CN117930028B - 新能源车辆电池热失效的预测方法、系统、设备及介质 - Google Patents
新能源车辆电池热失效的预测方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN117930028B CN117930028B CN202410323770.3A CN202410323770A CN117930028B CN 117930028 B CN117930028 B CN 117930028B CN 202410323770 A CN202410323770 A CN 202410323770A CN 117930028 B CN117930028 B CN 117930028B
- Authority
- CN
- China
- Prior art keywords
- signal
- sequence
- feature vector
- sampling
- time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 239000013598 vector Substances 0.000 claims abstract description 164
- 238000005070 sampling Methods 0.000 claims abstract description 98
- 230000006870 function Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 14
- 230000004927 fusion Effects 0.000 claims description 13
- 230000003993 interaction Effects 0.000 claims description 9
- 230000006835 compression Effects 0.000 claims description 8
- 238000007906 compression Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 4
- 230000002123 temporal effect Effects 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 4
- 238000005065 mining Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Secondary Cells (AREA)
Abstract
本发明提供一种新能源车辆电池热失效的预测方法、系统、设备及介质，涉及新能源车辆电池技术领域，该方法包括以下步骤：获取原始多元信号，对其进行下采样得到第一采样信号；对其进行分段采样得到第二采样信号，基于时间注意力和变量注意力，分别从第一采样信号提取得到时序特征向量、从第二采样信号中提取得到变量特征向量；通过正则化和求和操作，对时序特征向量和变量特征向量进行融合，得到隐藏特征向量，基于隐藏特征向量，得到温度预测序列，并基于温度预测序列进行电池热失效预测。本发明基于多元时变孪生Transformer模型，实现对新能源电池热失效的在线预测，并提前预警，从而保证新能源汽车行驶安全及乘坐人员生命安全。
Description
技术领域
本发明涉及新能源车辆电池技术领域，具体涉及一种新能源车辆电池热失效的预测方法、系统、设备及介质。
背景技术
在过去的几十年里，随着全球对能源需求不断增加，新能源电池的发展逐渐成为了一个关键的领域。然而，随着电池使用量的增长，电池热失效的问题也变得越来越突出。这种失效不仅会导致电池性能下降，而且可能会引发安全问题，甚至对人类生命和财产造成威胁。因此，对新能源电池热失效进行预测研究具有重要的现实意义。
然而，当前新能源电池热失效普遍采用机理分析的方式，这种方法不能实时在线预测电池温度，就无法在汽车行驶过程中给驾驶人员提前预警，无法提前发现新能源汽车故障，从而不能保障乘坐人员生命安全。
发明内容
鉴于现有技术中的上述缺陷或不足，本发明旨在提供一种新能源车辆电池热失效的预测方法、系统、设备及介质。
第一方面，本发明提出一种新能源车辆电池热失效的预测方法，该预测方法基于多元时变孪生Transformer模型完成，该预测方法包括以下步骤：
获取原始多元信号，所述原始多元信号包括若干种类型信号，所述类型信号包括电池温度信号、电流信号和电压信号；
对所述原始多元信号进行下采样，得到第一采样信号；对所述原始多元信号进行分段采样，得到第二采样信号；所述第一采样信号用于表征所述原始多元信号的全局信息，所述第二采样信号用于表征所述原始多元信号的局部信息；
基于时间注意力和变量注意力，从所述第一采样信号提取得到时序特征向量；所述时序特征向量表征各所述类型信号随时间变化的特征；基于时间注意力和变量注意力，从所述第二采样信号中提取得到变量特征向量；所述变量特征向量表征各所述类型信号之间交互的特征；
通过正则化和求和操作，对所述时序特征向量对应的特征和所述变量特征向量对应的特征进行融合，得到隐藏特征向量，基于所述隐藏特征向量，得到温度预测序列，所述温度预测序列为电池温度随时间变化的序列，基于所述温度预测序列进行电池热失效预测。
根据本发明提供的技术方案，所述对所述原始多元信号进行下采样，得到第一采样信号，包括以下步骤：
将所述原始多元信号转换为第一多通道序列，所述第一多通道序列为具有相同长度的电池温度信号、电流信号、电压信号；
对所述第一多通道序列进行通道压缩，得到压缩后第一序列；
