CN116660757A - 电池电压预估方法、装置及存储介质 - Google Patents
电池电压预估方法、装置及存储介质 Download PDFInfo
- Publication number
- CN116660757A CN116660757A CN202310799998.5A CN202310799998A CN116660757A CN 116660757 A CN116660757 A CN 116660757A CN 202310799998 A CN202310799998 A CN 202310799998A CN 116660757 A CN116660757 A CN 116660757A
- Authority
- CN
- China
- Prior art keywords
- data
- voltage
- battery
- vehicle
- characteristic parameters
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000012360 testing method Methods 0.000 claims abstract description 95
- 238000012549 training Methods 0.000 claims abstract description 78
- 230000002159 abnormal effect Effects 0.000 claims abstract description 53
- 238000004140 cleaning Methods 0.000 claims abstract description 12
- 238000006073 displacement reaction Methods 0.000 claims description 39
- 238000005070 sampling Methods 0.000 claims description 28
- 238000003062 neural network model Methods 0.000 claims description 25
- 239000000523 sample Substances 0.000 claims description 21
- 210000004027 cell Anatomy 0.000 claims description 20
- 125000004122 cyclic group Chemical group 0.000 claims description 16
- 239000000178 monomer Substances 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 8
- 210000002569 neuron Anatomy 0.000 claims description 6
- 230000000306 recurrent effect Effects 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 230000000873 masking effect Effects 0.000 claims description 4
- 238000001556 precipitation Methods 0.000 claims description 4
- 230000006399 behavior Effects 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 2
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013524 data verification Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 208000032953 Device battery issue Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013480 data collection Methods 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
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013519 translation 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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
