CN117872166A - 储能电池热失控检测方法、装置及电子设备 - Google Patents
储能电池热失控检测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN117872166A CN117872166A CN202410269259.XA CN202410269259A CN117872166A CN 117872166 A CN117872166 A CN 117872166A CN 202410269259 A CN202410269259 A CN 202410269259A CN 117872166 A CN117872166 A CN 117872166A
- Authority
- CN
- China
- Prior art keywords
- thermal runaway
- prediction
- data
- sample data
- domain
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000004146 energy storage Methods 0.000 title claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 49
- 238000001514 detection method Methods 0.000 claims abstract description 17
- 230000006870 function Effects 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 9
- 238000013526 transfer learning Methods 0.000 claims description 9
- 238000013508 migration Methods 0.000 description 8
- 230000005012 migration Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种储能电池热失控检测方法、装置及电子设备,方法包括:实时获取新建存储项目中电池的时间‑电压或时间‑温度数据作为实时预测输入数据;将实时预测输入数据输入至由多个子预测网络构成的热失控预测模型进行热失控预测,得到热失控预测结果;多个子预测网络,通过对已有存储项目的历史热失控样本数据对应的多个源域样本数据,提取的不同源域样本数据之间对应于发生热失控的公共特征、以及对应于新建存储项目中电池发生热失控的特定特征对每个回归网络进行训练得到。本申请可以充分利用不同工况下和不同类型电池的热失控数据,从而提高热失控预测精度。
Description
技术领域
本申请涉及储能技术领域,尤其是涉及一种储能电池热失控检测方法、装置及电子设备。
背景技术
数据驱动的热失控预警,常用的方案是通过数据预处理得到热失控前期征兆,再通过征兆识别实现热失控预警。首先,数据驱动的热失控预警模型,通常需要同种类型的电池的大量的热失控数据,同种类型通常包括相同化学成分,相同容量,相同的生产厂商等,现实中很难收集大量的同种类型的电池热失控数据。再者,不同工况下,电池的电压和温度的数据分布差异很大,因此还需要采集每种工况下的热失控数据,对于其中一种工况来说,电池热失控数据相对较少。最后,如果将所有的不同工况下和不同类型电池的热失控数据作为训练集,即通过不同数据分布的数据训练模型,会导致模型性能相对较低。
发明内容
本申请的目的在于提供一种储能电池热失控检测方法、装置及电子设备,通过基于目标域样本数据和源域样本数据训练出的包括多个子预测网络的热失控预测模型,对新建存储项目中的实时预测输入数据进行热失控联合检测,可以充分利用不同工况下和不同类型电池的热失控数据,从而提高热失控预测精度。
第一方面,本申请提供一种储能电池热失控检测方法,方法包括:实时获取新建存储项目中电池的时间-电压或时间-温度数据作为实时预测输入数据;将实时预测输入数据输入至由多个子预测网络构成的热失控预测模型进行热失控预测,得到热失控预测结果;其中,多个子预测网络,通过对已有存储项目的历史热失控样本数据对应的多个源域样本数据,提取的不同源域样本数据之间对应于发生热失控的公共特征、以及对应于新建存储项目中电池发生热失控的特定特征对每个回归网络进行训练得到;由新建存储项目中电池发生热失控的时间-电压或时间-温度数据,构成目标域的样本数据;特定特征,由热失控预测模型内部的特定特征提取器提取得到;特定特征提取器,采用多个源域对目标域的样本数据进行相似性扩充后得到的扩充目标域样本数据进行训练得到。
进一步地,上述将实时预测输入数据输入至由多个子预测网络构成的热失控预测模型进行热失控预测,得到热失控预测结果的步骤,包括:通过多个子预测网络分别输出实时预测输入数据对应的子预测结果;将多个子预测结果进行加权融合,得到实时预测输入数据对应的热失控预测结果。
