CN117872146A - 监测电池异常的方法、装置、设备及存储介质 - Google Patents
监测电池异常的方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117872146A CN117872146A CN202311706738.5A CN202311706738A CN117872146A CN 117872146 A CN117872146 A CN 117872146A CN 202311706738 A CN202311706738 A CN 202311706738A CN 117872146 A CN117872146 A CN 117872146A
- Authority
- CN
- China
- Prior art keywords
- information
- battery
- time
- real
- soc
- 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 75
- 230000005856 abnormality Effects 0.000 title claims abstract description 32
- 238000012544 monitoring process Methods 0.000 title claims abstract description 32
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 45
- 230000002159 abnormal effect Effects 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims description 49
- 238000004590 computer program Methods 0.000 claims description 21
- 230000015654 memory Effects 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 11
- 238000007599 discharging Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 18
- 238000004458 analytical method Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000032683 aging Effects 0.000 description 3
- 238000013528 artificial neural network 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
- 238000007405 data analysis Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000004146 energy storage Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000000178 monomer Substances 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 101100257262 Caenorhabditis elegans soc-1 gene Proteins 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 229910052744 lithium Inorganic materials 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 101150114085 soc-2 gene Proteins 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Secondary Cells (AREA)
Abstract
本申请适用于电池技术领域,提供了一种监测电池异常的方法、装置、设备及存储介质,该方法包括:利用目标预测模型处理历史电池信息,生成当前时刻的预测电压信息,所述历史电池信息包括以下至少一项:电压信息、温度信息、SOC信息和电流信息,所述目标预测模型为极致梯度提升模型;根据所述当前时刻的预测电压信息生成预设阈值区间;将所述电池的实时电池信息与所述预设阈值区间进行对比,确定所述电池的实时电池信息是否存在异常。该方案通过综合考虑电压、温度、电流等多种历史电池信息并借助极致梯度提升模型来进行预设阈值区间的推理预测,能够保证电池监测的准确性和稳定性。
Description
技术领域
本申请涉及电池技术领域,尤其涉及一种监测电池异常的方法、装置、设备及存储介质。
背景技术
电池是一种能够将化学能转化为电能的装置,它在现代社会中扮演着重要的角色,被广泛应用于各种电子设备、交通工具和能源储存系统中。在电池的使用过程中,由于其内部结构和化学特性的情况多变复杂,以及实际使用条件不符合安全规范,存在着在高温条件下充放电或者强力挤压等危险操作,很有可能导致电池的性能下降,增加安全隐患。因此,需要在电池使用过程中进行异常监测,提前预测以避免安全事故的发生。
