CN116577677A - 退役动力电池的放电测试***及其方法 - Google Patents
退役动力电池的放电测试***及其方法 Download PDFInfo
- Publication number
- CN116577677A CN116577677A CN202310863617.5A CN202310863617A CN116577677A CN 116577677 A CN116577677 A CN 116577677A CN 202310863617 A CN202310863617 A CN 202310863617A CN 116577677 A CN116577677 A CN 116577677A
- Authority
- CN
- China
- Prior art keywords
- time sequence
- vector
- feature vector
- training
- voltage
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 83
- 238000007599 discharging Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 40
- 239000013598 vector Substances 0.000 claims abstract description 523
- 238000012549 training Methods 0.000 claims description 192
- 230000008859 change Effects 0.000 claims description 60
- 238000009826 distribution Methods 0.000 claims description 57
- 230000008569 process Effects 0.000 claims description 31
- 238000000605 extraction Methods 0.000 claims description 28
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000010998 test method Methods 0.000 claims description 18
- 230000004927 fusion Effects 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 description 56
- 238000010586 diagram Methods 0.000 description 9
- 238000012423 maintenance Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 238000003860 storage Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 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
- 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]
- G01R31/389—Measuring internal impedance, internal conductance or related variables
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
公开了一种退役动力电池的放电测试***及其方法。其首先将多个预定时间点的电压值、电流值和温度值分别排列为电压时序输入向量、电流时序输入向量和温度时序输入向量,接着,将所述电压时序输入向量和所述电流时序输入向量分别通过时序特征提取器以得到电压时序特征向量和电流时序特征向量并计算两个特征向量之间的按位置点除以得到内阻时序特征向量,然后,将所述温度时序输入向量通过序列编码器以得到温度时序特征向量,最后,将融合所述内阻时序特征向量和所述温度时序特征向量得到的分类特征向量通过分类器以得到用于表示退役动力电池归属于各个问题标签的概率值的分类结果。这样,可以提高放电测试的准确性和精度。
Description
技术领域
本申请涉及智能测试领域,且更为具体地,涉及一种退役动力电池的放电测试***及其方法。
背景技术
随着电动汽车的普及,动力电池的回收和再利用变得越来越重要。退役动力电池作为电动汽车中的重要组成部分,其再利用具有重要的环保和经济意义。然而,退役动力电池在使用的过程中,其老化和损坏问题也随之而来。因此,为了有效地管理和维护退役动力电池,需要进行放电测试来识别电池中存在的问题,以便采取相应的措施。
因此,期望一种退役动力电池的放电测试***,以识别出退役动力电池中存在的问题,为后续的维护和管理提供重要参考。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种退役动力电池的放电测试***及其方法。其首先将多个预定时间点的电压值、电流值和温度值分别排列为电压时序输入向量、电流时序输入向量和温度时序输入向量,接着,将所述电压时序输入向量和所述电流时序输入向量分别通过时序特征提取器以得到电压时序特征向量和电流时序特征向量并计算两个特征向量之间的按位置点除以得到内阻时序特征向量,然后,将所述温度时序输入向量通过序列编码器以得到温度时序特征向量,最后,将融合所述内阻时序特征向量和所述温度时序特征向量得到的分类特征向量通过分类器以得到用于表示退役动力电池归属于各个问题标签的概率值的分类结果。这样,可以提高放电测试的准确性和精度。
根据本申请的一个方面,提供了一种退役动力电池的放电测试***,其包括:
数据采集模块,用于获取退役动力电池在放电测试过程中的多个预定时间点的电压值、电流值和温度值;
数据时序分布模块,用于将所述多个预定时间点的电压值、电流值和温度值分别按照时间维度排列为电压时序输入向量、电流时序输入向量和温度时序输入向量;
电压电流时序变化特征提取模块,用于将所述电压时序输入向量和所述电流时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到电压时序特征向量和电流时序特征向量;
内阻时序变化模块,用于计算所述电压时序特征向量和所述电流时序特征向量之间的按位置点除以得到内阻时序特征向量;
温度时序变化特征提取模块,用于将所述温度时序输入向量通过包含一维卷积层和全连接层的序列编码器以得到温度时序特征向量;
特征融合模块,用于融合所述内阻时序特征向量和所述温度时序特征向量以得到分类特征向量;
问题分类模块,用于将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示退役动力电池归属于各个问题标签的概率值。
在上述的退役动力电池的放电测试***中,所述电压电流时序变化特征提取模块,包括:
第一尺度特征提取单元,用于将所述电压时序输入向量和所述电流时序输入向量分别输入所述时序特征提取器的所述第一卷积层以得到第一尺度电压特征向量和第一尺度电流特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;
第二尺度特征提取单元,用于将所述电压时序输入向量和所述电流时序输入向量分别输入所述时序特征提取器的所述第二卷积层以得到第二尺度电压特征向量和第二尺度电流特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;
级联单元,用于使用所述时序特征提取器的级联层将所述第一尺度电压特征向量和所述第二尺度电压特征向量进行级联以得到所述电压时序特征向量,使用所述时序特征提取器的所述级联层将所述第一尺度电流特征向量和所述第二尺度电流特征向量进行级联以得到所述电流时序特征向量。
在上述的退役动力电池的放电测试***中,所述内阻时序变化模块,用于:
以如下点除公式计算所述电压时序特征向量和所述电流时序特征向量之间的按位置点除以得到所述内阻时序特征向量;
其中,所述点除公式为:
其中,表示所述电压时序特征向量,/>表示所述电流时序特征向量,/>表示所述内阻时序特征向量,/>表示按位置点除。
在上述的退役动力电池的放电测试***中,所述温度时序变化特征提取模块,包括:
全连接编码单元,用于使用所述序列编码器的全连接层以如下全连接编码公式对
所述温度时序输入向量进行全连接编码以提取出所述温度时序输入向量中各个位置的特
征值的高维隐含特征,其中,所述全连接编码公式为:,其中是所述温度
时序输入向量,是输出向量,是权重矩阵,是偏置向量,表示矩阵乘;