进一步地,上述热失控预测模型的多源迁移学习训练过程如下:从已有存储项目的历史热失控样本数据中,获取与目标域数据分布偏移小的至少一个源域样本数据;应用至少一个源域样本数据训练公共特征提取器;针对每个源域,训练源域对应的特定特征提取器;利用特定特征提取器和公共特征提取器分别提取的特征训练回归网络得到源域对应的子预测网络;由多个源域分别对应的子预测网络构成热失控预测模型。
进一步地,上述获取与目标域数据分布偏移小的至少一个源域样本数据的步骤,包括:针对每个源域,根据源域样本数据和目标域样本数据,计算源域与目标域之间的最大均值差异MMD;确定源域与目标域之间的初始电压压差对应的目标区段号;将最大均值差异和目标区段号之和,作为源域与目标域之间的数据分布差异评估值;将数据分布差异评估值小于预设阈值的源域对应的样本数据,确定为与目标域数据分布偏移小的源域样本数据。
进一步地,上述确定源域与目标域之间的初始电压压差对应的区段号的步骤,包括:计算每个源域与目标域之间的初始电压压差;将各源域分别与目标域之间的初始电压压差,进行从小到大排序,将排序结果划分为多个区段,构建分段函数;分段函数的区段对应于初始电压压差;区段对应的函数值为区段号;基于分段函数,确定源域与目标域之间的初始电压压差对应的目标区段号。
进一步地,上述训练源域对应的特定特征提取器的步骤,包括:针对目标域中的每个当前热失控案例,在源域样本数据中查找与当前热失控案例在数据分布上最相似的多个热失控案例;应用由所有的热失控案例构成的扩充目标域样本数据进行训练,得到源域对应的特定特征提取器。
进一步地,上述将多个子预测结果进行加权融合,得到实时预测输入数据对应的热失控预测结果的步骤,包括:根据每个子预测网络对应的权重,对多个子预测结果进行加权求和,得到实时预测输入数据对应的热失控预测结果;每个子预测网络对应的权重根据每个源域与目标域之间的最大均值差异来确定。
第二方面,本申请还提供一种储能电池热失控检测装置,装置包括:数据获取模块,用于实时获取新建存储项目中电池的时间-电压或时间-温度数据作为实时预测输入数据;预测模块,用于将实时预测输入数据输入至由多个子预测网络构成的热失控预测模型进行热失控预测,得到热失控预测结果;其中,多个子预测网络,通过对已有存储项目的历史热失控样本数据对应的多个源域样本数据,提取的不同源域样本数据之间对应于发生热失控的公共特征、以及对应于新建存储项目中电池发生热失控的特定特征对每个回归网络进行训练得到;由新建存储项目中电池发生热失控的时间-电压或时间-温度数据,构成目标域的样本数据;特定特征,由热失控预测模型内部的特定特征提取器提取得到;特定特征提取器,采用多个源域对目标域的样本数据进行相似性扩充后得到的扩充目标域样本数据进行训练得到。
第三方面,本申请还提供一种电子设备,包括处理器和存储器,存储器存储有能够被处理器执行的计算机可执行指令,处理器执行计算机可执行指令以实现上述第一方面所述的方法。
第四方面,本申请还提供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可执行指令,计算机可执行指令在被处理器调用和执行时,计算机可执行指令促使处理器实现上述第一方面所述的方法。
本申请提供的一种储能电池热失控检测方法、装置及电子设备中,首先获取待检测电池数据;然后将待检测电池数据输入至由多个回归网络构成的热失控预测模型,通过每个回归网络输出一个热失控预测结果;其中,多个回归网络包括:通过多个源域训练公共特征提取器和特定特征提取器得到的回归网络;源域包括与目标域的数据分布偏移小的数据;目标域包括用于训练预测待检测电池数据对应热失控预测结果的模型的数据;最后将多个热失控预测结果进行融合,得到待检测电池数据对应的热失控预测结果。本申请通过与目标域数据分布偏移小的源域训练出的包括多个回归网络的模型,实现热失控联合检测,充分利用不同工况下和不同类型电池的热失控数据,从而提高热失控预测精度。
附图说明
为了更清楚地说明本申请具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种储能电池热失控检测方法的流程图;
图2为本申请实施例提供的一种多源迁移学习的域不变特征示意图;
图3为本申请实施例提供的一种模型训练过程的流程图;
图4为本申请实施例提供的一种基于多源迁移学习算法实现热失控预警示意图;
图5为本申请实施例提供的一种储能电池热失控检测装置的结构框图;
图6为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合实施例对本申请的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
针对目前热失控预测方案中,难以收集大量的相同工况和相同类型的电池热失控数据的问题,本申请实施例提供一种储能电池热失控检测方法、装置及电子设备,通过基于目标域样本数据和源域样本数据训练出的包括多个子预测网络的热失控预测模型,对新建存储项目中的实时预测输入数据进行热失控联合检测,可以充分利用不同工况下和不同类型电池的热失控数据,从而提高热失控预测精度。
为便于对本实施例进行理解,首先对本申请实施例所公开的一种储能电池热失控检测方法进行详细介绍。