在相关方案中,主要是根据电池内部特性建立电池模型或人工智能模型来进行预测。但是,由于电池内部物理特性较为复杂,建立电池模型的难度较大,复杂度较高,容易导致预测误差较大。
发明内容
本申请实施例提供了一种监测电池异常的方法、装置、设备及存储介质,可以解决如何利用准确高效地对电池进行长期异常监测的技术问题。
第一方面,本申请实施例提供了一种监测电池异常的方法,包括:
利用目标预测模型处理历史电池信息,生成当前时刻的预测电压信息,历史电池信息包括以下至少一项:电压信息、温度信息、SOC信息和电流信息,目标预测模型为极致梯度提升模型。电池工作状态受多种因素的影响,综合考虑多种信息可以使模型更具鲁棒性,对于温度变化、SOC变化、电流变化等因素的影响能够更好地进行预测。利用极致梯度提升模型结合多种历史电池信息进行预测能够提高模型的准确性、泛化能力和鲁棒性,为电池状态预测提供更可靠的预测结果,同时还能提升计算效率。
根据当前时刻的预测电压信息生成预设阈值区间,预设阈值区间表示SOC信息与电压信息的对应区间。
利用准确性高的预测电压信息来得到预设阈值区间,可以提升预设阈值区间的设置的准确性,有助于后续异常监测过程中正确判断电池是否存在异常。
获取电池的实时电池信息,实时电池信息包括实时SOC信息和实时电压信息。
将电池的实时电池信息与预设阈值区间进行对比,确定电池的实时电池信息是否存在异常。
通过实时监测电池的电池信息并与预设阈值区间进行对比,可以得出更加准确的电池监测结果,保证电池的安全性。
第二方面,本申请实施例提供了一种监测电池异常的装置,该装置具有实现第一方面或其任意可能的实现方式中的方法的功能。具体地,该装置包括实现第一方面或其任意可能的实现方式中的方法的单元。
在其中的一个实施例中,该装置包括:
处理单元,用于利用目标预测模型处理历史电池信息,生成当前时刻的预测电压信息,历史电池信息包括以下至少一项:电压信息、温度信息、SOC信息和电流信息;
处理单元还用于,根据当前时刻的预测电压信息生成预设阈值区间,预设阈值区间表示SOC信息与电压信息的对应区间;
获取单元,用于获取电池的实时电池信息,实时电池信息包括实时SOC信息和实时电压信息;
处理单元还用于,将电池的实时电池信息与预设阈值区间进行对比,确定电池的实时电池信息是否存在异常。
第三方面,本申请实施例提供了一种计算机设备,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,该处理器执行计算机程序时,使得计算机设备实现上述第一方面任意一种实现方式的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被计算机设备执行时,使得计算机设备实现上述第一方面任意一种实现方式的方法。
第五方面,本申请实施例提供了一种计算机程序产品,当计算机程序产品在计算机设备上运行时,使得计算机设备执行上述第一方面任意一种实现方式的方法。
本申请实施例与现有技术相比存在的有益效果是:通过综合考虑电压、温度、电流等多种历史电池信息可以提供更全面、更多样化的数据特征,有助于模型更准确地捕捉数据之间的复杂关系,从而提高模型的预测准确性;利用目标预测模型,即极致梯度提升模型来处理多种历史电池信息来获得预设阈值区间,不仅计算简单高效,提升了预测推理过程的效率,也使得推理得到预设阈值区间更具可靠性和真实性;通过将电池实时信息和预设阈值区间进行对比分析,可以及时发现电池状态的异常情况,保证电池的平稳安全运行。
附图说明
图1是本申请实施例提供的一种监测电池异常的场景示意图。
图2是本申请实施例提供的一种监测电池异常的方法的流程示意图。
图3是本申请实施例提供的另一种监测电池异常的方法的流程示意图。
图4是本申请实施例提供的一种监测电池异常的装置的结构示意图。
图5是本申请实施例提供的计算机设备的结构示意图。
具体实施方式
电池作为一种新能源系统的储能设备,能够存储太阳能、风能等不稳定的可再生能源,以便在需要时进行释放。随着电动汽车、移动储能设备的普及,电池的应用越来越广泛,用户对于电池的平稳正常运行的需求也越来越高。
电池监测可以帮助及时发现电池的异常情况,如过热、过充、过放等,从而减少电池发生故障的风险,提高使用安全性。
下面结合图1来具体解释本申请实施例提供的一种电池监测的应用场景。
图1是本申请实施例提供的一种监测电池异常的场景示意图。
如图1中所示,通过对电池运行数据库中存储的数据进行数据处理,可以将经过数据处理后的数据作为样本数据进行模型训练,然后将模型部署到电压异常检测服务中就可以实现对电池的实时监测。
在传统方案中,对于电池的监测主要是利用神经网络模型等来实现对电池数据的分析和预测,此种方式对训练数据的要求较高,实际应用时计算量大,计算方式复杂,在训练样本不足时难以保证电池监测的效率和准确性。
针对上述问题,本申请提出了一种监测电池异常的方法,能够在训练样本较少的情况下,准确高效地对电池进行长期监测。
为了进一步说明本申请的技术方案,下面通过具体实施例来说明。
图2是本申请实施例提供的一种监测电池异常的方法的流程示意图。
如图2所示,上述方法包括以下步骤S201~S204。
S201、利用目标预测模型处理历史电池信息,生成当前时刻的预测电压信息。
