或执行存储在存储器602内的软件程序和/或模块,以及调用存储在存储器602内的数据,执行电子设备的各种功能和处理数据,从而对电子设备进行整体监控。处理器601可包括一个或多个处理单元。可选的,处理器601可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器601中。
存储器602可用于存储软件程序以及各种数据。存储器602可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能模块所需的应用程序(比如确定单元、处理单元等)等。此外,存储器602可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
在示例性实施例中,还提供了一种包括指令的计算机可读存储介质,例如包括指令的存储器602,上述指令可由电子设备600的处理器601执行以实现上述实施例中的方法。
在实际实现时,图5中的获取单元501、处理单元502的功能均可以由图6中的处理器601调用存储器602中存储的计算机程序实现。其具体的执行过程可参考上实施例中的方法部分的描述,这里不再赘述。
可选地,计算机可读存储介质可以是非临时性计算机可读存储介质,例如,该非临时性计算机可读存储介质可以是只读存储器(Read-Only Memory,ROM)、随机存储存储器(Random Access Memory,RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在示例性实施例中,本申请实施例还提供了一种包括一条或多条指令的计算机程序产品,该一条或多条指令可以由电子设备的处理器601执行以完成上述实施例中的方法。
需要说明的是,上述计算机可读存储介质中的指令或计算机程序产品中的一条或多条指令被电子设备的处理器执行时实现上述方法实施例的各个过程,且能达到与上述方法相同的技术效果,为避免重复,这里不再赘述。
通过以上的实施方式的描述,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,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全分类部或者部分功能。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个装置,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
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一个物理单元或多个物理单元,即可以位于一个地方,或者也可以分布到多个不同地方。可以根据实际的需要选择其中的部分或者全分类部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
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,可以存储在一个可读取存储介质中。基于这样的理解,本申请实施例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分类部或部分可以以软件产品的形式体现出来,该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个设备(可以是单片机,芯片等)或处理器(processor)执行本申请各个实施例方法的全分类部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何在本申请揭露的技术范围内的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (14)
1.一种电池异常预警方法,其特征在于,所述方法包括:
获取多个目标训练数据;所述目标训练数据包括多个电池特征数据组成的特征向量;
将所述多个目标训练数据基于预设滑动窗口步长输入目标神经网络模型中进行训练,生成至少一个所述特征向量对应的至少一个第一目标预测值;所述目标神经网络模型包括:局部注意力模型和长短记忆LSTM模型;所述局部注意力模型用于确定训练数据中权重值满足预设条件的特征向量;所述LSTM模型用于确定所述特征向量对应的预测值;
将所述至少一个特征向量对应的所述至少一个第一目标预测值与安全阈值进行比较,确定异常特征向量;
基于所述异常特征向量,生成异常预警信息。