基于迁移学习的方法的性能提高很大程度上取决于源域和目标域之间的数据分布。当源域和目标域之间存在较大的域偏移时,单源迁移学习方法的应用可能会得到一些不令人满意的结果。此外,来自不同分布的多源域的数据在实际应用场景中是可用的。从多源领域学习到的知识和内部关系可以更好地用于提高目标任务在现实应用中的性能。
图1为本申请实施例提供的一种储能电池热失控检测方法的流程图,通过多源迁移学习的方式来训练模型进行热失控预测,该方法具体包括以下步骤:
步骤S102,实时获取新建存储项目中电池的时间-电压或时间-温度数据作为实时预测输入数据;
步骤S104,将实时预测输入数据输入至由多个子预测网络构成的热失控预测模型进行热失控预测,得到热失控预测结果;
其中,多个子预测网络,通过对已有存储项目的历史热失控样本数据对应的多个源域样本数据,提取的不同源域样本数据之间对应于发生热失控的公共特征、以及对应于新建存储项目中电池发生热失控的特定特征对每个回归网络进行训练得到;由新建存储项目中电池发生热失控的时间-电压或时间-温度数据,构成目标域的样本数据;特定特征,由热失控预测模型内部的特定特征提取器提取得到;特定特征提取器,采用多个源域对目标域的样本数据进行相似性扩充后得到的扩充目标域样本数据进行训练得到。
本申请实施例中,将已有存储项目的历史热失控样本数据中的不同工况和不同类型电池的热失控数据(如电池发生热失控的时间-电压或时间-温度数据)分别作为一个源域,这样,就可以得到多个源域;目标域指的是与新建存储项目中电池发生热失控的时间-电压或时间-温度数据,也就是与实时预测输入数据具有相同工况和相同类型电池的热失控数据。
本申请实施例提供的储能电池热失控检测方法中,通过基于目标域样本数据和源域样本数据训练出的包括多个子预测网络的热失控预测模型,对新建存储项目中的实时预测输入数据进行热失控联合检测,可以充分利用不同工况下和不同类型电池的热失控数据,从而提高热失控预测精度。
本申请实施例还提供另一种储能电池热失控检测方法,该方法在上述实施例的基础上实现;本实施例重点描述模型的训练过程及预测过程。
本申请实施例中,热失控预测模型的训练过程实际为多源迁移学习训练过程。域不变特征是源域和目标域之间的共同特征。如图2所示,通过学习源域和目标域之间的域不变特征实现从源域到目标域的迁移。不同的源域分别与目标域存在域不变特征,同时,所有的源域与目标域存在公共的域不变特征。由于多个源域之间的偏移,很难匹配所有源域和目标域的分布。因此,需要将每对源域和目标域分别映射到多个特征空间中,并提取多个域不变特征。
触发热失控的条件主要包括:加热,碰撞,过充,过放和短路等。不同的触发条件下,电池的电压和温度的数据分布不同;同时,不同电池类型的数据分布也不同。传统机器学习要求训练集和测试集在同一数据分布,热失控场景下的数据分布极易发生变化,因此,本申请实施例中采用多源迁移学习算法解决这一问题。
参见图3所示,上述热失控预测模型的多源迁移学习训练过程如下:
步骤S302,从已有存储项目的历史热失控样本数据中,获取与目标域数据分布偏移小的至少一个源域样本数据。
如图4所示的模型训练示意图,每个目标域中的热失控案例作为一个数据源来训练算法模型。为了防止源域与目标域的数据分布差异较大,造成算法模型的负迁移。本申请实施例优先选择与目标域数据分布偏移小的源域进行多源迁移学习,设计了分段压差下的数据分布差异计算方式,有效度量多源之间的数据分布差异。
具体实施时,通过以下步骤实现:
(1)针对每个源域,根据该源域样本数据和目标域样本数据,计算源域与目标域之间的最大均值差异MMD(Maximum Mean Discrepancy);确定源域与目标域之间的初始电压压差对应的区段号;将最大均值差异和区段号之和,作为源域与目标域之间的数据分布差异评估值。
A确定源域与目标域之间的初始电压压差对应的区段号的过程如下:
分别计算不同源域分别与目标域之间的初始电压压差;将不同源域分别与目标域之间的初始电压压差,进行从小到大排序,将排序结果划分为多个区段,构建分段函数;分段函数的区段对应于初始电压压差;区段对应的函数值为区段号;基于分段函数,确定源域与目标域之间的初始电压压差对应的目标区段号。
比如,根据不同源域之间的初始电压的压差大小划分出不同的区段号,先保证区段与区段之间有序,每个区段代表不同的电池类型,从而保证与当前源域为相同电池类型的源域排序时靠前。如公式(1)中所示,表示源域i和目标域j之间的初始电压压差(初始电压指热失控发生前的正常工作电压,以“初始电压压差”划分区段号的原因是不同规格的电池工作电压一般不同),比如,通过分段函数将压差划分为3段(具体段数根据数据源中的数据分布情况进行设置)。
B使用最大均值差异MMD度量源域和目标域之间的数据分布差异,整个数据分布差异度量值,即数据分布差异评估值,为区段号/>与/>之和,如公式(2)所示,/>表示特征映射,m和n表示两个域的数据个数。
(2)将数据分布差异评估值小于预设阈值的源域对应的样本数据,确定为与目标域数据分布偏移小的源域样本数据。
本申请实施例中通过MMD来评估数据差异,可以加快后续模型的训练,分段压差下的数据分布差异计算方式,能够有效度量多源之间的数据分布差异。
