CN112379269B - 电池异常检测模型训练及其检测方法、装置 - Google Patents
电池异常检测模型训练及其检测方法、装置 Download PDFInfo
- Publication number
- CN112379269B CN112379269B CN202011098940.0A CN202011098940A CN112379269B CN 112379269 B CN112379269 B CN 112379269B CN 202011098940 A CN202011098940 A CN 202011098940A CN 112379269 B CN112379269 B CN 112379269B
- Authority
- CN
- China
- Prior art keywords
- battery
- training
- parameters
- encoder
- detection model
- 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
- 238000012549 training Methods 0.000 title claims abstract description 157
- 238000001514 detection method Methods 0.000 title claims abstract description 153
- 230000005856 abnormality Effects 0.000 title claims abstract description 97
- 238000000034 method Methods 0.000 claims abstract description 41
- 206010000117 Abnormal behaviour Diseases 0.000 claims abstract description 34
- 230000002159 abnormal effect Effects 0.000 claims abstract description 26
- 230000006870 function Effects 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims 1
- 210000004027 cell Anatomy 0.000 description 57
- 230000006399 behavior Effects 0.000 description 49
- 238000010801 machine learning Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 238000012952 Resampling Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 208000032953 Device battery issue Diseases 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/385—Arrangements for measuring battery or accumulator variables
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本申请提供一种电池异常检测模型训练及其电池异常检测方法、装置及计算机存储介质,主要包括构建包括编码器、解码器和分类器的电池异常检测模型;获取电池包中各电芯对应的布设位置数据和行为数据以作为第一训练参数;利用第一训练参数训练所述编码器和解码器,以确定均值向量参数和方差向量参数;基于所确定的均值向量参数和方差向量参数初始化第一训练参数以生成第二训练参数;并将第二训练参数作为输入,将预设电池异常行为标签作为输出以训练分类器直至训练完成。借此,本申请可判断电池包所存在的电池异常行为类别,并准确定位异常电芯的设置位置。
Description
技术领域
本申请实施例涉及电池检测技术领域,尤其涉及一种电池异常检测模型训练及其检测方法、装置和计算机存储介质。
背景技术
近年来,在智能环保的政策号召下,汽车产业迎来了重要的发展机遇,即传统以石油资源为主的燃油车逐渐发展成以动力电池为主的电动汽车。但是随着电动汽车的普及,动力电池的安全问题受到了业界的广泛关注。动力电池***作为一个化学储能***,包含了机械、电子、化学、物理等多个功能组件,且使用环境复杂多变。为了保证动力电池***的正常安全运行,除了车载BMS***以外,利用大数据技术对电池进行健康分析和异常检测也必不可少。
基于大数据的电池异常检测面临的突出问题是异常电池所占的样本量比正常电池的样本量少很多,传统的监督学习根本无法从极少量的数据中学到正确的分类函数;如果利用半监督和无监督学习又不能像监督学习那样很好的利用已有的异常电池样本,而那些极少的异常样本包含非常珍贵的信息。
因此,当前业界面临的主要问题是如何让机器学习模型能在异常样本加少量的情况下即可学习到正确的分类函数。
对此,业界提出了诸如迁移学习、不均衡学习、元学习、弱监督学习等策略,旨在利用好大量正常样本和极少量异常样本的同时,在一定程度上提高机器学习模型分类函数的准确率。
另一个显著的问题是如何提升机器学习模型的可解释性,具体而言,由于机器学习模型的可解释性较差,对于已知的电池失效模式,机器学习模型在有限数据的前提下只能判断电池为正常或异常,而并不能很好的解释电池异常的原因(即电池存在哪种类型的异常),也不能方便定位是电池包中的哪个单体电芯或哪个特征导致的异常。
有鉴于此,如何利用极少的异常样本即可让机器学习模型学习到正确的分类函数以及如何提高机械学习模型的可解释性,即为本申请待解决的技术课题。
发明内容
鉴于上述问题,本申请提供一种电池异常检测模型训练及其检测方法、装置及计算机存储介质,可以克服上述问题或者至少部分地解决上述问题。