2.根据权利要求1所述的方法,其特征在于,所述将所述多个目标训练数据基于预设滑动窗口步长输入目标神经网络模型中进行训练,生成至少一个所述特征向量对应的至少一个第一目标预测值,包括:
将输入的所述预设滑动窗口步长内的所述目标训练数据与目标权重矩阵进行相乘运算,生成目标注意力矩阵;所述目标权重矩阵包括:查询权重矩阵WQ、键权重矩阵WK、值权重矩阵WV;所述目标注意力矩阵包括:查询矩阵Q、键矩阵K、值矩阵V;
将所述目标注意力矩阵划分为多个局部向量块;每个所述局部向量块包括至少一个所述电池特征数据;每个所述局部向量块对应一个第一目标权重矩阵;所述第一目标权重矩阵包括:查询权重矩阵WQ,i、键权重矩阵WK,i、值权重矩阵WV,i;其中,i为正整数;i用于表征第i个所述局部向量块;
基于所述目标注意力矩阵和所述每个局部向量块对应的所述第一目标权重矩阵,生成所述每个局部向量块对应的目标注意力分数矩阵;
基于池化函数对每个所述目标注意力分数矩阵进行聚合,确定所述每个目标注意力分数矩阵对应的目标特征向量;所述目标特征向量为所述注意力分数矩阵中权重值最大的所述特征向量;
基于拼接函数将所述多个局部向量块对应的所述目标特征向量进行拼接,生成目标增强矩阵;
基于时间序列将所述目标增强矩阵依次输入所述LSTM模型中进行激活函数线性运算,确定所述目标特征向量对应的至少一个第一目标预测值。
3.根据权利要求1所述的方法,其特征在于,所述将所述至少一个特征向量对应的所述至少一个第一目标预测值与安全阈值进行比较,确定异常特征向量,包括:
获取历史时间段内的所述至少一个特征向量对应的多个历史特征数据;
将所述至少一个特征向量对应的所述至少一个第一目标预测值与所述多个历史特征数据进行差分平方求和运算,生成目标差分矩阵;
确定所述目标差分矩阵中每个所述特征向量对应的最大值为所述安全阈值;
将所述至少一个特征向量对应的所述至少一个第一目标预测值与所述安全阈值进行比较,确定第二目标预测值的数量;所述第二目标预测值为大于所述安全阈值的所述第一目标预测值的数量;
基于每个所述特征向量对应的所述第二目标预测值的数量,确定所述异常特征向量。
4.根据权利要求3所述的方法,其特征在于,所述基于每个所述特征向量对应的所述第二目标预测值的数量,确定所述异常特征向量,包括:
确定所述每个特征向量在所述目标差分矩中存在的所述第一目标预测值的数量;
当所述特征向量对应的所述第二目标预测值的数量大于所述目标差分矩阵中存在的所述第一目标预测值的数量时,确定所述特征向量为所述异常特征向量;
当所述特征向量对应的所述第二目标预测值的数量小于所述目标差分矩阵中所述第一目标预测值的数量时,确定所述至少一个特征向量不满足所述异常预警条件确定所述特征向量为非异常特征向量。
5.根据权利要求1所述的方法,其特征在于,所述获取多个目标训练数据之前,还包括:
获取历史时间段内的多个第一电池特征数据组;所述第一电池特征数据组包括:时间戳和多个第一电池特征数据;
针对每个第一电池特征数据组,对所述第一电池特征数据组进行预处理,生成所述第一电池特征数据组对应的第二电池特征数据组,以得到多个第二电池特征数据组;所述第二电池特征数据组包括:所述时间戳和预处理后的所述多个第一电池特征数据;
基于所述时间戳,生成每个所述第二电池特征组对应的季节标签;所述季节标签用于表征特征组所属的季节;
基于所述季节标签对多个所述第二电池特征数据组进行分类,生成所述目标训练数据。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
基于所述目标训练数据对应的所述目标标签,确定所述目标训练数据对应的所述预设滑动窗口步长;所述预设滑动窗口步长为第一预设滑动窗口步长或第二预设滑动窗口步长;所述第一预设滑动窗口步长大于所述第二预设滑动窗口步长;
其中,在所述目标训练数据对应的所述目标标签为春季或秋季的情况下,所述目标训练数据对应的所述预设滑动窗口的步长为所述第一预设滑动窗口步长;
在所述目标训练数据对应的所述目标标签为夏季或冬季的情况下,所述目标训练数据对应的所述预设滑动窗口的步长为所述第二预设滑动窗口步长。
7.一种电池异常预警装置,其特征在于,所述装置包括:获取单元和处理单元;
所述获取单元,用于获取多个目标训练数据;所述目标训练数据包括多个电池特征数据组成的特征向量;