步骤S304,应用至少一个源域样本数据训练公共特征提取器;
公共特征提取器用来提取多个源域的域不变特征,即提取不同热失控案例的通用特征。
步骤S306,针对每个源域,训练源域对应的特定特征提取器;利用特定特征提取器和公共特征提取器分别提取的特征训练回归网络得到源域对应的子预测网络;
特定特征提取器用来提取每个源域的特定特征,即提取某个热失控案例的特征。每个热失控案例数据量都相对较少,不足以训练算法模型。本申请实施例中,采用相似分布数据融合后训练特定特征提取器,通过这种融合方式增加样本数量,提高特定特征提取器的性能。
具体的,针对目标域中的每个当前热失控案例,在源域样本数据中查找与当前热失控案例在数据分布上最相似的多个热失控案例;应用由所有的热失控案例构成的扩充目标域样本数据进行训练,得到源域对应的特定特征提取器。
比如,求出在当前源域数据分布上与目标域中的当前热失控案例最为相似的K个热失控案例(扩充训练样本:因为新项目的样本数据往往不足),将这K+1个热失控案例的数据作为当前源域训练特定特征提取器。通过这种融合方式增加样本数量,提高特定特征提取器的性能。
然后为每个源域训练相应的回归网络用来预测热失控风险,得到每个源域对应的子预测网络。这样通过公共特征提取器获取通用特征和特定特征提取器提取当前域的特征,为当前域的回归网络的预测提供了有力支撑。
步骤S308,由多个源域分别对应的子预测网络构成热失控预测模型。
最后将每个子预测网络进行模型融合预测热失控风险。具体的,根据每个源域与目标域的MMD设置每个子预测网络的权重,最终将每个回归网络的风险值加权求和,得到最终的热失控风险值。
上述将实时预测输入数据输入至由多个子预测网络构成的热失控预测模型进行热失控预测,得到热失控预测结果的步骤,包括:
(1)通过多个子预测网络分别输出实时预测输入数据对应的子预测结果;
(2)将多个子预测结果进行加权融合,得到实时预测输入数据对应的热失控预测结果。
具体的,根据每个子预测网络对应的权重,对多个子预测结果进行加权求和,得到实时预测输入数据对应的热失控预测结果;每个子预测网络对应的权重根据每个源域与目标域之间的最大均值差异来确定;通常来说,差异越小,权重越大。
本申请实施例针对难以收集大量的相同工况和相同类型的电池热失控数据提出了基于多源迁移学习的热失控方案,从而充分利用不同工况下和不同类型电池的热失控数据;为了防止源域与目标域的数据分布差异较大,造成算法模型的负迁移,本申请实施例中优先选择与目标域数据分布偏移小的源域进行多源迁移学习,从而提高模型性能;并设计了分段压差下的数据分布差异计算方式,有效度量多源之间的数据分布差异;采用相似分布数据融合下的特定特征提取器, 通过这种融合方式增加样本数量,提高特定特征提取器的性能;最后,模型融合了多个回归网络,充分利用多源域数据,从而提高热失控风险预测的准确性。
基于上述方法实施例,本申请实施例还提供一种储能电池热失控检测装置,参见图5所示,该装置包括:数据获取模块52,用于实时获取新建存储项目中电池的时间-电压或时间-温度数据作为实时预测输入数据;预测模块54,用于将实时预测输入数据输入至由多个子预测网络构成的热失控预测模型进行热失控预测,得到热失控预测结果;其中,多个子预测网络,通过对已有存储项目的历史热失控样本数据对应的多个源域样本数据,提取的不同源域样本数据之间对应于发生热失控的公共特征、以及对应于新建存储项目中电池发生热失控的特定特征对每个回归网络进行训练得到;由新建存储项目中电池发生热失控的时间-电压或时间-温度数据,构成目标域的样本数据;特定特征,由热失控预测模型内部的特定特征提取器提取得到;特定特征提取器,采用多个源域对目标域的样本数据进行相似性扩充后得到的扩充目标域样本数据进行训练得到。
进一步地,上述预测模块54,用于:通过多个子预测网络分别输出实时预测输入数据对应的子预测结果;将多个子预测结果进行加权融合,得到实时预测输入数据对应的热失控预测结果。
进一步地,上述装置还包括训练模块,用于执行热失控预测模型的多源迁移学习训练过程:从已有存储项目的历史热失控样本数据中,获取与目标域数据分布偏移小的至少一个源域样本数据;应用至少一个源域样本数据训练公共特征提取器;针对每个源域,训练源域对应的特定特征提取器;利用特定特征提取器和公共特征提取器分别提取的特征训练回归网络得到源域对应的子预测网络;由多个源域分别对应的子预测网络构成热失控预测模型。
进一步地,上述训练模块,用于:针对每个源域,根据源域样本数据和目标域样本数据,计算源域与目标域之间的最大均值差异MMD;确定源域与目标域之间的初始电压压差对应的目标区段号;将最大均值差异和目标区段号之和,作为源域与目标域之间的数据分布差异评估值;将数据分布差异评估值小于预设阈值的源域对应的样本数据,确定为与目标域数据分布偏移小的源域样本数据。
进一步地,上述训练模块,用于:计算每个源域与目标域之间的初始电压压差;将各源域分别与目标域之间的初始电压压差,进行从小到大排序,将排序结果划分为多个区段,构建分段函数;分段函数的区段对应于初始电压压差;区段对应的函数值为区段号;基于分段函数,确定源域与目标域之间的初始电压压差对应的目标区段号。