- G01R31/3835—Arrangements for monitoring battery or accumulator variables, e.g. SoC involving only 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
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明公开了一种电池电压预估方法、装置及存储介质,所述电池电压预估方法包括:根据多个车辆在预设时间内的历史数据构建训练数据集和测试数据集,其中,所述历史数据包括车辆行驶数据、电池数据和天气数据;对所述训练数据集和所述测试数据集进行数据清洗并确定多个特征参数,其中,所述特征参数包括训练特征参数;将所述训练特征参数输入至预构建的电压预测混合模型并输出电压预估值;当所述电压预估值在预设的异常电压范围内时输出预警信息。本发明所提供的技术方案能够解决现有技术中不能根据车辆的多种类型历史数据提前准确预估电池电压并输出电压异常报警的技术问题。
Description
技术领域
本发明涉及电池数据分析技术领域,尤其涉及一种电池电压预估方法、装置及存储介质。
背景技术
电池***是电动汽车不可或缺的组成部分,在很大程度上决定了电动汽车的驾驶性能、安全性、耐久性以及成本效益。近年来,汽车动力电池技术得到了飞速发展,为了满足所需的电压和容量,多个电池单元通常以串联/并联的方式连接。由于老化或者驾驶员的不正当操作,各种故障可能发生在每一个相同的电池单体上。未经查验的故障如果得不到及时的处置会对电池安全产生不利的影响,甚至会导致电池***的热失控。研究表明,电压异常可以导致各种电池故障,典型的电压异常包括过压、欠压、电池电压一致性差。因此,及时准确的预测车辆运行过程中电压异常,对预防电压故障导致的热失控发生以及保证电动汽车的安全行驶具有至关重要的意义。
现有的发明中提出了许多电压故障诊断方法,可分为基于阈值的方法、基于模型的方法以及基于数据驱动的方法。其中,基于阈值的方法用于诊断过压和欠压电池故障,但是不能预先预测电池故障的发生,并且在实际应用中很难确定合适的阈值;基于模型的方法可以较为准确描述异常电池状态的变化,但是依赖于电池状态估计的常规仿真,并且只能用于诊断特定的故障类型;基于数据驱动的方法,虽然应用人工智能技术对电池电压进行故障诊断,但仅考虑电池本身参数对电池状态的影响,没有考虑实际驾驶中驾驶者行为以及电动汽车行驶环境的变化对动力电池会产生极大的影响,使得模型在电动汽车在实际工况下的电压预测不够准确。
综上所述,现有技术中存在不能根据车辆的多种类型历史数据提前准确预估电池电压并输出电压异常报警的技术问题。
发明内容
本发明提供了一种电池电压预估方法、装置及存储介质,旨在有效解决现有技术中不能根据车辆的多种类型历史数据提前准确预估电池电压并输出电压异常报警的技术问题。
根据本发明的一方面,本发明提供一种电池电压预估方法,所述电池电压预估方法包括:
根据多个车辆在预设时间内的历史数据构建训练数据集和测试数据集,其中,所述历史数据包括车辆行驶数据、电池数据和天气数据;
对所述训练数据集和所述测试数据集进行数据清洗并确定多个特征参数,其中,所述特征参数包括训练特征参数;
将所述训练特征参数输入至预构建的电压预测混合模型并输出电压预估值;
当所述电压预估值在预设的异常电压范围内时输出预警信息。
进一步地,所述多个车辆至少包括第一正常车辆、第二正常车辆、第一异常车辆、第二异常车辆以及第一故障车辆、第二故障车辆,所述根据多个车辆在预设时间内的历史数据构建训练数据集和测试数据集包括:
由所述第一正常车辆、所述第一异常车辆和所述第一故障车辆的历史数据构建所述训练数据集;
由所述第二正常车辆、所述第二异常车辆、所述第二故障车辆的历史数据构建所述测试数据集;
基于最大最小值归一化方法对所述训练数据集和所述测试数据集进行归一化处理。
进一步地,所述车辆行驶数据包括制动踏板位移率、加速踏板位移率、电机转速、行车速度和累计行程的一种或多种,所述电池数据包括电池组总电压、多个电池单体电压、多个温度探针值、电池电量和电池电量的一种或多种,所述天气数据包括空气温度值、空气湿度值、气压值和降水量的一种或多种,所述对所述训练数据集和所述测试数据集进行数据清洗包括:
删除所述历史数据中具有空值的数据;
删除所述制动踏板位移率不在预设的第一位移区间的数据;
删除所述加速踏板位移率不在预设的第二位移区间的数据;
删除所述行车速度不在预设的车速区间的数据;
删除所述电池单体电压不在预设的电压区间的数据;
