CN114662704A - 一种储能电池热失控诊断方法及装置 - Google Patents
一种储能电池热失控诊断方法及装置 Download PDFInfo
- Publication number
- CN114662704A CN114662704A CN202210258606.XA CN202210258606A CN114662704A CN 114662704 A CN114662704 A CN 114662704A CN 202210258606 A CN202210258606 A CN 202210258606A CN 114662704 A CN114662704 A CN 114662704A
- Authority
- CN
- China
- Prior art keywords
- thermal runaway
- learner
- battery
- diagnosis
- output result
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
- G01R31/387—Determining ampere-hour charge capacity or SoC
- G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
-
- 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Secondary Cells (AREA)
Abstract
本发明提供了一种储能电池热失控诊断方法及装置,针对不同的电池特征数据分别单独训练基学习器,训练得到的N个基学习器构成热失控诊断集成学习器,在应用时将N组特征数据分别输入热失控诊断集成学习器中的N个相应的基学习器,通过融合N个基学习器的输出结果确定电池是否存在热失控风险,由于本发明结合了不同的电池特征数据并融合了多个基学习器的输出结果,相对于单一特征、单一模型诊断,诊断结果的准确性与可靠性更高。
Description
技术领域
本发明涉及电池技术领域,更具体的,涉及一种储能电池热失控诊断方法及装置。
背景技术
随着新能源技术的发展,储能***的应用越来越广泛。其中,电化学储能***发展迅速,以磷酸铁锂为代表的锂离子电池增长最快。
然而,锂离子电池因自身的电化学特性和易受外界影响的特点容易导致电池内部出现放热连锁反应而引发热失控,严重威胁储能***的安全运行。
发明内容
有鉴于此,本发明提供了一种储能电池热失控诊断方法及装置,实现对电池热失控的准确诊断。
为了实现上述发明目的,本发明提供的具体技术方案如下:
一种储能电池热失控诊断方法,包括:
获取电池采样数据;
对所述电池采样数据进行预处理,得到N组不同的特征数据,N为正整数;
将N组所述特征数据分别输入到预先构建的热失控诊断集成学习器中的N个相应的基学习器中,得到N个所述基学习器的输出结果;
对N个所述基学习器的输出结果进行融合处理,根据融合处理结果确定电池是否存在热失控风险。
可选的,所述方法还包括:
从历史电池采样数据中提取N个所述基学习器的训练样本,训练样本包括:公共特征、私有特征以及标记值,不同所述基学习器的训练样本中的所述私有特征的类型不同,标记值包括:正常状态对应的标记值以及不同预警级别对应的标记值;
以所述基学习器的输出结果趋近于训练样本的标记值为训练目标,分别利用N个所述基学习器的训练样本对相应的所述基学习器进行训练,训练后的N个所述基学习器组成所述热失控诊断集成学习器。
可选的,所述对N个所述基学习器的输出结果进行融合处理,根据融合处理结果确定电池是否存在热失控风险,包括:
分别确定N个所述基学习器的输出结果对应的标记值;
计算每种标记值的数量与N的比值,将最高比值对应的标记值确定为所述热失控诊断集成学习器的输出结果,并将该最高比值确定为所述热失控诊断集成学习器的输出结果的可靠性;
根据所述热失控诊断集成学习器的输出结果确定电池是否存在热失控风险,并在电池存在热失控风险的情况下,输出所述热失控诊断集成学习器的输出结果对应的预警级别以及可靠性。
可选的,所述对N个所述基学习器的输出结果进行融合处理,根据融合处理结果确定电池是否存在热失控风险,包括:
计算N个所述基学***均值;
根据所述平均值和最低预警级别对应的标记值,确定电池是否存在热失控风险;
在电池存在热失控风险的情况下,分别计算所述平均值与每个预警级别对应的标记值之间的差值的绝对值,将最小绝对值对应的标记值确定为所述热失控诊断集成学习器的输出结果;
根据所述热失控诊断集成学***均值之间的差值以及相邻预警级别对应的标记值之间的差值,计算所述热失控诊断集成学习器的输出结果的可靠性;
在电池存在热失控风险的情况下,输出所述热失控诊断集成学习器的输出结果对应的预警级别以及可靠性。
可选的,所述对N个所述基学习器的输出结果进行融合处理,根据融合处理结果确定电池是否存在热失控风险,包括:
计算N个所述基学***均值,所述基学习器的权重是根据所述基学习器在测试过程中的准确率设定的;
根据所述加权平均值和最低预警级别对应的标记值,确定电池是否存在热失控风险;
在电池存在热失控风险的情况下,分别计算所述加权平均值与每个预警级别对应的标记值之间的差值的绝对值,将最小绝对值对应的标记值确定为所述热失控诊断集成学习器的输出结果;
根据所述热失控诊断集成学***均值之间的差值以及相邻预警级别对应的标记值之间的差值,计算所述热失控诊断集成学习器的输出结果的可靠性;