在所述第一序列内截取若干个不同时间段的部分，得到若干个第一采样子信号，所有所述第一采样子信号组成所述第一采样信号。
根据本发明提供的技术方案，所述对所述原始多元信号进行分段采样，得到第二采样信号，包括以下步骤：
将所述原始多元信号转换为第二多通道序列，所述第二多通道序列为具有相同长度的电池温度信号、电流信号、电压信号；
对所述第二多通道序列进行通道压缩，得到压缩后第二序列；
在所述第二序列内截取若干个不同长度的短序列，所有所述短序列组成所述第二采样信号。
根据本发明提供的技术方案，从所述第一采样信号提取得到时序特征向量，包括以下步骤：
基于所述时间注意力，得到第一时序特征向量；基于所述变量注意力，得到第一变量特征向量；
对所述第一时序特征向量和所述第一变量特征向量进行求和操作，得到第一总和特征向量；
将所述第一总和特征向量进行正则化处理，并将正则化处理后的所述第一总和特征向量进行降维处理，得到时序特征向量。
根据本发明提供的技术方案，所述时间注意力由多头注意力、残差结构和正则化层组成；
所述基于所述时间注意力，得到第一时序特征向量，包括以下步骤：
由所述多头注意力对所述第一采样信号进行挖掘，得到第一特征向量；由所述残差结构对所述第一采样信号进行挖掘，得到第二特征向量；由所述正则化层对所述第一采样信号进行挖掘，得到第三特征向量；
对第二特征向量进行转置处理，得到转置后第二特征向量；求取转置后第二特征向量与所述第一特征向量的积的归一化指数函数，并将该归一化指数函数的结果与第三特征向量的积作为第四特征向量；
通过残差结构和正则化层，基于所述第四特征向量，得到所述第一时序特征向量。
根据本发明提供的技术方案，所述对所述第一多通道序列进行通道压缩，得到压缩后第一序列，包括以下步骤：
通过一维卷积，减少所述第一多通道序列的通道数量，得到压缩后第一序列。
根据本发明提供的技术方案，所述对第二特征向量进行转置处理，包括以下步骤：
获取所述第二特征向量中的最后两维序列，并对最后两维序列进行转置。
本发明第二方面提供一种新能源车辆电池热失效的预测系统，包括：
获取模块，所述获取模块配置用于获取原始多元信号，所述原始多元信号包括若干种类型信号，所述类型信号包括电池温度信号、电流信号和电压信号；
采样模块，所述采样模块配置用于对所述原始多元信号进行下采样，得到第一采样信号；对所述原始多元信号进行分段采样，得到第二采样信号；所述第一采样信号用于表征所述原始多元信号的全局信息，所述第二采样信号用于表征所述原始多元信号的局部信息；
提取模块，所述提取模块配置用于基于时间注意力和变量注意力，从所述第一采样信号提取得到时序特征向量；所述时序特征向量表征各所述类型信号随时间变化的特征；基于时间注意力和变量注意力，从所述第二采样信号中提取得到变量特征向量；所述变量特征向量表征各所述类型信号之间交互的特征；
融合模块，所述融合模块配置用于通过正则化和求和操作，对所述时序特征向量对应的特征和所述变量特征向量对应的特征进行融合，得到隐藏特征向量，基于所述隐藏特征向量，得到温度预测序列，所述温度预测序列为电池温度随时间变化的序列，基于所述温度预测序列进行电池热失效预测。
本发明第三方面提供一种终端设备，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实现如上所述的新能源车辆电池热失效的预测方法的步骤。
本发明第四方面提供一种计算机可读存储介质，所述计算机可读存储介质有计算机程序，所述计算机程序被处理器执行时实现如上所述的新能源车辆电池热失效的预测方法的步骤。
与现有技术相比，有益效果在于：本发明基于多元时变孪生Transformer模型，对原始多元信号进行孪生采样，分别得到能表征原始多元信号全局信息的第一采样信号、以及能表征原始多元信号局部信息的第二采样信号，再同时提取第一采样信号中的时序特征向量、以及第二采样信号中的变量特征向量，最后将时序特征向量和变量特征向量进行融合，得到隐藏特征向量，通过隐藏特征向量得到温度预测序列，即可实现对新能源电池热失效的在线预测，并提前预警，从而保证新能源汽车行驶安全及乘坐人员生命安全。
附图说明
图1为本发明实施例提供的新能源车辆电池热失效的预测方法的步骤流程图；
图2为本发明实施例提供的新能源车辆电池热失效的预测系统的结构示意图；
图3为本发明实施例提供的一种终端设备的结构示意图；
图4为本发明实施例提供的多元时变孪生Transformer模型的结构示意图。
图中所述文字标注表示为：
1、获取模块；2、采样模块；3、提取模块；4、融合模块；600、计算机系统；601、CPU；602、ROM；603、RAM；604、总线；605、I/O接口；606、输入部分；607、输出部分；608、存储部分；609、通信部分；610、驱动器；611、可拆卸介质。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与发明相关的部分。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征向量可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
实施例1
诚如背景技术中提到的，针对现有技术中的问题，本发明提出了一种新能源车辆电池热失效的预测方法，该预测方法基于多元时变孪生Transformer模型完成，请参考图1所示，该预测方法包括以下步骤：
S100、获取原始多元信号，所述原始多元信号包括若干种类型信号，所述类型信号包括电池温度信号、电流信号和电压信号；
