CN116184210A - 电池异常检测方法、装置、***和电子装置 - Google Patents
电池异常检测方法、装置、***和电子装置 Download PDFInfo
- Publication number
- CN116184210A CN116184210A CN202211557848.5A CN202211557848A CN116184210A CN 116184210 A CN116184210 A CN 116184210A CN 202211557848 A CN202211557848 A CN 202211557848A CN 116184210 A CN116184210 A CN 116184210A
- Authority
- CN
- China
- Prior art keywords
- data
- detected
- static
- time sequence
- training
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 82
- 230000005856 abnormality Effects 0.000 title claims abstract description 71
- 230000003068 static effect Effects 0.000 claims abstract description 178
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 35
- 230000008859 change Effects 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims description 166
- 230000004927 fusion Effects 0.000 claims description 34
- 238000012545 processing Methods 0.000 claims description 21
- 230000015654 memory Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 13
- 238000004140 cleaning Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 15
- 239000013598 vector Substances 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 125000004122 cyclic group Chemical group 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 239000000306 component Substances 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Images
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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本申请涉及一种电池异常检测方法、装置、***和电子装置,其中,该方法包括:获取电池在工作状态下的待测时序数据;对待测时序数据进行特征分解得到待测动态数据和待测静态数据;待测动态数据是指检测到的待测时序数据中在时间维度上存在动态变化的数据,待测静态数据是指检测到的待测时序数据中在时间维度上保持静态状态的数据;将待测动态数据输入至训练后的目标时序自编码器模型,输出第一误差信息;将待测静态数据输入至训练后的目标静态自编码器模型,输出第二误差信息;根据第一误差信息和第二误差信息,生成针对电池的异常检测结果。通过本申请,解决了电池异常检测的准确性低的问题,实现了精确、高效的电池异常检测方法。
Description
技术领域
本申请涉及电池检测技术领域,特别是涉及电池异常检测方法、装置、***和电子装置。
背景技术
随着新能源汽车产业的快速发展,电动汽车的市场保有量也在快速增长中。动力电池作为电动汽车的核心部件,其性能和状态极大地影响着电动汽车整车的状况。因此,通过电池管理***(Battery management system,简称为BMS)对动力电池实时运行状态进行监控,并对发生的故障及时报警、对可能发生的故障提前预警的相关技术变得愈发重要。
在相关技术中,新能源汽车的动力电池异常检测,主要包括基于等效电路模型的异常检测、基于统计学方法的异常检测和基于数据驱动的智能算法模型进行异常检测。然而,上述几种异常检测方式通常由于等效电路模型收敛差存在实时性差的问题,或者需要不断更新用于判定电池是否异常的阈值,或者利用智能算法模型检测时评价维度单一,从而导致电池异常检测的准确性较低。
目前针对相关技术中电池检测的准确性低的问题,尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种电池异常检测方法、装置、***和电子装置,以至少解决相关技术中电池异常检测的准确性低的问题。
第一方面,本申请实施例提供了一种电池异常检测方法,所述方法包括:
获取所述电池在工作状态下的待测时序数据;
对所述待测时序数据进行特征分解得到待测动态数据和待测静态数据;其中,所述待测动态数据是指检测到的所述待测时序数据中在时间维度上存在动态变化的数据,所述待测静态数据是指检测到的所述待测时序数据中在所述时间维度上保持静态状态的数据;
将所述待测动态数据输入至训练后的目标时序自编码器模型,输出第一误差信息;将所述待测静态数据输入至训练后的目标静态自编码器模型,输出第二误差信息;
根据所述第一误差信息和所述第二误差信息,生成针对所述电池的异常检测结果。
在其中一些实施例中,所述对所述待测时序数据进行特征分解得到待测动态数据和待测静态数据包括:
计算得到所述待测时序数据在所述时间维度上的变化趋势,并根据所述变化趋势对所有所述待测时序数据进行特征分解得到待测动态特征和待测静态特征;
根据所述待测动态特征生成携带有所述时间维度的所述待测动态数据,将所述待测静态特征对应的时序数据在所述时间维度上计算均值,得到不含所述时间维度的所述待测静态数据。
在其中一些实施例中,将所述待测动态数据输入至训练后的目标时序自编码器模型,输出第一误差信息之前,所述方法还包括:
获取训练动态数据;