在电池存在热失控风险的情况下,输出所述热失控诊断集成学习器的输出结果对应的预警级别以及可靠性。
可选的,所述方法还包括:
从历史电池采样数据中提取正向训练样本以及N个所述基学习器的反向训练样本,反向训练样本包括:公共特征、私有特征以及反向标记值,不同所述基学习器的训练样本中的所述私有特征的类型不同,反向标记值为不同预警级别对应的标记值,所述正向训练样本包括:所述公共特征、所有类型的所述私有特征以及正常状态下的标记值;
以所述基学习器的输出结果趋近于反向训练样本的反向标记值为训练目标,分别利用N个所述基学习器的反向训练样本对相应的所述基学习器进行训练,训练后的N个所述基学习器组成热失控诊断集成学习器;
利用所述正向训练样本对预设线性模型进行训练,得到正向热失控诊断模型。
可选的,所述对N个所述基学习器的输出结果进行融合处理,根据融合处理结果确定电池是否存在热失控风险,包括:
对N个所述基学习器的输出结果进行融合处理,根据融合处理结果确定所述热失控诊断集成学习器的输出结果对应的预警级别;
根据所述电池采样数据,确定正向特征数据;
将所述正向特征数据输入所述正向热失控诊断模型,获取所述正向热失控诊断模型的输出结果;
依据所述热失控诊断集成学习器的输出结果对应的预警级别以及所述正向热失控诊断模型的输出结果,确定电池是否存在热失控风险。
一种储能电池热失控诊断装置,包括:
采样数据获取单元,用于获取电池采样数据;
采样数据预处理单元,用于对所述电池采样数据进行预处理,得到N组不同的特征数据,N为正整数;
模型处理单元,用于将N组所述特征数据分别输入到预先构建的热失控诊断集成学习器中的N个相应的基学习器中,得到N个所述基学习器的输出结果;
融合处理单元,用于对N个所述基学习器的输出结果进行融合处理,根据融合处理结果确定电池是否存在热失控风险。
可选的,所述装置还包括热失控诊断集成学习器构建单元,具体用于:
从历史电池采样数据中提取N个所述基学习器的训练样本,训练样本包括:公共特征、私有特征以及标记值,不同所述基学习器的训练样本中的所述私有特征的类型不同,标记值包括:正常状态对应的标记值以及不同预警级别对应的标记值;
以所述基学习器的输出结果趋近于训练样本的标记值为训练目标,分别利用N个所述基学习器的训练样本对相应的所述基学习器进行训练,训练后的N个所述基学习器组成所述热失控诊断集成学习器。
可选的,所述融合处理单元,具体用于:
分别确定N个所述基学习器的输出结果对应的标记值;
计算每种标记值的数量与N的比值,将最高比值对应的标记值确定为所述热失控诊断集成学习器的输出结果,并将该最高比值确定为所述热失控诊断集成学习器的输出结果的可靠性;
根据所述热失控诊断集成学习器的输出结果确定电池是否存在热失控风险,并在电池存在热失控风险的情况下,输出所述热失控诊断集成学习器的输出结果对应的预警级别以及可靠性。
可选的,所述融合处理单元,具体用于:
计算N个所述基学***均值;
根据所述平均值和最低预警级别对应的标记值,确定电池存在热失控风险;
在电池存在热失控风险的情况下,分别计算所述平均值与每个预警级别对应的标记值之间的差值的绝对值,将最小绝对值对应的标记值确定为所述热失控诊断集成学习器的输出结果;
根据所述热失控诊断集成学***均值之间的差值以及相邻预警级别对应的标记值之间的差值,计算所述热失控诊断集成学习器的输出结果的可靠性;
在电池存在热失控风险的情况下,输出所述热失控诊断集成学习器的输出结果对应的预警级别以及可靠性。
可选的,所述融合处理单元,具体用于:
计算N个所述基学***均值,所述基学习器的权重是根据所述基学习器在测试过程中的准确率设定的;
根据所述加权平均值和最低预警级别对应的标记值,确定电池是否存在热失控风险;
在电池存在热失控风险的情况下,分别计算所述加权平均值与每个预警级别对应的标记值之间的差值的绝对值,将最小绝对值对应的标记值确定为所述热失控诊断集成学习器的输出结果;
根据所述热失控诊断集成学***均值之间的差值以及相邻预警级别对应的标记值之间的差值,计算所述热失控诊断集成学习器的输出结果的可靠性;
在电池存在热失控风险的情况下,输出所述热失控诊断集成学习器的输出结果对应的预警级别以及可靠性。
可选的,所述装置还包括热失控诊断集成学习器构建单元,具体用于:
从历史电池采样数据中提取正向训练样本以及N个所述基学习器的反向训练样本,反向训练样本包括:公共特征、私有特征以及反向标记值,不同所述基学习器的训练样本中的所述私有特征的类型不同,反向标记值为不同预警级别对应的标记值,所述正向训练样本包括:所述公共特征、所有类型的所述私有特征以及正常状态下的标记值;
以所述基学习器的输出结果趋近于反向训练样本的反向标记值为训练目标,分别利用N个所述基学习器的反向训练样本对相应的所述基学习器进行训练,训练后的N个所述基学习器组成热失控诊断集成学习器;
利用所述正向训练样本对预设线性模型进行训练,得到正向热失控诊断模型;
所述热失控诊断集成学习器与所述正向热失控诊断模型组成所述热失控诊断集成学习器。
可选的,所述融合处理单元,具体用于:
对N个所述基学习器的输出结果进行融合处理,根据融合处理结果确定所述热失控诊断集成学习器的输出结果对应的预警级别;
根据所述电池采样数据,确定正向特征数据;
将所述正向特征数据输入所述正向热失控诊断模型,获取所述正向热失控诊断模型的输出结果;