历史电池信息包括以下至少一项:电压信息、温度信息、SOC信息和电流信息,目标预测模型为极致梯度提升模型。
此处可以是从电池数据库中获取电池组在预设时长内的一定数量的电池单体的历史电池信息。具体的时长和电池单体的数量可以根据实际情况来进行选择,此处不作限定。将获取到的历史电池信息输入到目标预测模型中,就可以生成当前时刻的预测电压信息,预测电压信息也可以理解为是根据历史电池信息得到的当前时刻的电压的可能值或推测值。
可以理解,电池组是指由多个电池单体组成的整体,用于存储和释放能量。电池单体是指组成电池组的单个电池单元,电池单体的个数可以用N来表示。作为示例而非限定,此处的电池单体可以是锂电池、铅酸电池等。电压是指电池单体的电压,表示电池的电势差,通常以伏特(V)为单位。温度是指电池单体的温度,影响电池的性能和寿命。SOC表示电池电量的百分比。
目标预测模型是极致梯度提升模型(Xtreme Gradient Boosting,XGBoost)模型。XGBoost模型是一种高效的、灵活的机器学习模型,可以理解为是一种基于决策树的梯度提升算法。
结合相关专原理可知,XGBoost模型是通过组合多个弱分类器(通常是决策树)来构建一个强大的集成模型。它通过不断迭代训练,每一次迭代都会根据之前迭代的结果来调整模型,以使得误差最小化。这种迭代的过程使得XGBoost能够逐步提升模型的性能,从而在预测和分类任务中取得很好的效果。
作为示例而非限定,此处的目标预测模型还可以是线性回归(LinearRegression)模型、支持向量机回归(Support Vector Machine Regression,SVR)模型、决策树回归(Decision Tree Regression)模型、随机森林回归(Random Forest Regression)模型以及神经网络回归(Neural Network Regression)模型等等,具体的模型选择可以根据实际情况来选择。
S202、根据当前时刻的预测电压信息生成预设阈值区间。
预设阈值区间表示SOC信息与电压信息的对应区间,也可以理解为是指在正常状况下某一SOC值对应的电压的最低值到最高值的区间范围。
假设,此时的SOC是60%,已知某型号电池在正常状态下电压的最低值是3.4V,电压的最高值是3.6V,可以明显看出,此时的预设阈值区间可以表示为[60%-3.4,60%-3.6],或者也可以采用另一种表示方式,即SOC为60%时的预设阈值区间为[3.4,3.6]。具体的表示方式可以根据实际情况来选择,此处不作限定。
S203、获取电池的实时电池信息。
实时电池信息包括实时SOC信息和实时电压信息。
此处可以通过电池管理系统(Battery Management System,BMS)来获取实时电池信息。
BMS是一种专门用于监控和管理电池状态的系统,它通常包括传感器、控制器和数据采集模块。BMS可以实时监测电池的SOC和电压信息,并将这些数据传输至数据采集模块。数据采集模块可以是一种硬件设备,也可以是嵌入式系统或微控制器。它负责接收来自BMS传感器的实时数据,并将这些数据进行处理和存储。一旦采集到实时数据,可以通过无线通信技术,如蓝牙、Wi-Fi、远距离无线电(Long Range Radio,LoRa)等将实时SOC和电压信息传输至需要的终端设备,如监控系统、移动应用程序或云端服务器。接收到实时数据后,可以通过软件程序对数据进行处理和分析,然后将实时SOC和电压信息显示在用户界面上,以便用户实时监测电池状态。
S204、将电池的实时电池信息与预设阈值区间进行对比,确定电池的实时电池信息是否存在异常。
结合上文内容可知,假设此时的实时SOC是60%,对应的实时电压为3.8V,利用目标预测模型得到的在SOC为60%时预设阈值区间为[3.4,3.6],可以明显看出,实时电压超过了预设阈值区间,说明此时的电池信息存在异常,需要进行核实处理。
上述方法通过综合考虑电压、温度、电流等多种历史电池信息可以提供更全面、更多样化的数据特征,有助于模型更准确地捕捉数据之间的复杂关系,从而提高模型的预测准确性;利用训练好的目标预测模型(如XGBoost模型)来处理多种历史电池信息计算简单便捷,提升了预测推理过程的效率和准确性,进而使推理得到预设阈值区间更具可靠性和真实性,通过将电池实时信息和预设阈值区间进行对比分析,可以及时发现电池状态的异常情况,保证电池的平稳安全运行。
在一种实现方式中,当电池的实时电池信息超出预设阈值区间时,认定实时电池信息存在异常;或者,当电池的实时电池信息未超出预设阈值区间时,认定实时电池信息不存在异常。
结合上文中的例子可以理解,假设实时SOC为60%,对应的实时电压为3.4V,由于3.4V落入[3.4,3.6]的区间内,此时可以认定电池信息不存在异常,反之则存在异常。
在一种实现方式中,根据当前时刻的预测电压信息生成预设阈值区间,包括:对当前时刻的预测电压信息进行反归一化处理,得到SOC信息与预测电压信息的对应区间;根据预设拓展策略对SOC信息与预测电压信息的对应区间进行拓展上限处理和/或拓展下限处理,得到预设阈值区间。
可以理解,在训练目标预测模型时需要对历史电池信息(可以理解为输入信息)进行归一化处理,根据历史电池信息训练好的目标预测模型就可以生成预测电压信息(可以理解为输出信息),那么对于得到的预测电压信息进行反归一化处理就可以得到SOC信息和电压信息(也可以理解为端电压,下文中用Ut来表示)之间的对应区间,也可以称为SOC-Ut区间。