具体地，通过各种车载传感器得到原始多元信号，并将所述原始多元信号输入至所述多元时变孪生Transformer模型；所述多元时变孪生Transformer模型的内部结构如图4所示。
S200、对所述原始多元信号进行下采样，得到第一采样信号；对所述原始多元信号进行分段采样，得到第二采样信号；所述第一采样信号用于表征所述原始多元信号的全局信息，所述第二采样信号用于表征所述原始多元信号的局部信息；
具体地，下采样通过增加采样间隔，把原始多元信号转换为带有相同长度的多通道序列，从而更好地捕获信号的全局信息，此处多通道序列指同一时段通过下采样所转化的长度相同的电池温度信号、电流信号、电压信号，该段序列可记为，其中，R表示向量空间，/>表示维度为/>的向量空间，/>为下采样得到的信号长度，/>为信号的个数。
分段采样把原始多元信号的长序列信号转换为多段短序列信号，该短序列信号也为多通道序列，可记为，其中，/>表示维度为/>的向量空间，/>为分段采样得到的信号长度，/>为信号的个数，分段采样能更好地捕获信号的局部信息。
S300、基于时间注意力和变量注意力，从所述第一采样信号提取得到时序特征向量；所述时序特征向量表征各所述类型信号随时间变化的特征；基于时间注意力和变量注意力，从所述第二采样信号中提取得到变量特征向量；所述变量特征向量表征各所述类型信号之间交互的特征；
S400、通过正则化和求和操作，对所述时序特征向量对应的特征和所述变量特征向量对应的特征进行融合，得到隐藏特征向量，基于所述隐藏特征向量，得到温度预测序列，所述温度预测序列为电池温度随时间变化的序列，基于所述温度预测序列进行电池热失效预测。
具体地，通过并行的孪生结构使模型能集中地挖掘信息，利用正则化操作和求和操作实现时序特征向量对应的电池温度、电压、电流随时间变化的特征和变量特征向量对应的电池温度、电压、电流之间交互的特征进行有效融合，从而更好捕获原始多元信号的隐藏特征向量，基于所述隐藏特征向量，得到温度预测序列，所述温度预测序列为电池温度随时间变化的序列，基于所述温度预测序列可以更准确地、可在线地预测电池热失效。
在一可选的实施例中，所述对所述原始多元信号进行下采样，得到第一采样信号，包括以下步骤：
将所述原始多元信号转换为第一多通道序列，所述第一多通道序列为具有相同长度的电池温度信号、电流信号、电压信号；
对所述第一多通道序列进行通道压缩，得到压缩后第一序列；
在所述第一序列内截取若干个不同时间段的部分，得到若干个第一采样子信号，所有所述第一采样子信号组成所述第一采样信号。
本实施例提出一种通过下采样处理原始多元信号，以得到第一采样信号的方式，该方式可以将原始多元信号转换为带有相同长度的多通道序列，有效捕获全局信息。
在一可选的实施例中，所述对所述第一多通道序列进行通道压缩，得到压缩后第一序列，包括以下步骤：
通过一维卷积，减少所述第一多通道序列的通道数量，得到压缩后第一序列。
具体地，将所述第一多通道序列的通道数量压缩为C。
本实施例进一步对第一多通道序列进行通道压缩，从而避免由采样带来的信息损失。
在一可选的实施例中，所述对所述原始多元信号进行分段采样，得到第二采样信号，至少包括以下步骤：
将所述原始多元信号转换为第二多通道序列，所述第二多通道序列为具有相同长度的电池温度信号、电流信号、电压信号；
对所述第二多通道序列进行通道压缩，得到压缩后第二序列；
在所述第二序列内截取若干个不同长度的短序列，所有所述短序列组成所述第二采样信号。
设电池温度、电流、电压所组成的所述原始多元信号为二维向量，其中N表示信号的数量，H表示信号的序列长度。利用下采样和分段采样分别将X转化为多通道序列，并通过一维卷积，压缩该序列的通道变为C，由此得到的时序特征向量，以及变量特征向量，需要说明的是，全文提到的特征向量为一个笼统概念，深度学习模型中的所有被挖掘的特征信息皆可称为特征向量，下采样增大多通道序列的时间间隔，从而能获得更直观的全局信息，/>为经下采样得到的特征向量，/>中的第j个序列可表示为，其中包括的元素如/>等，均为经下采样得到的特征向量的一个特征点，不同于下采样，分段采样能对局部信息集中更多的注意力，从而能更好地反映局部变化的细节，/>为经分段采样得到的特征向量，/>中的第j个序列可表示为，其中包括的元素如/>，均为经分段采样得到的特征向量的一个特征点。
本实施例提出一种通过分段采样处理原始多元信号，以得到第二采样信号的方式，该方式可以将原始多元信号转换为多段短序列信号，有效捕获局部信息。
在一可选的实施例中，从所述第一采样信号提取得到时序特征向量，包括以下步骤：
基于所述时间注意力，得到第一时序特征向量；基于所述变量注意力，得到第一变量特征向量；
对所述第一时序特征向量和所述第一变量特征向量进行求和操作，得到第一总和特征向量；
将所述第一总和特征向量进行正则化处理，并将正则化处理后的所述第一总和特征向量进行降维处理，得到时序特征向量。
具体地，基于所述时间注意力，在所述第一采样信号中，得到第一时序特征向量，基于所述变量注意力，在所述第一采样信号中，得到第一变量特征向量/>，将所述第一总和特征向量进行正则化处理，并将正则化处理后的所述第一总和特征向量进行降维处理，得到时序特征向量/>，其中，/>表示正则化操作，/>表示把维度为/>的向量转换为/>向量的过程。
进一步地，得到变量特征向量的过程完全与上述得到时序特征向量的过程相同，且同步进行，即可得到变量特征向量，其中/>为基于所述时间注意力，在所述第二采样信号中，提取的第二时序特征向量，/>为基于所述变量注意力，在所述第二采样信号中，提取的第二变量特征向量。
本实施例提出一种捕获时序特征的方式，可以全面表征每个类型信号随时间变化的特征，以及所有类型信号之间的交互特征，以提升对电池热失效预测所使用的信号类型的全面性，进而提升预测准确性。