本申请的第一方面提供一种电池异常检测模型训练方法,其包括。构建电池异常检测模型,其中,所述电池异常检测模型包括编码器、解码器和分类器;获取电池包中各电芯对应的布设位置数据和行为数据以作为第一训练参数;利用所述第一训练参数训练所述编码器和解码器,以确定所述电池异常检测模型的均值向量参数和方差向量参数;基于所确定的所述均值向量参数和方差向量参数初始化所述第一训练参数以生成第二训练参数;以及将所述第二训练参数作为输入,并将预设电池异常行为标签作为输出以训练所述分类器直至训练完成。
本申请的第二方面提供一种计算机存储介质,所述计算机存储介质中存储有用于执行上述第一方面所述的电池异常检测模型训练方法的各所述步骤的指令。
本申请第三方面提供一种电池异常检测方法,其包括获取电池包中各电芯对应的布设位置数据和行为数据以作为目标检测参数;根据所述目标检测参数,利用上述第一方面所述的电池异常检测模型训练方法所训练的所述电池异常检测模型获得所述电池包的电池异常行为标签以及对应所述电池异常行为标签的所述电芯的布设位置数据。
本申请第四方面提供一种计算机存储介质,所述计算机存储介质中存储有用于执行上述第二方面所述的电池异常检测方法的各所述步骤的指令。。
本申请第五方面提供一种电池异常检测模型训练装置,其包括模型生成模块,用于构建电池异常检测模型,其中,所述电池异常检测模型包括编码器、解码器和分类器;训练参数获取模块,用于获取电池包中各电芯对应的布设位置数据和行为数据以作为第一训练参数,以及基于所确定的均值向量参数和方差向量参数初始化所述第一训练参数以生成第二训练参数;以及模型训练模块,用于利用所述第一训练参数训练所述编码器和解码器,以确定所述电池异常检测模型的所述均值向量参数和所述方差向量参数,且将所述第二训练参数作为输入,并将预设电池异常行为标签作为输出以训练所述分类器直至训练完成。
本申请第六方面提供一种电池异常检测装置,其包括:检测参数获取模块,用于获取电池包中各电芯对应的布设位置数据和行为数据以作为目标检测参数;以及电池检测模块,用于根据所述目标检测参数,利用上述第五方面所述的电池异常检测模型训练装置所训练的所述电池异常检测模型,获得所述电池包的电池异常行为标签以及对应所述电池异常行为标签的所述电芯的布设位置数据。
由以上技术方案可见,本申请实施例提供的电池异常检测模型训练及其检测方法、装置及计算机存储介质,仅利用极少量的异常电池样本即可提供电池异常检测模型正确学习不同类别的电池异常行为标签。
此外,本申请实施例提供的电池异常检测模型训练及其检测方法、装置及计算机存储介质,不仅可以检测出电池发生了哪种类别的异常行为,还能准确定位存在此类型异常行为的电芯具***置,提高了电池异常检测模型的可解释性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例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,下面描述中的附图仅仅是本申请实施例中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为本申请第一实施例的电池异常检测模型训练方法的流程示意图;
图2A至图2C为本申请的电池异常检测模型中的编码器、解码器和分类器的网络架构示意图;
图3为本申请第二实施例的电池异常检测模型训练方法的流程示意图;
图4为本申请第三实施例的电池异常检测模型训练方法的流程示意图;
图5为本申请第五实施例的电池异常检测方法的流程示意图;
图6为本申请第七实施例的电池异常检测模型训练装置的基本架构图;
图7为本申请第八实施例的电池异常检测装置的基本架构图。
元件标号
60:电池异常检测模型训练装置;600:电池异常检测模块;601:编码器;602:解码器;603:分类器;610:模型生成模块;620:训练参数获取模块;630:模型训练模块;70:电池异常检测装置;710:检测参数获取模块;720:电池检测模块。
具体实施方式
为了使本领域的人员更好地理解本申请实施例中的技术方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请实施例一部分实施例,而不是全部的实施例。基于本申请实施例中的实施例,本领域普通技术人员所获得的所有其他实施例,都应当属于本申请实施例保护的范围。
下面结合本申请实施例附图进一步说明本申请实施例的具体实现。
第一实施例
本申请第一实施例提供一种电池异常检测模型训练方法,图1示出了本实施例电池异常检测模型训练方法的主要流程,如图所示,其包括以下步骤:
步骤S11,构建电池异常检测模型。
于本实施例中,所构建的电池异常检测模型包括有编码器、解码器和分类器。
可选的,本申请所构建的电池异常检测模型为基于元学习策略进行训练的深度生成模型,例如,变分自编码器模型(以下简称VAE模型)。
如图2A所示,于本实施例中,所构建的电池异常检测模型中的编码器包括有依次设置的一输入层、至少一CNN层、一Flatten层、一LSTM层和一全连接层。
如图2B所示,于本实施例中,所构建的电池异常检测模型中的解码器包括有依次设置的一重复采样层、一LSTM层、一全连接层、一Reshape层和至少一反卷积层。
如图2C所示,于本实施例中,所构建的电池异常检测模型中的分类器包括有依次设置的一连接层、至少一全连接层以及一分类层。
在图2A的编码器中,batch表示输入数据的批数量;steps表示输入数据的时间步长,channel表示输入数据的通道数量,即特征的种类;ki-1表示第i-1层卷积层的卷积核个数,hi-1表示第i-1层卷积层输出的特征图高度,wi-1表示第i-1层卷积层输出的特征图宽度,n表示CNN层的叠加数量,i满足1≤i≤n的递增整数;当i=1时,k0=channel且w0=w、h0=h;lstm_num表示LSTM层神经元的个数;全连接层的输出数据的m表示所述全连接层对应的神经元个数;连接层的输出数据的m表示所述连接层对应的神经元个数。
在图2B所示的解码器中,i满足1≤i≤n的递减整数,其它参数的物理含义与图2A所示的编码器相同,在此不予赘述。
在图2C所示的分类器中,连接层用于将隐含层的均值向量mean和方差向量var连接起来,pi表示第i层全连接层的神经元数量,其中,i满足1≤i≤q的递增整数,class_num表示电池异常行为标签的类别数量。