预设拓展策略可以理解为是一种加减策略,即通过对SOC-Ut区间的上限或下限进行加减处理,得到原本上限的拓展上限以及原本下限的拓展下限,利用拓展上限和拓展下限构成的新区间就可以称为预设阈值区间。
具体的加减数值可以利用统计学方法,如标准差、均值等,或机器学习方法,如神经网络、支持向量机等或者实际经验来具体设置,此处不作限定。
作为示例而非限定,如果SOC-Ut的原本区间为[3.4,3.6],那么可以将SOC-Ut的拓展上限设置为3.7V,拓展下限设置为3.3V,得到新的区间为[3.3,3.7]即为预设阈值区间。
可以理解根据前述方法既可以构成“正常范围”区间,该区间可以是一个固定的范围,也可以是一个动态的范围,也可以根据实时数据进行调整。
通过对原本的区间进行拓展可以减少误报率,使得模型更加准确地判断正常和异常状态,也可以使得模型适应更多的场景,从而提高模型的通用性和适用性,同时也可以使得系统更加稳定,减少系统出现异常情况的概率,保证系统的稳定性。
通过不断优化和调整SOC-Ut区间的上下限,可以提高预测的准确性和可靠性。
在一种实现方式中,在利用目标预测模型处理历史电池信息,生成当前时刻的预测电压信息之前,上述方法还包括:获取电池在多个充电周期和/或放电周期内的电池样本信息,电池样本信息包括以下至少一项:电压样本信息、温度样本信息、SOC样本信息和电流样本信息;根据预设SOC区间对电池样本信息进行筛选处理,得到筛选后的电池样本信息;对筛选后的电池样本信息进行数据预处理,得到训练样本信息;根据训练样本信息对预测模型进行训练,得到目标预测模型。
预设SOC区间可以表示为[SOC1,SOC2](0≤SOC1<SOC2≤100),例如,预设SOC区间可以是[20%,80%]。
确定预设SOC区间时,可以根据电池的充放电特性、工作环境和需要监测的充放电状态来具体判断。实际中可以根据具体的应用需求和实际情况来确定,此处不作限定。
通过筛选预设SOC区间内的数据,可以更加精确地监测电池异常在特定充放电状态下的性能和状态;可以减少要处理的数据量,简化数据分析和处理的复杂性,同时,选择合适的SOC区间可以帮助减少由于不必要的数据干扰而引起的误差,提高数据处理的准确性和可靠性。
在一种实现方式中,对筛选后的电池样本信息进行数据预处理,得到训练样本信息,包括:对筛选后的电池样本信息进行异常数据清洗处理,得到清洗电池样本信息;根据清洗电池样本信息生成训练样本信息。
此处是指对预设SOC区间内的原始数据进行清洗,去除异常数据和缺失值。这可以通过使用异常检测算法(如k-means聚类算法)或者设置阈值筛选异常数据来实现。
清洗后的数据能够减少异常值对模型的影响,提高模型的准确性和鲁棒性;同时也能够提高数据分析的可信度,使得分析结果更加可靠和有效,以及降低模型过拟合的风险,提高模型的泛化能力。
在一种实现方式中,对筛选后的电池样本信息进行数据预处理,得到训练样本信息,包括:对筛选后的电池样本信息进行缺失数据填充处理,得到填充电池样本信息;根据填充电池样本信息生成训练样本信息。
对于缺失的数据点,可以使用时间序列填充的方法进行处理。例如,使用插值法,如线性插值或者样条插值,来填补缺失的数值;或者是使用时间序列预测模型,如自回归移动平均模型(Autoregressive Integrated Moving Average Model,ARIMA)模型或者长短期记忆网络(Long Short Term Memory,LSTM)模型来预测缺失数值。
通过对缺失数据进行填充处理可以帮助保持数据的连续性,避免在分析过程中出现断裂的情况,也可以减少数据丢失的情况,从而提高数据的完整性和可用性,进而提高模型的准确性。
在一种实现方式中,对筛选后的电池样本信息进行数据预处理,得到训练样本信息,包括:对筛选后的电池样本信息进行数据时间对齐处理,得到对齐电池样本信息;根据对齐样本信息生成训练样本信息。
可以理解,对于不同时间尺度的数据,需要进行对齐操作,使得不同数据点在同一时间点上具有对应关系。这可以通过时间戳对齐或者时间序列重采样来实现。
通过对齐操作,可以将不同数据点在不同时间尺度上的数据统一到相同的时间点上,使得不同数据点可以进行直接比较和分析。对齐操作可以简化数据分析过程,使得不同数据点在同一时间点上具有对应关系,方便进行跨数据源的分析和对比;也可以减少数据处理的复杂性,避免在分析过程中需要处理不同时间尺度的数据对齐问题,从而提高训练模型的效率和准确性。
通过上文中的数据处理过程,可以得到预处理后的包含SOC、Ut、Temp(温度)和Cur(电流)的训练样本信息。
在一种实现方式中,根据训练样本信息对预测模型进行训练,得到目标预测模型,包括:对训练样本信息进行归一化处理,得到归一化后的训练样本信息;根据归一化后的训练样本对预测模型进行训练,得到目标预测模型。
对于每个训练样本信息的输入数据,可以采用最小-最大归一化或者标准化等方法,将其缩放到一个特定的范围内,例如[0,1]或者标准正态分布。
例如,对于每个特征,可以使用公式(1)将其缩放到[0,1]的范围内。
x′=(x-min(x))/(max(x)-min(x)) 。 (1)
例如,对于每个特征,可以使用公式(2)将其缩放到均值为0,标准差为1的分布中。