依据所述热失控诊断集成学习器的输出结果对应的预警级别以及所述正向热失控诊断模型的输出结果,确定电池是否存在热失控风险。
相对于现有技术,本发明的有益效果如下:
本发明公开的一种储能电池热失控诊断方法,针对不同的电池特征数据分别单独训练基学习器,训练得到的N个基学习器构成热失控诊断集成学习器,在应用时将N组特征数据分别输入热失控诊断集成学习器中的N个相应的基学习器,通过融合N个基学习器的输出结果确定电池是否存在热失控风险,由于本发明结合了不同的电池特征数据并融合了多个基学习器的输出结果,相对于单一特征、单一模型诊断,诊断结果的准确性与可靠性更高。
附图说明
为了更清楚地说明本发明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发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本发明实施例公开的一种储能电池热失控诊断方法的流程示意图;
图2为本发明实施例公开的一种储能电池热失控诊断方法的部分方法流程示意图;
图3为本发明实施例公开的一种储能电池热失控诊断方法的部分方法流程示意图;
图4为本发明实施例公开的一种储能电池热失控诊断方法的部分方法流程示意图;
图5为本发明实施例公开的一种储能电池热失控诊断方法的部分方法流程示意图;
图6为本发明实施例公开的一种储能电池热失控诊断方法的部分方法流程示意图;
图7为本发明实施例公开的一种储能电池热失控诊断装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
本发明提供了一种储能电池热失控诊断方法,应用于储能电池***中的控制器,针对不同的电池特征数据分别单独训练基学习器,训练得到的N个基学习器构成热失控诊断集成学习器,在应用时将N组特征数据分别输入热失控诊断集成学习器中的N个相应的基学习器,通过融合N个基学习器的输出结果确定电池是否存在热失控风险,由于结合了不同的电池特征数据并融合了多个基学习器的输出结果,相对于单一特征、单一模型诊断,本发明中诊断结果的准确性与可靠性更高。
请参阅图1,本发明实施例公开的一种储能电池热失控诊断方法包括以下步骤:
S101:获取电池采样数据;
具体的,以储能集装箱为采样对象,获取电池采样数据,电池采样数据包括工况以及电池参数。其中,工况包括静置、正常充电、正常放电、过充电、过放电。
S102:对电池采样数据进行预处理,得到N组不同的特征数据,N为正整数;
对电池采样数据进行预处理包括:
对非数值型特征数据进行编码数值化处理,如按照预先设定的工况编码规则,将工况进行编码数值化,静置编码为0,正常充电编码为-1、正常放电编码为1、过充电编码为-2、过放电编码为2;
对于变化率类型的特征数据根据上一采样时刻获取的采样数据以及当前采样时刻获取的采样数据计算其变化率,如根据上一采样时刻获取的电压以及当前采样时刻获取的电压计算电压变化率;
将经过上述处理后的电池采样数据划分为公共特征以及私有特征,根据私有特征划分为N份,每一份私有特征分别对应一个基学习器,并分别将N分私有特征与公共特征进行组合,得到N组不同的特征数据。
公共特征为N组特征数据所共有的相同的特征数据,可以包括:工况、荷电状态SOC与电池健康度SOH,不同基学习器的训练样本中的私有特征的类型不同,私有特征的类型可以包括:电压、电压变化率、温度、温度变化率、压力与压力变化率。
S103:将N组特征数据分别输入到预先构建的热失控诊断集成学习器中的N个相应的基学习器中,得到N个基学习器的输出结果;
针对不同的训练样本,热失控诊断集成学习器可以有多种实现方式,例如:利用全量训练样本训练集成学习器中的N个基学习器,仅利用反向训练样本训练集成学习器中的N个基学习器等,其中,全量训练样本中的标记值包括正常状态对应的标记值以及不同预警级别对应的标记值,反向训练样本中的标记值包括不同预警级别对应的标记值。
具体的,针对利用全量训练样本训练集成学习器中的N个基学习器的情况,首先从历史电池采样数据中提取N个基学习器的训练样本,训练样本包括:公共特征、私有特征以及标记值,不同基学习器的训练样本中的私有特征的类型不同,标记值包括:正常状态对应的标记值以及不同预警级别对应的标记值。以N的值为6,私有特征的类型包括:电压、电压变化率、温度、温度变化率、压力与压力变化率为例,6个基学习器的训练样本分别为(工况编码值、SOC、SOH、电压、标记值)、(工况编码值、SOC、SOH、电压变化率、标记值)、(工况编码值、SOC、SOH、温度、标记值)、(工况编码值、SOC、SOH、温度变化率、标记值)、(工况编码值、SOC、SOH、压力、标记值)、(工况编码值、SOC、SOH、压力变化率、标记值)。其中,工况编码值与诊断结果的标记值是根据专家经验设定的,考虑到专家经验存在一定的误差,非显著差异很难识别出来,且在分界处更容易出错,另外即使训练很好的模型也会误判,通过设置较大的级别差可提高模型的容错性,减少误判,本实施例中将工况中的静置、正常充电、正常放电、过充电、过放电分别编码为0、-1、1、-2、2,诊断结果中的正常、一级预警、二级预警、三级预警、灾难分别标记为0、5、10、15、20。以基学习器的输出结果趋近于训练样本的标记值为训练目标,分别利用N个基学习器的训练样本对相应的基学习器进行训练,训练后的N个基学习器组成热失控诊断集成学习器。基学习器的输入数据为特征数据,输出结果为数值,可以根据输出结果与不同标记值之间的差值的绝对值,确定基学习器输出结果趋向哪种标记值。