一维卷积编码单元,用于使用所述序列编码器的一维卷积层以如下一维卷积编码公式对所述温度时序输入向量进行一维卷积编码以提取出所述温度时序输入向量中各个位置的特征值间的高维隐含关联特征,其中,所述一维卷积编码公式为:
其中,为卷积核在方向上的宽度、为卷积核参数向量、为与卷积
核函数运算的局部向量矩阵,为卷积核的尺寸,表示所述温度时序输入向量,表
示对所述温度时序输入向量进行一维卷积编码。
在上述的退役动力电池的放电测试***中,所述特征融合模块,用于:
以如下级联公式来融合所述内阻时序特征向量和所述温度时序特征向量以得到所述分类特征向量;
其中,所述级联公式为:
其中,表示所述内阻时序特征向量,表示所述温度时序特征向量,表
示级联函数,表示所述分类特征向量。
在上述的退役动力电池的放电测试***中,还包括用于对所述包含第一卷积层和第二卷积层的时序特征提取器、所述包含一维卷积层和全连接层的序列编码器和所述分类器进行训练的训练模块。
在上述的退役动力电池的放电测试***中,所述训练模块,包括:
训练数据采集单元,用于获取退役动力电池在放电测试过程中的多个预定时间点的训练电压值、训练电流值和训练温度值,以及,所述退役动力电池归属于各个问题标签的概率值的真实值;
训练数据时序分布单元,用于将所述多个预定时间点的训练电压值、训练电流值和训练温度值分别按照时间维度排列为训练电压时序输入向量、训练电流时序输入向量和训练温度时序输入向量;
训练电压电流时序变化特征提取单元,用于将所述训练电压时序输入向量和所述训练电流时序输入向量分别通过所述包含第一卷积层和第二卷积层的时序特征提取器以得到训练电压时序特征向量和训练电流时序特征向量;
训练内阻时序变化单元,用于计算所述训练电压时序特征向量和所述训练电流时序特征向量之间的按位置点除以得到训练内阻时序特征向量;
训练温度时序变化特征提取单元,用于将所述训练温度时序输入向量通过所述包含一维卷积层和全连接层的序列编码器以得到训练温度时序特征向量;
训练特征融合单元,用于融合所述训练内阻时序特征向量和所述训练温度时序特征向量以得到训练分类特征向量;
分类损失单元,用于将所述训练分类特征向量通过所述分类器以得到分类损失函数值;
概率分布移位信息补偿单元,用于计算所述训练内阻时序特征向量和所述训练温度时序特征向量的概率分布移位信息补偿损失函数值;
模型训练单元,用于以所述分类损失函数值和所述概率分布移位信息补偿损失函数值的加权和作为损失函数值,并通过梯度下降的反向传播来对所述包含第一卷积层和第二卷积层的时序特征提取器、所述包含一维卷积层和全连接层的序列编码器和所述分类器进行训练。
在上述的退役动力电池的放电测试***中,所述分类损失单元,用于:
所述分类器以如下分类损失公式对所述训练分类特征向量进行处理以得到训练
分类结果,所述分类损失公式为:,其中,到为权重
矩阵,到为偏置向量,为所述训练分类特征向量;
计算所述训练分类结果所述真实值之间的交叉熵值作为所述分类损失函数值。
在上述的退役动力电池的放电测试***中,所述概率分布移位信息补偿单元,用于:
以如下优化公式计算所述训练内阻时序特征向量和所述训练温度时序特征向量的所述概率分布移位信息补偿损失函数值;
其中,所述优化公式为:
其中,是所述训练内阻时序特征向量,是所述训练温度时序特征向量,
表示函数,表示函数,表示以2为底的对数函数,和为移位
补偿超参数,且为加权超参数,表示所述概率分布移位信息补偿损失函数值。
根据本申请的另一个方面,提供了一种退役动力电池的放电测试方法,其包括:
获取退役动力电池在放电测试过程中的多个预定时间点的电压值、电流值和温度值;
将所述多个预定时间点的电压值、电流值和温度值分别按照时间维度排列为电压时序输入向量、电流时序输入向量和温度时序输入向量;
将所述电压时序输入向量和所述电流时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到电压时序特征向量和电流时序特征向量;
计算所述电压时序特征向量和所述电流时序特征向量之间的按位置点除以得到内阻时序特征向量;
将所述温度时序输入向量通过包含一维卷积层和全连接层的序列编码器以得到温度时序特征向量;
融合所述内阻时序特征向量和所述温度时序特征向量以得到分类特征向量;
将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示退役动力电池归属于各个问题标签的概率值。
与现有技术相比,本申请提供的退役动力电池的放电测试***及其方法,其首先将多个预定时间点的电压值、电流值和温度值分别排列为电压时序输入向量、电流时序输入向量和温度时序输入向量,接着,将所述电压时序输入向量和所述电流时序输入向量分别通过时序特征提取器以得到电压时序特征向量和电流时序特征向量并计算两个特征向量之间的按位置点除以得到内阻时序特征向量,然后,将所述温度时序输入向量通过序列编码器以得到温度时序特征向量,最后,将融合所述内阻时序特征向量和所述温度时序特征向量得到的分类特征向量通过分类器以得到用于表示退役动力电池归属于各个问题标签的概率值的分类结果。这样,可以提高放电测试的准确性和精度。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例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的一些实施例,对于本领域普通技术人员而言,在没有做出创造性劳动的前提下,还可以根据这些附图获得其他的附图。以下附图并未刻意按实际尺寸等比例缩放绘制,重点在于示出本申请的主旨。
图1为根据本申请实施例的退役动力电池的放电测试***的应用场景图。
图2为根据本申请实施例的退役动力电池的放电测试***的框图示意图。
图3为根据本申请实施例的退役动力电池的放电测试***中的所述电压电流时序变化特征提取模块的框图示意图。
图4为根据本申请实施例的退役动力电池的放电测试***中的所述温度时序变化特征提取模块的框图示意图。
图5为根据本申请实施例的退役动力电池的放电测试***中进一步包括的训练模块的框图示意图。
图6为根据本申请实施例的退役动力电池的放电测试方法的流程图。
图7为根据本申请实施例的退役动力电池的放电测试方法的***架构的示意图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述,显而易见地,所描述的实施例仅仅是本申请的部分实施例,而不是全部的实施例。基于本申请实施例,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,也属于本申请保护的范围。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的***中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的,并且所述***和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的***所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
如上所述,退役动力电池在使用的过程中,其老化和损坏问题也随之而来。因此,为了有效地管理和维护退役动力电池,需要进行放电测试来识别电池中存在的问题,以便采取相应的措施。因此,期望一种退役动力电池的放电测试***,以识别出退役动力电池中存在的问题,为后续的维护和管理提供重要参考。
相应地,考虑到在实际进行退役动力电池的放电测试过程中,退役动力电池在放电过程中的电压值、电流值和温度值可以反映电池的动态行为特性。具体来说,电压值和电流值可以反映电池的性能特征,如容量变化、内阻变化等;温度值可以反映电池的热特性,如高温会引起电池容量下降,严重时甚至会引起热失控。因此,在本申请的技术方案中,期望采用退役动力电池在放电测试过程中的电压值、电流值和温度值作为输入数据来进行分析,以此来刻画出电池的内阻状态特征和电池的热性能特征,从而再利用分类器来对退役动力电池中存在的问题进行分类检测。但是,由于退役动力电池在放电测试过程中的电压值、电流值和温度值在时间维度上都具有着各自的动态变化规律,并且所述电压值的时序变化特征和所述电流值的时序变化特征之间的关联特征反映了电池的内阻状态时序变化特征信息,而温度值的时序变化特征反映了电池的热性能时序变化特征信息。因此,在此过程中,难点在于如何挖掘出所述退役动力电池在放电测试过程中的电压值和电流值之间的时序变化关联特征信息与所述温度值的时序变化特征信息之间的关联性特征分布信息,以此来综合所述退役动力电池的内阻状态变化情况和热性能状态变化情况来准确地进行退役动力电池中存在问题的检测评估,以提高放电测试的准确性和精度,为后续的维护和管理提供重要参考。