删除所述温度探针值不在预设的温度区间的数据;
删除所述电池电量不在预设的电量区间的数据。
进一步地,所述确定多个特征参数包括:
计算所述多个电池单体电压的单体电压均值、单体电压中位数、单体电压极差和单体电压标准差的一种或多种;
计算所述多个温度探针值的温度均值、温度中位数、温度极差和温度标准差的一种或多种;
确定所述多个特征参数为所述制动踏板位移率、所述加速踏板位移率、所述电机转速、所述行车速度、所述累计行程、所述电池组总电压、所述电池电量、所述电池电量的、所述空气温度值、所述空气湿度值、所述气压值、所述单体电压均值、所述单体电压中位数、所述单体电压极差、所述单体电压标准、所述温度均值、所述温度中位数、所述温度极差和温度标准差的一种或多种。
进一步地,所述电池电压预估方法还包括:
在所述构建训练数据集和测试数据集之前,根据第一采样频率对所述车辆行驶数据和所述电池数据进行采样;根据第二采样频率对所述天气数据进行采样,其中,所述第一采样频率大于所述第二采样频率;
在所述确定多个特征参数之后,基于拉格朗日差值方法对所述天气数据进行插值操作,以使所述天气数据的数量与所述车辆行驶数据的数量一致。
进一步地,所述方法还包括:
用循环神经网络模型替换Transformer模型中解码器模块的掩码多头注意力层,以构建所述电压预测混合模型。
进一步地,所述将所述训练特征参数输入至预构建的电压预测混合模型并输出电压预估值包括:
基于滑动窗口算法将所述训练特征参数构造为输入时间序列数据;
设置所述电压预测混合模型的训练超参数,其中,所述训练超参数包括所述输入时间序列数据的输入步长、输出时间序列数据的输出步长、最大迭代次数、多头注意力模型的多头数量、每批次数据量、随机舍弃数据概率值、初始学习率、调整系数以及所述循环神经网络模型的神经元数量;
将所述输入时间序列数据输入至所述电压预测混合模型,并输出所述电压预估值对应的输出时间序列数据;
根据所述历史数据中真实的电池组总电压和所述电压预估值计算损失函数。
进一步地,所述特征参数还包括测试特征参数,所述方法还包括:
获取所述测试数据集中所述第二正常车辆对应的第一测试特征参数;
将所述第一测试特征参数输入至所述电压预测混合模型并输出第一电压测试值;
根据所述历史数据中真实的电池组总电压和所述第一电压测试值计算所述电压预测混合模型的精度参数,所述精度参数包括平均绝对误差、均方根误差、平均相对误差和拟合优度的一种或多种;
获取所述测试数据集中所述第二异常车辆和所述第二故障车辆对应的第二测试特征参数;
将所述第二测试特征参数输入至所述电压预测混合模型并输出第二电压测试值,判断所述第二电压测试值是否在所述异常电压范围内,以及检测是否输出所述预警信息。
根据本发明的另一方面,本发明还提供了一种电池电压预估装置,所述装置包括:
数据获取模块,用于根据多个车辆在预设时间内的历史数据构建训练数据集和测试数据集,其中,所述历史数据包括车辆行驶数据、电池数据和天气数据;
数据处理模块,用于对所述训练数据集和所述测试数据集进行数据清洗并确定多个特征参数,其中,所述特征参数包括训练特征参数;
电压预估模块,用于将所述训练特征参数输入至预构建的电压预测混合模型并输出电压预估值;
电压预警模块,用于当所述电压预估值在预设的异常电压范围内时输出预警信息。
根据本发明的另一方面,本发明还提供了一种存储介质,所述存储介质中存储有多条指令,所述指令适于由处理器加载以执行如上所述的任一电池电压预估方法。
通过本发明中的上述实施例中的一个实施例或多个实施例,至少可以实现如下技术效果:
在本发明所公开的技术方案中,不仅考虑电池参数对电池包电压的影响,还结合驾驶者的驾驶行为数据以及车辆所处的环境数据,使得模型适用场景更加接近电动汽车实际适用场景,从而提高电压预测的准确性。在神经网络模型方面,将Transformer模型应用于汽车动力电池电压预测中,并且针对时间序列预测引入循环神经网络模型(RNN)网络对Transformer模型进行改进以形成电压预测混合模型,使得模型适用于时间序列预测,提高动力电池电压预测准确性。本方案能够预测汽车动力电池包在未来时间的电压变化趋势,并对电池电压进行异常等级和类型划分,提前识别汽车动力电池的故障风险,从而获得足够的紧急处理时间。
综上所述,本方案结合驾驶行为数据以及坏境数据,构建循环神经网络模型(RNN)-Transformer模型电压预测混合模型,提高电池包未来电压预测准确性,并且根据预测电压进行电池故障提前检测和预警,提高电动汽车日常使用的安全性。
附图说明
下面结合附图,通过对本发明的具体实施方式详细描述,将使本发明的技术方案及其它有益效果显而易见。
图1为本发明实施例提供的一种电池电压预估方法的步骤流程图;
图2为本发明实施例提供的一种电压预测混合模型的框架图;