步骤S12,获取电池包中各电芯对应的布设位置数据和行为数据以作为第一训练参数。
一般而言,动力电池包***通常由多个电池组构成,且每个电池组都有多个相同数量的单体电芯构成,其中,单体电芯在空间上的位置和排序均是固定的。
可选的,电芯对应的布设位置数据包括电芯相对于电池包在X、Y、Z轴方向上的布设位置参数,也就是标识电芯位于电池包中的哪一行(即X轴方向)、哪一列(即Y轴方向)以及哪一层(即Z轴方向)的布设位置参数。于本实施例中,电池包中可包含至少一层电芯。
可选的,电芯对应的行为数据包括电芯的处于预设状态下的电流参数、电压参数、温度参数中的至少一个。需说明的是,电芯的行为数据并不限于上述示例,亦可根据实际需求进行调整,本申请对此不作限制。
可选的,电池的预设状态包括但不限于充电状态、放电状态、静置状态中的一个。
于本实施例中,所谓电池处于静置状态是指电池即非处于充电状态亦非处于放电状态的一种状态。
步骤S13,利用第一训练参数训练编码器和解码器,以确定电池异常检测模型的均值向量参数和方差向量参数。
于本实施例中,可利用编码器基于所输入的第一训练参数得到VAE模型的隐含层特征,即均值向量参数和方差向量参数,再利用所生成的均值向量参数和方差向量参数训练解码器,并根据解码器的输出再次训练编码器,以调整其所生成的均值向量参数和方差向量参数,通过反复交替训练编码器和解码器直至二者训练完成,并将最后更新的均值向量参数和方差向量参数确定为最终参数数据。
步骤S14,基于所确定的均值向量参数和方差向量参数初始化第一训练参数以生成第二训练参数。
于本实施例中,还可依据预设特征处理规则,针对VAE模型特征,即均值向量参数和方差向量参数执行预处理。
可选的,针对均值向量参数和方差向量参数执行的预处理可为高斯标准化处理,以使均值向量参数和方差向量参数两者的均值为0,方差为1。
可选的,针对均值向量参数和方差向量参数执行的预处理也可为归一化处理,以使均值向量参数和方差向量参数两者的数值均落入0至1的范围内。
需说明的是,针对均值向量参数和方差向量参数所执行的标准化处理并不以上述为限,本申请对此不作限制。
步骤S15,将第二训练参数作为输入,并将预设电池异常行为标签作为输出以训练分类器直至训练完成。
可选的,预设电池异常行为标签包括但不限于:自放电异常行为标签、温差过大异常行为标签、热失控异常行为标签。
于本实施例中,在当判断分类器的损失函数满足预设收敛条件时,则代表电池异常检测模型的分类器训练完成。
于本实施例中,分类器的损失函数为softmax函数,其表示为:
其中,所述i表示所述电池异常行为标签的类别,所述L'(i)表示第i类电池异常行为标签的分类器的损失函数;所述class_num表示电池异常行为标签的类别数量;所述z表示分类器中的最后一层全连接层的输出,也就是分类层的前一层输出(参考图2C)。
于本实施例中,在分类器的训练过程中,分类器的损失函数值会不断下降,当分类器的损失函数值满足预设收敛值或者当分类器的损失函数值的不再下降时,则判断分类器的训练完成。
综上所述,本申请实施例提出了一种基于元学习策略训练的变分自编码器模型,其中,元学习策略可提供电池异常检测模型通过学习电池不同行为的表征而方便的学习电池的哪些行为是异常的,而变分自编码器是一种无监督特征表示学习方法,其隐含层的均值向量、方差向量具有较好的电池行为表征能力,因此,利用本申请实施例所构建的电池异常检测模型,不仅可检测出电池是否出现异常,更能准确定位电池发生异常的具体部位(即定位出电池包中哪一颗电芯发生异常)。
第二实施例
本申请第二实施例提供一种电池异常检测模型训练方法,图3示出了本申请实施例的电池异常检测模型训练方法的主要流程,如图所示,其包括以下步骤:
步骤S31,针对多个电芯中的每一个,根据预设时间步长获取每一个电芯对应的多个行为数据;
于本实施例中,预设时间步长可介于1分钟至10分钟之间,但并不以此为限,可依实际需求进行调整。
步骤S32,基于第一预设数据处理规则针对各所述电芯获取的各所述行为数据执行第一预处理,以使不同所述电芯对应的各所述行为数据的维度为相同。
具体而言,当不同电池包的充电时间各不相同时,则基于预设时间步长所获取的各电芯的行为数据的数量亦不相同。
例如,假设预设时间步长为5分钟,第一块电池充电时间为55分钟,第二块电池的充电时间为60分钟,第三块电池的充电时间为65分钟,则所获取的第一块电池中的各电芯的行为数据的批数为11;所获取的第二块电池中的各电芯的行为数据的批数为12;所获取的第三块电池中的各电芯的行为数据的批数为13。在此情况下,可根据截长补短的方式针对各不同电池的行为数据进行调整,例如假设截取的固定时长为60分钟,时长不足的在末尾填补0值,时长超过的则直接截断丢弃。
步骤S33,基于时间顺序依序排列各电芯对应的各行为数据,获得各电芯对应的时间序列行为数据集。
具体而言,可根据各行为数据的采集时间先后顺序针对各行为数据进行排序,从而生成各电芯对应的时间序列行为数据集。
步骤S34,基于第二预设数据处理规则针对时间序列行为数据集中的各行为数据执行第二预处理,以使各行为数据对应的数值调整至预设数值范围内,并将执行完第二预处理后的各电芯对应的时间序列行为数据集作为第一训练参数。
于本实施例中,第二预设数据处理规则为归一化处理,以使各行为数据均落入0至1的范围内。
第三实施例
本申请第三实施例提供一种电池异常检测模型训练方法,其主要示出了步骤S13的具体实施步骤,如图4所示,本实施例的电池异常检测模型训练方法主要包括以下步骤:
步骤S41,利用编码器根据第一训练参数生成均值向量参数和方差向量参数。
具体而言,可利用编码器根据所输入的第一训练参数进行编码处理,以获得VAE模型的隐含层特征,即均值向量参数和方差向量参数
步骤S42,执行解码器训练操作,利用编码器生成的均值向量参数和方差向量参数训练解码器。
具体而言,利用所生成的均值向量参数和方差向量参数训练解码器,也就是提供解码器基于所生成的均值向量参数和方差向量参数执行逆向的解码处理。
步骤S43,执行编码器训练操作,基于训练后的解码器再次训练编码器,以优化更新均值向量参数和所述方差向量参数。