进一步地,上述训练模块,用于:针对目标域中的每个当前热失控案例,在源域样本数据中查找与当前热失控案例在数据分布上最相似的多个热失控案例;应用由所有的热失控案例构成的扩充目标域样本数据进行训练,得到源域对应的特定特征提取器。
进一步地,上述预测模块54,用于根据每个子预测网络对应的权重,对多个子预测结果进行加权求和,得到实时预测输入数据对应的热失控预测结果;每个子预测网络对应的权重根据每个源域与目标域之间的最大均值差异来确定。
本申请实施例提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置的实施例部分未提及之处,可参考前述方法实施例中相应内容。
本申请实施例还提供了一种电子设备,如图6所示,为该电子设备的结构示意图,其中,该电子设备包括处理器61和存储器60,该存储器60存储有能够被该处理器61执行的计算机可执行指令,该处理器61执行该计算机可执行指令以实现上述方法。
在图6示出的实施方式中,该电子设备还包括总线62和通信接口63,其中,处理器61、通信接口63和存储器60通过总线62连接。
其中,存储器60可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口63(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。总线62可以是ISA(IndustryStandard Architecture,工业标准体系结构)总线、PCI(Peripheral ComponentInterconnect,外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。所述总线62可以分为地址总线、数据总线、控制总线等。为便于表示,图6中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
处理器61可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器61中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器61可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessor,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称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。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。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器61读取存储器中的信息,结合其硬件完成前述实施例的方法的步骤。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令在被处理器调用和执行时,该计算机可执行指令促使处理器实现上述方法,具体实现可参见前述方法实施例,在此不再赘述。
本申请实施例所提供的方法、装置和电子设备的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本申请的范围。
所述功能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,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请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部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本申请的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,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:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围,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所述以权利要求的保护范围为准。
Claims (10)
1.一种储能电池热失控检测方法,其特征在于,所述方法包括:
实时获取新建存储项目中电池的时间-电压或时间-温度数据作为实时预测输入数据;
将所述实时预测输入数据输入至由多个子预测网络构成的热失控预测模型进行热失控预测,得到热失控预测结果;