在一可选的实施例中，所述时间注意力由多头注意力、残差结构和正则化层组成；
所述基于所述时间注意力，得到第一时序特征向量，包括以下步骤：
由所述多头注意力对所述第一采样信号进行挖掘，得到第一特征向量；由所述残差结构对所述第一采样信号进行挖掘，得到第二特征向量；由所述正则化层对所述第一采样信号进行挖掘，得到第三特征向量；
对第二特征向量进行转置处理，得到转置后第二特征向量；求取转置后第二特征向量与所述第一特征向量的积的归一化指数函数，并将该归一化指数函数的结果与第三特征向量的积作为第四特征向量；
通过残差结构和正则化层，基于所述第四特征向量，得到所述第一时序特征向量。
进一步地，不同于时间注意力，变量注意力主要利用多头注意力来分析不同类型信号间交流，挖掘交互信息，变量注意力挖掘特征的过程如下：由所述多头注意力对所述第一采样信号进行挖掘，得到第一特征向量；由所述残差结构对所述第一采样信号进行挖掘，得到第二特征向量；由所述正则化层对所述第一采样信号进行挖掘，得到第三特征向量的过程如公式（一）所示：
公式（一）
其中，Q表示多头注意力，K表示残差结构，V表示正则化层。
然后，再通过公式（二）得到第四特征向量，
公式（二）
其中，代表全连接层，/>代表归一化指数函数，/>表示把特征向量的最后两维序列转置后得到的向量。然后通过残差结构和正则化层就可以输出第一时序特征向量/>，这个过程可通过公式（三）、公式（四）、公式（五）表示为：
公式（三）
公式（四）
公式（五）
其中，M表示特征向量的数量，表示/>中的第i个序列，/>表示/>中的第i个序列，U和/>分别表示特征向量的统计量，/>表示增益，b表示偏置，/>表示一个小数，它能避免计算时分母为0。
进一步地，通过公式（六）得到第一变量特征向量。
公式（六）
其中，为能让/>的输出满足期望为0、方差为1的正态分布，/>，。由时间注意力和变量注意力得到的第一时序特征向量/>和第一变量特征向量/>。
进一步地，再使用正则化层实现信息的初步融合得到隐藏特征向量，计算过程如公式（七）：
公式（七）
其中，表示正则化操作，/>继续被导入模型的融合模块（也可称为时变融合Transformer模块）挖掘时序特征和变量特征，同时也完成特征的进一步融合，最后通过全连接层得到预测结果/>。
进一步地，为了确保模型的训练效果，本发明结合L1损失和L2损失定义模型的损失函数，损失函数公式（八）所示：
公式（八）
其中，i、j、k表示某个具体样本，Y表示模型的预测结果，表示本申请采用的方法得到的预测标签，/>表示原本的真实标签，B表示样本的数量，N表示信号的数量，L表示预测步长，/>表示L1损失的权重。为了完成模型的训练，实验所用电脑的CPU为Intel Corei7-9750H，内存为16G，显卡为一张的NVIDIA 4070，其显存为12GB，操作系统为ubantu，框架为python3.6的pytorch平台。每一批次样本数目(batch size)设置为512，迭代次数设置为500，学习率设置为0.01，损失函数定义为交叉熵,采用Adam算法进行训练。
考虑到电流、电压多元信号中的异常值可能会对模型预测温度的准确性造成影响，故结合L1损失和L2损失设计模型的损失函数，既能对异常点有较好的鲁棒性，也能有较快的收敛速度，且预测精度较高。
实施例2
请参考图2所示，本实施例提供一种新能源车辆电池热失效的预测系统，包括：
获取模块1，所述获取模块配置用于获取原始多元信号，所述原始多元信号包括若干种类型信号，所述类型信号包括电池温度信号、电流信号和电压信号；
采样模块2，所述采样模块配置用于对所述原始多元信号进行下采样，得到第一采样信号；对所述原始多元信号进行分段采样，得到第二采样信号；所述第一采样信号用于表征所述原始多元信号的全局信息，所述第二采样信号用于表征所述原始多元信号的局部信息；
具体地，采样模块利用下采样和分段采样处理原始多元信号，下采样通过增加采样间隔把原始多元信号转换为带有相同长度的多通道序列，更好地捕获信号的全局信息，分段采样把长序列信号转换为多段短序列信号，更好地捕获信号的局部信息，从而能利用信号宏观特征和细粒度特征提高模型的泛化性和对热失效预测的精度。
提取模块3，所述提取模块配置用于基于时间注意力和变量注意力，从所述第一采样信号提取得到时序特征向量；所述时序特征向量表征各所述类型信号随时间变化的特征；基于时间注意力和变量注意力，从所述第二采样信号中提取得到变量特征向量；所述变量特征向量表征各所述类型信号之间交互的特征；
融合模块4，所述融合模块配置用于通过正则化和求和操作，对所述时序特征向量和所述变量特征向量进行融合，得到隐藏特征向量，基于所述隐藏特征向量，得到温度预测序列，所述温度预测序列为电池温度随时间变化的序列，所述温度预测序列用于对电池热失效进行预测。
具体地，所述融合模块利用时间注意力和变量注意力捕获信号的时序特征以及不同信号间的变量特征，通过并行的孪生结构使模型能集中地挖掘信息，利用正则化和求和操作（Add和Norm操作）实现时序特征和变量特征的有效融合，进一步捕获融合特征，提高模型对热失效预测的准确性。
实施例3
请参考图3所示，所述终端设备的计算机系统600包括CPU601，其可以根据存储在ROM602中的程序或者从存储部分608加载到RAM603中的程序而执行各种适当的动作和处理。在RAM603中，还存储有系统操作所需的各种程序和数据。CPU601、ROM602以及RAM603通过总线604彼此相连。I/O接口605也连接至总线604。以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地，根据本发明的实施例，上文参考流程图1描述的过程可以被实现为计算机软件程序。例如，本发明的实施例1包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分从网络上被下载和安装，和/或从可拆卸介质被安装。在该计算机程序被CPU601执行时，执行本计算机系统600中限定的上述功能。
