CN117725499A - 电池故障预测方法、装置、电子装置和存储介质 - Google Patents
电池故障预测方法、装置、电子装置和存储介质 Download PDFInfo
- Publication number
- CN117725499A CN117725499A CN202311501299.4A CN202311501299A CN117725499A CN 117725499 A CN117725499 A CN 117725499A CN 202311501299 A CN202311501299 A CN 202311501299A CN 117725499 A CN117725499 A CN 117725499A
- Authority
- CN
- China
- Prior art keywords
- battery
- data
- parameters
- tested
- fault
- 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 69
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 238000005259 measurement Methods 0.000 claims abstract description 48
- 238000003062 neural network model Methods 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims description 23
- 208000032953 Device battery issue Diseases 0.000 claims description 22
- 238000004519 manufacturing process Methods 0.000 claims description 20
- 238000005516 engineering process Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 13
- 238000007621 cluster analysis Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 description 21
- 238000006243 chemical reaction Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 12
- 230000008859 change Effects 0.000 description 11
- 239000007790 solid phase Substances 0.000 description 10
- 239000007791 liquid phase Substances 0.000 description 9
- 230000020169 heat generation Effects 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 8
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 7
- 229910001416 lithium ion Inorganic materials 0.000 description 7
- 238000009792 diffusion process Methods 0.000 description 6
- 239000012071 phase Substances 0.000 description 5
- 239000003792 electrolyte Substances 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003487 electrochemical reaction Methods 0.000 description 2
- 239000007772 electrode material Substances 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 150000002500 ions Chemical class 0.000 description 2
- 229910052744 lithium Inorganic materials 0.000 description 2
- 239000000178 monomer Substances 0.000 description 2
- 230000005501 phase interface Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000000547 structure data Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 239000011149 active material Substances 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004070 electrodeposition Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000007773 negative electrode material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 239000007774 positive electrode material Substances 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- -1 separator Substances 0.000 description 1