进一步,为了提高模型处理效率,降低模型占用的资源,本实施例中的基学习器采用线性模型、K-近邻算法模型等轻量型模型。
需要说明的是,在利用反向训练样本训练集成学习器中的N个基学习器的情况下,需要利用正向训练样本训练得到的正向热失控诊断模型的输出结果对热失控诊断集成学习器的输出结果进行印证。
请参阅图2,本实施例公开的一种热失控诊断集成学习器的构建方法,包括:
S201:从历史电池采样数据中提取正向训练样本以及N个基学习器的反向训练样本;
反向训练样本包括:公共特征、私有特征以及反向标记值,不同基学习器的训练样本中的私有特征的类型不同,反向标记值为不同预警级别对应的标记值,正向训练样本包括:公共特征、所有类型的私有特征以及正常状态下的标记值。
以N的值为6,私有特征的类型包括:电压、电压变化率、温度、温度变化率、压力与压力变化率为例,6个基学习器的训练样本分别为(工况编码值、SOC、SOH、电压、标记值)、(工况编码值、SOC、SOH、电压变化率、标记值)、(工况编码值、SOC、SOH、温度、标记值)、(工况编码值、SOC、SOH、温度变化率、标记值)、(工况编码值、SOC、SOH、压力、标记值)、(工况编码值、SOC、SOH、压力变化率、标记值)。正向训练样本为(工况编码值、SOC、SOH、电压、电压变化率、温度、温度变化率、压力、压力变化率、标记值)。
S202:以基学习器的输出结果趋近于反向训练样本的反向标记值为训练目标,分别利用N个基学习器的反向训练样本对相应的基学习器进行训练,训练后的N个基学习器组成热失控诊断集成学习器;
本实施例中的基学习器采用线性模型、K近邻算法模型等轻量型模型。
S203:利用正向训练样本对预设线性模型进行训练,得到正向热失控诊断模型。
以预设线性模型可以为线性回归模型为例:
y=β0+β1x1+β2x2+…+βkxk+ε
其中,y为正常状态下的标记值0,x为特征数据:工况编码值、SOC、SOH、电压、电压变化率、温度、温度变化率、压力、压力变化率,k=9。
利用正向训练样本对上述模型进行训练,得到β0~βk以及ε,在实际应用中,将电池采样得到的正向特征数据输入到上述模型可计算得到y,y即为正向热失控诊断模型的输出结果。
S104:对N个基学习器的输出结果进行融合处理,根据融合处理结果确定电池是否存在热失控风险。
针对利用全量训练样本训练集成学习器中的N个基学习器的情况,本实施例提供了三种融合处理策略:
一、比例策略
请参阅图3,本实施例公开S104的具体实施方式包括:
S301:分别确定N个基学习器的输出结果对应的标记值;
具体的,针对每个基学习器,分别计算基学习器的输出结果与每个标记值之间的差值的绝对值,将最小绝对值对应的标记值确定为该基学习器的输出结果对应的标记值。
S302:计算每种标记值的数量与N的比值,将最高比值对应的标记值确定为热失控诊断集成学习器的输出结果,并将该最高比值确定为热失控诊断集成学习器的输出结果的可靠性;
如6个基学习器中有3个的输出结果为二级预警标记值,2个一级预警标记值,1个正常标记值,则将二级预警标记值确定为热失控诊断集成学习器的输出结果,且该输出结果的可靠性为50%。
S303:根据热失控诊断集成学习器的输出结果确定电池是否存在热失控风险,并在电池存在热失控风险的情况下,输出热失控诊断集成学习器的输出结果对应的预警级别以及可靠性。
还以上述举例为例,确定电池存在热失控风险,输出二级预警以及二级预警的可靠性,可选的,还可以增加其他诊断结果的可靠性,即一级预警的可靠性为33.3%,正常的可靠性为16.7%。
二、等权均值策略
请参阅图4,本实施例公开S104的具体实施方式包括:
S401:计算N个基学***均值;
其中,Bi(x)为第i个基学习器的输出结果。
S402:根据平均值和最低预警级别对应的标记值,确定电池是否存在热失控风险;
根据实际应用场景,可以预先设定怎样根据平均值和最低预警级别对应的标记值,确定电池是否存在热失控风险,如在平均值大于最低预警级别对应的标记值的情况下确定电池存在热失控风险,当然也可以设定为其他确定电池是否存在热失控的方式,本发明不做具体限定。
S403:在电池存在热失控风险的情况下,分别计算平均值与每个预警级别对应的标记值之间的差值的绝对值,将最小绝对值对应的标记值确定为热失控诊断集成学习器的输出结果;
在电池不存在热失控风险,即电池处于正常状态的情况下,热失控诊断集成学习器的输出结果为电池处于正常状态,在电池存在热失控风险的情况下,还需要确定热失控诊断集成学习器的输出结果对应的预警级别以及可靠性。
在电池存在热失控风险的情况下,分别计算上述平均值与每个预警级别对应的标记值之间的差值的绝对值,将最小绝对值对应的标记值确定为热失控诊断集成学***均值越近似于哪个标记值,则将哪个标记值确定为热失控诊断集成学***均值为6则确定热失控诊断集成学***均值为8则确定热失控诊断集成学习器的输出结果为10,二级预警。
S404:根据热失控诊断集成学***均值之间的差值以及相邻预警级别对应的标记值之间的差值,计算热失控诊断集成学习器的输出结果的可靠性;
相邻预警级别就是上述平均值所在区间两端的预警级别,比如一级预警标记值为5,二级预警标记值为10,三级预警标记值为15,假如计算得到的平均值为12,由于12在10-15之间,则相邻预警级别为二级、三级,相邻预警级别对应的标记值之间的差值为5。
其中,L为热失控诊断集成学***均值,s为相邻预警级别对应的标记值之间的差值。