x′=(x-mean(x))/std(x) 。 (2)
归一化后处理可以使数据的分布更加均匀,可以加速模型的收敛速度。归一化后的数据可以减小特征之间的差异,避免一些特征对模型的影响过大,并且归一化可以将数据映射到一个特定范围内,使得异常值对数据的影响减小,从而提高模型的精度。
在一种实现方式中,当认定实时电池信息存在异常时,生成并输出实时电池信息存在异常的预警信息;根据预警信息执行电压异常维护措施。
可以理解,一旦发现电池存在异常,可以通过警报、通知或自动控制系统等方式进行相应的处理,比如切断电池供电或进行自动充电或通知维护人员检查等操作。
下面结合图3来具体介绍。
图3是本申请实施例提供的另一种监测电池异常的方法的流程示意图。
如图3所示,图3包括以下步骤S301~S3015。
S301、从电池数据库获取电池组在一定时长T内的所有电池单体的电压、温度、组SOC、电流数据。
结合上文可以理解,组SOC可以理解为是电池组的SOC值。
S302、截取预设SOC区间内的数据。
通过SOC值进行判断,截取给定SOC区间[SOC1,SOC2](0≤SOC1<SOC2≤100)内的数据,给定SOC区间内含K个SOC采样点。
S303、数据预处理。
结合上文可知,此处是对给定SOC区间内的原始数据进行预处理,清洗异常数据,通过时间序列填充、对齐等操作,获取给定SOC区间内的SOC-Ut-Temp-Cur关系。
S304、滑窗获取T时长内所有预设SOC区间内所有单体的训练样本。
其中,定义单个训练样本为多个充放电周期中,给定SOC区间内,某个单体电池在某SOC采样点处的序列{(Ut1,Ut2,…,UtL),(Temp1,Temp2,…,TempL),(Cur1,Cur2,…,CurL)},取输入为{(Ut1,Ut2,…,Ut(L-1)),(Temp1,Temp2,…,Temp(L-1)),(Cur1,Cur2,…,Cur(L-1))},输出为UtL,L为样本长度。
通过滑窗(距离为W)获取T时长内所有给定SOC区间内所有单体的训练样本,此时得到某单体的样本数量为(T-L)/W+1,T时长内所有样本数为((T-L)/W+1)*K*N。
具体来说,对于每个单体电池,通过滑窗的方式在T时长内获取所有可能的训练样本,其中T为时间长度,L为样本长度,W为滑窗的距离,K为单体电池的数量,N为每个单体电池在给定SOC区间内的样本数量。
也可以理解为,每个样本包括了在给定SOC区间内的某个单体电池在不同时间点的电压、温度和电流数据,其中输入为前L-1个时间点的数据,输出为第L个时间点的电压数据。通过滑窗的方式在T时长内获取所有可能的训练样本,滑窗的距离为W,这样可以覆盖不同时间点的数据,并且充分利用了时间序列数据的信息。
通过滑窗的方式获取了不同时间点的样本,使得模型可以充分利用时间序列数据的特征;通过计算每个单体电池在给定SOC区间内的样本数量,可以充分考虑不同单体电池之间的差异,提高了模型的泛化能力;通过考虑时间长度T和样本长度L,可以灵活地控制训练样本的数量和质量,使得模型更加准确和有效。
上述训练样本的选择方法考虑了多个充放电周期中的电池数据,充分覆盖了电池的使用周期,能够反映电池的老化等动态因素,可以提升模型的准确性。
S305、数据归一化处理,训练预测模型,生成目标预测模型。
结合上文可知,此处采用的模型可以是XGBoost模型。
也就是说,通过训练过程,目标预测模型能够根据输入的端电压、温度、电流数据,预测出电池在给定SOC下的端电压。
上述步骤S301~S305为数据预处理及阶段,通过上述步骤训练好的模型就是目标预测模型。
S306、获取某电池单体的历史数据。
此处的历史数据是指某电池单体最新的实际运行数据,可以取给定时长内的历史数据作为数据输入。
S307、数据预处理。
结合上文可知,此处是指对历史数据进行清洗异常数据,通过时序填充、对齐等操作,得到给定SOC区间内的SOC-ut-temp-cur关系数据。例如,在某SOC采样点处需得到序列如{(ut1,ut2,…,ut(L-1)),(temp1,temp2,…,temp(L-1)),(cur1,cur2,…,cur(L-1))}。
S308、数据归一化处理并通过目标预测模型进行推理。
将历史数据进行归一化处理,将数据缩放到一个标准的范围内,以便输入到模型中进行训练和预测。利用目标预测模型进行推理,可以得到给定SOC区间内的预测结果序列{utL0,utL1,…,utLK}(某电池单体)。
S309、将生成结果进行反归一化,设定正常阈值范围,得到正常SOC-Ut区间。
通过对预测结果序列进行反归一化得到最新时刻的预测SOC-Ut关系序列。
对预测SOC-Ut关系序列进行拓展上限处理和/或拓展下限处理,生成正常电压的阈值范围序列{SOC-Ut_upper},{SOC-Ut_lower}。
上述步骤S306~S309是预测推理阶段,通过上述步骤可以得到预测的正常SOC-Ut区间。
S3010、获取某电池单体的实时电压和实时SOC。
S3011、截取预设SOC区间内的数据,得到实时SOC-Ut曲线。
S3012、将实时SOC-Ut曲线与正常SOC-Ut区间进行对比。
S3013、判断是否超限。
S3014、记录异常并预警。