其中,所述多个子预测网络,通过对已有存储项目的历史热失控样本数据对应的多个源域样本数据,提取的不同源域样本数据之间对应于发生热失控的公共特征、以及对应于新建存储项目中电池发生热失控的特定特征对每个回归网络进行训练得到;由新建存储项目中电池发生热失控的时间-电压或时间-温度数据,构成目标域的样本数据;所述特定特征,由所述热失控预测模型内部的特定特征提取器提取得到;所述特定特征提取器,采用所述多个源域对目标域的样本数据进行相似性扩充后得到的扩充目标域样本数据进行训练得到。
2.根据权利要求1所述的方法,其特征在于,将所述实时预测输入数据输入至由多个子预测网络构成的热失控预测模型进行热失控预测,得到热失控预测结果的步骤,包括:
通过多个子预测网络分别输出所述实时预测输入数据对应的子预测结果;
将多个子预测结果进行加权融合,得到所述实时预测输入数据对应的热失控预测结果。
3.根据权利要求1所述的方法,其特征在于,所述热失控预测模型的多源迁移学习训练过程如下:
从所述已有存储项目的历史热失控样本数据中,获取与目标域数据分布偏移小的至少一个源域样本数据;
应用所述至少一个源域样本数据训练公共特征提取器;
针对每个源域,训练所述源域对应的特定特征提取器;利用所述特定特征提取器和所述公共特征提取器分别提取的特征训练回归网络得到所述源域对应的子预测网络;
由多个源域分别对应的子预测网络构成所述热失控预测模型。
4.根据权利要求3所述的方法,其特征在于,获取与所述目标域数据分布偏移小的至少一个源域样本数据的步骤,包括:
针对每个源域,根据所述源域样本数据和所述目标域样本数据,计算所述源域与所述目标域之间的最大均值差异MMD;确定所述源域与所述目标域之间的初始电压压差对应的目标区段号;将所述最大均值差异和所述目标区段号之和,作为所述源域与所述目标域之间的数据分布差异评估值;
将所述数据分布差异评估值小于预设阈值的源域对应的样本数据,确定为与所述目标域数据分布偏移小的源域样本数据。
5.根据权利要求4所述的方法,其特征在于,确定所述源域与所述目标域之间的初始电压压差对应的区段号的步骤,包括:
计算每个源域与目标域之间的初始电压压差;
将各源域分别与目标域之间的初始电压压差,进行从小到大排序,将排序结果划分为多个区段,构建分段函数;所述分段函数的区段对应于初始电压压差;区段对应的函数值为区段号;
基于所述分段函数,确定所述源域与所述目标域之间的初始电压压差对应的目标区段号。
6.根据权利要求3所述的方法,其特征在于,训练所述源域对应的特定特征提取器的步骤,包括:
针对所述目标域中的每个当前热失控案例,在所述源域样本数据中查找与所述当前热失控案例在数据分布上最相似的多个热失控案例;
应用由所有的热失控案例构成的扩充目标域样本数据进行训练,得到所述源域对应的特定特征提取器。
7.根据权利要求2所述的方法,其特征在于,将多个子预测结果进行加权融合,得到所述实时预测输入数据对应的热失控预测结果的步骤,包括:
根据每个子预测网络对应的权重,对多个子预测结果进行加权求和,得到所述实时预测输入数据对应的热失控预测结果;每个子预测网络对应的权重根据每个源域与目标域之间的最大均值差异来确定。
8.一种储能电池热失控检测装置,其特征在于,所述装置包括:
数据获取模块,用于实时获取新建存储项目中电池的时间-电压或时间-温度数据作为实时预测输入数据;
预测模块,用于将所述实时预测输入数据输入至由多个子预测网络构成的热失控预测模型进行热失控预测,得到热失控预测结果;
其中,所述多个子预测网络,通过对已有存储项目的历史热失控样本数据对应的多个源域样本数据,提取的不同源域样本数据之间对应于发生热失控的公共特征、以及对应于新建存储项目中电池发生热失控的特定特征对每个回归网络进行训练得到;由新建存储项目中电池发生热失控的时间-电压或时间-温度数据,构成目标域的样本数据;所述特定特征,由所述热失控预测模型内部的特定特征提取器提取得到;所述特定特征提取器,采用所述多个源域对目标域的样本数据进行相似性扩充后得到的扩充目标域样本数据进行训练得到。
9.一种电子设备,其特征在于,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的计算机可执行指令,所述处理器执行所述计算机可执行指令以实现权利要求1至7任一项所述的储能电池热失控检测方法。
10.一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可执行指令,所述计算机可执行指令在被处理器调用和执行时,计算机可执行指令促使处理器实现权利要求1至7任一项所述的储能电池热失控检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410269259.XA CN117872166B (zh) | 2024-03-11 | 2024-03-11 | 储能电池热失控检测方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410269259.XA CN117872166B (zh) | 2024-03-11 | 2024-03-11 | 储能电池热失控检测方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117872166A true CN117872166A (zh) | 2024-04-12 |