所述处理单元,用于将所述多个目标训练数据基于预设滑动窗口步长输入目标神经网络模型中进行训练,生成至少一个所述特征向量对应的至少一个第一目标预测值;所述预设滑动窗口步长是基于目标训练数据对应的季节标签确定的滑动窗口步长;所述目标神经网络模型包括:长短记忆LSTM模型和局部注意力模型;所述局部注意力模型用于确定训练数据中权重值满足预设条件的特征向量;所述LSTM模型用于确定所述特征向量对应的预测值;
所述处理单元,还用于将所述至少一个特征向量对应的所述至少一个第一目标预测值与安全阈值进行比较,确定异常特征向量;
所述处理单元,还用于基于所述异常特征向量,生成异常预警信息。
8.根据权利要求7所述的装置,其特征在于,所述处理单元,具体用于:
将输入的所述预设滑动窗口步长内的所述目标训练数据与目标权重矩阵进行相乘运算,生成目标注意力矩阵;所述目标权重矩阵包括:查询权重矩阵WQ、键权重矩阵WK、值权重矩阵WV;所述目标注意力矩阵包括:查询矩阵Q、键矩阵K、值矩阵V;
将所述目标注意力矩阵划分为多个局部向量块;每个所述局部向量块包括至少一个所述电池特征数据;每个所述局部向量块对应一个第一目标权重矩阵;所述第一目标权重矩阵包括:查询权重矩阵WQ,i、键权重矩阵WK,i、值权重矩阵WV,i;其中,i为正整数;i用于表征第i个所述局部向量块;
基于所述目标注意力矩阵和所述每个局部向量块对应的所述第一目标权重矩阵,生成所述每个局部向量块对应的目标注意力分数矩阵;
基于池化函数对每个所述目标注意力分数矩阵进行聚合,确定所述每个目标注意力分数矩阵对应的目标特征向量;所述目标特征向量为所述注意力分数矩阵中权重值最大的所述特征向量;
基于拼接函数将所述多个局部向量块对应的所述目标特征向量进行拼接,生成目标增强矩阵;
基于时间序列将所述目标增强矩阵依次输入所述LSTM模型中进行激活函数线性运算,确定所述目标特征向量对应的至少一个第一目标预测值。
9.根据权利要求7所述的装置,其特征在于,所述处理单元,还具体用于:
获取历史时间段内的所述至少一个特征向量对应的多个历史特征数据;
将所述至少一个特征向量对应的所述至少一个第一目标预测值与所述多个历史特征数据进行差分平方求和运算,生成目标差分矩阵;
确定所述目标差分矩阵中每个所述特征向量对应的最大值为所述安全阈值;
将所述至少一个特征向量对应的所述至少一个第一目标预测值与所述安全阈值进行比较,确定第二目标预测值的数量;所述第二目标预测值为大于所述安全阈值的所述第一目标预测值的数量;
基于每个所述特征向量对应的所述第二目标预测值的数量,确定所述异常特征向量。
10.根据权利要求9所述的装置,其特征在于,所述处理单元,还具体用于:
确定所述每个特征向量在所述目标差分矩中存在的所述第一目标预测值的数量;
当所述特征向量对应的所述第二目标预测值的数量大于所述目标差分矩阵中存在的所述第一目标预测值的数量时,确定所述特征向量为所述异常特征向量;
当所述特征向量对应的所述第二目标预测值的数量小于所述目标差分矩阵中所述第一目标预测值的数量时,确定所述至少一个特征向量不满足所述异常预警条件确定所述特征向量为非异常特征向量。
11.根据权利要求7所述的装置,其特征在于,所述处理单元,还用于:
获取历史时间段内的多个第一电池特征数据组;所述第一电池特征数据组包括:时间戳和多个第一电池特征数据;
针对每个第一电池特征数据组,对所述第一电池特征数据组进行预处理,生成所述第一电池特征数据组对应的第二电池特征数据组,以得到多个第二电池特征数据组;所述第二电池特征数据组包括:所述时间戳和预处理后的所述多个第一电池特征数据;
基于所述时间戳,生成每个所述第二电池特征组对应的季节标签;所述季节标签用于表征特征组所属的季节;
基于所述季节标签对多个所述第二电池特征数据组进行分类,生成所述目标训练数据。
12.根据权利要求11所述的装置,其特征在于,所述处理单元,还用于:
基于所述目标训练数据对应的所述目标标签,确定所述目标训练数据对应的所述预设滑动窗口步长;所述预设滑动窗口步长为第一预设滑动窗口步长或第二预设滑动窗口步长;所述第一预设滑动窗口步长大于所述第二预设滑动窗口步长;
其中,在所述目标训练数据对应的所述目标标签为春季或秋季的情况下,所述目标训练数据对应的所述预设滑动窗口的步长为所述第一预设滑动窗口步长;
在所述目标训练数据对应的所述目标标签为夏季或冬季的情况下,所述目标训练数据对应的所述预设滑动窗口的步长为所述第二预设滑动窗口步长。
13.一种电子设备,其特征在于,包括:处理器;用于存储所述处理器可执行指令的存储器;其中,所述处理器被配置为执行所述指令,以实现如权利要求1至6中任一项所述的方法。