- 239000012798 spherical particle Substances 0.000 description 1
- 238000006276 transfer reaction Methods 0.000 description 1
Landscapes
- Secondary Cells (AREA)
Abstract
本申请涉及一种电池故障预测方法、装置、电子装置和存储介质,其中,该电池故障预测方法包括:获取待测电池的实时测量数据;将实时测量数据输入训练好的神经网络模型中,得到实时测量数据对应的电池内部参数;将电池内部参数输入电化学数字孪生模型中,得到电池内部参数对应的预测数据;基于预测数据确定待测电池的故障预测结果。通过本申请,解决了电池故障预测的准确度低的问题,有效地提高了电池故障预测的准确度。
Description
技术领域
本申请涉及电池系统技术领域,特别是涉及一种电池故障预测方法、装置、电子装置和存储介质。
背景技术
随着物联网的高速发展,近年来数字孪生技术受到国内外越来越多的关注。数字孪生技术是以数字化方式创建物理实体的虚拟模型,模拟物理实体在现实环境中的行为,通过虚实交互反馈实时感知系统,对数据进行融合分析下发相应决策。
目前,使用数字孪生技术对电池故障进行诊断的方法大都关注于故障发生末期,当电动汽车运行过程中,通过将电动汽车电池可测量的外部参数输入数字孪生模型中,从而判断电池是否发生故障以及故障类型,通过该方式对电池进行故障预测时,仅使用可测量的电池数据进行预测,并且,电动汽车在运行的过程中,电池的可测量的数据有限,包含的信息较少,从而无法准确地反映电池的状态,进而导致电池故障预测的准确度较低。
针对相关技术中存在电池故障预测的准确度低的问题,目前还没有提出有效的解决方案。
发明内容
在本实施例中提供了一种电池故障预测方法、装置、电子装置和存储介质,以解决相关技术中存在电池故障预测的准确度低的问题。
第一个方面,在本实施例中提供了一种电池故障预测方法,包括:
获取待测电池的实时测量数据;
将所述实时测量数据输入训练好的神经网络模型中,得到所述实时测量数据对应的电池内部参数,所述电池内部参数用于表征所述待测电池当前的内部状态信息;
将所述电池内部参数输入电化学数字孪生模型中,得到所述电池内部参数对应的预测数据,所述电化学数字孪生模型是基于所述待测电池的电化学参数以及三维热模型通过数字孪生技术构建的;
基于所述预测数据确定所述待测电池的故障预测结果。
在其中的一些实施例中,在所述将所述电池内部参数输入电化学数字孪生模型中,得到所述电池内部参数对应的预测数据之前,还包括:
获取所述待测电池的生产参数以及电化学参数;
对所述生产参数以及所述电化学参数进行预处理,得到预处理后的电池参数;
基于所述预处理后的电池参数以及所述三维热模型通过数字孪生技术构建所述电化学数字孪生模型。
在其中的一些实施例中,所述基于所述预测数据确定所述待测电池的故障预测结果,包括:
确定参考数据;
确定所述参考数据与所述预测数据之间的残差;
基于所述残差以及预设残差阈值,确定所述待测电池的故障预测结果。
在其中的一些实施例中,所述基于所述残差以及预设残差阈值,确定所述待测电池的故障预测结果,包括:
若所述残差小于或等于所述预设残差阈值,则所述待测电池未发生故障;
若所述残差大于所述预设残差阈值,则所述待测电池发生故障。
在其中的一些实施例中,所述电池故障预测方法还包括:
基于所述待测电池运行开始至故障发生时,所述参考数据与所有预测数据之间的残差,生成残差记录表;
基于所述残差记录表以及预设故障集,确定所述待测电池的故障类型。
在其中的一些实施例中,所述基于所述残差记录表以及预设故障集,确定所述待测电池的故障类型,包括:
对所述残差记录表中的所有残差进行聚类分析,得到所述待测电池的聚类分析结果;
确定所述聚类分析结果与所述预设故障集中每一故障类型的相似度;
将相似度最高的故障类型确定为所述待测电池的故障类型。
在其中的一些实施例中,在所述将所述实时测量数据输入训练好的神经网络模型中,得到所述实时测量数据对应的电池内部参数之前,还包括:
获取训练集,所述训练集为与所述待测电池同类型的电池的生产参数、运行参数以及电池内部参数;
基于所述训练集对初始神经网络模型进行训练,得到所述训练好的神经网络模型。
第二个方面,在本实施例中提供了一种电池故障预测装置,包括:
获取模块,用于获取待测电池的实时测量数据;
电池内部参数确定模块,用于将所述实时测量数据输入训练好的神经网络模型中,得到所述实时测量数据对应的电池内部参数,所述电池内部参数用于表征所述待测电池当前的内部状态信息;
预测模块,用于将所述电池内部参数输入电化学数字孪生模型中,得到所述电池内部参数对应的预测数据,所述电化学数字孪生模型是基于所述待测电池的电化学参数以及三维热模型通过数字孪生技术构建的;
确定模块,用于基于所述预测数据确定所述待测电池的故障预测结果。
第三个方面,在本实施例中提供了一种电子装置,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第一个方面所述的电池故障预测方法。
第四个方面,在本实施例中提供了一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述第一个方面所述的电池故障预测方法。