CN117872166B CN117872166B (zh) | 2024-05-14 |
Family
ID=90595010
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410269259.XA Active CN117872166B (zh) | 2024-03-11 | 2024-03-11 | 储能电池热失控检测方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117872166B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113848494A (zh) * | 2021-09-18 | 2021-12-28 | 北京经纬恒润科技股份有限公司 | 一种动力电池温度的在线监测方法及车载t-box |
CN113962154A (zh) * | 2021-10-22 | 2022-01-21 | 山东大学 | 一种基于迁移学习的锂电池核温评估方法及系统 |
CN114355199A (zh) * | 2021-12-30 | 2022-04-15 | 重庆长安新能源汽车科技有限公司 | 一种基于循环神经网络的电池热失控风险预测方法及系统 |
CN114506247A (zh) * | 2022-03-16 | 2022-05-17 | 中国科学技术大学 | 一种云端协同控制的动力电池主动热管理系统 |
US20220198339A1 (en) * | 2020-12-23 | 2022-06-23 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for training machine learning model based on cross-domain data |
WO2022143903A1 (zh) * | 2020-12-31 | 2022-07-07 | 奥动新能源汽车科技有限公司 | 车用电池的安全评估方法、系统、设备及可读存储介质 |
CN114976325A (zh) * | 2021-02-26 | 2022-08-30 | 北京骑胜科技有限公司 | 热失控确定方法、电池管理系统、电池及交通工具 |
CN115032542A (zh) * | 2022-06-07 | 2022-09-09 | 中国人民解放军陆军工程大学 | 一种基于混合模型的储能系统电池热失控预判方法 |
CN115201685A (zh) * | 2022-07-11 | 2022-10-18 | 电子科技大学 | 基于自编码器和对抗学习的可迁移电池热失控风险评估系统 |
US20230194614A1 (en) * | 2021-12-16 | 2023-06-22 | Volkswagen Aktiengesellschaft | Modular machine learning structure for electric vehicle battery state of health estimation |
EP4207432A2 (en) * | 2021-12-30 | 2023-07-05 | Chongqing Changan New Energy Vehicles Technology Co., Ltd | Method and system for predicting thermal runaway of battery based on machine learning |
CN116679232A (zh) * | 2023-06-08 | 2023-09-01 | 重庆大学 | 基于混合神经网络和迁移学习的锂电池健康状态估计方法 |
-
2024
- 2024-03-11 CN CN202410269259.XA patent/CN117872166B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220198339A1 (en) * | 2020-12-23 | 2022-06-23 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for training machine learning model based on cross-domain data |
WO2022143903A1 (zh) * | 2020-12-31 | 2022-07-07 | 奥动新能源汽车科技有限公司 | 车用电池的安全评估方法、系统、设备及可读存储介质 |
CN114976325A (zh) * | 2021-02-26 | 2022-08-30 | 北京骑胜科技有限公司 | 热失控确定方法、电池管理系统、电池及交通工具 |
CN113848494A (zh) * | 2021-09-18 | 2021-12-28 | 北京经纬恒润科技股份有限公司 | 一种动力电池温度的在线监测方法及车载t-box |