近年来,深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述退役动力电池在放电测试过程中的电压值和电流值之间的时序变化关联特征信息与所述温度值的时序变化特征信息之间的关联性特征分布信息提供了新的解决思路和方案。
具体地,在本申请的技术方案中,首先,获取退役动力电池在放电测试过程中的多个预定时间点的电压值、电流值和温度值。接着,考虑到由于所述电压值、电流值和温度值都在时间维度上有着各自的动态变化规律性,因此,为了后续能够对于退役动力电池的内阻状态时序变化特征和热性能状态时序变化特征进行提取,需要建立所述电压值、所述电流值和所述温度值分别在时序上的关联关系。具体地,将所述多个预定时间点的电压值、电流值和温度值分别按照时间维度排列为电压时序输入向量、电流时序输入向量和温度时序输入向量,以此来分别整合所述电压值、所述电流值和所述温度值分别在时序上的数据分布信息。
然后,考虑到由于所述电压值和所述电流值之间的时序关联特征信息表示所述退役动力电池的内阻状态变化情况,并且所述电压值和所述电流值在不同的时间周期跨度下呈现出不同的变化模式特征信息。因此,为了能够进行所述电压值和所述电流值的时序动态变化特征的充分表达,在本申请的技术方案中,将所述电压时序输入向量和所述电流时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到电压时序特征向量和电流时序特征向量。特别地,这里,所述第一卷积层和第二卷积层使用不同尺度的一维卷积核来提取出不同特征感受野下的关于所述电压值和所述电流值分别在时间维度上的不同时间跨度下的时序动态多尺度关联特征信息。
接着,考虑到所述电压值的时序多尺度动态关联特征和所述电流值的时序多尺度动态关联特征之间的关联性特征分布信息表征所述退役动力电池的内阻状态时序变化情况,并且还考虑到由于电阻值为电压值与电流值的除法运算,因此,在本申请的技术方案中,为了能够进行所述退役动力电池的内阻状态时序变化特征的充分表达,进一步计算所述电压时序特征向量和所述电流时序特征向量之间的按位置点除,以此来提取出高维空间中关于电压时序多尺度动态变化特征和所述电流时序多尺度动态变化特征之间的关联特征分布信息,即所述退役动力电池的内阻状态时序多尺度动态变化特征,从而得到内阻时序特征向量。
进一步地,对于所述多个预定时间点的温度值来说,考虑到所述温度值在时间维度上也具有着动态性的变化规律,并且这种温度时序动态变化规律不仅存在于温度值的时序全局特征表示中,还存在于各个时间点的温度值数据中。因此,在本申请的技术方案中,进一步将所述温度时序输入向量通过包含一维卷积层和全连接层的序列编码器以得到温度时序特征向量。特别地,这里,所述时序编码器由交替设置的全连接层和一维卷积层组成,其通过一维卷积层进行一维卷积编码来提取出所述各个预定时间点的温度值数据在时序维度上的关联特征,以及通过全连接层进行全连接编码来提取所述各个预定时间点的温度值的高维隐含特征。
然后,融合所述内阻时序特征向量和所述温度时序特征向量,以此来融合所述退役动力电池在放电测试过程中的内阻状态时序多尺度动态关联特征信息与所述温度值的时序变化特征信息,从而得到分类特征向量,并将所述分类特征向量通过分类器中进行分类处理,以得到用于表示退役动力电池归属于各个问题标签的概率值的分类结果。也就是,在本申请的技术方案中,所述分类器的标签为所述退役动力电池归属于各个问题的标签,其中,所述分类器通过函数来确定所述分类特征向量属于哪个分类标签。这样,能够综合所述退役动力电池的内阻状态变化情况和热性能状态变化情况来准确地进行退役动力电池中存在问题的检测评估,以提高放电测试的准确性和精度,为后续的维护和管理提供重要参考。
特别地,在本申请的技术方案中,这里,在融合所述内阻时序特征向量和所述温度时序特征向量得到所述分类特征向量时,考虑到所述内阻时序特征向量是基于所述电压时序特征向量和所述电流时序特征向量之间的按位置点除得到的,而所述温度时序特征向量是温度值直接通过包含一维卷积层和全连接层的序列编码器得到的,其源数据上的时序分布差异会被时序特征提取器和序列编码器放大,从而存在相对于分类器的分类标签的概率分布的差异。这样,融合后的所述分类特征向量通过分类器时,所述内阻时序特征向量和所述温度时序特征向量各自的特征分布在模型的参数空间内后向传播时,会遇到由于概率分布的移位导致的各自的特征概率分布表达的退化问题,从而影响所述分类特征向量的特征表达效果。
基于此,本申请的申请人引入针对所述内阻时序特征向量和所述温度时序特征
向量的概率分布移位信息补偿损失函数,表示为:
其中,和为移位补偿超参数,且为加权超参数。
这里,基于Softmax函数从所述内阻时序特征向量和所述温度时序特征向量分别得到的分类概率值本身会对于各自的特征分布遵循概率分布,使用所述概率分布移位信息补偿损失函数来对所述内阻时序特征向量和所述温度时序特征向量的特征表示的概率分布的移位来进行信息补偿,并通过bool函数来使得补偿带来的交叉信息熵最大化,这样,可以使得融合后的所述分类特征向量能够最大程度地还原融合前的所述内阻时序特征向量和所述温度时序特征向量的特征概率分布表达信息,从而提升所述分类特征向量的特征表达效果,进而改进所述分类特征向量通过分类器得到的分类结果的准确性。这样,能够基于实际退役动力电池的内阻状态变化情况和热性能状态变化情况来准确地进行退役动力电池中存在问题的检测评估,以提高放电测试的准确性和精度,为后续的维护和管理提供重要参考。
图1为根据本申请实施例的退役动力电池的放电测试***的应用场景图。如图1所示,在该应用场景中,首先,获取退役动力电池(例如,图1中所示意的N)在放电测试过程中的多个预定时间点的电压值(例如,图1中所示意的D1)、电流值(例如,图1中所示意的D2)和温度值(例如,图1中所示意的D3),然后,将所述多个预定时间点的电压值、电流值和温度值输入至部署有退役动力电池的放电测试算法的服务器中(例如,图1中所示意的S),其中,所述服务器能够使用所述退役动力电池的放电测试算法对所述多个预定时间点的电压值、电流值和温度值进行处理以得到用于表示退役动力电池归属于各个问题标签的概率值的分类结果。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
图2为根据本申请实施例的退役动力电池的放电测试***的框图示意图。如图2所示,根据本申请实施例的退役动力电池的放电测试***100,包括:数据采集模块110,用于获取退役动力电池在放电测试过程中的多个预定时间点的电压值、电流值和温度值;数据时序分布模块120,用于将所述多个预定时间点的电压值、电流值和温度值分别按照时间维度排列为电压时序输入向量、电流时序输入向量和温度时序输入向量;电压电流时序变化特征提取模块130,用于将所述电压时序输入向量和所述电流时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到电压时序特征向量和电流时序特征向量;内阻时序变化模块140,用于计算所述电压时序特征向量和所述电流时序特征向量之间的按位置点除以得到内阻时序特征向量;温度时序变化特征提取模块150,用于将所述温度时序输入向量通过包含一维卷积层和全连接层的序列编码器以得到温度时序特征向量;特征融合模块160,用于融合所述内阻时序特征向量和所述温度时序特征向量以得到分类特征向量;问题分类模块170,用于将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示退役动力电池归属于各个问题标签的概率值。
更具体地,在本申请实施例中,所述数据采集模块110,用于获取退役动力电池在放电测试过程中的多个预定时间点的电压值、电流值和温度值。在实际进行退役动力电池的放电测试过程中,退役动力电池在放电过程中的电压值、电流值和温度值可以反映电池的动态行为特性。具体来说,电压值和电流值可以反映电池的性能特征,如容量变化、内阻变化等;温度值可以反映电池的热特性,如高温会引起电池容量下降,严重时甚至会引起热失控。因此,在本申请的技术方案中,采用退役动力电池在放电测试过程中的电压值、电流值和温度值作为输入数据来进行分析,以此来刻画出电池的内阻状态特征和电池的热性能特征,从而再利用分类器来对退役动力电池中存在的问题进行分类检测。
更具体地,在本申请实施例中,所述数据时序分布模块120,用于将所述多个预定时间点的电压值、电流值和温度值分别按照时间维度排列为电压时序输入向量、电流时序输入向量和温度时序输入向量。由于所述电压值、电流值和温度值都在时间维度上有着各自的动态变化规律性,因此,为了后续能够对于退役动力电池的内阻状态时序变化特征和热性能状态时序变化特征进行提取,需要建立所述电压值、所述电流值和所述温度值分别在时序上的关联关系。