与相关技术相比,在本实施例中提供的电池故障预测方法,将待测电池的实时测量数据输出到训练好的神经网络模型得到实时测量数据对应的电池内部参数,从而实现了电池内部参数的获取,进而通过电化学数字孪生模型基于电池内部参数对待测电池的故障进行预测,得到预测数据,并通过预测数据确定待测电池的故障预测结果,有效地避免了仅通过电池的外部测量参数对电池进行故障预测,导致故障预测准确度低的问题,从而提高了电池故障预测的准确度。
本申请的一个或多个实施例的细节在以下附图和描述中提出,以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是本申请实施例提供的一种电池故障预测方法的应用场景示意图;
图2是本申请实施例提供的一种电池故障预测方法的流程图;
图3是本申请实施例提供的一种电池内部参数的示意图;
图4是本申请实施例提供的一种电池故障预测方法的流程图;
图5是本申请实施例提供的一种通过电化学数字孪生模型进行电池故障预测的结构示意图;
图6是本申请实施例提供的一种电池故障预测装置的结构框图;
图7是本申请实施例提供的一种计算机设备的内部结构示意图。
具体实施方式
为更清楚地理解本申请的目的、技术方案和优点,下面结合附图和实施例,对本申请进行了描述和说明。
除另作定义外,本申请所涉及的技术术语或者科学术语应具有本申请所属技术领域具备一般技能的人所理解的一般含义。在本申请中的“一”、“一个”、“一种”、“该”、“这些”等类似的词并不表示数量上的限制,它们可以是单数或者复数。在本申请中所涉及的术语“包括”、“包含”、“具有”及其任何变体,其目的是涵盖不排他的包含;例如,包含一系列步骤或模块(单元)的过程、方法和系统、产品或设备并未限定于列出的步骤或模块(单元),而可包括未列出的步骤或模块(单元),或者可包括这些过程、方法、产品或设备固有的其他步骤或模块(单元)。在本申请中所涉及的“连接”、“相连”、“耦接”等类似的词语并不限定于物理的或机械连接,而可以包括电气连接,无论是直接连接还是间接连接。在本申请中所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。通常情况下,字符“/”表示前后关联的对象是一种“或”的关系。在本申请中所涉及的术语“第一”、“第二”、“第三”等,只是对相似对象进行区分,并不代表针对对象的特定排序。
本申请实施例提供的电池故障预测方法,可以应用于如图1所示的应用场景中。图1是本申请实施例提供的一种电池故障预测方法的应用场景示意图,其中,终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。具体的,该终端102可以是电动汽车,服务器104可以是集成在电动汽车中的中央处理器。
在本实施例中提供了一种电池故障预测方法,图2是本申请实施例提供的一种电池故障预测方法的流程图,该方法的执行主体可以是电子装置,可选的,电子装置可以是服务器,也可以是终端设备,但本申请不限于此。具体的,如图2所示,该流程包括如下步骤:
步骤S201,获取待测电池的实时测量数据。
示例性地,将电动汽车中的电池作为待测电池,在电动汽车运行过程中,实时对电动汽车中的电池参数进行测量,得到实时测量数据。具体的,实时测量数据可以包括电池的电压,电流、温度、SOC、SOE、绝缘内阻、本次输入电量、能量等数据。
步骤S202,将实时测量数据输入训练好的神经网络模型中,得到实时测量数据对应的电池内部参数。
电池内部参数用于表征待测电池当前的内部状态信息。
进一步地,将测量得到的实时测量数据输入到训练好的神经网络模型中,从而使该训练好的神经网络模型输出与实时测量数据对应的电池内部参数。
具体的,训练好的神经网络模型可以是通过训练数据对初始神经网络模型进行训练得到的,训练数据可以是对与待测电池同类型的电池进行实验过程中采集的。
由于电动汽车运行过程中,电池处于工作状态,其内部参数不可知,只能获知电池的外部测量参数,为了获取电池运行过程中的电池内部参数,可以通过训练好的神经网络模型得到,即将电池的实时测量数据输入训练好的神经网络模型中,从而得到实时测量数据对应的电池内部参数。电池内部参数可以是表征待测电池当前的内部状态信息,例如,电解液初始浓度、电导率、密度、电荷转移系数、活性物质体积分数、孔隙率、交换电流密度以及比热容等。如图3所示,图3是本申请实施例提供的一种电池内部参数的示意图。
步骤S203,将电池内部参数输入电化学数字孪生模型中,得到电池内部参数对应的预测数据。
电化学数字孪生模型是基于待测电池的电化学参数以及三维热模型通过数字孪生技术构建的。
进一步地,将电池内部参数输入电化学数字孪生模型中,从而得到电池内部参数的预测数据。
具体的,电化学数字孪生模型是基于待测电池的电化学参数以及三维热模型通过数字孪生技术构建的。
由于仅通过电池的外部测量参数对电池进行故障预测,容易导致电池故障预测的准确度较低。因此,将电池内部参数输入电化学数字孪生模型中,从而使电化学数字孪生模型根据电池内部参数对电池故障进行预测,进而得到电池内部参数的预测数据。
步骤S204,基于预测数据确定待测电池的故障预测结果。
进一步地,通过预测数据确定出待测电池的故障预测结果,由于该预测数据是电化学数字孪生模型基于电池内部参数预测得到的,通过该预测数据得到待测电池的故障预测结果,有效地提高了待测电池故障预测的准确度。
在上述实现过程中,将待测电池的实时测量数据输出到训练好的神经网络模型得到实时测量数据对应的电池内部参数,从而实现了电池内部参数的获取,进而通过电化学数字孪生模型基于电池内部参数对待测电池的故障进行预测,得到预测数据,并通过预测数据确定待测电池的故障预测结果,有效地避免了仅通过电池的外部测量参数对电池进行故障预测,导致故障预测准确度低的问题,从而提高了电池故障预测的准确度。