CN113962154A (zh) * | 2021-10-22 | 2022-01-21 | 山东大学 | 一种基于迁移学习的锂电池核温评估方法及系统 |
US20230194614A1 (en) * | 2021-12-16 | 2023-06-22 | Volkswagen Aktiengesellschaft | Modular machine learning structure for electric vehicle battery state of health estimation |
CN114355199A (zh) * | 2021-12-30 | 2022-04-15 | 重庆长安新能源汽车科技有限公司 | 一种基于循环神经网络的电池热失控风险预测方法及系统 |
EP4207432A2 (en) * | 2021-12-30 | 2023-07-05 | Chongqing Changan New Energy Vehicles Technology Co., Ltd | Method and system for predicting thermal runaway of battery based on machine learning |
CN114506247A (zh) * | 2022-03-16 | 2022-05-17 | 中国科学技术大学 | 一种云端协同控制的动力电池主动热管理系统 |
CN115032542A (zh) * | 2022-06-07 | 2022-09-09 | 中国人民解放军陆军工程大学 | 一种基于混合模型的储能系统电池热失控预判方法 |
CN115201685A (zh) * | 2022-07-11 | 2022-10-18 | 电子科技大学 | 基于自编码器和对抗学习的可迁移电池热失控风险评估系统 |
CN116679232A (zh) * | 2023-06-08 | 2023-09-01 | 重庆大学 | 基于混合神经网络和迁移学习的锂电池健康状态估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117872166B (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109949290B (zh) | 路面裂缝检测方法、装置、设备及存储介质 | |
CN108647732B (zh) | 一种基于深度神经网络的病理图像分类方法及装置 | |
CN116432091B (zh) | 基于小样本的设备故障诊断方法、模型的构建方法及装置 | |
CN109740609B (zh) | 一种轨距检测方法及装置 | |
CN112348035B (zh) | 车辆关键点检测方法、装置及电子设备 | |
CN109685805B (zh) | 一种图像分割方法及装置 | |
CN116128312A (zh) | 基于监测数据分析的大坝安全预警方法及系统 | |
CN114462040A (zh) | 一种恶意软件检测模型训练、恶意软件检测方法及装置 | |
CN114548280A (zh) | 故障诊断模型的训练、故障诊断方法及电子设备 | |
CN117872166B (zh) | 储能电池热失控检测方法、装置及电子设备 | |
CN113110961A (zh) | 设备异常检测方法、装置、计算机设备及可读存储介质 | |
CN116740586A (zh) | 冰雹识别方法、装置、电子设备及计算机可读存储介质 | |
CN116994641A (zh) | 一种半导体老化测试方法及其系统 | |
CN116304955A (zh) | 道岔设备故障检测方法、装置、终端设备及存储介质 | |
Saraogi et al. | CNN Based design rule checker for VLSI layouts | |
CN113535458B (zh) | 异常误报的处理方法及装置、存储介质、终端 | |
CN115567371A (zh) | 一种异常检测方法、装置、设备及可读存储介质 | |
CN115278757A (zh) | 一种检测异常数据的方法、装置及电子设备 | |
CN113722485A (zh) | 一种异常数据识别分类方法、系统及存储介质 | |
CN116298930B (zh) | 电池包健康度的测量方法、装置及服务器 | |
CN117131337B (zh) | 桥梁振动数据分析方法、装置、电子设备及存储介质 | |
CN116541713B (zh) | 基于局部时频特征迁移学习的轴承故障诊断模型训练方法 | |
JPH1075218A (ja) | データ群の特性境界識別方法及び装置 | |
CN116543538B (zh) | 一种物联网消防电气预警方法及预警系统 | |
CN117572159B (zh) | 基于大数据分析的电力故障检测方法及系统 |
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 |