将所述训练动态数据输入至初始时序自编码器模型中的时序编码器进行时序编码处理,输出第一隐变量数据,并将所述第一隐变量数据输入至所述初始时序自编码器模型中的时序解码器进行时序解码处理,输出动态训练重构数据;
计算得到所述训练动态数据和所述动态训练重构数据之间的第一关联结果,将所述第一关联结果反向传播至所述初始时序自编码器模型进行迭代训练,并生成所述目标时序自编码器模型。
在其中一些实施例中,所述获取训练动态数据包括:
获取历史电池数据;
对所述历史电池数据进行搜索处理,根据搜索结果保留所述历史电池数据中与预设阈值匹配失败的清洗数据,根据所述清洗数据得到训练时序数据;
对所述训练时序数据进行特征分解得到所述训练动态数据。
在其中一些实施例中,将所述待测静态数据输入至训练后的目标静态自编码器模型,输出第二误差信息之前,所述方法还包括:
获取训练静态数据;
将所述训练静态数据输入至初始静态自编码器模型中的静态编码器进行编码处理,输出第二隐变量数据,并将所述第二隐变量数据输入至所述初始静态自编码器模型中的静态解码器进行解码处理,输出静态训练重构数据;
计算得到所述训练静态数据和所述静态训练重构数据之间的第二关联结果,将所述第二关联结果反向传播至所述初始静态自编码器模型进行迭代训练,并生成所述目标静态自编码器模型。
在其中一些实施例中,所述根据所述第一误差信息和所述第二误差信息,生成针对所述电池的异常检测结果包括:
获取训练融合误差信息;其中,所述训练融合误差信息是由所述目标时序自编码器模型和所述目标静态自编码器模型对训练时序数据进行训练得到的;
根据所述第一误差信息和所述第二误差信息,计算得到融合误差信息,并根据所述融合误差信息和所述训练融合误差信息计算得到所述异常检测结果。
在其中一些实施例中,所述获取所述电池在工作状态下的待测时序数据包括:
获取所述电池在所述工作状态下的至少两种特征类型的实时特征数据;
根据所述特征类型,对所述实时特征数据进行时序划分处理,得到所述待测时序数据。
第二方面,本申请实施例提供了一种电池异常检测装置,所述装置包括:获取模块、分解模块、输出模块和生成模块;
所述获取模块,用于获取所述电池在工作状态下的待测时序数据;
所述分解模块,用于对所述待测时序数据进行特征分解得到待测动态数据和待测静态数据;其中,所述待测动态数据是指检测到的所述待测时序数据中在时间维度上存在动态变化的数据,所述待测静态数据是指检测到的所述待测时序数据中在所述时间维度上保持静态状态的数据;
所述输出模块,用于将所述待测动态数据输入至训练后的目标时序自编码器模型,输出第一误差信息;将所述待测静态数据输入至训练后的目标静态自编码器模型,输出第二误差信息;
所述生成模块,用于根据所述第一误差信息和所述第二误差信息,生成针对所述电池的异常检测结果。
第三方面,本申请实施例提供了一种电池异常检测***,所述***包括:主控装置和电池本体;其中,所述主控装置连接所述电池本体;
所述主控装置用于执行如上述第一方面所述的电池异常检测方法。
第四方面,本申请实施例提供了一种电子装置,包括存储器、处理器以及存储在所述存储器上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述第一方面所述的电池异常检测方法。
相比于相关技术,本申请实施例提供的电池异常检测方法、装置、***和电子装置,通过获取电池在工作状态下的待测时序数据;对待测时序数据进行特征分解得到待测动态数据和待测静态数据;其中,待测动态数据是指检测到的待测时序数据中在时间维度上存在动态变化的数据,待测静态数据是指检测到的待测时序数据中在时间维度上保持静态状态的数据;将待测动态数据输入至训练后的目标时序自编码器模型,输出第一误差信息;将待测静态数据输入至训练后的目标静态自编码器模型,输出第二误差信息;根据第一误差信息和第二误差信息,生成针对电池的异常检测结果,解决了电池异常检测的准确性低的问题,实现了精确、高效的电池异常检测方法。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的一种电池异常检测方法的应用环境图;
图2是根据本申请实施例的一种电池异常检测方法的流程图;
图3是根据本申请实施例的另一种电池异常检测方法的流程图;
图4是根据本申请实施例的一种目标时序自编码器模型训练的示意图;
图5是根据本申请实施例的一种目标静态自编码器模型训练的示意图;
图6是根据本申请实施例的一种电池异常检测装置的结构框图;
图7是根据本申请实施例的一种电池异常检测***的结构框图;
图8是根据本申请实施例的一种计算机设备内部的结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行描述和说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。基于本申请提供的实施例,本领域普通技术人员在没有作出创造性劳动的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。此外,还可以理解的是,虽然这种开发过程中所作出的努力可能是复杂并且冗长的,然而对于与本申请公开的内容相关的本领域的普通技术人员而言,在本申请揭露的技术内容的基础上进行的一些设计,制造或者生产等变更只是常规的技术手段,不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是,本申请所描述的实施例在不冲突的情况下,可以与其它实施例相结合。
除非另作定义,本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制,可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形,意图在于覆盖不排他的包含;例如包含了一系列步骤或模块(单元)的过程、方法、***、产品或设备没有限定于已列出的步骤或单元,而是可以还包括没有列出的步骤或单元,或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电气的连接,不管是直接的还是间接的。本申请所涉及的“多个”是指大于或者等于两个。“和/或”描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象,不代表针对对象的特定排序。