图3为本发明实施例提供的一种时间序列数据的输入输出示意图;
图4为本发明实施例提供的一种电池电压预估装置的结构示意图。
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,本领域技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,本文中术语“和/或”,仅仅是一种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。另外,本文中字符“/”,在不做特别说明的情况下,一般表示前后关联对象是一种“或”的关系。
图1所示为本发明实施例所提供的电池电压预估方法的步骤流程图,根据本发明的一方面,本发明提供一种电池电压预估方法,所述电池电压预估方法包括:
步骤101:根据多个车辆在预设时间内的历史数据构建训练数据集和测试数据集,其中,所述历史数据包括车辆行驶数据、电池数据和天气数据;
步骤102:对所述训练数据集和所述测试数据集进行数据清洗并确定多个特征参数,其中,所述特征参数包括训练特征参数;
步骤103:将所述训练特征参数输入至预构建的电压预测混合模型并输出电压预估值;
步骤104:当所述电压预估值在预设的异常电压范围内时输出预警信息。
现有电动汽车电池不能提前诊断故障,以及电压预测研究较少结合驾驶行为和驾驶环境,使得电压预测精度较低的问题。针对该问题,本发明将Transformer模型迁移到电压预测中,并且结合自然驾驶采集到的实际历史行驶数据以及环境参数,基于车辆多类数据与电池的相关性评估电池电压。同时,为了使模型适用于时间序列数据的预测,在Transformer模型中引入循环神经网络模型(RNN)的网路层构建电压预测混合模型,提高预测未来的电池电压的准确性,并根据电压异常等级和类型划分出相应的电池故障等级和类型。
以下对上述步骤101~104进行具体描述。
在步骤101中,根据多个车辆在预设时间内的历史数据构建训练数据集和测试数据集,其中,所述历史数据包括车辆行驶数据、电池数据和天气数据;
示例性地,训练数据集为用于训练神经网络模型的数据,测试数据集为用于测试神经网络模型的数据。获取多个车辆的历史数据,例如,至少获取过去2年内3种车辆的历史数据,具体来说,3种车辆为数据正常车辆、数据异常但是未出现故障的车辆,以及曾经出现过故障的车辆。
为了提高预估精度,本方案结合自然驾驶采集到的实际历史驾驶数据,例如分析车速、加速踏板位移、制动踏板位移等车辆行驶数据,以及探究环境天气数据和动力电池的相关性。
在步骤102中,对所述训练数据集和所述测试数据集进行数据清洗并确定多个特征参数,其中,所述特征参数包括训练特征参数;
示例性地,为了提高预估精度,需要对历史数据进行数据清洗,删除异常数据,并在数据清洗后,整理出训练特征参数和测试特征参数。特征参数为数据预处理后直接输入神经网络模型的数据,可以优化和训练数据,其中,两类特征参数的类型相同,例如包括行车速度、累计行程、空气温度值、电池电量等。在实际应用中,特征参数可以根据实际需求确定,本发明对此不做限定。
在步骤103中,将所述训练特征参数输入至预构建的电压预测混合模型并输出电压预估值;
示例性地,提前构建神经网络模型,本方法不使用单一的数据处理模型,而是结合了Transformer模型和循环神经网络模型。其中,Transformer模型为主要的神经网络模型,但是常规的Transformer模型中的多头注意力机制(Multi-Head Attention)并不适用于处理时间序列数据,本申请中的数据基于时间排序,因此,选用适用于处理时间序列的循环神经网络模型(RNN)代替Transformer模型中的掩码多头注意力机制(Mask Muti-HeadAttention),使得该模型在时间序列数据预测中获得更佳的准确度。
在步骤104中,当所述电压预估值在预设的异常电压范围内时输出预警信息。
示例性地,本方案旨在根据历史数据预估未来的电池组总电压,例如,根据过去2.5小时的数据预估出未来1小时电池组总电压。提前判断车辆故障,当电压预估值在预设的异常电压范围内时,则输出预警信息,其中,可以将异常电压范围分为多个区间,对应地,将预警信息分为多级预警。
进一步地,所述多个车辆至少包括第一正常车辆、第二正常车辆、第一异常车辆、第二异常车辆以及第一故障车辆、第二故障车辆,所述根据多个车辆在预设时间内的历史数据构建训练数据集和测试数据集包括:
由所述第一正常车辆、所述第一异常车辆和所述第一故障车辆的历史数据构建所述训练数据集;
由所述第二正常车辆、所述第二异常车辆、所述第二故障车辆的历史数据构建所述测试数据集;
基于最大最小值归一化方法对所述训练数据集和所述测试数据集进行归一化处理。