在其中的一些实施例中,在将电池内部参数输入电化学数字孪生模型中,得到电池内部参数对应的预测数据之前,还包括:
步骤1:获取待测电池的生产参数以及电化学参数。
步骤2:对生产参数以及电化学参数进行预处理,得到预处理后的电池参数。
步骤3:基于预处理后的电池参数以及三维热模型通过数字孪生技术构建电化学数字孪生模型。
示例性地,从电池厂商处收集电池的生产参数以及电化学参数,其中,电池的生成参数包括电池结构数据、电池初始参数以及电池历史极值参数,电池结构数据可以包括,电池包尺寸、模组数量、电芯数量、电池包识别码、电池包类型;电池初始参数可以包括,电池包初始容量、电池包初始能量、电池包初始满充时电压、电池包初始满充时压差等数据;电池历史极值参数可以包括,历史最高、最低单体电压,历史最高、最低单体温度,历史最大压差,历史最大温差等数据;电化学参数可以包括,正负极材料、隔膜、电解液、额定容量、离子迁移率、离子浓度、电导率、库伦效率等数据。
进一步地,对获取的电池的生产参数以及电化学参数进行预处理,得到预处理后的电池参数。具体的,预处理过程可以是对电池的生产参数以及电化学参数进行数据清洗、数据转换、特征提取等数据处理方式。数据清洗是指去除无效数据跟异常数据,如空值等。数据转换是指将部分非数字类型字段转换为数据类型,可以采用独热编码等方法进行数据转换。特征提取指的是历史最高、最低单体电压等极值参数需要进行统计提取。
进而,可以将预处理后的电池参数储存至时序数据库中,本申请中采集的数据均为时序数据,将采集的数据存储至时序数据库中,便于后续根据数据的时间顺序进行数据提取。时序数据库是一种专门用于存储、管理和处理时序数据的数据库管理系统。时序数据是一种按时间顺序排列的数据,其主要特征是数据随时间变化而变化。
进一步地,从时序数据库中获取预处理后的电池参数,结合三维热模型通过数字孪生技术构建电化学数字孪生模型。
具体的,可以采用简化的P2D模型,将P2D模型在引入物理假设后得到的模型构建电化学数字孪生模型—SPM模型。具体的物理假设如下:
物理假设1:固相锂离子浓度沿电极厚度x方向上均匀分布,即在任意时刻t,cs(x,r,t)和j(x,r,t)在电极厚度方向x上为一常量。
物理假设2:交换电流密度i0(x,t)可用其均值代替,即交换电流密度i0(x,t)沿电极厚度方向x为常量。
物理假设3:固-液相界面的反应速率j(x,t)沿电极厚度x方向均匀分布。
物理假设4:电池内部液相浓度和电势均为不随时间而改变的定值。
首先对P2D模型的各个方程进行描述:
①电极球形材料中的锂离子迁移过程cs(x,r,t)由球坐标下的Fick定律描述:
其边界条件为:
其中,j为反应电流密度,表征固液相界面的电化学反应速率,R为电极材料的颗粒半径,Ds为锂离子固相扩散系数。
②锂离子在液相中的变化ce(x,t)由如下的扩散方程描述:
其中,εe为液相体积分数,αs为固相颗粒比表面积,为考虑多孔电极迂曲度的有效扩散系数,符合下列关系:
其中,De为电解液扩散系数,Brugg为Bruggman系数。
③固相电势Φs和液相电势Φe的分布基于欧姆定律的电荷守恒方程描述:
其中,σeff=σεs为固相电导率,为液相电导率。
④锂电池的电荷转移反应发生在电极颗粒与电解液的固-液交界面处,反应速率j通过Bulter-Volmer电化学动力方程进行计算:
其中,i0为与固相和液相锂离子浓度梯度相关的交换电流密度,可表示为:
其中,η代表了反应过电势。
ηi=Φs,i-Φe,i-Uocv,i (9)
其中,k为反应速率常数,为电极最大锂离子浓度,Uocv为电极的平衡电势,为化学计量数/>的函数。
⑤电池的端电压由正极和负极的固相电势差计算获得:
V(t)=φs(0,t)-φs(L,t) (10)
进一步考虑电池极耳、集流体与电极材料接触内阻等造成的连接内阻Rct,则端电压可进一步修正为:
V(t)= φs(0,t)-φs(L,t)-RctI(t) (11)
基于上述P2D模型,将物理假设1~4引入其中,则电池的正极和负极区域可以用一个球形颗粒来代替,因此基于上述物理假设简化的P2D电化学模型被称为单粒子模型SPM。经过各假设简化的SPM模型的控制方程如下所示:
由物理假设1~3可知,以上假设消除了电化学模型参数与电极位置x间的耦合关系。通过对固相电势方程式(1)沿电极厚度积分可获得SPM模型中的平均反应速率j(x,t):
将物理假设3代入上述方程,SPM的反应速率可直接计算为:
将反应速率表达式代入式(1)和式(3),SPM中的固相和液相浓度方程可独立求解。
将反应速率代入Bulter-Volmer方程,可获得电池的过电势为:
将式(14)代入式(9)和式(10),并结合物理假设4,最终可获得SPM中的端电压计算方程为:
式中,中间变量ξ的表达式为:
基于上述SPM模型,可计算电池内部浓度、电势和反应电流分布等。
将SPM模型与P2D模型对比可知,SPM模型各控制方程均为常微分形式,而P2D模型存在四个偏微分方程,因此SPM模型极大降低了模型复杂度,为后续数字孪生模型的实时运行提供基础。
对于电池热模型,考虑到整个系统的复杂性和实时性需求,本申请实例选用零维温度分布—集中式产热的热模型,电池产热率Φ主要由电化学反应、材料相变及欧姆产热造成,其表达式为:
式中,Uocv为平衡电势,为熵热系数,I和V为电池电流与端电压,qpc为材料的相变产热。实际电池工作时,材料的相变产热可以忽略不计,因此,产热率可进一步简化为:
锂电池可被视作含对流边界的非稳态热传导系统,根据传热理论,该系统与环境间的热量交换主要存在热传导、热对流和热辐射三种形式。基于能量守恒定理,本申请实施例使用的零维温度分布—集中式产热的热模型可以写成:
式中,ρ和cp分别为电池密度和比热容,h为对流换热系数,A为电池散热面积,Tenv为环境温度。
SPM模型的参数具有温度相关性,随着温度的变化,锂离子电导率、扩散速率和反应速率都会发生变化,因此考虑将电化学SPM模型与热模型进行耦合,量化模型参数与温度之间的关系,建立电化学-热耦合模型。
为考虑温度对电化学参数ψ的影响,可基于阿伦尼乌兹(Arrhenius)公式对电化学参数ψ进行修正:
式中,Tref和ψref分别表示参考温度及参考温度下的电化学参数值,为反应活化能,R为理想气体常数。
基于方程式(20)可以对电化学模型中的固相扩散系数和反应速率常数进行温度修正。最后,温度对电池的平衡电势曲线也有影响,采用熵热系数对电池的平衡电势曲线进行如下修正:
利用温度修正电化学模型参数后,模型的电压输出也将发生变化。由产热计算公式(17)可知,电压输出的改变将影响产热率的计算。因此,考虑电化学参数的温度相关性并同时求解电化学模型与热模型,即可建立电化学数字孪生模型。
在上述实现过程中,对待测电池的生产参数以及电化学参数进行预处理后,得到预处理后的电池参数,进而,将预处理后的电池参数结合三维热模型,利用数字孪生技术构建电化学数字孪生模型,从而实现了待测电池的数字孪生模型的构建。
在其中的一些实施例中,基于预测数据确定待测电池的故障预测结果,包括:
步骤1:确定参考数据。
步骤2:确定参考数据与预测数据之间的残差。
步骤3:基于残差以及预设残差阈值,确定待测电池的故障预测结果。
示例性地,确定参考数据,具体的,可以将电池的放电容量、放电能量、内阻、开路电压、功率等数据在电池正常状态时的数字作为参考数据,进而构成参考数据矩阵y(t)。
进一步地,将待测电池的实时测量数据,例如,电压、电流、温度等,输入到训练好的神经网络模型中,进而将训练好的神经网络模型的输出作为电化学数字孪生模型的输入,从而使电化学数字孪生模型输出预测的放电容量、放电能量、内阻、开路电压、功率等数据,进而构成预测数据矩阵
确定参考数据矩阵y(t)与预测数据矩阵之间的残差D,并根据残差以及预设残差阈值之间的大小,确定待测电池的故障预测结果。
在上述实现过程中,确定出参考数据与预测数据之间的残差,从而实时地确定出当前的预测数据与参考数据之间的差异,进而便于根据残差与预设残差阈值确定待测电池的故障预测结果。
在其中的一些实施例中,基于残差以及预设残差阈值,确定待测电池的故障预测结果,包括:
步骤1:若残差小于或等于预设残差阈值,则待测电池未发生故障。
步骤2:若残差大于预设残差阈值,则待测电池发生故障。
具体的,在实时确定出残差之后,确定当前的残差与预设残差阈值之间的大小,若当前的残差D小于或等于预设残差阈值α,则待测电池当前未发生故障,持续对待测电池进行故障预测。
若当前残差D大于预设残差阈值α时,则确定出待测电池当前发生故障。
在上述实现过程中,根据残差与预设残差阈值之间的大小确定待测电池当前是否发生故障,提高了待测电池故障确定的准确度。
在其中的一些实施例中,电池故障预测方法还包括:
步骤1:基于待测电池运行开始至故障发生时,参考数据与所有预测数据之间的残差,生成残差记录表。
步骤2:基于残差记录表以及预设故障集,确定待测电池的故障类型。
示例性地,在对待测电池进行实时故障预测的过程中,将待测电池开始运行至故障发生时,记录参考数据与所有预测数据之间的残差,并生成残差记录表。进而根据残差记录表与预设故障集,确定待测电池的故障类型。
在上述实现过程中,对待测电池全生命周期进行监测,记录所有残差,进而根据待测电池全生命周期的残差确定待测电池的故障类型,便于实现对电池故障类型的分析以及故障轨迹分析。
在其中的一些实施例中,基于残差记录表以及预设故障集,确定待测电池的故障类型,包括:
步骤1:对残差记录表中的所有残差进行聚类分析,得到待测电池的聚类分析结果。
步骤2:确定聚类分析结果与预设故障集中每一故障类型的相似度。
步骤3:将相似度最高的故障类型确定为待测电池的故障类型。
示例性地,预设故障集中可以包括多种故障类型,可以对残差记录表中的所有残差进行聚类分析,从而得到待测电池的聚类分析结果,进一步地,确定该聚类分析结果与预设故障集中每一故障类型之间的相似度,并将预设故障集中,与待测电池的聚类分析结果相似度最高的故障类型,确定为待测电池的故障类型。
在上述实现过程中,根据待测电池全生命周期的残差与预设故障集确定待测电池的故障类型,从而在确定待测电池的故障类型的过程中,将待测电池全生命周期的数据作为参考因素,有效地避免了仅根据故障发生末期的数据确定故障类型,进一步地提高了电池故障预测的准确度。
在其中的一些实施例中,在将实时测量数据输入训练好的神经网络模型中,得到实时测量数据对应的电池内部参数之前,还包括:
步骤1:获取训练集,训练集为与待测电池同类型的电池的生产参数、运行参数以及电池内部参数。
步骤2:基于训练集对初始神经网络模型进行训练,得到训练好的神经网络模型。
示例性地,将与待测电池同类型的多个电池进行实验,获取电池的生产数据、运行数据以及电池内部参数,进而将获取的数据作为训练集。
作为另一种实施例,当训练好的神经网络模型在应用过程中,也可以根据待测电池的生产参数、运行参数以及电池内部参数进行循环训练。
进一步地,通过训练集对初始神经网络模型进行训练,从而得到训练好的神经网络模型,该训练好的神经网络模型能够通过电池实时的测量数据输出对应的电池内部参数,从而便于电池内部参数的获取。
在上述实现过程中,通过训练集对初始神经网络模型进行训练,从而得到训练好的神经网络模型,从而便于通过训练好的神经网络模型得到待测电池的电池内部参数。
在本实施例中还提供了一种电池故障预测方法。图4是本申请实施例提供的一种电池故障预测方法的流程图,如图4所示,该流程包括如下步骤:
步骤S401,获取待测电池的电池数据。
具体的,从电池厂商处采集电池的生产参数、电化学参数以及电池实时测量数据。
步骤S402,对获取的电池数据进行数据预处理,并将预处理后的数据储存至时序数据库中。
进一步地,对采集的电池数据进行数据清洗、数据转换、特征提取等数据预处理操作,得到预处理后的电池数据,并将预处理后的电池数据储存至时序数据库中。并将时序数据库中的数据划分为初始状态数据、历史状态数据以及实时测量数据。
步骤S403,基于时序数据库中的数据以及三维热模型构建电化学数字孪生模型。
进一步地,将时序数据库中的初始状态数据以及历史状态数据,结合三维热模型,利用数字孪生技术构建电化学数字孪生模型,具体的,可参照上述公式(1)至公式(21),构建电化学数字孪生模型。
步骤S404,将待测电池的实时测量数据输入训练好的神经网络模型中,得到对应的电池内部参数。
具体的,将时序数据库中的待测电池的实时测量数据输入训练好的神经网络模型中,从而使训练好的神经网络模型输出待测电池当前的电池内部参数。
步骤S405,将电池内部参数输入电化学数字孪生模型中,得到预测数据。
进一步地,将电池内部参数输入电化学数字孪生模型中,输出预测数据。
步骤S406,根据参考数据与预测数据之间的残差确定待测电池的故障预测结果。
具体的,可以将电池的放电容量、放电能量、内阻、开路电压、功率等数据作为参考数据,组成参考数据矩阵y(t),将时序数据库中的电池实时测量数据,例如,电压、电流、温度等输入到训练好的神经网络模型中,将训练好的神经网络模型的输出作为电化学数字孪生模型的输入,得到预测的放电容量、放电能量、内阻、开路电压、功率等数据,组成预测数据矩阵
进而确定参考数据矩阵y(t)与预测数据矩阵之间的残差D。
进一步地,比较残差D与预设残差阈值α之间的大小,若D≤α,表明待测电池未发生故障,若D>α,表明待测电池发生故障。
并且,记录待测电池全生命周期的残差,分析残差D随时间发生的变化,研究故障演变机理。具体的,可以欧式距离或聚类方法等研究残差D,得到待测电池的故障分析结果,并将待测电池的故障分析结果与故障集f(t)中所有的故障类型的分析结果进行对比,最终将分析结果相似度最高的故障类型确定为待测电池的故障类型。
如图5所示,图5是本申请实施例提供的一种通过电化学数字孪生模型进行电池故障预测的结构示意图。
在上述实现过程中,对待测电池全生命周期进行监测,研究电池内外部参数的实时变化,进而进行故障诊断,不仅能够分析电池全生命周期内的故障演变过程,而且有效地提高了待测电池故障预测的准确度。
需要说明的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在本实施例中还提供了一种电池故障预测装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。以下所使用的术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管在以下实施例中所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图6是本申请实施例提供的一种电池故障预测装置的结构框图,如图6所示,该装置包括:
获取模块601,用于获取待测电池的实时测量数据;
电池内部参数确定模块602,用于将实时测量数据输入训练好的神经网络模型中,得到实时测量数据对应的电池内部参数,电池内部参数用于表征待测电池当前的内部状态信息;
预测模块603,用于将电池内部参数输入电化学数字孪生模型中,得到电池内部参数对应的预测数据,电化学数字孪生模型是基于待测电池的电化学参数以及三维热模型通过数字孪生技术构建的;
确定模块604,用于基于预测数据确定待测电池的故障预测结果。
在其中的一些实施例中,预测模块603还用于:
获取待测电池的生产参数以及电化学参数;
对生产参数以及电化学参数进行预处理,得到预处理后的电池参数;
基于预处理后的电池参数以及三维热模型通过数字孪生技术构建电化学数字孪生模型。
在其中的一些实施例中,确定模块604具体用于:
确定参考数据;
确定参考数据与预测数据之间的残差;
基于残差以及预设残差阈值,确定待测电池的故障预测结果。
在其中的一些实施例中,确定模块604具体用于:
若残差小于或等于预设残差阈值,则待测电池未发生故障;
若残差大于预设残差阈值,则待测电池发生故障。
在其中的一些实施例中,确定模块604还用于:
基于待测电池运行开始至故障发生时,参考数据与所有预测数据之间的残差,生成残差记录表;
基于残差记录表以及预设故障集,确定待测电池的故障类型。
在其中的一些实施例中,确定模块604具体用于:
对残差记录表中的所有残差进行聚类分析,得到待测电池的聚类分析结果;
确定聚类分析结果与预设故障集中每一故障类型的相似度;
将相似度最高的故障类型确定为待测电池的故障类型。
在其中的一些实施例中,电池内部参数确定模块602还用于:
获取训练集,训练集为与待测电池同类型的电池的生产参数、运行参数以及电池内部参数;
基于训练集对初始神经网络模型进行训练,得到训练好的神经网络模型。
需要说明的是,上述各个模块可以是功能模块也可以是程序模块,既可以通过软件来实现,也可以通过硬件来实现。对于通过硬件来实现的模块而言,上述各个模块可以位于同一处理器中;或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图7所示,图7是本申请实施例提供的一种计算机设备的内部结构示意图。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种电池故障预测方法。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供了一种电子装置,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对专利保护范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种电池故障预测方法,其特征在于,包括:
获取待测电池的实时测量数据;
将所述实时测量数据输入训练好的神经网络模型中,得到所述实时测量数据对应的电池内部参数,所述电池内部参数用于表征所述待测电池当前的内部状态信息;
将所述电池内部参数输入电化学数字孪生模型中,得到所述电池内部参数对应的预测数据,所述电化学数字孪生模型是基于所述待测电池的电化学参数以及三维热模型通过数字孪生技术构建的;
基于所述预测数据确定所述待测电池的故障预测结果。
2.根据权利要求1所述的电池故障预测方法,其特征在于,在所述将所述电池内部参数输入电化学数字孪生模型中,得到所述电池内部参数对应的预测数据之前,还包括:
获取所述待测电池的生产参数以及电化学参数;
对所述生产参数以及所述电化学参数进行预处理,得到预处理后的电池参数;
基于所述预处理后的电池参数以及所述三维热模型通过数字孪生技术构建所述电化学数字孪生模型。
3.根据权利要求1所述的电池故障预测方法,其特征在于,所述基于所述预测数据确定所述待测电池的故障预测结果,包括:
确定参考数据;
确定所述参考数据与所述预测数据之间的残差;
基于所述残差以及预设残差阈值,确定所述待测电池的故障预测结果。
4.根据权利要求3所述的电池故障预测方法,其特征在于,所述基于所述残差以及预设残差阈值,确定所述待测电池的故障预测结果,包括:
若所述残差小于或等于所述预设残差阈值,则所述待测电池未发生故障;
若所述残差大于所述预设残差阈值,则所述待测电池发生故障。
5.根据权利要求3所述的电池故障预测方法,其特征在于,所述电池故障预测方法还包括:
基于所述待测电池运行开始至故障发生时,所述参考数据与所有预测数据之间的残差,生成残差记录表;
基于所述残差记录表以及预设故障集,确定所述待测电池的故障类型。
6.根据权利要求5所述的电池故障预测方法,其特征在于,所述基于所述残差记录表以及预设故障集,确定所述待测电池的故障类型,包括:
对所述残差记录表中的所有残差进行聚类分析,得到所述待测电池的聚类分析结果;
确定所述聚类分析结果与所述预设故障集中每一故障类型的相似度;
将相似度最高的故障类型确定为所述待测电池的故障类型。
7.根据权利要求1所述的电池故障预测方法,其特征在于,在所述将所述实时测量数据输入训练好的神经网络模型中,得到所述实时测量数据对应的电池内部参数之前,还包括:
获取训练集,所述训练集为与所述待测电池同类型的电池的生产参数、运行参数以及电池内部参数;
基于所述训练集对初始神经网络模型进行训练,得到所述训练好的神经网络模型。
8.一种电池故障预测装置,其特征在于,包括:
获取模块,用于获取待测电池的实时测量数据;
电池内部参数确定模块,用于将所述实时测量数据输入训练好的神经网络模型中,得到所述实时测量数据对应的电池内部参数,所述电池内部参数用于表征所述待测电池当前的内部状态信息;
预测模块,用于将所述电池内部参数输入电化学数字孪生模型中,得到所述电池内部参数对应的预测数据,所述电化学数字孪生模型是基于所述待测电池的电化学参数以及三维热模型通过数字孪生技术构建的;
确定模块,用于基于所述预测数据确定所述待测电池的故障预测结果。
9.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行权利要求1至7中任一项所述的电池故障预测方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的电池故障预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311501299.4A CN117725499A (zh) | 2023-11-13 | 2023-11-13 | 电池故障预测方法、装置、电子装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311501299.4A CN117725499A (zh) | 2023-11-13 | 2023-11-13 | 电池故障预测方法、装置、电子装置和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117725499A true CN117725499A (zh) | 2024-03-19 |
Family
ID=90204194
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311501299.4A Pending CN117725499A (zh) | 2023-11-13 | 2023-11-13 | 电池故障预测方法、装置、电子装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117725499A (zh) |
-
2023
- 2023-11-13 CN CN202311501299.4A patent/CN117725499A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kaur et al. | Deep learning networks for capacity estimation for monitoring SOH of Li‐ion batteries for electric vehicles | |