本申请所提供的电池异常检测方法,可以应用于车辆驾驶、轮式机器人控制等应用场景中。图1是根据本申请实施例的一种车辆横向控制方法的应用环境图,如图1所示,车辆102通过网络与服务器104进行通信。数据存储***可以存储服务器104需要处理的数据。数据存储***可以集成在服务器104上,也可以放在云上或其他网络服务器上。服务器104获取车辆102中动力电池在工作状态在的待测时序数据,对待测时序数据进行特征分解得到待测动态数据和待测静态数据,将待测动态数据输入至训练后的目标时序自编码器模型,输出第一误差信息,将待测静态数据输入至训练后的目标静态自编码器模型,输出第二误差信息;该服务器104根据该第一误差信息和该第二误差信息,生成针对上述电池的异常检测结果。其中,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
本实施例提供了一种电池异常检测方法,图2是根据本申请实施例的一种电池异常检测方法的流程图,如图2所示,该流程包括如下步骤:
步骤S210,获取该电池在工作状态下的待测时序数据。
进一步地,上述获取该电池在工作状态下的待测时序数据还包括如下步骤:获取该电池在该工作状态下的至少两种特征类型的实时特征数据;根据该特征类型,对该实时特征数据进行时序划分处理,得到该待测时序数据。具体地,上述待测时序数据可以是针对电池在充电等工作状态下,包括多种特征类型的一系列时间点采集到的各个特征数据,包括动力电池组总电压、动力电池组总电流、各个单体电池电压、各个电池探针温度、电池荷电状态(State Of Charge,简称为SOC)值、电池健康状态(State Of Health,简称为SOH)值以及车辆总里程数等数据。随后可以以时间作为新的维度,对上述各特征数据进行维度转换得到上述待测时序数据。
步骤S220,对该待测时序数据进行特征分解得到待测动态数据和待测静态数据;其中,该待测动态数据是指检测到的该待测时序数据中在时间维度上存在动态变化的数据,该待测静态数据是指检测到的该待测时序数据中在该时间维度上保持静态状态的数据。
其中,对上述待测时序数据各个特征维度在时间上的变化速度进行特征分解,可以将其分解为随时间变化相对快速的动态特征,以及随时间变化相对缓慢或者固定不变的静态特征;可以理解的是,针对各特征维度的特征分解,可以利用阈值进行分解,即某个特征维度在时间上的变化速度大于该阈值时可以认为是动态特征;或者,也可以采用慢特征分析(Slow Feature Analysis,简称为SFA)等算法进行分解,在此不再赘述。则根据动态特征与静态特征将该待测时序数据进行划分,可以划分得到待测动态数据和待测静态数据;进一步地,针对该静态特征对应的时序数据在时间维度上计算均值,可以得到不含时序维度的静态数据。
步骤S230,将该待测动态数据输入至训练后的目标时序自编码器模型,输出第一误差信息;将该待测静态数据输入至训练后的目标静态自编码器模型,输出第二误差信息。
其中,在上述步骤S230至步骤S240中,分别将待测动态数据输入至目标时序自编码器模型,得到解码重构后的动态重构数据,并利用该目标时序自编码器模型计算得到该待测动态数据和该动态重构数据之间的差值或比值等第一误差信息,以及将待测静态数据输入至目标静态自编码器模型,得到解码重构后的静态重构数据,并利用该目标静态自编码器模型计算得到该待测静态数据和该静态重构数据之间的差值或比值等第二误差信息。
步骤S240,根据该第一误差信息和该第二误差信息,生成针对该电池的异常检测结果。
其中,可以根据上述第一误差信息和上述第二误差信息进行融合计算处理,生成上述电池的异常检测结果。具体地,根据该第一误差信息和该第二误差信息计算得到融合误差信息之后,可以将该融合误差信息与预先设定好的误差阈值进行对比以检测该电池是否存在异常;例如,若该融合误差小于或等于该误差阈值,则说明该电池的工作状态正常,可以继续运行;若该融合误差大于该误差阈值,则说明该电池正处于异常状态或存在潜在的电池异常情况,此时需要实时发送对应的报警提示信息至提醒设备,以及时提醒工作人员及时进行维修或维护操作。
通过上述步骤S210至步骤S240,通过对电池在工作状态下的待测时序数据进行特征分解,得到待测动态数据和待测静态数据,并将待测动态数据和待测静态数据分别输入至两个专用模型进行解码重构,得到对应的误差信息,最终根据融合的误差信息生成异常检测结果,从而实现了全面的电池状态异常检测,并且由于静态数据也融合进了模型,使得本申请实施例可以适应不同寿命、不同工况下的异常检测场景,能够检测到已发生或潜在的电池异常,解决了电池异常检测的准确性低的问题,实现了精确、高效的电池异常检测方法。
在其中一些实施例中,上述对该待测时序数据进行特征分解得到待测动态数据和待测静态数据还包括如下步骤:
步骤S221,计算得到该待测时序数据在该时间维度上的变化趋势,并根据该变化趋势对所有该待测时序数据进行特征分解得到待测动态特征和待测静态特征。
步骤S222,根据该待测动态特征生成携带有该时间维度的该待测动态数据,将该待测静态特征对应的时序数据在该时间维度上计算均值,得到不含该时间维度的该待测静态数据。
其中,在上述步骤S221至步骤S222中,对待测时序数据进行特征分解,将其分解为变化快速的动态特征以及变化缓慢的静态特征。具体地,使用特征分解方法对中的特征进行分解,根据时间序列数据各个特征维度在时间上的变化速度对其进行分解,其中随时间变化相对迅速的部分被定义为动态特征,随时间变化相对缓慢或者固定不变的部分被定义为静态特征;将数据根据动态特征与静态特征分为动态数据与静态数据,然后,将静态特征对应的时序数据在时间维度上计算均值,得到不含时序维度的静态数据。进一步地,上述特征分解方法可以采用SFA算法。例如,针对含有m个特征维度的待测时序数据X(t)=[x1(t),x2(t),x3(t),...,xm(t)]T,构建全连接神经网络,使其输出为Y(t)=[y1(t),y2(t),y3(t),...,yj(t),...,yJ(t)]T,其中yj(t)=gj(X(t)),gj(·)为时间序列映射函数,该网络的优化目标为对于每一个yj(t)∈Y(t),使其在以下约束时,可以取到最小值,如下述公式1所示:
上述公式中,E(·)t代表在时间维度上的数学期望,代表每一个相邻时间点数据的偏差;该网络的输出Y(t)即为静态特征数据Xst(t),随后计算X(t)在经过分解后剩余的特征数据,即为动态特征数据Xd(t)。
通过上述步骤S221至步骤S222,通过待测时序数据在时间维度上的变化趋势对其进行特征分解得到待测动态特征和待测静态特征,并根据各特征确定待测时序数据中的待测动态数据和待测静态数据,从而有效提高了对待测时序数据中动、静态数据划分的效率和准确性,进而有利于提高电池异常检测的效率和准确性。
在其中一些实施例中,还提供了一种电池异常检测方法。图3是根据本申请实施例的另一种电池异常检测方法的流程图,如图3所示,该流程包括图2所示的步骤S210至步骤S240,此外还如下步骤:
步骤S310,获取训练动态数据。
其中,上述训练动态数据是指将预先收集到的大量新能源汽车的电池组在充电时的各个历史特征数据作为训练数据,对该训练数据进行特征分解得到的随时间变化相对快速的动态特征。
步骤S320,将该训练动态数据输入至初始时序自编码器模型中的时序编码器进行时序编码处理,输出第一隐变量数据,并将该第一隐变量数据输入至该初始时序自编码器模型中的时序解码器进行时序解码处理,输出动态训练重构数据。
其中,上述初始时序自编码器模型可以由时序神经网络和自编码器构成;该时序神经网络可以为循环神经网络(Recurrent Neural Networks,简称为RNN)、长短期记忆(Long short-term memory,简称为LSTM)模型或门控循环单元(Gated Recurrent Unit,简称为GRU)模型等能够实现时序预测的神经网络模型。例如,可以针对动态时序数据构建长短期记忆循环神经网络自编码器(简称为LSTM-AE)模型Md;该模型主要由一个编码器End与一个解码器Ded构成,编码器和解码器的结构均为长短期记忆循环神经网络,随后将动态时序数据输入该模型Md进行训练,以便训练得到上述目标时序自编码器模型。
具体地,图4是根据本申请实施例的一种目标时序自编码器模型训练的示意图,如图4所示,上述模型Md的具体设计为:将训练动态数据输入至时序编码器,该时序编码器由三层LSTM网络堆叠而成,每一个LSTM网络由遗忘门、输入门和输出门构成,前一个LSTM网络的输出时间序列作为后一个LSTM网络的输入时间序列;其中,第一个LSTM网络的输入特征维度与输出特征维度为[md,128],md为特征分解后动态特征的数量,第二个LSTM网络的输入特征维度与输出特征维度为[128,64],第三个LSTM网络的输入特征维度与输出特征维度为[64,32];则第三层网络输出的特征为上述第一隐变量数据。将该第一隐变量数据输入至时序编码器,该时序编码器同样由三层LSTM网络堆叠而成,其中,第一个LSTM网络的输入特征维度与输出特征维度为[32,64],第二个LSTM网络的输入特征维度与输出特征维度为[64,128],第三个LSTM网络的输入特征维度与输出特征维度为[128,md],则第三层网络输出的特征为上述动态训练重构数据。
步骤S330,计算得到该训练动态数据和该动态训练重构数据之间的第一关联结果,将该第一关联结果反向传播至该初始时序自编码器模型进行迭代训练,并生成该目标时序自编码器模型。
其中,在将上述训练动态数据Xd(t)输入至初始时序自编码器模型得到动态训练重构数据X′d(t)之后,可以计算该训练动态数据和该动态训练重构数据之间的差值或比值等第一关联结果。具体地,请参阅图4,该第一关联结果可以为该训练动态数据和该动态训练重构数据之间的均方误差MSE,如下述公式2所示:
上述公式中,xdi(t)∈Xd(t),x′di(t)∈X′d(t)。则通过公式2计算得到均方误差MSE之后,可以利用均方误差,通过反向传播算法对上述初始时序自编码器模型中的参数进行迭代训练,不断重复上述过程,直至满足迭代训练次数或训练时长,或者该模型收敛,最终得到训练完备的目标时序自编码器模型。
通过上述步骤S310至步骤S330,根据训练动态数据和利用模型训练得到的动态训练重构数据之间的对比结果对神经网络模型进行迭代训练,得到训练完备的优化后的目标时序自编码器模型,能够更新得到针对动态数据的表征能力更强的模型,提高模型重构的准确性,并且通过大量无标签的数据即可训练出异常检测模型,不需要特定故障标签,从而有利于提高电池异常检测的准确性。
在其中一些实施例中,上述获取训练动态数据还包括如下步骤:
步骤S311,获取历史电池数据。
其中,在对模型进行训练之前,可以预先收集大量新能源汽车的电池组在充电时,电池各特征在每个时间点的历史特征数据作为训练数据,包括各新能源汽车的动力电池组总电压、动力电池组总电流、各个单体电池电压、各个电池探针温度、电池SOC值、电池SOH值以及车辆总里程数等数据,并将这些特征记为F={f1,f2,f3,...,fm},其中m为特征维度的数目。随后可以将收集到的电池历史特征数据记为X1=[x1,x2,x3,...,xi,...,xN],其中xi∈Rm,xi代表单辆车单个时间点的一条数据,Rm代表特征维度为m的实数集,N代表总的数据条数。
步骤S312,对该历史电池数据进行搜索处理,根据搜索结果保留该历史电池数据中与预设阈值匹配失败的清洗数据,根据该清洗数据得到训练时序数据。
其中,在上述步骤S312中,需要对数据进行清洗和规范化,以便进行维度转换转变为时序数据。上述预设阈值可以由工作人员结合实际情况预先进行设置,例如可以将预设阈值设置为空值或零值等。具体地,搜索X1∈RN×m中的空值和不合理的零值,筛选含有空值和不合理零值的行,将其删除,进行数据清洗;然后规范每辆车每次充电时的数据条数,对多余的数据进行压缩或者删除,得到X2,以方便后续的维度转换。
随后,将原本的[N,m]维数据根据每辆车每一次充电进行分组,使得同一组内的数据为同一辆车同一次充电的数据,并针对分组后的数据进行维度转换,即以时间作为新的维度,将X2=[x1,x2,x3,...,xN]转化为X(t)=[x1(t),x2(t),x3(t),...,xi(t),...,xn(t)],xi(t)=[xi(t1),xi(t2),xi(t3),...,xi(tj),...,xi(tL)],其中xi(tj)为第i条时间序列xi(t)在第j个时间点tj时的数据,L为每条充电时序数据所包含的时间点数据个数,n=N/L为充电时序数据的条数。
步骤S313,对该训练时序数据进行特征分解得到该训练动态数据。
具体地,使用特征分解方法对X(t)∈Rn×L×m中的特征F进行分解,本实施例中可以采用与上述方法实施例中相同的分解方式,进而得到上述训练动态数据。
通过上述步骤S311至步骤S313,通过对历史电池数据进行清洗处理得到训练时序数据,并对该训练时序数据进行特征分解得到训练动态数据,从而实现了对训练数据的预处理,能够有效提高后续模型训练的效率,进而提高了电池异常检测的效率。
在其中一些实施例中,上述将该待测静态数据输入至训练后的目标静态自编码器模型,输出第二误差信息之前,上述电池异常检测方法还包括如下步骤:
步骤S201,获取训练静态数据。
其中,上述训练静态数据是指将预先收集到的大量新能源汽车的电池组在充电时的各个历史特征数据作为训练数据,对该训练数据进行特征分解得到的随时间变化相对缓慢或者固定不变的静态特征。需要补充说明的是,在获取训练静态数据的过程中,可以通过上述步骤S311至步骤S313对获取到的历史电池数据进行清洗得到训练时序数据,并对训练时序数据进行特征分解进而得到上述训练静态数据和训练动态数据。