更具体地,在本申请实施例中,所述电压电流时序变化特征提取模块130,用于将所述电压时序输入向量和所述电流时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到电压时序特征向量和电流时序特征向量。由于所述电压值和所述电流值之间的时序关联特征信息表示所述退役动力电池的内阻状态变化情况,并且所述电压值和所述电流值在不同的时间周期跨度下呈现出不同的变化模式特征信息。因此,为了能够进行所述电压值和所述电流值的时序动态变化特征的充分表达,在本申请的技术方案中,将所述电压时序输入向量和所述电流时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到电压时序特征向量和电流时序特征向量。特别地,这里,所述第一卷积层和第二卷积层使用不同尺度的一维卷积核来提取出不同特征感受野下的关于所述电压值和所述电流值分别在时间维度上的不同时间跨度下的时序动态多尺度关联特征信息。
应可以理解,卷积神经网络(Convolutional Neural Network,CNN)是一种人工神经网络,在图像识别等领域有着广泛的应用。卷积神经网络可以包括输入层、隐藏层和输出层,其中,隐藏层可以包括卷积层、池化(pooling)层、激活层和全连接层等,上一层根据输入的数据进行相应的运算,将运算结果输出给下一层,输入的初始数据经过多层的运算之后得到一个最终的结果。
相应地,在一个具体示例中,如图3所示,所述电压电流时序变化特征提取模块130,包括:第一尺度特征提取单元131,用于将所述电压时序输入向量和所述电流时序输入向量分别输入所述时序特征提取器的所述第一卷积层以得到第一尺度电压特征向量和第一尺度电流特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;第二尺度特征提取单元132,用于将所述电压时序输入向量和所述电流时序输入向量分别输入所述时序特征提取器的所述第二卷积层以得到第二尺度电压特征向量和第二尺度电流特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;级联单元133,用于使用所述时序特征提取器的级联层将所述第一尺度电压特征向量和所述第二尺度电压特征向量进行级联以得到所述电压时序特征向量,使用所述时序特征提取器的所述级联层将所述第一尺度电流特征向量和所述第二尺度电流特征向量进行级联以得到所述电流时序特征向量。
更具体地,在本申请实施例中,所述内阻时序变化模块140,用于计算所述电压时序特征向量和所述电流时序特征向量之间的按位置点除以得到内阻时序特征向量。考虑到所述电压值的时序多尺度动态关联特征和所述电流值的时序多尺度动态关联特征之间的关联性特征分布信息表征所述退役动力电池的内阻状态时序变化情况,并且还考虑到由于电阻值为电压值与电流值的除法运算,因此,在本申请的技术方案中,为了能够进行所述退役动力电池的内阻状态时序变化特征的充分表达,进一步计算所述电压时序特征向量和所述电流时序特征向量之间的按位置点除,以此来提取出高维空间中关于电压时序多尺度动态变化特征和所述电流时序多尺度动态变化特征之间的关联特征分布信息,即所述退役动力电池的内阻状态时序多尺度动态变化特征,从而得到内阻时序特征向量。
相应地,在一个具体示例中,所述内阻时序变化模块140,用于:以如下点除公式计
算所述电压时序特征向量和所述电流时序特征向量之间的按位置点除以得到所述内阻时
序特征向量;其中,所述点除公式为:
其中,表示所述电压时序特征向量,表示所述电流时序特征向量,表示所述
内阻时序特征向量,表示按位置点除。
更具体地,在本申请实施例中,所述温度时序变化特征提取模块150,用于将所述温度时序输入向量通过包含一维卷积层和全连接层的序列编码器以得到温度时序特征向量。对于所述多个预定时间点的温度值来说,考虑到所述温度值在时间维度上也具有着动态性的变化规律,并且这种温度时序动态变化规律不仅存在于温度值的时序全局特征表示中,还存在于各个时间点的温度值数据中。
特别地,这里,所述时序编码器由交替设置的全连接层和一维卷积层组成,其通过一维卷积层进行一维卷积编码来提取出所述各个预定时间点的温度值数据在时序维度上的关联特征,通过全连接层进行全连接编码来提取所述各个预定时间点的温度值的高维隐含特征。
相应地,在一个具体示例中,如图4所示,所述温度时序变化特征提取模块150,包
括:全连接编码单元151,用于使用所述序列编码器的全连接层以如下全连接编码公式对所
述温度时序输入向量进行全连接编码以提取出所述温度时序输入向量中各个位置的特征
值的高维隐含特征,其中,所述全连接编码公式为:,其中是所述温度时
序输入向量,是输出向量,是权重矩阵,是偏置向量,表示矩阵乘;一维卷积编码单
元152,用于使用所述序列编码器的一维卷积层以如下一维卷积编码公式对所述温度时序
输入向量进行一维卷积编码以提取出所述温度时序输入向量中各个位置的特征值间的高
维隐含关联特征,其中,所述一维卷积编码公式为:
其中,为卷积核在方向上的宽度、为卷积核参数向量、为与卷积
核函数运算的局部向量矩阵,为卷积核的尺寸,表示所述温度时序输入向量,表
示对所述温度时序输入向量进行一维卷积编码。
更具体地,在本申请实施例中,所述特征融合模块160,用于融合所述内阻时序特征向量和所述温度时序特征向量以得到分类特征向量。以此来融合所述退役动力电池在放电测试过程中的内阻状态时序多尺度动态关联特征信息与所述温度值的时序变化特征信息。
相应地,在一个具体示例中,所述特征融合模块160,用于:以如下级联公式来融合
所述内阻时序特征向量和所述温度时序特征向量以得到所述分类特征向量;其中,所述级
联公式为:
其中,表示所述内阻时序特征向量,表示所述温度时序特征向量,表
示级联函数,表示所述分类特征向量。
更具体地,在本申请实施例中,所述问题分类模块170,用于将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示退役动力电池归属于各个问题标签的概率值。以得到用于表示退役动力电池归属于各个问题标签的概率值的分类结果。也就是,在本申请的技术方案中,所述分类器的标签为所述退役动力电池归属于各个问题的标签,其中,所述分类器通过函数来确定所述分类特征向量属于哪个分类标签。这样,能够综合所述退役动力电池的内阻状态变化情况和热性能状态变化情况来准确地进行退役动力电池中存在问题的检测评估,以提高放电测试的准确性和精度,为后续的维护和管理提供重要参考。
应可以理解,分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器,然后对未知数据进行分类(或预测)。逻辑回归(logistics)、SVM等常用于解决二分类问题,对于多分类问题(multi-class classification),同样也可以用逻辑回归或SVM,只是需要多个二分类来组成多分类,但这样容易出错且效率不高,常用的多分类方法有Softmax分类函数。
相应地,在一个具体示例中,所述的退役动力电池的放电测试***,还包括用于对所述包含第一卷积层和第二卷积层的时序特征提取器、所述包含一维卷积层和全连接层的序列编码器和所述分类器进行训练的训练模块。如图5所示,所述训练模块200,包括:训练数据采集单元210,用于获取退役动力电池在放电测试过程中的多个预定时间点的训练电压值、训练电流值和训练温度值,以及,所述退役动力电池归属于各个问题标签的概率值的真实值;训练数据时序分布单元220,用于将所述多个预定时间点的训练电压值、训练电流值和训练温度值分别按照时间维度排列为训练电压时序输入向量、训练电流时序输入向量和训练温度时序输入向量;训练电压电流时序变化特征提取单元230,用于将所述训练电压时序输入向量和所述训练电流时序输入向量分别通过所述包含第一卷积层和第二卷积层的时序特征提取器以得到训练电压时序特征向量和训练电流时序特征向量;训练内阻时序变化单元240,用于计算所述训练电压时序特征向量和所述训练电流时序特征向量之间的按位置点除以得到训练内阻时序特征向量;训练温度时序变化特征提取单元250,用于将所述训练温度时序输入向量通过所述包含一维卷积层和全连接层的序列编码器以得到训练温度时序特征向量;训练特征融合单元260,用于融合所述训练内阻时序特征向量和所述训练温度时序特征向量以得到训练分类特征向量;分类损失单元270,用于将所述训练分类特征向量通过所述分类器以得到分类损失函数值;概率分布移位信息补偿单元280,用于计算所述训练内阻时序特征向量和所述训练温度时序特征向量的概率分布移位信息补偿损失函数值;模型训练单元290,用于以所述分类损失函数值和所述概率分布移位信息补偿损失函数值的加权和作为损失函数值,并通过梯度下降的反向传播来对所述包含第一卷积层和第二卷积层的时序特征提取器、所述包含一维卷积层和全连接层的序列编码器和所述分类器进行训练。