步骤S44,重复交替执行解码器训练操作(即步骤S42)和编码器训练操作(即步骤S43),从而对均值向量参数和方差向量参数进行迭代更新直至编码器和所述解码器训练完成,以确定电池异常检测模型的均值向量参数和方差向量参数。
于本实施例中,当判断编码器和解码器的损失函数满足预设收敛条件时,则代表电池异常检测模型的编码器、解码器训练完成。
于本实施例中,编码器和解码器的损失函数表示为:
所述L表示所述编码器和解码器的损失函数;所述var表示所述方差向量;所述mean表示所述均值向量;所述k表示所述电芯的层数;所述c表示所述电芯的总层数;所述i表示所述电芯的行数,所述h表示所述电芯的总行数;所述j表示所述电芯的列数;所述n表示所述电芯的总列数;所述yijk表示第i行第j列第k层电芯的真实行为数据;所述表示第k层第i行第j列第k层电芯的预测行为数据;m表示所述方向向量和所述向量包含的数值数量;所述h表示输入特征二维空间排布的高度;所述w表示输入特征二维空间排布的宽度;所述α和β分别为权重系数,
可选的,α大于β的值各自介于0和10之间(0<α,β≤10),
可选的,α大于β。
第四实施例
本申请第四实施例提供一种计算机存储介质,计算机存储介质中存储有用于上述第一至三实施例所述的电池异常检测模型训练方法的各步骤的指令。
第五实施例
本申请第五实施例提供一种电池异常检测方法,可基于上述第一至第三实施例所训练的电池异常检测模型执行电池异常检测,图5示出了本实施例电池异常检测方法的基本流程,如图所示,其主要包括:
步骤S51,获取电池包中各电芯对应的布设位置数据和行为数据以作为目标检测参数。
步骤S52,利用训练好的电池异常检测模型,根据目标检测参数,获得电池包的电池异常行为标签以及对应电池异常行为标签的所述电芯的布设位置数据。
于本实施例中,电池异常检测模型可根据预设电芯检测公式,获得对应电池异常行为标签的电芯的布设位置数据。
于本实施例中,预设电芯检测公式表示为:
其中,所述k表示所述电芯的层数;所述c表示所述电芯的总层数;所述i表示所述电芯的行数,所述h表示所述电芯的总行数;所述j表示所述电芯的列数;所述n表示所述电芯的总列数;所述F(ijk)表示第i行第j列第k层的电芯;函数argmax表示得到最大的索引位置i、j和k。
综上所述,本申请实施例提供的电池异常检测方法可通过检测器检测出电池所属的失效模式,并可通过解码器得到电池包中异常电芯的具***置,具有较好的可解释性。
第六实施例
本申请第六实施例提供一种计算机存储介质,计算机存储介质中存储有用于上述第五实施例所述的电池异常检测模型训练方法的各步骤的指令。
第七实施例
本申请第七实施例提供了一种电池异常检测模型训练装置,如图6所示,本实施例的电池异常检测模型训练装置60主要包括:
模型生成模块610,用于构建电池异常检测模型600,其中,电池异常检测模型600包括编码器601、解码器602和分类器603。
于本实施例中,电池异常检测模型600为基于元学习策略进行训练的深度生成模型。
可选的,所述编码器601包括依次设置的一输入层、至少一CNN层、一Flatten层、一LSTM层和一全连接层;所述解码器602包括依次设置的一重复采样层、一LSTM层、一全连接层、一Reshape层和至少一反卷积层;所述分类器603依次设置的一连接层、至少一全连接层以及一分类层。
训练参数获取模块620用于获取电池包中各电芯对应的布设位置数据和行为数据以作为第一训练参数,并基于所确定的均值向量参数和方差向量参数初始化所述第一训练参数以生成第二训练参数。
可选的,所述电芯对应的布设位置数据包括所述电芯相对于所述电池包在X、Y、Z轴方向上的布设位置参数;所述电芯对应的行为数据包括所述电芯的处于预设状态下的电流参数、电压参数、温度参数中的至少一个;所述预设状态包括充电状态、放电状态、静置状态中的一个。
可选的,训练参数获取模块620还用于针对多个所述电芯中的每一个,根据预设时间步长获取每一个所述电芯对应的多个所述行为数据;基于第一预设数据处理规则针对各所述电芯获取的各所述行为数据执行第一预处理,以使不同所述电芯对应的各所述行为数据的维度为相同;以及基于时间顺序依序排列各所述电芯对应的各所述行为数据,获得各所述电芯对应的时间序列行为数据集,并将所述时间序列行为数据集作为所述第一训练参数。
可选的,训练参数获取模块620还用于基于第二预设数据处理规则针对所述时间序列行为数据集中的各所述行为数据执行第二预处理,以使各所述行为数据对应的数值调整至预设数值范围内。
可选的,训练参数获取模块620还用于基于预设特征处理规则,针对所确定的所述均值向量参数和所述方差向量参数执行预处理。
模型训练模块630用于利用所述第一训练参数训练所述编码器601和解码器602,以确定所述电池异常检测模型的所述均值向量参数和所述方差向量参数,且将所述第二训练参数作为输入,并将预设电池异常行为标签作为输出以训练所述分类器603直至训练完成。
可选的,模型训练模块630还包括利用所述编码器根据所述第一训练参数生成所述均值向量参数和所述方差向量参数;执行解码器训练操作,利用所述编码器生成的所述均值向量参数和所述方差向量参数训练所述解码器;执行编码器训练操作,基于训练后的所述解码器再次训练所述编码器,以优化更新所述均值向量参数和所述方差向量参数;以及重复交替执行所述解码器训练操作和所述编码器训练操作,对所述均值向量参数和所述方差向量参数进行迭代更新直至所述编码器和所述解码器训练完成,从而确定所述电池异常检测模型的均值向量参数和方差向量参数。
此外,本申请实施例的电池异常检测模型训练装置60还可用于实现前述电池异常检测模型训练方法中的其他步骤,并具有相应的方法步骤实施例的有益效果,在此不再赘述。
第八实施例
本申请第八实施例提供了一种电池异常检测装置,如图7所示,本实施例的电池异常检测装置70主要包括:
检测参数获取模块710,其用于获取电池包中各电芯对应的布设位置数据和行为数据以作为目标检测参数;
电池检测模块720,其用于根据所述目标检测参数,利用第七实施例所述的电池异常检测模型训练装置所训练的所述电池异常检测模型600,获得所述电池包的电池异常行为标签以及对应所述电池异常行为标签的所述电芯的布设位置数据。