示例性地,为了提高模型的优化效果,至少包括3种车辆,即数据正常车辆、数据异常但是未出现故障的车辆,以及曾经出现过故障的车辆。每一种车辆至少2辆。
举例来说,在云平台中采集6台规格相同的电动汽车的实际运行数据,数据采集时间粒度为30s,并且每台车都收集过去两年的数据。根据云平台对电池组的维护记录,将这些车分为三类:
第一类,正常车辆,例如,第一正常车辆(1号车)、第二正常车辆(2号车)为正常车辆,即在云平台中历史无任何异常预警;
第二类,异常车辆,例如,第一异常车辆(3号车)、第二异常车辆(4号车)为存在潜在故障车辆,这两台车在云平台中存在内阻过大的异常预警,但还没有发生热失控;
第三类,故障车辆,例如,第一故障车辆(5号车)、第二故障车辆(6号车)为发生过故障的车辆,5、6号车为已经发生热失控的车辆。
其中,可以将1、3、5号车中一年的数据作为模型的训练数据,第二年的数据以及2、4、6号车的数据作为模型的测试数据。
为了使数据更具有分辨度以及规范化,对数据进行归一化处理。将构成的训练数据和测试数据根据最大-最小归一化公式进行归一化计算,公式如下:
其中,xim表示特征序列归一化后的序列,表示原始特征序列,/>表示样本中该特征序列的最小值,/>表示样本中该特征序列的最大值,m表示特征数量,将公式中的/>保存为固定格式的文件,例如pkl文件,便于后续用于反归一化处理。
进一步地,所述车辆行驶数据包括制动踏板位移率、加速踏板位移率、电机转速、行车速度和累计行程的一种或多种,所述电池数据包括电池组总电压、多个电池单体电压、多个温度探针值、电池电量和电池电量的一种或多种,所述天气数据包括空气温度值、空气湿度值、气压值和降水量的一种或多种,所述对所述训练数据集和所述测试数据集进行数据清洗包括:
删除所述历史数据中具有空值的数据;
删除所述制动踏板位移率不在预设的第一位移区间的数据;
删除所述加速踏板位移率不在预设的第二位移区间的数据;
删除所述行车速度不在预设的车速区间的数据;
删除所述电池单体电压不在预设的电压区间的数据;
删除所述温度探针值不在预设的温度区间的数据;
删除所述电池电量不在预设的电量区间的数据。
示例性地,历史数据中收集到的数据包含的字段信息有多种,例如电池单体电压、电池组总电压、温度探针值、制动踏板位移率、加速踏板位移率、电机转速、车速、电流、SOC、车辆累计行驶里程等。其中,电池单体电压和温度探针值同时有多个,因为有个电池包里有多个电芯,每个电芯对应一个电池单体电压;电池内部有多处安装了多个温度探针,不同位置处的电池温度不同。由于气象因素会影响电池电压,因此需要收集天气数据参与模型的训练和测试。
数据清洗是数据分析过程中不可或缺的一步,能够识别数据中错误、不准确或不完整的部分,以确保数据的质量和可靠性。
首先剔除数据中存在的空值;其次删除每一个字段不符合该字段正常范围的数据。举例来说,SOC控制在0%-100%内,温度探针值控制在-40-210℃,电池单体电压小于5000mv,电池组总电压小于480v,车速在0-200km/h,加速/制动踏板位移率在0%-100%。
进一步地,所述确定多个特征参数包括:
计算所述多个电池单体电压的单体电压均值、单体电压中位数、单体电压极差和单体电压标准差的一种或多种;
计算所述多个温度探针值的温度均值、温度中位数、温度极差和温度标准差的一种或多种;
确定所述多个特征参数为所述制动踏板位移率、所述加速踏板位移率、所述电机转速、所述行车速度、所述累计行程、所述电池组总电压、所述电池电量、所述电池电量的、所述空气温度值、所述空气湿度值、所述气压值、所述单体电压均值、所述单体电压中位数、所述单体电压极差、所述单体电压标准、所述温度均值、所述温度中位数、所述温度极差和温度标准差的一种或多种。
示例性地,由于电池单体电压和温度探针值同时有多个,因此需要对这两组数据单独进行数据处理,将一组数据整理为具有代表性的输入值。具体来说,可以计算每一帧数据中电池单体电压与探针温度的均值、中位数、标准差以及极差生成表征电池单体电压与电池包温度的8个特征参数。
最终结合其它数据得到多个特征参数,本申请中列举了上述20个特征参数,在具体应用中,可以根据实际需求确定,本发明对此不做限定。
进一步地,所述电池电压预估方法还包括:
在所述构建训练数据集和测试数据集之前,根据第一采样频率对所述车辆行驶数据和所述电池数据进行采样;根据第二采样频率对所述天气数据进行采样,其中,所述第一采样频率大于所述第二采样频率;
在所述确定多个特征参数之后,基于拉格朗日差值方法对所述天气数据进行插值操作,以使所述天气数据的数量与所述车辆行驶数据的数量一致。