当实时SOC-Ut曲线超出正常SOC-Ut区间时,认定存存在异常,这时可以将异常结果记录下来,包括异常的时间、电池单体信息以及异常的具体情况。将记录下来的异常结果上报到相应的系统或平台,以便进行后续的处理和分析。上报可以通过网络通讯或其他方式进行。例如可以通过邮件、实时通讯工具等社交通讯方式进行通知。
S3015、结束。
上述步骤S3010~S3015是异常检测阶段,通过上述步骤可以实现对电池状态的异常监测,实现实时预警。
上述方法通过对电池充放电周期中预设SOC区间内的电压形态特征进行学习对锂电池充放电过程中给定SOC区间内的电压形态特征进行学习与预测,充分利用工况数据,同时对于工况不做特殊要求,可用于不间断电源(UPS)等满充满放工况较少的场景。
在故障诊断模型的训练方法中,天然地将电池老化对电压形态变化的影响考虑到其中,能实现对项目的长期监测,减少由于老化等因素造成的一段时间之后模型偏差较大的影响。
诊断模型采用xgboost,训练简单快速,能在算力资源有限的条件下,实现对每一颗电芯的健康监测。
对于同类型电池训练出的模型,可快速部署于近期投运项目中,实现快速“冷启动”。
上文主要结合附图对本申请实施例的方法进行了介绍。应理解,虽然如上所述的各实施例所涉及的流程图中的各个步骤依次显示,但是这些步骤并不是必然按照图中所示的顺序依次执行。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。下面结合附图对本申请实施例的一种的装置进行介绍。为了简洁,在下文介绍装置时,会进行适当省略,相关内容可以参照上文的方法中的相关描述,不再重复介绍。
图4是本申请实施例提供的一种监测电池异常的装置的结构示意图。
如图4所示,该装置1000包括以下单元。
处理单元1001,用于利用目标预测模型处理历史电池信息,生成当前时刻的预测电压信息,历史电池信息包括以下至少一项:电压信息、温度信息、SOC信息和电流信息;
处理单元1001还用于,根据当前时刻的预测电压信息生成预设阈值区间,预设阈值区间表示SOC信息与电压信息的对应区间;
获取单元1002,用于获取电池的实时电池信息,实时电池信息包括实时SOC信息和实时电压信息;
处理单元1001还用于,将电池的实时电池信息与预设阈值区间进行对比,确定电池的实时电池信息是否存在异常。
在一种实现方式中,该装置1000还包括存储单元1003,该存储单元可以用于存储指令和/或数据,从而实现上述实施例中的方法。
需要说明的是,上述单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
图5是本申请实施例提供的计算机设备的结构示意图。如图5所示,该实施例的计算机设备3000包括:至少一个处理器3100(图5仅示出一个)处理器、存储器3200以及存储在存储器3200中并可在至少一个处理器3100上运行的计算机程序3210,处理器3100执行计算机程序3210时,使得计算机设备实现上述实施例中的步骤。
处理器3100可以是中央处理单元(Central Processing Unit,CPU),该处理器3100还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器3200在一些实施例中可以是计算机设备3000的内部存储单元,例如计算机设备3000的硬盘或内存。存储器3200在另一些实施例中也可以是计算机设备3000的外部存储设备,例如计算机设备3000上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器3200还可以既包括计算机设备3000的内部存储单元也包括外部存储设备。存储器3200用于存储操作系统、应用程序、引导装载程序(Boot Loader)数据以及其他程序等,例如计算机程序的程序代码等。存储器3200还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元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单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。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。另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中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。
本申请实施例还提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被计算机设备执行时,使得计算机设备实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在计算机设备上运行时,使得计算机设备能够实现上述各个方法。
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,本申请实现上述实施例方法中的全部或部分流程,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计算机可读存储介质中,该计算机程序在被处理器执行时,使得计算机设备可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。在描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