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器、只读存储器、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明实施例1、实施例2的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。所描述的单元或模块也可以设置在处理器中，例如，可以描述为：一种处理器包括获取模块、采样模块、提取模块、融合模块。其中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定，例如，获取模块还可以被描述为“用于获取原始多元信号实例的获取模块”。
实施例4
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现如上述实施例中所述的新能源车辆电池热失效的预测方法。
例如，所述电子设备可以实现如图1中所示的：S100、获取原始多元信号，所述原始多元信号包括若干种类型信号，所述类型信号至少包括电池温度信号、电流信号和电压信号；S200、对所述原始多元信号进行下采样，得到第一采样信号；对所述原始多元信号进行分段采样，得到第二采样信号；所述第一采样信号用于表征所述原始多元信号的全局信息，所述第二采样信号用于表征所述原始多元信号的局部信息；S300、基于时间注意力和变量注意力，从所述第一采样信号提取得到时序特征向量；所述时序特征向量表征各所述类型信号随时间变化的特征；基于时间注意力和变量注意力，从所述第二采样信号中提取得到变量特征向量；所述变量特征向量表征各所述类型信号之间交互的特征；S400、通过正则化和求和操作，对所述时序特征向量对应的特征和所述变量特征向量对应的特征进行融合，得到隐藏特征向量，基于所述隐藏特征向量，得到温度预测序列，所述温度预测序列为电池温度随时间变化的序列，基于所述温度预测序列进行电池热失效预测。又如，所述电子设备可以实现本发明所描述的各个步骤。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本发明公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外，尽管在附图中以特定顺序描述了本发明中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。
以上描述仅为本发明的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本发明中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本发明中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种新能源车辆电池热失效的预测方法，其特征在于，该预测方法基于多元时变孪生Transformer模型完成，该预测方法包括以下步骤：
获取原始多元信号，所述原始多元信号包括若干种类型信号，所述类型信号包括电池温度信号、电流信号和电压信号；
对所述原始多元信号进行下采样，得到第一采样信号；对所述原始多元信号进行分段采样，得到第二采样信号；所述第一采样信号用于表征所述原始多元信号的全局信息，所述第二采样信号用于表征所述原始多元信号的局部信息；
基于时间注意力和变量注意力，从所述第一采样信号提取得到时序特征向量；所述时序特征向量表征各所述类型信号随时间变化的特征；基于时间注意力和变量注意力，从所述第二采样信号中提取得到变量特征向量；所述变量特征向量表征各所述类型信号之间交互的特征；
通过正则化和求和操作，对所述时序特征向量对应的特征和所述变量特征向量对应的特征进行融合，得到隐藏特征向量，基于所述隐藏特征向量，得到温度预测序列，所述温度预测序列为电池温度随时间变化的序列，基于所述温度预测序列进行电池热失效预测。
2.根据权利要求1所述的新能源车辆电池热失效的预测方法，其特征在于，所述对所述原始多元信号进行下采样，得到第一采样信号，包括以下步骤：
将所述原始多元信号转换为第一多通道序列，所述第一多通道序列为具有相同长度的电池温度信号、电流信号、电压信号；
对所述第一多通道序列进行通道压缩，得到压缩后第一序列；
在所述第一序列内截取若干个不同时间段的部分，得到若干个第一采样子信号，所有所述第一采样子信号组成所述第一采样信号。
3.根据权利要求1所述的新能源车辆电池热失效的预测方法，其特征在于，所述对所述原始多元信号进行分段采样，得到第二采样信号，包括以下步骤：
将所述原始多元信号转换为第二多通道序列，所述第二多通道序列为具有相同长度的电池温度信号、电流信号、电压信号；
对所述第二多通道序列进行通道压缩，得到压缩后第二序列；
在所述第二序列内截取若干个不同长度的短序列，所有所述短序列组成所述第二采样信号。
4.根据权利要求1所述的新能源车辆电池热失效的预测方法，其特征在于，从所述第一采样信号提取得到时序特征向量，包括以下步骤：
基于所述时间注意力，得到第一时序特征向量；基于所述变量注意力，得到第一变量特征向量；
对所述第一时序特征向量和所述第一变量特征向量进行求和操作，得到第一总和特征向量；
将所述第一总和特征向量进行正则化处理，并将正则化处理后的所述第一总和特征向量进行降维处理，得到时序特征向量。