此外,本申请实施例的电池异常检测装置70还可用于实现前述电池异常检测方法中的其他步骤,并具有相应的方法步骤实施例的有益效果,在此不再赘述。
综上所述,本申请实施例提供的电池异常检测模型训练及其电池异常检测方法、装置可通过检测器检测出电池所属的失效模式,并可通过解码器得到电池包中异常电芯的具***置,具有相对较好的可解释性。
再者,本申请提供的电池异常检测模型融合了深度VAE模型和元学习策略,通过电池行为表征学习任务迁移到相似的电池行为异常检测任务,具有较好的泛化性。
最后应说明的是:以上实施例仅用以说明本申请实施例的技术方案,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。
Claims (15)
1.一种电池异常检测模型训练方法,其特征在于,包括:
构建电池异常检测模型,其中,所述电池异常检测模型包括编码器、解码器和分类器;
获取电池包中各电芯对应的布设位置数据和行为数据以作为第一训练参数;
利用所述第一训练参数训练所述编码器和解码器,以确定所述电池异常检测模型的均值向量参数和方差向量参数;
基于所确定的所述均值向量参数和方差向量参数初始化所述第一训练参数以生成第二训练参数;以及
将所述第二训练参数作为输入,并将预设电池异常行为标签作为输出以训练所述分类器直至训练完成;
所述利用所述第一训练参数训练所述编码器和解码器,以确定所述电池异常检测模型的均值向量参数和方差向量参数包括:利用所述编码器根据所述第一训练参数生成所述均值向量参数和所述方差向量参数;执行解码器训练操作,利用所述编码器生成的所述均值向量参数和所述方差向量参数训练所述解码器;执行编码器训练操作,基于训练后的所述解码器再次训练所述编码器,以优化更新所述均值向量参数和所述方差向量参数;以及重复交替执行所述解码器训练操作和所述编码器训练操作,对所述均值向量参数和所述方差向量参数进行迭代更新直至所述编码器和所述解码器训练完成,从而确定所述电池异常检测模型的均值向量参数和方差向量参数;
所述对所述均值向量参数和所述方差向量参数进行迭代更新直至所述编码器和所述解码器训练完成包括:当判断所述编码器和解码器的损失函数满足预设收敛条件时,所述电池异常检测模型的编码器、解码器训练完成;其中,所述编码器和解码器的损失函数表示为:
其中,所述L表示所述编码器和解码器的损失函数;所述var表示所述方差向量;所述mean表示所述均值向量;所述k表示所述电芯的层数;所述c表示所述电芯的总层数;所述i表示所述电芯的行数,所述h表示所述电芯的总行数;所述j表示所述电芯的列数;所述n表示所述电芯的总列数;所述yijk表示第i行第j列第k层电芯的真实行为数据;所述表示第k层第i行第j列第k层电芯的预测行为数据;m表示所述方差向量和所述均值向量包含的数值数量;所述h表示输入特征二维空间排布的高度;所述w表示输入特征二维空间排布的宽度;所述α和β分别为权重系数,其中,α大于β;
所述将所述第二训练参数作为输入,并将预设电池异常行为标签作为输出以训练所述分类器直至训练完成包括:当判断所述分类器的损失函数满足预设收敛条件时,所述电池异常检测模型的分类器训练完成;其中,所述分类器的损失函数表示为:其中,所述t表示所述电池异常行为标签的类别,所述L′(t)表示第t类所述电池异常行为标签的所述分类器的损失函数;所述class_num表示所述电池异常行为标签的类别数量;所述zt表示分类器中的最后一层全连接层的输出。
2.根据权利要求1所述的电池异常检测模型训练方法,其特征在于,所述电池异常检测模型为基于元学习策略进行训练的深度生成模型。
3.根据权利要求1所述的电池异常检测模型训练方法,其特征在于,
所述编码器包括依次设置的一输入层、至少一CNN层、一Flatten层、一LSTM层和一全连接层;
所述解码器包括依次设置的一重复采样层、一LSTM层、一全连接层、一Reshape层和至少一反卷积层;
所述分类器依次设置的一连接层、至少一全连接层以及一分类层。
4.根据权利要求1所述的电池异常检测模型训练方法,其特征在于,所述电芯对应的布设位置数据包括所述电芯相对于所述电池包在X、Y、Z轴方向上的布设位置参数;所述电芯对应的行为数据包括所述电芯的处于预设状态下的电流参数、电压参数、温度参数中的至少一个;所述预设状态包括充电状态、放电状态、静置状态中的一个。
5.根据权利要求1所述的电池异常检测模型训练方法,其特征在于,所述方法还包括:
针对多个所述电芯中的每一个,根据预设时间步长获取每一个所述电芯对应的多个所述行为数据;
基于第一预设数据处理规则针对各所述电芯获取的各所述行为数据执行第一预处理,以使不同所述电芯对应的各所述行为数据的维度为相同;以及
基于时间顺序依序排列各所述电芯对应的各所述行为数据,获得各所述电芯对应的时间序列行为数据集,并将所述时间序列行为数据集作为所述第一训练参数。
6.根据权利要求5所述的电池异常检测模型训练方法,其特征在于,所述方法还包括:
基于第二预设数据处理规则针对所述时间序列行为数据集中的各所述行为数据执行第二预处理,以使各所述行为数据对应的数值调整至预设数值范围内。
7.根据权利要求1所述的电池异常检测模型训练方法,其特征在于,所述方法还包括:
基于预设特征处理规则,针对所确定的所述均值向量参数和所述方差向量参数执行预处理。
8.根据权利要求7所述的电池异常检测模型训练方法,其特征在于,所述预设特征处理规则至少包括高斯标准化处理、归一化处理中的一个。
9.根据权利要求1所述的电池异常检测模型训练方法,其特征在于,所述预设电池异常行为标签至少包括自放电异常行为标签、温差过大异常行为标签、热失控异常行为标签中的一个。
10.一种电池异常检测方法,其特征在于,包括:
获取电池包中各电芯对应的布设位置数据和行为数据以作为目标检测参数;
根据所述目标检测参数,利用权利要求1至9中任一项所述的电池异常检测模型训练方法所训练的所述电池异常检测模型获得所述电池包的电池异常行为标签以及对应所述电池异常行为标签的所述电芯的布设位置数据。
11.根据权利要求10所述的电池异常检测方法,其特征在于,所述方法还包括根据预设电芯检测公式,获得对应所述电池异常行为标签的所述电芯的布设位置数据;其中,所述预设电芯检测公式表示为:
其中,所述k表示所述电芯的层数;所述c表示所述电芯的总层数;所述i表示所述电芯的行数,所述h表示所述电芯的总行数;所述j表示所述电芯的列数;所述n表示所述电芯的总列数;所述F(ijk)表示第i行第j列第k层的电芯;函数argmax表示得到最大的索引位置i、j和k。
12.一种计算机存储介质,其特征在于,所述计算机存储介质中存储有用于执行根据权利要求1至9中任一项所述的电池异常检测模型训练方法的各所述步骤的指令;或所述计算机存储介质中存储有用于执行根据权利要求10至11中任一项所述的电池异常检测方法的各所述步骤的指令。
13.一种电池异常检测模型训练装置,其特征在于,包括:
模型生成模块,用于构建电池异常检测模型,其中,所述电池异常检测模型包括编码器、解码器和分类器;
训练参数获取模块,用于获取电池包中各电芯对应的布设位置数据和行为数据以作为第一训练参数,以及基于所确定的均值向量参数和方差向量参数初始化所述第一训练参数以生成第二训练参数;以及
模型训练模块,用于利用所述第一训练参数训练所述编码器和解码器,以确定所述电池异常检测模型的所述均值向量参数和所述方差向量参数,且将所述第二训练参数作为输入,并将预设电池异常行为标签作为输出以训练所述分类器直至训练完成;
所述利用所述第一训练参数训练所述编码器和解码器,以确定所述电池异常检测模型的所述均值向量参数和所述方差向量参数包括:利用所述编码器根据所述第一训练参数生成所述均值向量参数和所述方差向量参数;执行解码器训练操作,利用所述编码器生成的所述均值向量参数和所述方差向量参数训练所述解码器;执行编码器训练操作,基于训练后的所述解码器再次训练所述编码器,以优化更新所述均值向量参数和所述方差向量参数;以及重复交替执行所述解码器训练操作和所述编码器训练操作,对所述均值向量参数和所述方差向量参数进行迭代更新直至所述编码器和所述解码器训练完成,从而确定所述电池异常检测模型的均值向量参数和方差向量参数;
所述对所述均值向量参数和所述方差向量参数进行迭代更新直至所述编码器和所述解码器训练完成包括:当判断所述编码器和解码器的损失函数满足预设收敛条件时,所述电池异常检测模型的编码器、解码器训练完成;其中,所述编码器和解码器的损失函数表示为:
其中,所述L表示所述编码器和解码器的损失函数;所述var表示所述方差向量;所述mean表示所述均值向量;所述k表示所述电芯的层数;所述c表示所述电芯的总层数;所述i表示所述电芯的行数,所述h表示所述电芯的总行数;所述j表示所述电芯的列数;所述n表示所述电芯的总列数;所述yijk表示第i行第j列第k层电芯的真实行为数据;所述表示第k层第i行第j列第k层电芯的预测行为数据;m表示所述方差向量和所述均值向量包含的数值数量;所述h表示输入特征二维空间排布的高度;所述w表示输入特征二维空间排布的宽度;所述α和β分别为权重系数,其中,α大于β;
所述将所述第二训练参数作为输入,并将预设电池异常行为标签作为输出以训练所述分类器直至训练完成包括:当判断所述分类器的损失函数满足预设收敛条件时,所述电池异常检测模型的分类器训练完成;其中,所述分类器的损失函数表示为:其中,所述t表示所述电池异常行为标签的类别,所述L′(t)表示第t类所述电池异常行为标签的所述分类器的损失函数;所述class_num表示所述电池异常行为标签的类别数量;所述zt表示分类器中的最后一层全连接层的输出。
14.根据权利要求13所述的电池异常检测模型训练装置,其特征在于,所述电池异常检测模型为基于元学习策略进行训练的深度生成模型。
15.一种电池异常检测装置,其特征在于,包括:
检测参数获取模块,用于获取电池包中各电芯对应的布设位置数据和行为数据以作为目标检测参数;以及
电池检测模块,用于根据所述目标检测参数,利用权利要求13至14中任一项所述的电池异常检测模型训练装置所训练的所述电池异常检测模型,获得所述电池包的电池异常行为标签以及对应所述电池异常行为标签的所述电芯的布设位置数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011098940.0A CN112379269B (zh) | 2020-10-14 | 2020-10-14 | 电池异常检测模型训练及其检测方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011098940.0A CN112379269B (zh) | 2020-10-14 | 2020-10-14 | 电池异常检测模型训练及其检测方法、装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112379269A CN112379269A (zh) | 2021-02-19 |
CN112379269B true CN112379269B (zh) | 2024-03-05 |
Family
ID=74581490
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011098940.0A Active CN112379269B (zh) | 2020-10-14 | 2020-10-14 | 电池异常检测模型训练及其检测方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112379269B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114970841A (zh) * | 2021-02-22 | 2022-08-30 | 华为技术有限公司 | 电池状态预测模型的训练方法及相关装置 |
CN113327008A (zh) * | 2021-04-22 | 2021-08-31 | 同济大学 | 一种基于时序自动编码器的窃电检测方法、***及介质 |
CN112991704A (zh) * | 2021-05-19 | 2021-06-18 | 武汉工程大学 | 用于充电储能***的过压数据处理方法、装置及存储介质 |