另外,在本申请说明书和所附权利要求书的描述中,术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置、计算机设备和方法,可以通过其它的方式实现。例如,以上所描述的装置、计算机设备实施例仅仅是示意性的,例如,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系统,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讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (12)
1.一种监测电池异常的方法,其特征在于,包括:
利用目标预测模型处理历史电池信息,生成当前时刻的预测电压信息,所述历史电池信息包括以下至少一项:电压信息、温度信息、SOC信息和电流信息,所述目标预测模型为极致梯度提升模型;
根据所述当前时刻的预测电压信息生成预设阈值区间,所述预设阈值区间表示所述SOC信息与所述电压信息的对应区间;
获取所述电池的实时电池信息,所述实时电池信息包括实时SOC信息和实时电压信息;
将所述电池的实时电池信息与所述预设阈值区间进行对比,确定所述电池的实时电池信息是否存在异常。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
当所述电池的实时电池信息超出所述预设阈值区间时,认定所述实时电池信息存在异常;或者,
当所述电池的实时电池信息未超出所述预设阈值区间时,认定所述实时电池信息不存在异常。
3.根据权利要求1所述的方法,其特征在于,所述根据所述当前时刻的预测电压信息生成预设阈值区间,包括:
对所述当前时刻的预测电压信息进行反归一化处理,得到所述SOC信息与所述预测电压信息的对应区间;
根据预设拓展策略对所述SOC信息与所述预测电压信息的对应区间进行拓展上限处理和/或拓展下限处理,得到所述预设阈值区间。
4.根据权利要求1所述的方法,其特征在于,在所述利用目标预测模型处理历史电池信息,生成当前时刻的预测电压信息之前,所述方法还包括:
获取所述电池在多个充电周期和/或放电周期内的电池样本信息,所述电池样本信息包括以下至少一项:电压样本信息、温度样本信息、SOC样本信息和电流样本信息;
根据预设SOC区间对所述电池样本信息进行筛选处理,得到筛选后的电池样本信息;
对所述筛选后的电池样本信息进行数据预处理,得到训练样本信息;
根据所述训练样本信息对预测模型进行训练,得到目标预测模型。
5.根据权利要求4所述的方法,其特征在于,所述对所述筛选后的电池样本信息进行数据预处理,得到训练样本信息,包括:
对所述筛选后的电池样本信息进行异常数据清洗处理,得到清洗电池样本信息;
根据所述清洗电池样本信息生成所述训练样本信息。
6.根据权利要求4所述的方法,其特征在于,所述对所述筛选后的电池样本信息进行数据预处理,得到训练样本信息,包括:
对所述筛选后的电池样本信息进行缺失数据填充处理,得到填充电池样本信息;
根据所述填充电池样本信息生成所述训练样本信息。
7.根据权利要求4所述的方法,其特征在于,所述对所述筛选后的电池样本信息进行数据预处理,得到训练样本信息,包括:
对所述筛选后的电池样本信息进行数据时间对齐处理,得到对齐电池样本信息;
根据所述对齐样本信息生成所述训练样本信息。
8.根据权利要求4至7中任一项所述的方法,其特征在于,所述根据所述训练样本信息对预测模型进行训练,得到目标预测模型,包括:
对所述训练样本信息进行归一化处理,得到归一化后的训练样本信息;
根据所述归一化后的训练样本对预测模型进行训练,得到目标预测模型。
9.根据权利要求2所述的方法,其特征在于,当认定所述实时电池信息存在异常时,所述方法还包括:
生成并输出所述实时电池信息存在异常的预警信息;
根据所述预警信息执行电压异常维护措施。
10.一种监测电池异常的装置,其特征在于,包括:
处理单元,用于利用目标预测模型处理历史电池信息,生成当前时刻的预测电压信息,所述历史电池信息包括以下至少一项:电压信息、温度信息、SOC信息和电流信息;
所述处理单元还用于,根据所述当前时刻的预测电压信息生成预设阈值区间,所述预设阈值区间表示所述SOC信息与所述电压信息的对应区间;
获取单元,用于获取所述电池的实时电池信息,所述实时电池信息包括实时SOC信息和实时电压信息;
所述处理单元还用于,将所述电池的实时电池信息与所述预设阈值区间进行对比,确定所述电池的实时电池信息是否存在异常。
11.一种计算机设备,其特征在于,包括存储器、处理器以及存储在所述存储器中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,使得所述计算机设备实现如权利要求1至9中任一项所述的方法。