5.根据权利要求4所述的新能源车辆电池热失效的预测方法，其特征在于，所述时间注意力由多头注意力、残差结构和正则化层组成；
所述基于所述时间注意力，得到第一时序特征向量，包括以下步骤：
由所述多头注意力对所述第一采样信号进行挖掘，得到第一特征向量；由所述残差结构对所述第一采样信号进行挖掘，得到第二特征向量；由所述正则化层对所述第一采样信号进行挖掘，得到第三特征向量；
对第二特征向量进行转置处理，得到转置后第二特征向量；求取转置后第二特征向量与所述第一特征向量的积的归一化指数函数，并将该归一化指数函数的结果与第三特征向量的积作为第四特征向量；
通过残差结构和正则化层，基于所述第四特征向量，得到所述第一时序特征向量。
6.根据权利要求2所述的新能源车辆电池热失效的预测方法，其特征在于，所述对所述第一多通道序列进行通道压缩，得到压缩后第一序列，包括以下步骤：
通过一维卷积，减少所述第一多通道序列的通道数量，得到压缩后第一序列。
7.根据权利要求5所述的新能源车辆电池热失效的预测方法，其特征在于，所述对第二特征向量进行转置处理，包括以下步骤：
获取所述第二特征向量中的最后两维序列，并对最后两维序列进行转置。
8.一种新能源车辆电池热失效的预测系统，其特征在于，包括：
获取模块，所述获取模块配置用于获取原始多元信号，所述原始多元信号包括若干种类型信号，所述类型信号包括电池温度信号、电流信号和电压信号；
采样模块，所述采样模块配置用于对所述原始多元信号进行下采样，得到第一采样信号；对所述原始多元信号进行分段采样，得到第二采样信号；所述第一采样信号用于表征所述原始多元信号的全局信息，所述第二采样信号用于表征所述原始多元信号的局部信息；
提取模块，所述提取模块配置用于基于时间注意力和变量注意力，从所述第一采样信号提取得到时序特征向量；所述时序特征向量表征各所述类型信号随时间变化的特征；基于时间注意力和变量注意力，从所述第二采样信号中提取得到变量特征向量；所述变量特征向量表征各所述类型信号之间交互的特征；
融合模块，所述融合模块配置用于通过正则化和求和操作，对所述时序特征向量对应的特征和所述变量特征向量对应的特征进行融合，得到隐藏特征向量，基于所述隐藏特征向量，得到温度预测序列，所述温度预测序列为电池温度随时间变化的序列，基于所述温度预测序列进行电池热失效预测。
9.一种终端设备，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，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任意一项所述的新能源车辆电池热失效的预测方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任意一项所述的新能源车辆电池热失效的预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410323770.3A CN117930028B (zh) | 2024-03-21 | 2024-03-21 | 新能源车辆电池热失效的预测方法、系统、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410323770.3A CN117930028B (zh) | 2024-03-21 | 2024-03-21 | 新能源车辆电池热失效的预测方法、系统、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117930028A CN117930028A (zh) | 2024-04-26 |
| CN117930028B true CN117930028B (zh) | 2024-05-17 |
Family
ID=90750922
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410323770.3A Active CN117930028B (zh) | 2024-03-21 | 2024-03-21 | 新能源车辆电池热失效的预测方法、系统、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117930028B (zh) |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111161535A (zh) * | 2019-12-23 | 2020-05-15 | 山东大学 | 基于注意力机制的图神经网络交通流量预测方法及系统 |
| CN112327188A (zh) * | 2020-09-30 | 2021-02-05 | 北京交通大学 | 一种模型-数据混合驱动的锂离子电池剩余寿命预测方法 |
| KR20210116801A (ko) * | 2020-03-16 | 2021-09-28 | 주식회사 로보볼트 | 신경망 기반의 배터리 잔존 수명 예측 방법 및 장치 |
| CN113592185A (zh) * | 2021-08-05 | 2021-11-02 | 四川大学 | 一种基于Transformer的电力负荷预测方法 |
| CN114610769A (zh) * | 2022-03-23 | 2022-06-10 | 康键信息技术（深圳）有限公司 | 数据分析方法、装置、设备及存储介质 |
| CN114741963A (zh) * | 2022-04-15 | 2022-07-12 | 深圳市新威尔电子有限公司 | 基于多尺度注意力机制的锂电池荷电状态预测方法 |