14.一种计算机可读存储介质,其特征在于,当所述计算机可读存储介质中存储的计算机执行指令由电子设备的处理器执行时,所述电子设备能够执行如权利要求1至6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311494715.2A CN117610611A (zh) | 2023-11-09 | 2023-11-09 | 电池异常预警方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311494715.2A CN117610611A (zh) | 2023-11-09 | 2023-11-09 | 电池异常预警方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117610611A true CN117610611A (zh) | 2024-02-27 |
Family
ID=89945310
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311494715.2A Pending CN117610611A (zh) | 2023-11-09 | 2023-11-09 | 电池异常预警方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117610611A (zh) |
-
2023
- 2023-11-09 CN CN202311494715.2A patent/CN117610611A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Voltage fault diagnosis and prognosis of battery systems based on entropy and Z-score for electric vehicles | |
CN112834945A (zh) | 评估模型建立方法、电池健康状态评估方法及相关产品 | |
WO2023124220A1 (zh) | 车辆检测方法及装置 | |
CN116523177A (zh) | 融合机理和深度学习模型的车辆能耗预测方法及装置 | |
CN113203954A (zh) | 一种基于时频图像处理的电池故障诊断方法 | |
CN118094347B (zh) | 液冷储能模组自适应调节优化方法、装置及存储介质 | |
CN115891741A (zh) | 一种适用于电动汽车充电过程的远程故障预警方法及装置 | |
CN117154263A (zh) | 锂电池梯次利用充放电系统及控制方法 | |
CN116609671A (zh) | 电池容量预测方法、装置、设备及存储介质 | |
CN114460481B (zh) | 基于Bi-LSTM和注意力机制的储能电池热失控预警方法 | |
CN114994546A (zh) | 一种基于区块链和Informer神经网络的电池组SOH预测系统及方法 | |
CN112733456B (zh) | 一种反窃电行为识别方法和系统 | |
CN117406011A (zh) | 基于充电车辆数据的充电电缆异常检测装置、方法及设备 | |
CN117610611A (zh) | 电池异常预警方法、装置、设备及存储介质 | |
CN116500480A (zh) | 一种基于特征迁移学习混合模型的智能电池健康监测方法 | |
CN113809365B (zh) | 氢燃料电池系统电压衰减的确定方法、系统及电子设备 | |
CN118035828B (zh) | 一种火电厂风险监测可视化实现方法及设备 | |
CN113744081B (zh) | 窃电行为分析方法 | |
CN110794255B (zh) | 一种配电网故障预测方法及系统 | |
CN118194241A (zh) | 一种电动汽车电机故障诊断方法及装置 | |
CN117950390A (zh) | 车辆异常休眠检测方法、装置、设备及存储介质 | |
CN118444191A (zh) | 电池异常检测方法及装置 | |
CN117743970A (zh) | 基于ai数据重构和整数优化的退役电池热失控预警方法 | |
CN118675131A (zh) | 一种汽车充电口污垢检测方法及装置 | |
CN116660757A (zh) | 电池电压预估方法、装置及存储介质 |
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 |