12.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被计算机设备执行时实现如权利要求1至9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311706738.5A CN117872146A (zh) | 2023-12-12 | 2023-12-12 | 监测电池异常的方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311706738.5A CN117872146A (zh) | 2023-12-12 | 2023-12-12 | 监测电池异常的方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117872146A true CN117872146A (zh) | 2024-04-12 |
Family
ID=90583826
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311706738.5A Pending CN117872146A (zh) | 2023-12-12 | 2023-12-12 | 监测电池异常的方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117872146A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118212760A (zh) * | 2024-05-20 | 2024-06-18 | 山东理工职业学院 | 一种实训室电池电量报警装置及报警方法 |
-
2023
- 2023-12-12 CN CN202311706738.5A patent/CN117872146A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118212760A (zh) * | 2024-05-20 | 2024-06-18 | 山东理工职业学院 | 一种实训室电池电量报警装置及报警方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112731159B (zh) | 一种储能电站电池舱电池故障预判及定位的方法 | |
CN113022378B (zh) | 温度一致性预测方法、装置、预测设备及存储介质 | |
CN114072684A (zh) | 在服务器侧表征能重复充电的电池 | |
WO2023274318A1 (zh) | 电池突发型内短路诊断方法、装置、存储介质及电子设备 | |
US20220276319A1 (en) | Apparatus and method for diagnosing battery | |
CN117872146A (zh) | 监测电池异常的方法、装置、设备及存储介质 | |
CN110927606B (zh) | 电池状态监测方法、装置 | |
CN115902646B (zh) | 一种储能电池故障识别方法及系统 | |
CN112924866B (zh) | 容量保持率的检测方法、检测装置、车辆及存储介质 | |
KR20230057894A (ko) | 배터리 팩 내의 이상 징후 셀 검출 장치 및 방법 | |
CN116559667A (zh) | 模型训练方法及装置、电池检测方法及装置、设备、介质 | |
CN116660759A (zh) | 基于bms电池管理系统的电池寿命预测方法及装置 | |
CN116047300A (zh) | 用以预测电池的特性参数的控制器及其方法 | |
CN117347869B (zh) | 储能电池管理系统数据分析方法、装置、电子设备及介质 | |
CN114579659A (zh) | 一种梯次利用动力电池利用潜力评估及分选系统和方法 | |
CN116923188B (zh) | 一种新能源车的充电保护系统 | |
CN116736142B (zh) | 一种电池组健康状况预警的方法、系统及装置 | |
CN117169761A (zh) | 电池状态评估方法、装置、设备、存储介质和程序产品 | |
CN109557469B (zh) | 蓄电池核容数据分析方法及装置 | |
KR20230161377A (ko) | 배터리 진단 장치, 배터리 진단 방법, 배터리 팩 및 자동차 | |
Ertan et al. | Lead-Acid Battery Lifetime Estimation using Limited Labeled Data for Cellular Base Stations | |
KR102684286B1 (ko) | 배터리 진단 장치, 배터리 진단 방법, 배터리 팩 및 자동차 | |
Dunn et al. | A P-Value Approach for Real-Time Identifying the Capacity Regeneration Phenomenon of Lithium-ion Batteries | |
CN112034355B (zh) | 蓄电池状态的评估方法及评估装置 | |
US20240241180A1 (en) | Battery management apparatus and battery testing system including the same |
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 |