| CN114819251A (zh) * | 2022-02-28 | 2022-07-29 | 国网河南省电力公司经济技术研究院 | 一种基于配电网网格的多元负荷弹性预测方法 |
| CN115656857A (zh) * | 2022-09-15 | 2023-01-31 | 广州大学 | 一种锂离子电池剩余使用寿命的多尺度融合预测方法 |
| CN115684971A (zh) * | 2022-10-18 | 2023-02-03 | 国网福建省电力有限公司 | 基于片段多充电特征融合的锂离子电池健康状态估计方法 |
| CN115938505A (zh) * | 2022-11-04 | 2023-04-07 | 山东师范大学 | 基于图神经网络块结构与多头注意力机制融合的药物分子筛选方法及系统 |
| CN116304806A (zh) * | 2023-02-22 | 2023-06-23 | 成都赛力斯科技有限公司 | 电机故障诊断方法、诊断模型训练方法及系统 |
| KR20230142121A (ko) * | 2022-04-01 | 2023-10-11 | 한밭대학교 산학협력단 | 신경망 기반의 배터리 사용량 예측 방법 및 장치 |
| WO2023224430A1 (en) * | 2022-05-19 | 2023-11-23 | Samsung Electronics Co., Ltd. | Method and apparatus for on-device personalised analysis using a machine learning model |
| KR20230166196A (ko) * | 2022-05-30 | 2023-12-07 | 주식회사 로보볼트 | 배터리 상태 진단을 위한 배터리 데이터 전처리 방법 및 시스템, 그리고 배터리 상태 예측 시스템 |
| CN117312821A (zh) * | 2023-08-18 | 2023-12-29 | 沈阳化工大学 | 一种基于特征提取和Transformer模型的故障检测方法 |
| CN117347867A (zh) * | 2023-10-19 | 2024-01-05 | 南通乐创新能源有限公司 | 一种基于Transformer组合模型预测电池SOH方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210004216A (ko) * | 2019-07-03 | 2021-01-13 | 주식회사 엘지화학 | 배터리 관리 시스템 및 관리 방법 |
-
2024
- 2024-03-21 CN CN202410323770.3A patent/CN117930028B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111161535A (zh) * | 2019-12-23 | 2020-05-15 | 山东大学 | 基于注意力机制的图神经网络交通流量预测方法及系统 |
| KR20210116801A (ko) * | 2020-03-16 | 2021-09-28 | 주식회사 로보볼트 | 신경망 기반의 배터리 잔존 수명 예측 방법 및 장치 |
| CN112327188A (zh) * | 2020-09-30 | 2021-02-05 | 北京交通大学 | 一种模型-数据混合驱动的锂离子电池剩余寿命预测方法 |
| CN113592185A (zh) * | 2021-08-05 | 2021-11-02 | 四川大学 | 一种基于Transformer的电力负荷预测方法 |
| CN114819251A (zh) * | 2022-02-28 | 2022-07-29 | 国网河南省电力公司经济技术研究院 | 一种基于配电网网格的多元负荷弹性预测方法 |
| CN114610769A (zh) * | 2022-03-23 | 2022-06-10 | 康键信息技术（深圳）有限公司 | 数据分析方法、装置、设备及存储介质 |
| KR20230142121A (ko) * | 2022-04-01 | 2023-10-11 | 한밭대학교 산학협력단 | 신경망 기반의 배터리 사용량 예측 방법 및 장치 |
| CN114741963A (zh) * | 2022-04-15 | 2022-07-12 | 深圳市新威尔电子有限公司 | 基于多尺度注意力机制的锂电池荷电状态预测方法 |
| WO2023224430A1 (en) * | 2022-05-19 | 2023-11-23 | Samsung Electronics Co., Ltd. | Method and apparatus for on-device personalised analysis using a machine learning model |
| KR20230166196A (ko) * | 2022-05-30 | 2023-12-07 | 주식회사 로보볼트 | 배터리 상태 진단을 위한 배터리 데이터 전처리 방법 및 시스템, 그리고 배터리 상태 예측 시스템 |
| CN115656857A (zh) * | 2022-09-15 | 2023-01-31 | 广州大学 | 一种锂离子电池剩余使用寿命的多尺度融合预测方法 |
| CN115684971A (zh) * | 2022-10-18 | 2023-02-03 | 国网福建省电力有限公司 | 基于片段多充电特征融合的锂离子电池健康状态估计方法 |