示例性地,由于车辆数据变化较快,采样间距可以为20s或30s。但是天气数据一般变化较小,因此采样间隔可以为0.5小时或1小时。因此,数据的样本数不同,神经网络模型的训练需要保持数据的一致性,每组数据具有相同数量特征参数。本发明采用拉格朗日插值方法对天气参数进行插值,使两者的采样时间保持一致,根据时间校准将天气参数与车辆数据进行合并。
其中,拉格朗日插值方法是一种多项式插值方法,可以根据给定的函数来找到一组恰好在各个观测点取到值的多项式。
进一步地,所述方法还包括:
用循环神经网络模型替换Transformer模型中解码器模块的掩码多头注意力层,以构建所述电压预测混合模型。
示例性地,为了更合理处理基于时间序列的输入数据,本方案基于Transformer模型和循环神经网络模型构建所述电压预测混合模型,图2为本发明实施例提供的一种电压预测混合模型的框架图,如图2所示,传统的Transformer模型结构包含输入层(inputEmbedding)、位置编码层(Positional Encoding)、Encoder模块、解码器(Decoder)模块。
其中Encoder一共有6层网络,每一层都由两个子层构成:多头注意力机制(Multi-Head Attention)和Feed Forward层,并且每个子层都添加了一个Add&Norm层。Decoder也有6层,每层包含三个子层:Masked Multi-Head Attention层、Multi-Head Attention、Feed Forward层,每个子层也添加了Add&Norm层。
传统的Transformer模型结构包含输入层(input Embedding)、位置编码层(Positional Encoding)、Encoder模块、解码器(Decoder)模块。
其中Encoder一共有6层网络,每一层都由两个子层构成:多头注意力机制(Multi-Head Attention)和Feed Forward层,并且每个子层都添加了一个Add&Norm层。Decoder也有6层,每层包含三个子层:Masked Multi-Head Attention层、Multi-Head Attention、Feed Forward层,每个子层也添加了Add&Norm层。对于Self-Attention,当矩阵X作为输入时,将X通过线性变换得到矩阵。
本方案主要针对传统的Transformer模型中的Decoder进行修改,由于基于滑窗数据之间的映射不同于机器翻译任务,无法用到Masked Multi-Head Attention,同时考虑到循环神经网络模型(RNN)网络能够捕捉时间序列的特征,在Encoder的输出本质也是一个序列,因此在Decoder层中将Masked Multi-Head Attention修改为循环神经网络模型(RNN)层,构造一个新的混合预测模型,模型结构如图2所示,其中Nx模块在完整模型结构中具有多个,图2中仅列举了一个。
由于循环神经网络模型(RNN)结构能够很好的利用序列之间的关系,在处理长时间序列数据方面取得了很大的成功,因此将循环神经网络模型(RNN)网络层嵌入Transformer模型结构中,使得该模型在时间序列数据预测中获得更佳的准确度。
进一步地,所述将所述训练特征参数输入至预构建的电压预测混合模型并输出电压预估值包括:
基于滑动窗口算法将所述训练特征参数构造为输入时间序列数据;
设置所述电压预测混合模型的训练超参数,其中,所述训练超参数包括所述输入时间序列数据的输入步长、输出时间序列数据的输出步长、最大迭代次数、多头注意力模型的多头数量、每批次数据量、随机舍弃数据概率值、初始学习率、调整系数以及所述循环神经网络模型的神经元数量;
将所述输入时间序列数据输入至所述电压预测混合模型,并输出所述电压预估值对应的输出时间序列数据;
根据所述历史数据中真实的电池组总电压和所述电压预估值计算损失函数。
示例性地,本步骤通过电压预测混合模型得到电压预估值。
一方面,基于滑动窗口算法将所述训练特征参数构造为输入时间序列数据。即采用滑动窗口的方式将原始数据构造成时间序列数据。本发明即可以提供固定的滑动窗口,也可以根据需要自定义滑动窗口大小决定用于预测未来电压大小的历史数据的时间跨度,同时可以根据需要自定义调整预测数据的时间步长,即模型输出的时间跨度。
图3为本发明实施例提供的一种时间序列数据的输入输出示意图,假设默认滑动窗口大小为IW,预测步长为OW,则根据原始数据构造的模型的输入数据集为X={Xt-IW,Xt-IW+1,...,Xt},模型输出数据集为Y={yt+1,yt+2,...,yt+OW}。其中,Xt-Iw=(xt-IW,1,xt-IW,2,...,xt-IW,m),其中IW表示每一个数据样本所包含历史数据的时间步长,m表示数据特征格式。具体来说,假设选取输入步长IW=240,输出步长OW=120,若采用时间为30s,则是使用过去2h的历史数据预测未来1小时的电池包电压。假设开始时间为某日的9点,Xt-IW表示9点时采集的特征参数集合,Xt-IW+1则表示9点30s时的特征参数集合,Xt-IW+2则表示9点1分时的特征参数集合,Xt则表示11点整的特征参数集合。