步骤S202,将该训练静态数据输入至初始静态自编码器模型中的静态编码器进行编码处理,输出第二隐变量数据,并将该第二隐变量数据输入至该初始静态自编码器模型中的静态解码器进行解码处理,输出静态训练重构数据。
其中,上述初始静态自编码器模型可以由静态编码器和静态解码器构成;则将上述训练静态数据输入至该初始静态自编码器模型,可以训练得到上述目标静态自编码器模型。具体地,图5是根据本申请实施例的一种目标静态自编码器模型训练的示意图,如图5所示,该目标静态自编码器模型Ms的具体设计为:将训练静态数据输入至自编码器,该自编码器可以由三层全连接网络堆叠而成,其中,第一个全连接层的数据特征维度与输出特征维度为[ms,128],ms为特征分解后静态特征的数量,第二个LSTM网络的输入特征维度与输出特征维度为[128,64],第三个LSTM网络的输入特征维度与输出特征维度为[64,32];则第三层网络输出的特征为上述第一隐变量数据。将该第一隐变量数据输入至时序编码器,该时序编码器同样由三层LSTM网络堆叠而成,其中,第一个LSTM网络的输入特征维度与输出特征维度为[32,64],第二个LSTM网络的输入特征维度与输出特征维度为[64,128],第三个LSTM网络的输入特征维度与输出特征维度为[128,md],则第三层网络输出的特征为上述动态训练重构数据。
步骤S203,计算得到该训练静态数据和该静态训练重构数据之间的第二关联结果,将该第二关联结果反向传播至该初始静态自编码器模型进行迭代训练,并生成该目标静态自编码器模型。
其中,在将上述训练静态数据Xs输入至初始时序自编码器模型得到静态训练重构数据X′d(t)之后,可以计算该训练静态数据和该静态训练重构数据之间的差值或比值等第二关联结果。具体地,请参阅图5,该第二关联结果可以为该训练静态数据和该静态训练重构数据之间的均方误差MSE,如下述公式3所示:
上述公式中,xsi∈Xs,x′si∈X′s。则通过公式3计算得到均方误差MSE之后,可以利用均方误差,通过反向传播算法对上述初始静态自编码器模型中的参数进行迭代训练,不断重复上述过程,直至满足迭代训练次数或训练时长,或者该模型收敛,最终得到训练完备的目标静态自编码器模型。
通过上述步骤S201至步骤S203,根据训练静态数据和利用模型训练得到的静态训练重构数据之间的对比结果对神经网络模型进行迭代训练,得到训练完备的优化后的目标静态自编码器模型,能够更新得到针对静态数据的表征能力更强的模型,提高模型重构的准确性,从而进一步提高了电池异常检测的准确性。
在其中一些实施例中,上述根据该第一误差信息和该第二误差信息,生成针对该电池的异常检测结果还包括如下步骤:
步骤S231,获取训练融合误差信息;其中,该训练融合误差信息是由该目标时序自编码器模型和该目标静态自编码器模型对训练时序数据进行训练得到的。
具体地,对上述训练时序数据进行特征分解得到训练动态数据和训练静态数据。随后计算训练动态数据,以及输入目标时序自编码器模型进行解码、编码重构后得到的动态重构数据之间的误差向量计算结果,该误差向量可以用Erd表示;以及计算训练静态数据,以及输入目标静态自编码器模型进行解码、编码重构后得到的静态重构数据之间的误差向量计算结果,该误差向量可以用Ers表示。随后根据这两个误差向量计算得到融合误差向量,即上述训练融合误差信息,该计算公式如公式4所示:
Er=Erd+λErs 公式4
上述公式中,训练融合误差向量Er总共包含n个时间序列的误差,λ为设定的误差融合参数。
步骤S232,根据该第一误差信息和该第二误差信息,计算得到融合误差信息,并根据该融合误差信息和该训练融合误差信息计算得到该异常检测结果。
其中,在计算得到上述训练融合误差信息之后,可以通过上述步骤S210至步骤S230计算得到第一误差信息和第二误差信息,并通过将该第一误差信息和该第二误差信息相加计算得到上述融合误差信息。随后,可以将该融合误差信息与预设的误差阈值进行对比,以检测上述电池是否存在异常。需要补充说明的是,该误差阈值可以根据上述预先获取到的训练数据,利用上述各模型训练计算得到;具体地,即在将上述训练动态数据、训练静态数据分别输入至目标时序自编码器模型、目标静态自编码器模型之后,将训练重构误差综合计算得到训练数据的训练融合误差向量Er,并计算训练融合误差向量Er中n个时间序列误差的均值μEr与标准差εEr,例如可以通过计算均值加3倍标准差的统计量,以得到所需设定的最终异常检测阈值θE,如下述公式5所示:
θE=μEr+3εEr 公式5
通过上述步骤S231至步骤S232,通过获取训练融合误差信息,以便基于深度学习自适应确定误差阈值,并最终确定电池的异常检测结果,从而无需工作人员手动设置误差阈值,有效提高了电池异常检测的实时性和效率。
需要说明的是,在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本实施例还提供了一种电池异常检测装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图6是根据本申请实施例的一种电池异常检测装置的结构框图,如图6所示,该装置包括:获取模块62、分解模块64、输出模块66和生成模块68;该获取模块62,用于获取该电池在工作状态下的待测时序数据;该分解模块64,用于对该待测时序数据进行特征分解得到待测动态数据和待测静态数据;其中,该待测动态数据是指检测到的该待测时序数据中在时间维度上存在动态变化的数据,该待测静态数据是指检测到的该待测时序数据中在该时间维度上保持静态状态的数据;该输出模块66,用于将该待测动态数据输入至训练后的目标时序自编码器模型,输出第一误差信息;将该待测静态数据输入至训练后的目标静态自编码器模型,输出第二误差信息;该生成模块68,用于根据该第一误差信息和该第二误差信息,生成针对该电池的异常检测结果。
通过上述实施例,通过分解模块64对电池在工作状态下的待测时序数据进行特征分解,得到待测动态数据和待测静态数据,并通过输出模块66将待测动态数据和待测静态数据分别输入至两个专用模型进行解码重构,得到对应的误差信息,最终由生成模块68根据融合的误差信息生成异常检测结果,从而实现了全面的电池状态异常检测,并且由于静态数据也融合进了模型,使得本申请实施例可以适应不同寿命、不同工况下的异常检测场景,能够检测到已发生或潜在的电池异常,解决了电池异常检测的准确性低的问题,实现了精确、高效的电池异常检测装置。