S405:在电池存在热失控风险的情况下,输出热失控诊断集成学习器的输出结果对应的预警级别以及可靠性。
三、加权均值策略
请参阅图5,本实施例公开S104的具体实施方式包括:
S501:计算N个基学***均值,基学习器的权重是根据基学习器在测试过程中的准确率设定的;
S502:根据加权平均值和最低预警级别对应的标记值,确定电池是否存在热失控风险;
S503:在电池存在热失控风险的情况下,分别计算加权平均值与每个预警级别对应的标记值之间的差值的绝对值,将最小绝对值对应的标记值确定为热失控诊断集成学习器的输出结果;
S504:根据热失控诊断集成学***均值之间的差值以及相邻预警级别对应的标记值之间的差值,计算热失控诊断集成学习器的输出结果的可靠性;
其中,L为热失控诊断集成学***均值,s为相邻预警级别对应的标记值之间的差值。
S505:在电池存在热失控风险的情况下,输出热失控诊断集成学习器的输出结果对应的预警级别以及可靠性。
在利用反向训练样本训练集成学习器中的N个基学习器的情况下,请参阅图6,本实施例公开的S104的具体实施方式包括:
S601:对N个基学习器的输出结果进行融合处理,根据融合处理结果确定热失控诊断集成学习器的输出结果对应的预警级别;
本实施例中对N个基学习器的输出结果进行融合处理,根据融合处理结果确定热失控诊断集成学习器的输出结果对应的预警级别以及可靠性的方法,可以为上述利用全量训练样本训练集成学习器中的N个基学习器的三种融合处理策略中的任意一种,在此不再赘述。
S602:根据电池采样数据,确定正向特征数据;
以N的值为6,私有特征的类型包括:电压、电压变化率、温度、温度变化率、压力与压力变化率为例,正向特征数据为(工况编码值、SOC、SOH、电压、电压变化率、温度、温度变化率、压力、压力变化率)。
S603:将正向特征数据输入正向热失控诊断模型,获取正向热失控诊断模型的输出结果;
S604:依据热失控诊断集成学习器的输出结果对应的预警级别以及正向热失控诊断模型的输出结果,确定电池是否存在热失控风险。
假设正向热失控诊断模型的输出结果为Ht,热失控诊断集成学习器的输出结果为Hf,则:
根据这一对互斥模型预测结果的相互印证,可以更准确地判断储能电池的状态。
基于上述实施例公开的一种储能电池热失控诊断方法,本实施例对应公开了一种储能电池热失控诊断装置,请参阅图7,该装置包括:
采样数据获取单元701,用于获取电池采样数据;
采样数据预处理单元702,用于对所述电池采样数据进行预处理,得到N组不同的特征数据,N为正整数;
模型处理单元703,用于将N组所述特征数据分别输入到预先构建的热失控诊断集成学习器中的N个相应的基学习器中,得到N个所述基学习器的输出结果;
融合处理单元704,用于对N个所述基学习器的输出结果进行融合处理,根据融合处理结果确定电池是否存在热失控风险。
可选的,所述装置还包括热失控诊断集成学习器构建单元,具体用于:
从历史电池采样数据中提取N个所述基学习器的训练样本,训练样本包括:公共特征、私有特征以及标记值,不同所述基学习器的训练样本中的所述私有特征的类型不同,标记值包括:正常状态对应的标记值以及不同预警级别对应的标记值;
以所述基学习器的输出结果趋近于训练样本的标记值为训练目标,分别利用N个所述基学习器的训练样本对相应的所述基学习器进行训练,训练后的N个所述基学习器组成所述热失控诊断集成学习器。
可选的,所述融合处理单元704,具体用于:
分别确定N个所述基学习器的输出结果对应的标记值;
计算每种标记值的数量与N的比值,将最高比值对应的标记值确定为所述热失控诊断集成学习器的输出结果,并将该最高比值确定为所述热失控诊断集成学习器的输出结果的可靠性;
根据所述热失控诊断集成学习器的输出结果确定电池是否存在热失控风险,并在电池存在热失控风险的情况下,输出所述热失控诊断集成学习器的输出结果对应的预警级别以及可靠性。
可选的,所述融合处理单元704,具体用于:
计算N个所述基学***均值;
根据所述平均值和最低预警级别对应的标记值,确定电池是否存在热失控风险;
在电池存在热失控风险的情况下,分别计算所述平均值与每个预警级别对应的标记值之间的差值的绝对值,将最小绝对值对应的标记值确定为所述热失控诊断集成学习器的输出结果;
根据所述热失控诊断集成学***均值之间的差值以及相邻预警级别对应的标记值之间的差值,计算所述热失控诊断集成学习器的输出结果的可靠性;
在电池存在热失控风险的情况下,输出所述热失控诊断集成学习器的输出结果对应的预警级别以及可靠性。
可选的,所述融合处理单元704,具体用于:
计算N个所述基学***均值,所述基学习器的权重是根据所述基学习器在测试过程中的准确率设定的;
根据所述加权平均值和最低预警级别对应的标记值的情况下,确定电池是否存在热失控风险;
在电池存在热失控风险的情况下,分别计算所述加权平均值与每个预警级别对应的标记值之间的差值的绝对值,将最小绝对值对应的标记值确定为所述热失控诊断集成学习器的输出结果;
根据所述热失控诊断集成学***均值之间的差值以及相邻预警级别对应的标记值之间的差值,计算所述热失控诊断集成学习器的输出结果的可靠性;
在电池存在热失控风险的情况下,输出所述热失控诊断集成学习器的输出结果对应的预警级别以及可靠性。
可选的,所述装置还包括热失控诊断集成学习器构建单元,具体用于:
从历史电池采样数据中提取正向训练样本以及N个所述基学习器的反向训练样本,反向训练样本包括:公共特征、私有特征以及反向标记值,不同所述基学习器的训练样本中的所述私有特征的类型不同,反向标记值为不同预警级别对应的标记值,所述正向训练样本包括:所述公共特征、所有类型的所述私有特征以及正常状态下的标记值;
以所述基学习器的输出结果趋近于反向训练样本的反向标记值为训练目标,分别利用N个所述基学习器的反向训练样本对相应的所述基学习器进行训练,训练后的N个所述基学习器组成热失控诊断集成学习器;
利用所述正向训练样本对预设线性模型进行训练,得到正向热失控诊断模型;
所述热失控诊断集成学习器与所述正向热失控诊断模型组成所述热失控诊断集成学习器。
可选的,所述融合处理单元704,具体用于:
对N个所述基学习器的输出结果进行融合处理,根据融合处理结果确定所述热失控诊断集成学习器的输出结果对应的预警级别;
根据所述电池采样数据,确定正向特征数据;
将所述正向特征数据输入所述正向热失控诊断模型,获取所述正向热失控诊断模型的输出结果;
依据所述热失控诊断集成学习器的输出结果对应的预警级别以及所述正向热失控诊断模型的输出结果,确定电池是否存在热失控风险。
本实施例公开的一种储能电池热失控诊断装置,针对不同的电池特征数据分别单独训练基学习器,训练得到的N个基学习器构成热失控诊断集成学习器,在应用时将N组特征数据分别输入热失控诊断集成学习器中的N个相应的基学习器,通过结合了不同的电池特征数据并融合N个基学习器的输出结果确定电池是否存在热失控风险,由于本发明融合了多个基学习器的输出结果,相对于单一特征、单一模型诊断,诊断结果的准确性与可靠性更高。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
上述各个实施例之间可任意组合,对所公开的实施例的上述说明,本说明书中各实施例中记载的特征可以相互替换或者组合,使本领域专业技术人员能够实现或使用本申请。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (14)
1.一种储能电池热失控诊断方法,其特征在于,包括:
获取电池采样数据;
对所述电池采样数据进行预处理,得到N组不同的特征数据,N为正整数;
将N组所述特征数据分别输入到预先构建的热失控诊断集成学习器中的N个相应的基学习器中,得到N个所述基学习器的输出结果;
对N个所述基学习器的输出结果进行融合处理,根据融合处理结果确定电池是否存在热失控风险。
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:
从历史电池采样数据中提取N个所述基学习器的训练样本,训练样本包括:公共特征、私有特征以及标记值,不同所述基学习器的训练样本中的所述私有特征的类型不同,标记值包括:正常状态对应的标记值以及不同预警级别对应的标记值;
以所述基学习器的输出结果趋近于训练样本的标记值为训练目标,分别利用N个所述基学习器的训练样本对相应的所述基学习器进行训练,训练后的N个所述基学习器组成所述热失控诊断集成学习器。
3.根据权利要求2所述的方法,其特征在于,所述对N个所述基学习器的输出结果进行融合处理,根据融合处理结果确定电池是否存在热失控风险,包括:
分别确定N个所述基学习器的输出结果对应的标记值;
计算每种标记值的数量与N的比值,将最高比值对应的标记值确定为所述热失控诊断集成学习器的输出结果,并将该最高比值确定为所述热失控诊断集成学习器的输出结果的可靠性;
根据所述热失控诊断集成学习器的输出结果确定电池是否存在热失控风险,并在电池存在热失控风险的情况下,输出所述热失控诊断集成学习器的输出结果对应的预警级别以及可靠性。
4.根据权利要求2所述的方法,其特征在于,所述对N个所述基学习器的输出结果进行融合处理,根据融合处理结果确定电池是否存在热失控风险,包括:
计算N个所述基学***均值;
根据所述平均值和最低预警级别对应的标记值,确定电池是否存在热失控风险;
在电池存在热失控风险的情况下,分别计算所述平均值与每个预警级别对应的标记值之间的差值的绝对值,将最小绝对值对应的标记值确定为所述热失控诊断集成学习器的输出结果;
根据所述热失控诊断集成学***均值之间的差值以及相邻预警级别对应的标记值之间的差值,计算所述热失控诊断集成学习器的输出结果的可靠性;
在电池存在热失控风险的情况下,输出所述热失控诊断集成学习器的输出结果对应的预警级别以及可靠性。
5.根据权利要求2所述的方法,其特征在于,所述对N个所述基学习器的输出结果进行融合处理,根据融合处理结果确定电池是否存在热失控风险,包括:
计算N个所述基学***均值,所述基学习器的权重是根据所述基学习器在测试过程中的准确率设定的;
根据所述加权平均值和最低预警级别对应的标记值,确定电池是否存在热失控风险;
在电池存在热失控风险的情况下,分别计算所述加权平均值与每个预警级别对应的标记值之间的差值的绝对值,将最小绝对值对应的标记值确定为所述热失控诊断集成学习器的输出结果;
根据所述热失控诊断集成学***均值之间的差值以及相邻预警级别对应的标记值之间的差值,计算所述热失控诊断集成学习器的输出结果的可靠性;
在电池存在热失控风险的情况下,输出所述热失控诊断集成学习器的输出结果对应的预警级别以及可靠性。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
从历史电池采样数据中提取正向训练样本以及N个所述基学习器的反向训练样本,反向训练样本包括:公共特征、私有特征以及反向标记值,不同所述基学习器的训练样本中的所述私有特征的类型不同,反向标记值为不同预警级别对应的标记值,所述正向训练样本包括:所述公共特征、所有类型的所述私有特征以及正常状态下的标记值;