CN113487762B (zh) * | 2021-07-22 | 2023-07-04 | 东软睿驰汽车技术(沈阳)有限公司 | 一种编码模型生成方法、充电数据获取方法及装置 |
CN113900035B (zh) * | 2021-09-28 | 2024-04-16 | 深圳市科陆电子科技股份有限公司 | 电池检测方法、装置、设备及存储介质 |
CN113591404B (zh) * | 2021-09-29 | 2021-12-07 | 杭州宇谷科技有限公司 | 一种基于深度学习的电池异常检测***及方法 |
CN114325454B (zh) * | 2021-12-30 | 2023-07-04 | 东软睿驰汽车技术(沈阳)有限公司 | 一种多特征对电池健康度影响的确定方法、装置、设备及介质 |
CN114356373B (zh) * | 2021-12-30 | 2024-06-04 | 深蓝汽车科技有限公司 | 一种基于bms的配置电池控制模块参数的方法及*** |
CN116577677B (zh) * | 2023-07-14 | 2023-09-29 | 赣州吉锐新能源科技股份有限公司 | 退役动力电池的放电测试***及其方法 |
CN116756638B (zh) * | 2023-08-17 | 2023-11-14 | 广东电网有限责任公司汕头供电局 | 电动车用电负荷需求检测方法、装置、设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105680109A (zh) * | 2016-03-25 | 2016-06-15 | 杭州电子科技大学 | 一种基于深度学习的动力电池配组方法 |
EP3591586A1 (en) * | 2018-07-06 | 2020-01-08 | Capital One Services, LLC | Data model generation using generative adversarial networks and fully automated machine learning system which generates and optimizes solutions given a dataset and a desired outcome |
CN110895705A (zh) * | 2018-09-13 | 2020-03-20 | 富士通株式会社 | 异常样本检测装置及其训练装置和训练方法 |
CN111091278A (zh) * | 2019-12-04 | 2020-05-01 | 湃方科技(天津)有限责任公司 | 机械设备异常检测的边缘检测模型构建方法及装置 |
KR20200056183A (ko) * | 2018-11-14 | 2020-05-22 | 주식회사 디플리 | 이상 탐지 방법 |
CN111257754A (zh) * | 2020-03-23 | 2020-06-09 | 北京航空航天大学 | 一种基于plstm序列映射的电池soc鲁棒评估方法 |
CN111291190A (zh) * | 2020-03-23 | 2020-06-16 | 腾讯科技(深圳)有限公司 | 一种编码器的训练方法、信息检测的方法以及相关装置 |
CN111666982A (zh) * | 2020-05-19 | 2020-09-15 | 上海核工程研究设计院有限公司 | 一种基于深度神经网络的机电设备故障诊断方法 |
KR102159817B1 (ko) * | 2020-03-30 | 2020-09-24 | 주식회사 대건소프트 | 딥러닝을 통한 에너지저장장치 운영 방법, 이를 구현하기 위한 프로그램이 저장된 기록매체 및 이를 구현하기 위해 매체에 저장된 컴퓨터프로그램 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150346007A1 (en) * | 2014-05-27 | 2015-12-03 | Microsoft Corporation | Detecting Anomalies Based on an Analysis of Input and Output Energies |
KR102221756B1 (ko) * | 2014-07-18 | 2021-03-02 | 삼성전자주식회사 | 배터리의 상태를 추정하는 방법 및 장치 |
-
2020
- 2020-10-14 CN CN202011098940.0A patent/CN112379269B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105680109A (zh) * | 2016-03-25 | 2016-06-15 | 杭州电子科技大学 | 一种基于深度学习的动力电池配组方法 |
EP3591586A1 (en) * | 2018-07-06 | 2020-01-08 | Capital One Services, LLC | Data model generation using generative adversarial networks and fully automated machine learning system which generates and optimizes solutions given a dataset and a desired outcome |
CN110895705A (zh) * | 2018-09-13 | 2020-03-20 | 富士通株式会社 | 异常样本检测装置及其训练装置和训练方法 |
KR20200056183A (ko) * | 2018-11-14 | 2020-05-22 | 주식회사 디플리 | 이상 탐지 방법 |
CN111091278A (zh) * | 2019-12-04 | 2020-05-01 | 湃方科技(天津)有限责任公司 | 机械设备异常检测的边缘检测模型构建方法及装置 |
CN111257754A (zh) * | 2020-03-23 | 2020-06-09 | 北京航空航天大学 | 一种基于plstm序列映射的电池soc鲁棒评估方法 |