相应地,在一个具体示例中,所述分类损失单元270,用于:所述分类器以如下分类
损失公式对所述训练分类特征向量进行处理以得到训练分类结果,所述分类损失公式为:,其中,到为权重矩阵,到为偏置向量,为
所述训练分类特征向量;计算所述训练分类结果所述真实值之间的交叉熵值作为所述分类
损失函数值。
特别地,在本申请的技术方案中,这里,在融合所述训练内阻时序特征向量和所述训练温度时序特征向量得到所述训练分类特征向量时,考虑到所述训练内阻时序特征向量是基于所述训练电压时序特征向量和所述训练电流时序特征向量之间的按位置点除得到的,而所述训练温度时序特征向量是温度值直接通过包含一维卷积层和全连接层的序列编码器得到的,其源数据上的时序分布差异会被时序特征提取器和序列编码器放大,从而存在相对于分类器的分类标签的概率分布的差异。这样,融合后的所述训练分类特征向量通过分类器时,所述训练内阻时序特征向量和所述训练温度时序特征向量各自的特征分布在模型的参数空间内后向传播时,会遇到由于概率分布的移位导致的各自的特征概率分布表达的退化问题,从而影响所述训练分类特征向量的特征表达效果。基于此,本申请的申请人引入针对所述训练内阻时序特征向量和所述训练温度时序特征向量的概率分布移位信息补偿损失函数。
相应地,在一个具体示例中,所述概率分布移位信息补偿单元280,用于:以如下优化公式计算所述训练内阻时序特征向量和所述训练温度时序特征向量的所述概率分布移位信息补偿损失函数值;其中,所述优化公式为:
其中,是所述训练内阻时序特征向量,是所述训练温度时序特征向量,
表示函数,表示函数,表示以2为底的对数函数,和为移位
补偿超参数,且为加权超参数,表示所述概率分布移位信息补偿损失函数值。
这里,基于Softmax函数从所述训练内阻时序特征向量和所述训练温度时序特征向量分别得到的分类概率值本身会对于各自的特征分布遵循概率分布,使用所述概率分布移位信息补偿损失函数来对所述训练内阻时序特征向量和所述训练温度时序特征向量的特征表示的概率分布的移位来进行信息补偿,并通过bool函数来使得补偿带来的交叉信息熵最大化,这样,可以使得融合后的所述训练分类特征向量能够最大程度地还原融合前的所述训练内阻时序特征向量和所述训练温度时序特征向量的特征概率分布表达信息,从而提升所述训练分类特征向量的特征表达效果,进而改进所述训练分类特征向量通过分类器得到的训练分类结果的准确性。这样,能够基于实际退役动力电池的内阻状态变化情况和热性能状态变化情况来准确地进行退役动力电池中存在问题的检测评估,以提高放电测试的准确性和精度,为后续的维护和管理提供重要参考。
综上,基于本申请实施例的退役动力电池的放电测试***100被阐明,其首先将多个预定时间点的电压值、电流值和温度值分别排列为电压时序输入向量、电流时序输入向量和温度时序输入向量,接着,将所述电压时序输入向量和所述电流时序输入向量分别通过时序特征提取器以得到电压时序特征向量和电流时序特征向量并计算两个特征向量之间的按位置点除以得到内阻时序特征向量,然后,将所述温度时序输入向量通过序列编码器以得到温度时序特征向量,最后,将融合所述内阻时序特征向量和所述温度时序特征向量得到的分类特征向量通过分类器以得到用于表示退役动力电池归属于各个问题标签的概率值的分类结果。这样,可以提高放电测试的准确性和精度。
如上所述,根据本申请实施例的基于本申请实施例的退役动力电池的放电测试***100可以实现在各种终端设备中,例如具有基于本申请实施例的退役动力电池的放电测试算法的服务器等。在一个示例中,基于本申请实施例的退役动力电池的放电测试***100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该基于本申请实施例的退役动力电池的放电测试***100可以是该终端设备的操作***中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该基于本申请实施例的退役动力电池的放电测试***100同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该基于本申请实施例的退役动力电池的放电测试***100与该终端设备也可以是分立的设备,并且该退役动力电池的放电测试***100可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
图6为根据本申请实施例的退役动力电池的放电测试方法的流程图。如图6所示,根据本申请实施例的退役动力电池的放电测试方法,其包括:S110,获取退役动力电池在放电测试过程中的多个预定时间点的电压值、电流值和温度值;S120,将所述多个预定时间点的电压值、电流值和温度值分别按照时间维度排列为电压时序输入向量、电流时序输入向量和温度时序输入向量;S130,将所述电压时序输入向量和所述电流时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到电压时序特征向量和电流时序特征向量;S140,计算所述电压时序特征向量和所述电流时序特征向量之间的按位置点除以得到内阻时序特征向量;S150,将所述温度时序输入向量通过包含一维卷积层和全连接层的序列编码器以得到温度时序特征向量;S160,融合所述内阻时序特征向量和所述温度时序特征向量以得到分类特征向量;S170,将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示退役动力电池归属于各个问题标签的概率值。
图7为根据本申请实施例的退役动力电池的放电测试方法的***架构的示意图。如图7所示,在所述退役动力电池的放电测试方法的***架构中,首先,获取退役动力电池在放电测试过程中的多个预定时间点的电压值、电流值和温度值;接着,将所述多个预定时间点的电压值、电流值和温度值分别按照时间维度排列为电压时序输入向量、电流时序输入向量和温度时序输入向量;然后,将所述电压时序输入向量和所述电流时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到电压时序特征向量和电流时序特征向量;接着,计算所述电压时序特征向量和所述电流时序特征向量之间的按位置点除以得到内阻时序特征向量;然后,将所述温度时序输入向量通过包含一维卷积层和全连接层的序列编码器以得到温度时序特征向量;接着,融合所述内阻时序特征向量和所述温度时序特征向量以得到分类特征向量;最后,将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示退役动力电池归属于各个问题标签的概率值。
在一个具体示例中,在上述退役动力电池的放电测试方法中,将所述电压时序输入向量和所述电流时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到电压时序特征向量和电流时序特征向量,包括:将所述电压时序输入向量和所述电流时序输入向量分别输入所述时序特征提取器的所述第一卷积层以得到第一尺度电压特征向量和第一尺度电流特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;将所述电压时序输入向量和所述电流时序输入向量分别输入所述时序特征提取器的所述第二卷积层以得到第二尺度电压特征向量和第二尺度电流特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;使用所述时序特征提取器的级联层将所述第一尺度电压特征向量和所述第二尺度电压特征向量进行级联以得到所述电压时序特征向量,使用所述时序特征提取器的所述级联层将所述第一尺度电流特征向量和所述第二尺度电流特征向量进行级联以得到所述电流时序特征向量。
在一个具体示例中,在上述退役动力电池的放电测试方法中,计算所述电压时序
特征向量和所述电流时序特征向量之间的按位置点除以得到内阻时序特征向量,包括:以
如下点除公式计算所述电压时序特征向量和所述电流时序特征向量之间的按位置点除以
得到所述内阻时序特征向量;其中,所述点除公式为:
其中,表示所述电压时序特征向量,表示所述电流时序特征向量,表示所述
内阻时序特征向量,表示按位置点除。
在一个具体示例中,在上述退役动力电池的放电测试方法中,将所述温度时序输
入向量通过包含一维卷积层和全连接层的序列编码器以得到温度时序特征向量,包括:使
用所述序列编码器的全连接层以如下全连接编码公式对所述温度时序输入向量进行全连
接编码以提取出所述温度时序输入向量中各个位置的特征值的高维隐含特征,其中,所述
全连接编码公式为:,其中是所述温度时序输入向量,是输出向量,是
权重矩阵,是偏置向量,表示矩阵乘;使用所述序列编码器的一维卷积层以如下一维卷
积编码公式对所述温度时序输入向量进行一维卷积编码以提取出所述温度时序输入向量
中各个位置的特征值间的高维隐含关联特征,其中,所述一维卷积编码公式为:
其中,为卷积核在方向上的宽度、为卷积核参数向量、为与卷积
核函数运算的局部向量矩阵,为卷积核的尺寸,表示所述温度时序输入向量,表
示对所述温度时序输入向量进行一维卷积编码。
在一个具体示例中,在上述退役动力电池的放电测试方法中,融合所述内阻时序
特征向量和所述温度时序特征向量以得到分类特征向量,包括:以如下级联公式来融合所
述内阻时序特征向量和所述温度时序特征向量以得到所述分类特征向量;其中,所述级联
公式为:
其中,表示所述内阻时序特征向量,表示所述温度时序特征向量,表
示级联函数,表示所述分类特征向量。
在一个具体示例中,在上述退役动力电池的放电测试方法中,还包括用于对所述包含第一卷积层和第二卷积层的时序特征提取器、所述包含一维卷积层和全连接层的序列编码器和所述分类器进行训练的训练步骤。所述训练步骤,包括:获取退役动力电池在放电测试过程中的多个预定时间点的训练电压值、训练电流值和训练温度值,以及,所述退役动力电池归属于各个问题标签的概率值的真实值;将所述多个预定时间点的训练电压值、训练电流值和训练温度值分别按照时间维度排列为训练电压时序输入向量、训练电流时序输入向量和训练温度时序输入向量;将所述训练电压时序输入向量和所述训练电流时序输入向量分别通过所述包含第一卷积层和第二卷积层的时序特征提取器以得到训练电压时序特征向量和训练电流时序特征向量;计算所述训练电压时序特征向量和所述训练电流时序特征向量之间的按位置点除以得到训练内阻时序特征向量;将所述训练温度时序输入向量通过所述包含一维卷积层和全连接层的序列编码器以得到训练温度时序特征向量;融合所述训练内阻时序特征向量和所述训练温度时序特征向量以得到训练分类特征向量;将所述训练分类特征向量通过所述分类器以得到分类损失函数值;计算所述训练内阻时序特征向量和所述训练温度时序特征向量的概率分布移位信息补偿损失函数值;以所述分类损失函数值和所述概率分布移位信息补偿损失函数值的加权和作为损失函数值,并通过梯度下降的反向传播来对所述包含第一卷积层和第二卷积层的时序特征提取器、所述包含一维卷积层和全连接层的序列编码器和所述分类器进行训练。
在一个具体示例中,在上述退役动力电池的放电测试方法中,将所述训练分类特
征向量通过所述分类器以得到分类损失函数值,包括:所述分类器以如下分类损失公式对
所述训练分类特征向量进行处理以得到训练分类结果,所述分类损失公式为:,其中,到为权重矩阵,到为偏置向量,为
所述训练分类特征向量;计算所述训练分类结果所述真实值之间的交叉熵值作为所述分类
损失函数值。
在一个具体示例中,在上述退役动力电池的放电测试方法中,计算所述训练内阻时序特征向量和所述训练温度时序特征向量的概率分布移位信息补偿损失函数值,包括:以如下优化公式计算所述训练内阻时序特征向量和所述训练温度时序特征向量的所述概率分布移位信息补偿损失函数值;其中,所述优化公式为:
其中,是所述训练内阻时序特征向量,是所述训练温度时序特征向量,
表示函数,表示函数,表示以2为底的对数函数,和为移位
补偿超参数,且为加权超参数,表示所述概率分布移位信息补偿损失函数值。
这里,本领域技术人员可以理解,上述退役动力电池的放电测试方法中的各个步骤的具体操作已经在上面参考图1到图5的退役动力电池的放电测试***100的描述中得到了详细介绍,并因此,将省略其重复描述。
根据本申请的另一方面,还提供了一种非易失性的计算机可读存储介质,其上存储有计算机可读的指令,当利用计算机执行所述指令时可以执行如前所述的方法。
技术中的程序部分可以被认为是以可执行的代码和/或相关数据的形式而存在的“产品”或“制品”,通过计算机可读的介质所参与或实现的。有形的、永久的储存介质可以包括任何计算机、处理器、或类似设备或相关的模块所用到的内存或存储器。例如,各种半导体存储器、磁带驱动器、磁盘驱动器或者类似任何能够为软件提供存储功能的设备。
所有软件或其中的一部分有时可能会通过网络进行通信,如互联网或其他通信网络。此类通信可以将软件从一个计算机设备或处理器加载到另一个。例如:从视频目标检测设备的一个服务器或主机计算机加载至一个计算机环境的硬件平台,或其他实现***的计算机环境,或与提供目标检测所需要的信息相关的类似功能的***。因此,另一种能够传递软件元素的介质也可以被用作局部设备之间的物理连接,例如光波、电波、电磁波等,通过电缆、光缆或者空气等实现传播。用来载波的物理介质如电缆、无线连接或光缆等类似设备,也可以被认为是承载软件的介质。在这里的用法除非限制了有形的“储存”介质,其他表示计算机或机器“可读介质”的术语都表示在处理器执行任何指令的过程中参与的介质。
本申请使用了特定词语来描述本申请的实施例。如“第一/第二实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外,本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“***”。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
除非另有定义,这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解,诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义,而不应用理想化或极度形式化的意义来解释,除非这里明确地这样定义。
上面是对本发明的说明,而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例,但本领域技术人员将容易地理解,在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此,所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解,上面是对本发明的说明,而不应被认为是限于所公开的特定实施例,并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。
Claims (10)
1.一种退役动力电池的放电测试***,其特征在于,包括:
数据采集模块,用于获取退役动力电池在放电测试过程中的多个预定时间点的电压值、电流值和温度值;
数据时序分布模块,用于将所述多个预定时间点的电压值、电流值和温度值分别按照时间维度排列为电压时序输入向量、电流时序输入向量和温度时序输入向量;
电压电流时序变化特征提取模块,用于将所述电压时序输入向量和所述电流时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到电压时序特征向量和电流时序特征向量;
内阻时序变化模块,用于计算所述电压时序特征向量和所述电流时序特征向量之间的按位置点除以得到内阻时序特征向量;
温度时序变化特征提取模块,用于将所述温度时序输入向量通过包含一维卷积层和全连接层的序列编码器以得到温度时序特征向量;
特征融合模块,用于融合所述内阻时序特征向量和所述温度时序特征向量以得到分类特征向量;
问题分类模块,用于将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示退役动力电池归属于各个问题标签的概率值。
2.根据权利要求1所述的退役动力电池的放电测试***,其特征在于,所述电压电流时序变化特征提取模块,包括:
第一尺度特征提取单元,用于将所述电压时序输入向量和所述电流时序输入向量分别输入所述时序特征提取器的所述第一卷积层以得到第一尺度电压特征向量和第一尺度电流特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;
第二尺度特征提取单元,用于将所述电压时序输入向量和所述电流时序输入向量分别输入所述时序特征提取器的所述第二卷积层以得到第二尺度电压特征向量和第二尺度电流特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;
级联单元,用于使用所述时序特征提取器的级联层将所述第一尺度电压特征向量和所述第二尺度电压特征向量进行级联以得到所述电压时序特征向量,使用所述时序特征提取器的所述级联层将所述第一尺度电流特征向量和所述第二尺度电流特征向量进行级联以得到所述电流时序特征向量。
3.根据权利要求2所述的退役动力电池的放电测试***,其特征在于,所述内阻时序变化模块,用于:
以如下点除公式计算所述电压时序特征向量和所述电流时序特征向量之间的按位置点除以得到所述内阻时序特征向量;
其中,所述点除公式为:
其中,表示所述电压时序特征向量,/>表示所述电流时序特征向量,/>表示所述内阻时序特征向量,/>表示按位置点除。
4.根据权利要求3所述的退役动力电池的放电测试***,其特征在于,所述温度时序变化特征提取模块,包括:
全连接编码单元,用于使用所述序列编码器的全连接层以如下全连接编码公式对所述温度时序输入向量进行全连接编码以提取出所述温度时序输入向量中各个位置的特征值的高维隐含特征,其中,所述全连接编码公式为:,其中/>是所述温度时序输入向量,/>是输出向量,/>是权重矩阵,/>是偏置向量,/>表示矩阵乘;
一维卷积编码单元,用于使用所述序列编码器的一维卷积层以如下一维卷积编码公式对所述温度时序输入向量进行一维卷积编码以提取出所述温度时序输入向量中各个位置的特征值间的高维隐含关联特征,其中,所述一维卷积编码公式为:
其中,为卷积核在/>方向上的宽度、/>为卷积核参数向量、/>为与卷积核函数运算的局部向量矩阵,/>为卷积核的尺寸,/>表示所述温度时序输入向量,/>表示对所述温度时序输入向量进行一维卷积编码。
5.根据权利要求4所述的退役动力电池的放电测试***,其特征在于,所述特征融合模块,用于:
以如下级联公式来融合所述内阻时序特征向量和所述温度时序特征向量以得到所述分类特征向量;
其中,所述级联公式为:
其中,表示所述内阻时序特征向量,/>表示所述温度时序特征向量,/>表示级联函数,/>表示所述分类特征向量。
6.根据权利要求5所述的退役动力电池的放电测试***,其特征在于,还包括用于对所述包含第一卷积层和第二卷积层的时序特征提取器、所述包含一维卷积层和全连接层的序列编码器和所述分类器进行训练的训练模块。
7.根据权利要求6所述的退役动力电池的放电测试***,其特征在于,所述训练模块,包括:
训练数据采集单元,用于获取退役动力电池在放电测试过程中的多个预定时间点的训练电压值、训练电流值和训练温度值,以及,所述退役动力电池归属于各个问题标签的概率值的真实值;
训练数据时序分布单元,用于将所述多个预定时间点的训练电压值、训练电流值和训练温度值分别按照时间维度排列为训练电压时序输入向量、训练电流时序输入向量和训练温度时序输入向量;
训练电压电流时序变化特征提取单元,用于将所述训练电压时序输入向量和所述训练电流时序输入向量分别通过所述包含第一卷积层和第二卷积层的时序特征提取器以得到训练电压时序特征向量和训练电流时序特征向量;
训练内阻时序变化单元,用于计算所述训练电压时序特征向量和所述训练电流时序特征向量之间的按位置点除以得到训练内阻时序特征向量;
训练温度时序变化特征提取单元,用于将所述训练温度时序输入向量通过所述包含一维卷积层和全连接层的序列编码器以得到训练温度时序特征向量;
训练特征融合单元,用于融合所述训练内阻时序特征向量和所述训练温度时序特征向量以得到训练分类特征向量;
分类损失单元,用于将所述训练分类特征向量通过所述分类器以得到分类损失函数值;
概率分布移位信息补偿单元,用于计算所述训练内阻时序特征向量和所述训练温度时序特征向量的概率分布移位信息补偿损失函数值;
模型训练单元,用于以所述分类损失函数值和所述概率分布移位信息补偿损失函数值的加权和作为损失函数值,并通过梯度下降的反向传播来对所述包含第一卷积层和第二卷积层的时序特征提取器、所述包含一维卷积层和全连接层的序列编码器和所述分类器进行训练。
8.根据权利要求7所述的退役动力电池的放电测试***,其特征在于,所述分类损失单元,用于:
所述分类器以如下分类损失公式对所述训练分类特征向量进行处理以得到训练分类结果,所述分类损失公式为:,其中,/>到/>为权重矩阵,/>到/>为偏置向量,/>为所述训练分类特征向量;
计算所述训练分类结果所述真实值之间的交叉熵值作为所述分类损失函数值。
9.根据权利要求8所述的退役动力电池的放电测试***,其特征在于,所述概率分布移位信息补偿单元,用于:
以如下优化公式计算所述训练内阻时序特征向量和所述训练温度时序特征向量的所述概率分布移位信息补偿损失函数值;
其中,所述优化公式为:
其中,是所述训练内阻时序特征向量,/>是所述训练温度时序特征向量,/>表示函数,/>表示/>函数,/>表示以2为底的对数函数,/>和/>为移位补偿超参数,且/>为加权超参数,/>表示所述概率分布移位信息补偿损失函数值。
10.一种退役动力电池的放电测试方法,其特征在于,包括:
获取退役动力电池在放电测试过程中的多个预定时间点的电压值、电流值和温度值;
将所述多个预定时间点的电压值、电流值和温度值分别按照时间维度排列为电压时序输入向量、电流时序输入向量和温度时序输入向量;
将所述电压时序输入向量和所述电流时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到电压时序特征向量和电流时序特征向量;
计算所述电压时序特征向量和所述电流时序特征向量之间的按位置点除以得到内阻时序特征向量;
将所述温度时序输入向量通过包含一维卷积层和全连接层的序列编码器以得到温度时序特征向量;
融合所述内阻时序特征向量和所述温度时序特征向量以得到分类特征向量;
将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示退役动力电池归属于各个问题标签的概率值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310863617.5A CN116577677B (zh) | 2023-07-14 | 2023-07-14 | 退役动力电池的放电测试***及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310863617.5A CN116577677B (zh) | 2023-07-14 | 2023-07-14 | 退役动力电池的放电测试***及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116577677A true CN116577677A (zh) | 2023-08-11 |
CN116577677B CN116577677B (zh) | 2023-09-29 |
Family
ID=87544037
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310863617.5A Active CN116577677B (zh) | 2023-07-14 | 2023-07-14 | 退役动力电池的放电测试***及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116577677B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117148165A (zh) * | 2023-09-15 | 2023-12-01 | 东莞市言科新能源有限公司 | 聚合物锂离子电池的测试分析方法及其*** |
CN117166873A (zh) * | 2023-08-28 | 2023-12-05 | 广东福临门世家智能家居有限公司 | 用于移动门窗的智能控制方法及*** |
CN117222069A (zh) * | 2023-10-12 | 2023-12-12 | 深圳市诺文博科技有限公司 | 照明驱动电源的智能控制方法 |
CN117577270A (zh) * | 2024-01-15 | 2024-02-20 | 吉林大学 | 患者的智能化营养管理方法及*** |
CN117668762A (zh) * | 2024-01-31 | 2024-03-08 | 新疆三联工程建设有限责任公司 | 用于住宅地下渗漏的监测预警***及方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109856545A (zh) * | 2019-03-28 | 2019-06-07 | 哈尔滨学院 | 太阳能汽车的蓄电池组剩余容量检测方法及*** |
KR20200023672A (ko) * | 2018-08-14 | 2020-03-06 | 오토시맨틱스 주식회사 | 딥러닝을 이용한 전지 진단 방법 |
CN112379269A (zh) * | 2020-10-14 | 2021-02-19 | 武汉蔚来能源有限公司 | 电池异常检测模型训练及其检测方法、装置 |
US20210116511A1 (en) * | 2018-04-27 | 2021-04-22 | Semiconductor Energy Laboratory Co., Ltd. | Estimation method of state of charge of power storage device and estimation system of state of charge of power storage device |
CN113009349A (zh) * | 2021-04-09 | 2021-06-22 | 哈尔滨工业大学 | 一种基于深度学习模型的锂离子电池健康状态诊断方法 |