在其中一些实施例中,上述分解模块64还用于计算得到该待测时序数据在该时间维度上的变化趋势,并根据该变化趋势对所有该待测时序数据进行特征分解得到待测动态特征和待测静态特征;该分解模块64根据该待测动态特征生成携带有该时间维度的该待测动态数据,将该待测静态特征对应的时序数据在该时间维度上计算均值,得到不含该时间维度的该待测静态数据。
在其中一些实施例中,上述电池异常检测装置还包括训练模块;该训练模块,用于获取训练动态数据;该训练模块将该训练动态数据输入至初始时序自编码器模型中的时序编码器进行时序编码处理,输出第一隐变量数据,并将该第一隐变量数据输入至该初始时序自编码器模型中的时序解码器进行时序解码处理,输出动态训练重构数据;该训练模块计算得到该训练动态数据和该动态训练重构数据之间的第一关联结果,将该第一关联结果反向传播至该初始时序自编码器模型进行迭代训练,并生成该目标时序自编码器模型。
在其中一些实施例中,上述训练模块还用于获取历史电池数据;该训练模块对该历史电池数据进行搜索处理,根据搜索结果保留该历史电池数据中与预设阈值匹配失败的清洗数据,根据该清洗数据得到训练时序数据;该训练模块对该训练时序数据进行特征分解得到该训练动态数据。
在其中一些实施例中,上述训练模块还用于获取训练静态数据;该训练模块将该训练静态数据输入至初始静态自编码器模型中的静态编码器进行编码处理,输出第二隐变量数据,并将该第二隐变量数据输入至该初始静态自编码器模型中的静态解码器进行解码处理,输出静态训练重构数据;该训练模块计算得到该训练静态数据和该静态训练重构数据之间的第二关联结果,将该第二关联结果反向传播至该初始静态自编码器模型进行迭代训练,并生成该目标静态自编码器模型。
在其中一些实施例中,上述生成模块68还用于获取训练融合误差信息;其中,该训练融合误差信息是由该目标时序自编码器模型和该目标静态自编码器模型对训练时序数据进行训练得到的;该生成模块68根据该第一误差信息和该第二误差信息,计算得到融合误差信息,并根据该融合误差信息和该训练融合误差信息计算得到该异常检测结果。
在其中一些实施例中,上述获取模块62还用于获取该电池在该工作状态下的至少两种特征类型的实时特征数据;该获取模块62根据该特征类型,对该实时特征数据进行时序划分处理,得到该待测时序数据。
需要说明的是,上述各个模块可以是功能模块也可以是程序模块,既可以通过软件来实现,也可以通过硬件来实现。对于通过硬件来实现的模块而言,上述各个模块可以位于同一处理器中;或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
本实施例还提供了一种电池异常检测***,图7是根据本申请实施例的一种电池异常检测***的结构框图,如图7所示,该***包括:主控装置72和电池本体74;其中,该主控装置72连接该电池本体74;该主控装置72用于执行上述任一项方法实施例中的步骤。该主控装置72包括但不限于是各种集成在由上述电池驱动的车辆上的芯片、微处理器或其他用于控制该电池异常检测流程的硬件装置,或者,该主控装置72也可以是与该车辆之间通过远程或局域网等方式进行通信联机的服务器等硬件装置,在此不再赘述。
通过上述实施例,通过主控装置72对电池本体74在工作状态下的待测时序数据进行特征分解,得到待测动态数据和待测静态数据,并将待测动态数据和待测静态数据分别输入至两个专用模型进行解码重构,得到对应的误差信息,最终根据融合的误差信息生成异常检测结果,从而实现了全面的电池状态异常检测,并且由于静态数据也融合进了模型,使得本申请实施例可以适应不同寿命、不同工况下的异常检测场景,能够检测到已发生或潜在的电池异常,解决了电池异常检测的准确性低的问题,实现了精确、高效的电池异常检测***。
在其中一些实施例中,提供了一种计算机设备,该计算机设备可以是服务器,图8是根据本申请实施例的一种计算机设备内部的结构图,如图8所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储异常检测结果。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述电池异常检测方法。
本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
本实施例还提供了一种电子装置,包括存储器和处理器,该存储器中存储有计算机程序,该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地,上述电子装置还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S1,获取该电池在工作状态下的待测时序数据。
S2,对该待测时序数据进行特征分解得到待测动态数据和待测静态数据;其中,该待测动态数据是指检测到的该待测时序数据中在时间维度上存在动态变化的数据,该待测静态数据是指检测到的该待测时序数据中在该时间维度上保持静态状态的数据。
S3,将该待测动态数据输入至训练后的目标时序自编码器模型,输出第一误差信息;将该待测静态数据输入至训练后的目标静态自编码器模型,输出第二误差信息。
S4,根据该第一误差信息和该第二误差信息,生成针对该电池的异常检测结果。
需要说明的是,本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
另外,结合上述实施例中的电池异常检测方法,本申请实施例可提供一种存储介质来实现。该存储介质上存储有计算机程序;该计算机程序被处理器执行时实现上述实施例中的任意一种电池异常检测方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
本领域的技术人员应该明白,以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种电池异常检测方法,其特征在于,所述方法包括:
获取所述电池在工作状态下的待测时序数据;
对所述待测时序数据进行特征分解得到待测动态数据和待测静态数据;其中,所述待测动态数据是指检测到的所述待测时序数据中在时间维度上存在动态变化的数据,所述待测静态数据是指检测到的所述待测时序数据中在所述时间维度上保持静态状态的数据;
将所述待测动态数据输入至训练后的目标时序自编码器模型,输出第一误差信息;将所述待测静态数据输入至训练后的目标静态自编码器模型,输出第二误差信息;
根据所述第一误差信息和所述第二误差信息,生成针对所述电池的异常检测结果。
2.根据权利要求1所述的电池异常检测方法,其特征在于,所述对所述待测时序数据进行特征分解得到待测动态数据和待测静态数据包括:
计算得到所述待测时序数据在所述时间维度上的变化趋势,并根据所述变化趋势对所有所述待测时序数据进行特征分解得到待测动态特征和待测静态特征;
根据所述待测动态特征生成携带有所述时间维度的所述待测动态数据,将所述待测静态特征对应的时序数据在所述时间维度上计算均值,得到不含所述时间维度的所述待测静态数据。
3.根据权利要求1所述的电池异常检测方法,其特征在于,将所述待测动态数据输入至训练后的目标时序自编码器模型,输出第一误差信息之前,所述方法还包括:
获取训练动态数据;
将所述训练动态数据输入至初始时序自编码器模型中的时序编码器进行时序编码处理,输出第一隐变量数据,并将所述第一隐变量数据输入至所述初始时序自编码器模型中的时序解码器进行时序解码处理,输出动态训练重构数据;
计算得到所述训练动态数据和所述动态训练重构数据之间的第一关联结果,将所述第一关联结果反向传播至所述初始时序自编码器模型进行迭代训练,并生成所述目标时序自编码器模型。
4.根据权利要求3所述的电池异常检测方法,其特征在于,所述获取训练动态数据包括:
获取历史电池数据;
对所述历史电池数据进行搜索处理,根据搜索结果保留所述历史电池数据中与预设阈值匹配失败的清洗数据,根据所述清洗数据得到训练时序数据;
对所述训练时序数据进行特征分解得到所述训练动态数据。
5.根据权利要求1所述的电池异常检测方法,其特征在于,将所述待测静态数据输入至训练后的目标静态自编码器模型,输出第二误差信息之前,所述方法还包括:
获取训练静态数据;
将所述训练静态数据输入至初始静态自编码器模型中的静态编码器进行编码处理,输出第二隐变量数据,并将所述第二隐变量数据输入至所述初始静态自编码器模型中的静态解码器进行解码处理,输出静态训练重构数据;
计算得到所述训练静态数据和所述静态训练重构数据之间的第二关联结果,将所述第二关联结果反向传播至所述初始静态自编码器模型进行迭代训练,并生成所述目标静态自编码器模型。
6.根据权利要求1所述的电池异常检测方法,其特征在于,所述根据所述第一误差信息和所述第二误差信息,生成针对所述电池的异常检测结果包括:
获取训练融合误差信息;其中,所述训练融合误差信息是由所述目标时序自编码器模型和所述目标静态自编码器模型对训练时序数据进行训练得到的;
根据所述第一误差信息和所述第二误差信息,计算得到融合误差信息,并根据所述融合误差信息和所述训练融合误差信息计算得到所述异常检测结果。
7.根据权利要求1至6任一项所述的电池异常检测方法,其特征在于,所述获取所述电池在工作状态下的待测时序数据包括:
获取所述电池在所述工作状态下的至少两种特征类型的实时特征数据;
根据所述特征类型,对所述实时特征数据进行时序划分处理,得到所述待测时序数据。
8.一种电池异常检测装置,其特征在于,所述装置包括:获取模块、分解模块、输出模块和生成模块;
所述获取模块,用于获取所述电池在工作状态下的待测时序数据;
所述分解模块,用于对所述待测时序数据进行特征分解得到待测动态数据和待测静态数据;其中,所述待测动态数据是指检测到的所述待测时序数据中在时间维度上存在动态变化的数据,所述待测静态数据是指检测到的所述待测时序数据中在所述时间维度上保持静态状态的数据;
所述输出模块,用于将所述待测动态数据输入至训练后的目标时序自编码器模型,输出第一误差信息;将所述待测静态数据输入至训练后的目标静态自编码器模型,输出第二误差信息;
所述生成模块,用于根据所述第一误差信息和所述第二误差信息,生成针对所述电池的异常检测结果。
9.一种电池异常检测***,其特征在于,所述***包括:主控装置和电池本体;其中,所述主控装置连接所述电池本体;
所述主控装置用于执行如权利要求1至7中任一项所述的电池异常检测方法。
10.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行权利要求1至7中任一项所述的电池异常检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211557848.5A CN116184210A (zh) | 2022-12-06 | 2022-12-06 | 电池异常检测方法、装置、***和电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211557848.5A CN116184210A (zh) | 2022-12-06 | 2022-12-06 | 电池异常检测方法、装置、***和电子装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116184210A true CN116184210A (zh) | 2023-05-30 |
Family
ID=86431526
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211557848.5A Pending CN116184210A (zh) | 2022-12-06 | 2022-12-06 | 电池异常检测方法、装置、***和电子装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116184210A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116628428A (zh) * | 2023-07-24 | 2023-08-22 | 华能信息技术有限公司 | 一种数据加工方法及*** |
CN116819378A (zh) * | 2023-08-29 | 2023-09-29 | 中国华能集团清洁能源技术研究院有限公司 | 储能电池异常检测方法及装置 |
CN117825973A (zh) * | 2024-03-01 | 2024-04-05 | 深圳市健网科技有限公司 | 一种用于分布式储能***的锂电池状态估计方法及*** |
-
2022
- 2022-12-06 CN CN202211557848.5A patent/CN116184210A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116628428A (zh) * | 2023-07-24 | 2023-08-22 | 华能信息技术有限公司 | 一种数据加工方法及*** |
CN116628428B (zh) * | 2023-07-24 | 2023-10-31 | 华能信息技术有限公司 | 一种数据加工方法及*** |
CN116819378A (zh) * | 2023-08-29 | 2023-09-29 | 中国华能集团清洁能源技术研究院有限公司 | 储能电池异常检测方法及装置 |