CN111291190A (zh) * | 2020-03-23 | 2020-06-16 | 腾讯科技(深圳)有限公司 | 一种编码器的训练方法、信息检测的方法以及相关装置 |
KR102159817B1 (ko) * | 2020-03-30 | 2020-09-24 | 주식회사 대건소프트 | 딥러닝을 통한 에너지저장장치 운영 방법, 이를 구현하기 위한 프로그램이 저장된 기록매체 및 이를 구현하기 위해 매체에 저장된 컴퓨터프로그램 |
CN111666982A (zh) * | 2020-05-19 | 2020-09-15 | 上海核工程研究设计院有限公司 | 一种基于深度神经网络的机电设备故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
Jantharamin, N.Battery Modeling Based on Artificial Neural Network for Battery Control and Management.《2018 21ST INTERNATIONAL CONFERENCE ON ELECTRICAL MACHINES AND SYSTEMS (ICEMS)》.2019,全文. * |
陈凤妹,等.基于深度学习的太阳能电池板缺陷检测模型设计.《无线互联科技》.2019,(第23期),全文. * |
陈晓彬,等.基于模糊神经网络的船用锂电池故障诊断的研究.《船电技术》.2016,第36卷(第2期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN112379269A (zh) | 2021-02-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112379269B (zh) | 电池异常检测模型训练及其检测方法、装置 | |
Gao et al. | Machine learning toward advanced energy storage devices and systems | |
CN110224192B (zh) | 一种梯次利用动力电池寿命预测方法 | |
US11830991B2 (en) | Method and apparatus based on neural network for pre-diagnosing defect and fire in battery cell | |
CN112307906B (zh) | 一种近邻传播聚类下储能电池故障分类特征筛选降维方法 | |
CN109633448B (zh) | 识别电池健康状态的方法、装置和终端设备 | |
CN113705615B (zh) | 一种基于神经网络的电动汽车充电过程多级设备故障诊断方法及*** | |
CN116679211B (zh) | 一种锂电池健康状态的预测方法 | |
CN112731183B (zh) | 一种基于改进的elm的锂离子电池寿命预测方法 | |
CN113743537A (zh) | 基于深层稀疏记忆模型的高速公路机电***故障分类方法 | |
CN113033678A (zh) | 一种基于自适应对抗网络的锂电池组故障诊断方法 | |
CN113406503A (zh) | 基于深度神经网络的锂电池soh在线估算方法 | |
CN116805051A (zh) | 基于注意力机制的双卷积动态域适应设备故障诊断方法 | |
CN115980584A (zh) | 基于多特征融合lstm网络的锂电池rul估计方法 | |
Zhao et al. | Battery fault diagnosis and failure prognosis for electric vehicles using spatio-temporal transformer networks | |
Li et al. | Battery safety risk assessment in real-world electric vehicles based on abnormal internal resistance using proposed robust estimation method and hybrid neural networks | |
CN115291124A (zh) | 一种容量预测方法及装置 | |
CN114460481A (zh) | 基于Bi-LSTM和注意力机制的储能电池热失控预警方法 | |
CN114580262A (zh) | 一种锂离子电池健康状态估计方法 | |
Xiao et al. | Battery state of health prediction based on voltage intervals, BP neural network and genetic algorithm | |
CN117312939A (zh) | 基于深度学习的sofc***工况辨识方法 | |
Sun et al. | Internal short circuit fault diagnosis for the lithium-ion batteries with unknown parameters based on transfer learning optimized residual network by multi-label data processing | |
CN111275025A (zh) | 一种基于深度学习的车位检测方法 | |
Chang et al. | Fault diagnosis of lithium-ion batteries based on voltage dip behavior | |
CN114741963A (zh) | 基于多尺度注意力机制的锂电池荷电状态预测方法 |
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 |