| CN115938505A (zh) * | 2022-11-04 | 2023-04-07 | 山东师范大学 | 基于图神经网络块结构与多头注意力机制融合的药物分子筛选方法及系统 |
| CN116304806A (zh) * | 2023-02-22 | 2023-06-23 | 成都赛力斯科技有限公司 | 电机故障诊断方法、诊断模型训练方法及系统 |
| CN117312821A (zh) * | 2023-08-18 | 2023-12-29 | 沈阳化工大学 | 一种基于特征提取和Transformer模型的故障检测方法 |
| CN117347867A (zh) * | 2023-10-19 | 2024-01-05 | 南通乐创新能源有限公司 | 一种基于Transformer组合模型预测电池SOH方法 |
Non-Patent Citations (2)
| Title |
|---|
| " Capacity estimation of lithium-ion batteries based on Transformer model";Liu, Y;《2023 3rd International Conference on Electrical Engineering and Mechatronics Technology》;20231012;第116-9页 * |
| "融合自注意力机制与门控循环单元网络的宽工况锂离子电池SOC估计";管鸿盛;《储能科学与技术》;20230605;第2229-2237页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117930028A (zh) | 2024-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220058396A1 (en) | Video Classification Model Construction Method and Apparatus, Video Classification Method and Apparatus, Device, and Medium | |
| CN111405475A (zh) | 一种多维感知数据碰撞融合分析方法和装置 | |
| CN113723341A (zh) | 视频的识别方法、装置、可读介质和电子设备 | |
| CN109903075B (zh) | 基于dnn的回归分布模型及其训练方法、电子设备 | |
| CN115810298A (zh) | 基于船舶机电装备故障信息的故障趋势预测方法及系统 | |
| CN117930028B (zh) | 新能源车辆电池热失效的预测方法、系统、设备及介质 | |
| CN115801980A (zh) | 视频生成方法和装置 | |
| CN115619999A (zh) | 电力设备实时监测方法、装置、电子设备及可读介质 | |
| CN112257658B (zh) | 一种脑电信号的处理方法、装置、电子设备及存储介质 | |
| KR101806669B1 (ko) | 특허 분석을 이용한 기술이전 예측정보 제공 방법 및 장치 | |
| Liu et al. | Wftnet: Exploiting global and local periodicity in long-term time series forecasting | |
| CN115410642A (zh) | 一种生物关系网络信息建模方法与系统 | |
| CN115130788A (zh) | 基于大数据分析的用电预测系统 | |
| Zeng et al. | A fault diagnosis method for motor vibration signals incorporating Swin transformer with locally sensitive hash attention | |
| CN114997214A (zh) | 一种残差密集网络故障诊断方法以及装置 | |
| CN114779010A (zh) | 基于对称差分能量算子和神经网络的故障行波检测方法 | |
| CN114330239A (zh) | 文本处理方法及装置、存储介质及电子设备 | |
| CN113660176A (zh) | 通信网络的流量预测方法、装置、电子设备及存储介质 | |
| CN113469399A (zh) | 业务预测方法及装置 | |
| da Silva et al. | Automated machine learning for time series prediction | |
| CN117332377B (zh) | 一种基于深度学习的离散时间序列事件挖掘方法及系统 | |
| CN116421152B (zh) | 一种睡眠分期结果确定方法、装置、设备及介质 | |
| CN115238805B (zh) | 异常数据识别模型的训练方法及相关设备 | |
| CN117993431A (zh) | 基于时序二维变化和残差编码器的多元时间序列预测方法 | |
| Chen et al. | Real-Time Low-Light Image Enhancement Method for Train Driving Scene Based on Improved Zero-DCE |
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 |