CN116819378B (zh) * | 2023-08-29 | 2023-12-26 | 中国华能集团清洁能源技术研究院有限公司 | 储能电池异常检测方法及装置 |
CN117825973A (zh) * | 2024-03-01 | 2024-04-05 | 深圳市健网科技有限公司 | 一种用于分布式储能***的锂电池状态估计方法及*** |
CN117825973B (zh) * | 2024-03-01 | 2024-05-17 | 深圳市健网科技有限公司 | 一种用于分布式储能***的锂电池状态估计方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Big data driven lithium-ion battery modeling method based on SDAE-ELM algorithm and data pre-processing technology | |
Wang et al. | A data-driven method for battery charging capacity abnormality diagnosis in electric vehicle applications | |
Meng et al. | A review on prognostics and health management (PHM) methods of lithium-ion batteries | |
CN116184210A (zh) | 电池异常检测方法、装置、***和电子装置 | |
Kim et al. | Estimation of Li-ion battery state of health based on multilayer perceptron: As an EV application | |
Li et al. | Lithium-ion battery modeling based on Big Data | |
Kim et al. | Data-driven state of health estimation of li-ion batteries with RPT-reduced experimental data | |
US8855954B1 (en) | System and method for prognosticating capacity life and cycle life of a battery asset | |
CN109001640B (zh) | 一种动力电池的数据处理方法和装置 | |
Zhang et al. | Cost-effective Lebesgue sampling long short-term memory networks for lithium-ion batteries diagnosis and prognosis | |
CN114791993B (zh) | 一种动力电池组soh预测方法及*** | |
CN111191824B (zh) | 一种动力电池容量衰减预测方法及*** | |
Jianfang et al. | Multi‐Scale prediction of RUL and SOH for Lithium‐Ion batteries based on WNN‐UPF combined model | |
Su et al. | Prediction of remaining useful life for lithium-ion battery with multiple health indicators | |
Chehade et al. | A multioutput convolved Gaussian process for capacity forecasting of Li-ion battery cells | |
Xie et al. | Residual life prediction of lithium-ion batteries based on data preprocessing and a priori knowledge-assisted CNN-LSTM | |
Harippriya et al. | Battery management system to estimate battery aging using deep learning and machine learning algorithms | |
CN115902642A (zh) | 电池荷电状态估算方法、装置、电子设备及存储介质 | |
Savargaonkar et al. | Uncorrelated sparse autoencoder with long short-term memory for state-of-charge estimations in lithium-ion battery cells | |
WO2023052910A1 (en) | System and method for estimating state of health and remaining useful life of a battery | |
CN116819328A (zh) | 一种电动汽车动力电池故障诊断方法、***、设备及介质 | |
Pau et al. | Microcontroller architectures for battery state of charge prediction with tiny neural networks | |
Singh et al. | State of charge estimation techniques of Li-ion battery of electric vehicles | |
CN117630672A (zh) | 借助变换器模型预测诊断技术设备的设备电池的方法和设备 | |
Renold et al. | Comprehensive Review of Machine Learning, Deep Learning, and Digital Twin Data-Driven Approaches in Battery Health Prediction of Electric Vehicles |
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 |