Finegan et al. | The application of data-driven methods and physics-based learning for improving battery safety | |
Jin et al. | Parameter estimation of an electrochemistry‐based lithium‐ion battery model using a two‐step procedure and a parameter sensitivity analysis | |
Sun et al. | A method for estimating the aging state of lithium‐ion batteries based on a multi‐linear integrated model | |
Laadjal et al. | A review of supercapacitors modeling, SoH, and SoE estimation methods: Issues and challenges | |
WO2008128427A1 (fr) | Procédé pour analyser les performances d'une batterie d'accumulateurs au plomb-acide de type commande de soupape | |
Tian et al. | Data‐driven battery degradation prediction: Forecasting voltage‐capacity curves using one‐cycle data | |
KR20140137181A (ko) | 배터리의 두께 예측 시스템 및 배터리의 두께 예측 방법 | |
WO2016151336A1 (en) | Battery model comprising plurality of equivalent circuit networks and interface element coupling them | |
Shi et al. | Combining physicochemical model with the equivalent circuit model for performance prediction and optimization of lead-acid batteries | |
Sarkar et al. | Electrochemical models: methods and applications for safer lithium-ion battery operation | |
CN115840144A (zh) | 电池仿真计算方法、装置、计算机设备和存储介质 | |
Chen et al. | State of health estimation of lithium-ion batteries based on equivalent circuit model and data-driven method | |
Chen et al. | Remaining useful life prediction of the lithium-ion battery based on CNN-LSTM fusion model and grey relational analysis | |
CN116068408B (zh) | 电池老化数据确定方法、装置、计算机设备和存储介质 | |
Cui et al. | Long-sequence voltage series forecasting for internal short circuit early detection of lithium-ion batteries | |
Choi et al. | Parameter identification and identifiability analysis of lithium‐ion batteries | |
CN117169761A (zh) | 电池状态评估方法、装置、设备、存储介质和程序产品 | |
Pozzato et al. | Combining physics-based and machine learning methods to accelerate innovation in sustainable transportation and beyond: a control perspective | |
CN116299006A (zh) | 电池包的健康状况预测方法、装置、设备和存储介质 | |
Li et al. | Big data driven Lithium-ion battery modeling method: a Cyber-Physical System approach | |
CN117725499A (zh) | 电池故障预测方法、装置、电子装置和存储介质 | |
CN116184209A (zh) | 一种适用于动力电池热失控的预警方法及装置 | |
CN114970734A (zh) | 异常电池确定方法、装置、计算机设备和存储介质 | |
US11644508B2 (en) | Method and apparatus for measuring state of battery |
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 |