以所述基学习器的输出结果趋近于反向训练样本的反向标记值为训练目标,分别利用N个所述基学习器的反向训练样本对相应的所述基学习器进行训练,训练后的N个所述基学习器组成热失控诊断集成学习器;
利用所述正向训练样本对预设线性模型进行训练,得到正向热失控诊断模型。
7.根据权利要求6所述的方法,其特征在于,所述对N个所述基学习器的输出结果进行融合处理,根据融合处理结果确定电池是否存在热失控风险,包括:
对N个所述基学习器的输出结果进行融合处理,根据融合处理结果确定所述热失控诊断集成学习器的输出结果对应的预警级别;
根据所述电池采样数据,确定正向特征数据;
将所述正向特征数据输入所述正向热失控诊断模型,获取所述正向热失控诊断模型的输出结果;
依据所述热失控诊断集成学习器的输出结果对应的预警级别以及所述正向热失控诊断模型的输出结果,确定电池是否存在热失控风险。
8.一种储能电池热失控诊断装置,其特征在于,包括:
采样数据获取单元,用于获取电池采样数据;
采样数据预处理单元,用于对所述电池采样数据进行预处理,得到N组不同的特征数据,N为正整数;
模型处理单元,用于将N组所述特征数据分别输入到预先构建的热失控诊断集成学习器中的N个相应的基学习器中,得到N个所述基学习器的输出结果;
融合处理单元,用于对N个所述基学习器的输出结果进行融合处理,根据融合处理结果确定电池是否存在热失控风险。
9.根据权利要求8所述的装置,其特征在于,所述装置还包括热失控诊断集成学习器构建单元,具体用于:
从历史电池采样数据中提取N个所述基学习器的训练样本,训练样本包括:公共特征、私有特征以及标记值,不同所述基学习器的训练样本中的所述私有特征的类型不同,标记值包括:正常状态对应的标记值以及不同预警级别对应的标记值;
以所述基学习器的输出结果趋近于训练样本的标记值为训练目标,分别利用N个所述基学习器的训练样本对相应的所述基学习器进行训练,训练后的N个所述基学习器组成所述热失控诊断集成学习器。
10.根据权利要求9所述的装置,其特征在于,所述融合处理单元,具体用于:
分别确定N个所述基学习器的输出结果对应的标记值;
计算每种标记值的数量与N的比值,将最高比值对应的标记值确定为所述热失控诊断集成学习器的输出结果,并将该最高比值确定为所述热失控诊断集成学习器的输出结果的可靠性;
根据所述热失控诊断集成学习器的输出结果确定电池是否存在热失控风险,并在电池存在热失控风险的情况下,输出所述热失控诊断集成学习器的输出结果对应的预警级别以及可靠性。
11.根据权利要求9所述的装置,其特征在于,所述融合处理单元,具体用于:
计算N个所述基学***均值;
根据所述平均值和最低预警级别对应的标记值,确定电池是否存在热失控风险;
在电池存在热失控风险的情况下,分别计算所述平均值与每个预警级别对应的标记值之间的差值的绝对值,将最小绝对值对应的标记值确定为所述热失控诊断集成学习器的输出结果;
根据所述热失控诊断集成学***均值之间的差值以及相邻预警级别对应的标记值之间的差值,计算所述热失控诊断集成学习器的输出结果的可靠性;
在电池存在热失控风险的情况下,输出所述热失控诊断集成学习器的输出结果对应的预警级别以及可靠性。
12.根据权利要求9所述的装置,其特征在于,所述融合处理单元,具体用于:
计算N个所述基学***均值,所述基学习器的权重是根据所述基学习器在测试过程中的准确率设定的;
根据所述加权平均值和最低预警级别对应的标记值的情况下,确定电池是否存在热失控风险;
在电池存在热失控风险的情况下,分别计算所述加权平均值与每个预警级别对应的标记值之间的差值的绝对值,将最小绝对值对应的标记值确定为所述热失控诊断集成学习器的输出结果;
根据所述热失控诊断集成学***均值之间的差值以及相邻预警级别对应的标记值之间的差值,计算所述热失控诊断集成学习器的输出结果的可靠性;
在电池存在热失控风险的情况下,输出所述热失控诊断集成学习器的输出结果对应的预警级别以及可靠性。
13.根据权利要求8所述的装置,其特征在于,所述装置还包括热失控诊断集成学习器构建单元,具体用于:
从历史电池采样数据中提取正向训练样本以及N个所述基学习器的反向训练样本,反向训练样本包括:公共特征、私有特征以及反向标记值,不同所述基学习器的训练样本中的所述私有特征的类型不同,反向标记值为不同预警级别对应的标记值,所述正向训练样本包括:所述公共特征、所有类型的所述私有特征以及正常状态下的标记值;
以所述基学习器的输出结果趋近于反向训练样本的反向标记值为训练目标,分别利用N个所述基学习器的反向训练样本对相应的所述基学习器进行训练,训练后的N个所述基学习器组成热失控诊断集成学习器;
利用所述正向训练样本对预设线性模型进行训练,得到正向热失控诊断模型;
所述热失控诊断集成学习器与所述正向热失控诊断模型组成所述热失控诊断集成学习器。
14.根据权利要求13所述的装置,其特征在于,所述融合处理单元,具体用于:
对N个所述基学习器的输出结果进行融合处理,根据融合处理结果确定所述热失控诊断集成学习器的输出结果对应的预警级别;
根据所述电池采样数据,确定正向特征数据;
将所述正向特征数据输入所述正向热失控诊断模型,获取所述正向热失控诊断模型的输出结果;