CN113671380A (zh) * | 2021-08-23 | 2021-11-19 | 哈尔滨工业大学(威海) | 一种基于深度学习的动力电池***多故障诊断方法 |
CN113866642A (zh) * | 2021-09-22 | 2021-12-31 | 中国华能集团清洁能源技术研究院有限公司 | 一种基于梯度提升树的锂离子电池故障诊断方法 |
-
2023
- 2023-07-14 CN CN202310863617.5A patent/CN116577677B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210116511A1 (en) * | 2018-04-27 | 2021-04-22 | Semiconductor Energy Laboratory Co., Ltd. | Estimation method of state of charge of power storage device and estimation system of state of charge of power storage device |
KR20200023672A (ko) * | 2018-08-14 | 2020-03-06 | 오토시맨틱스 주식회사 | 딥러닝을 이용한 전지 진단 방법 |
CN109856545A (zh) * | 2019-03-28 | 2019-06-07 | 哈尔滨学院 | 太阳能汽车的蓄电池组剩余容量检测方法及*** |
CN112379269A (zh) * | 2020-10-14 | 2021-02-19 | 武汉蔚来能源有限公司 | 电池异常检测模型训练及其检测方法、装置 |
CN113009349A (zh) * | 2021-04-09 | 2021-06-22 | 哈尔滨工业大学 | 一种基于深度学习模型的锂离子电池健康状态诊断方法 |
CN113671380A (zh) * | 2021-08-23 | 2021-11-19 | 哈尔滨工业大学(威海) | 一种基于深度学习的动力电池***多故障诊断方法 |
CN113866642A (zh) * | 2021-09-22 | 2021-12-31 | 中国华能集团清洁能源技术研究院有限公司 | 一种基于梯度提升树的锂离子电池故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
高静怡 等: "充放电多特征融合的锂电池寿命预测方法", 《重庆理工大学学报》, vol. 37, no. 2, pages 28 - 37 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117166873A (zh) * | 2023-08-28 | 2023-12-05 | 广东福临门世家智能家居有限公司 | 用于移动门窗的智能控制方法及*** |
CN117166873B (zh) * | 2023-08-28 | 2024-03-22 | 广东福临门世家智能家居有限公司 | 用于移动门窗的智能控制方法及*** |
CN117148165A (zh) * | 2023-09-15 | 2023-12-01 | 东莞市言科新能源有限公司 | 聚合物锂离子电池的测试分析方法及其*** |
CN117148165B (zh) * | 2023-09-15 | 2024-04-12 | 东莞市言科新能源有限公司 | 聚合物锂离子电池的测试分析方法及其*** |
CN117222069A (zh) * | 2023-10-12 | 2023-12-12 | 深圳市诺文博科技有限公司 | 照明驱动电源的智能控制方法 |
CN117222069B (zh) * | 2023-10-12 | 2024-04-30 | 深圳市诺文博科技有限公司 | 照明驱动电源的智能控制方法 |
CN117577270A (zh) * | 2024-01-15 | 2024-02-20 | 吉林大学 | 患者的智能化营养管理方法及*** |
CN117577270B (zh) * | 2024-01-15 | 2024-04-26 | 吉林大学 | 患者的智能化营养管理方法及*** |
CN117668762A (zh) * | 2024-01-31 | 2024-03-08 | 新疆三联工程建设有限责任公司 | 用于住宅地下渗漏的监测预警***及方法 |
CN117668762B (zh) * | 2024-01-31 | 2024-05-17 | 新疆三联工程建设有限责任公司 | 用于住宅地下渗漏的监测预警***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116577677B (zh) | 2023-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116577677B (zh) | 退役动力电池的放电测试***及其方法 | |
Zhu et al. | Bayesian transfer learning with active querying for intelligent cross-machine fault prognosis under limited data | |
US10387768B2 (en) | Enhanced restricted boltzmann machine with prognosibility regularization for prognostics and health assessment | |
CN116010713A (zh) | 基于云计算的创新创业平台服务数据处理方法及*** | |
CN116893336B (zh) | 高低压开关设备及其方法 | |
CN116824481B (zh) | 基于图像识别的变电站巡检方法及其*** | |
CN116086790B (zh) | 氢燃料电池高压阀的性能检测方法及其*** | |
CN117578715A (zh) | 一种电力运维智能监测预警方法、***及存储介质 | |
CN116992226A (zh) | 一种水泵电机故障检测方法、*** | |
CN116299051B (zh) | 一种过流短路检测电路及检测保护*** | |
Liao et al. | Remaining useful life with self-attention assisted physics-informed neural network | |
CN116596556A (zh) | 肉牛追溯管理***及方法 | |
CN116451139A (zh) | 一种基于人工智能的直播数据快速分析方法 | |
CN116482524A (zh) | 输配电开关状态检测方法及*** | |
CN116298880A (zh) | 微电机可靠性综合测试***及其方法 | |
CN117041017A (zh) | 数据中心的智能运维管理方法及*** | |
Kefalas et al. | Automated machine learning for remaining useful life estimation of aircraft engines | |
CN116463079A (zh) | 胶黏剂的智能化制备方法及其*** | |
CN116402777B (zh) | 基于机器视觉的电力设备检测方法及*** | |
CN116520154A (zh) | 锂电池极片检测的性能评估方法及其*** | |
Obeid et al. | Supervised learning for early and accurate battery terminal voltage collapse detection | |
Juesas et al. | Ascertainment-adjusted parameter estimation approach to improve robustness against misspecification of health monitoring methods | |
CN116415485A (zh) | 一种基于动态分布自适应的多源域迁移学习的剩余使用寿命预测方法 | |
CN113761795A (zh) | 一种飞机发动机故障检测方法和*** | |
CN114429166A (zh) | 数据的高维特征获取方法、装置、设备及计算机存储介质 |
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 |