依据所述热失控诊断集成学习器的输出结果对应的预警级别以及所述正向热失控诊断模型的输出结果,确定电池是否存在热失控风险。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210258606.XA CN114662704A (zh) | 2022-03-16 | 2022-03-16 | 一种储能电池热失控诊断方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210258606.XA CN114662704A (zh) | 2022-03-16 | 2022-03-16 | 一种储能电池热失控诊断方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114662704A true CN114662704A (zh) | 2022-06-24 |
Family
ID=82028609
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210258606.XA Pending CN114662704A (zh) | 2022-03-16 | 2022-03-16 | 一种储能电池热失控诊断方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114662704A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115902656A (zh) * | 2022-11-14 | 2023-04-04 | 上海玫克生储能科技有限公司 | 2/3/4轮的电动车电池检测方法、***、存储介质及充电桩 |
-
2022
- 2022-03-16 CN CN202210258606.XA patent/CN114662704A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115902656A (zh) * | 2022-11-14 | 2023-04-04 | 上海玫克生储能科技有限公司 | 2/3/4轮的电动车电池检测方法、***、存储介质及充电桩 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106842045B (zh) | 一种基于自适应权重方法的电池多模型融合建模方法和电池管理*** | |
JP6768100B2 (ja) | 蓄電池診断装置および蓄電池診断方法、並びに蓄電池制御システム | |
EP3550317B1 (en) | Method and device for detecting battery micro-short circuit | |
CN111474490B (zh) | 一种梯次利用电池快速筛选方法 | |
WO2019181729A1 (ja) | 劣化推定装置、コンピュータプログラム及び劣化推定方法 | |
CN100483146C (zh) | 利用基于健康指标的存留寿命模型的自适应改变的状态来估计电池存留寿命的设备与方法 | |
CN113052464B (zh) | 电池储能***可靠性评估方法及*** | |
JP6490882B1 (ja) | 蓄電池診断装置および蓄電池診断方法、並びに蓄電池制御システム | |
KR20180115124A (ko) | 노이즈를 반영한 배터리 잔존 용량 산출 장치 및 방법 | |
JP5366166B2 (ja) | 二次電池の状態量演算方式 | |
KR20220163736A (ko) | 리튬이온 배터리팩의 비정상 셀 검출 및 soh 예측 방법 | |
CN114970376B (zh) | 锂电池的健康度和剩余寿命预测模型的构建方法及装置 | |
CN113917334B (zh) | 基于进化lstm自编码器的电池健康状态估计方法 | |
CN112986830A (zh) | 一种基于卷积时间记忆神经网络的锂电池容量估计方法 | |
CN116449218B (zh) | 一种锂电池健康状态的估计方法 | |
CN110082682A (zh) | 一种锂电池荷电状态估计方法 | |
CN113554200B (zh) | 动力电池电压不一致性预测方法、***及设备 | |
CN115453376A (zh) | 电动汽车动力电池的状态监控方法、***及电动汽车 | |
CN113868884A (zh) | 一种基于证据理论的动力电池多模型容错融合建模方法 | |
CN114662704A (zh) | 一种储能电池热失控诊断方法及装置 | |
Xing et al. | Lithium-ion battery state-of-charge estimation based on a dual extended Kalman filter and BPNN correction | |
CN114744723A (zh) | 充电请求电流的调节方法、装置和电子设备 | |
CN116819364A (zh) | 电池健康度的确定方法、应用方法、电子设备及存储介质 | |
CN115980612A (zh) | 一种卫星电池组健康状态评估方法、***及设备 | |
CN113466718B (zh) | 一种手机电池soc校正方法 |
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 |