Xt-IW=(xt-IW,1,xt-IW,2,...,xt-IW,m),假设特征参数有20个,则m为20,例如,xt-IW,1表示所述制动踏板位移率,xt-IW,2表示所述加速踏板位移率,xt-IW,m表示温度标准差等等,一共有20个特征参数。
模型输出数据集为Y={yt+1,yt+2,...,yt+OW},其中yt+1表示t+1时刻的电池组电压大小。假设选取输入步长IW=240,输出步长OW=120,若采用时间为30s,则是使用过去2h的历史数据预测未来1小时的电池包电压。假设开始时间为某日的9点,其中yt+1表示t+1时刻的电池组电压大小,即11点的电压预估值。
另一方面,设置所述电压预测混合模型的训练超参数,其中,所述训练超参数包括所述输入时间序列数据的输入步长、输出时间序列数据的输出步长、最大迭代次数、多头注意力模型的多头数量、每批次数据量、随机舍弃数据概率值、初始学习率、调整系数以及所述循环神经网络模型的神经元数量。
设置模型训练超参数,举例来说,选取输入时间序列数据的输入步长IW=300,输出时间序列数据的输入步长OW=120,即使用过去2.5h的历史数据预测未来1小时的电池包电压。
在电压预测混合模型结构中,举例来说,设置多头注意力模型的多头数量nhead=10,即Encoder模块中使用10头注意力层;设置最大迭代次数epochs=300,每批次数据量batch_size=64;设置随机舍弃数据概率值dropout为0.2,可以防止过拟合;初始学习率lr=0.001,调整系数gamma=0.95;模型中的循环神经网络模型(RNN)设置神经元个数为128;
将所述输入时间序列数据输入至所述电压预测混合模型,并输出所述电压预估值对应的输出时间序列数据;
根据所述历史数据中真实的电池组总电压和所述电压预估值计算损失函数。
最后全连接层激活函数设置为函数,设置“Adam”为模型优化器,设置损失函数为MSE,公式如下:
其中,n为样本数,为电压预估值,y为所述历史数据中真实的电池组总电压。
进一步地,所述特征参数还包括测试特征参数,所述方法还包括:
获取所述测试数据集中所述第二正常车辆对应的第一测试特征参数;
将所述第一测试特征参数输入至所述电压预测混合模型并输出第一电压测试值;
根据所述历史数据中真实的电池组总电压和所述第一电压测试值计算所述电压预测混合模型的精度参数,所述精度参数包括平均绝对误差、均方根误差、平均相对误差和拟合优度的一种或多种;
获取所述测试数据集中所述第二异常车辆和所述第二故障车辆对应的第二测试特征参数;
将所述第二测试特征参数输入至所述电压预测混合模型并输出第二电压测试值,判断所述第二电压测试值是否在所述异常电压范围内,以及检测是否输出所述预警信息。
示例性地,基于所述测试特征参数测试所述电压预测混合模型的评估精度,具体有两个种验证方式,一种是基于正常车辆的数据验证模型的准确性,另外一种,基于异常车辆和故障车辆的数据验证模型是否能提前检测出故障并发出报警信息。
将构造好的训练数据喂入电压预测混合模型进行训练,将训练好的模型保存为模型文件。使用第二正常车辆(2号车)对应的第一测试特征参数的验证模型预测的准确性。
评价标准采用多个精度参数来评价模型的准确度,具体包括平均绝对误差(MAE)、均方根误差(RMSE)、平均相对误差(MAPE)和拟合优度(R2)四个指标。
设yi为i时刻真实的电池组总电压,为i时刻的电压测试值,/>为真实的电池组总电压对应的时间序列的均值,m表示时间序列长度。
四个指标的计算公式分别如下:
根据如下公式计算平均绝对误差(MAE):
根据如下公式计算均方根误差(RMSE):
根据如下公式计算平均相对误差(MAPE):
根据如下公式计算拟合优度(R2):
然后进行电压异常检测,根据云端平台历史运维经验,表1给出了电压异常预警等级以及预警阈值,其中,Upack表示电压测试值,电压异常根据阈值设定三级预警。
表1电压异常预警阈值与预警等级(表中n表示电池单体个数)
获取所述测试数据集中所述第二异常车辆和所述第二故障车辆对应的第二测试特征参数;将所述第二测试特征参数输入至所述电压预测混合模型并输出第二电压测试值,判断所述第二电压测试值是否在所述异常电压范围内,以及检测是否输出所述预警信息。
示例性地,训练的模型与表1确定的阈值,使用测试集中第二异常车辆(4号车)和第二故障车辆(5号车)的数据经过归一化后输入模型进行预测,预测后的数据进行反归一化后形成电压预测数据(第二电压测试值),将预测数据经过按照精度参数计算公式进行计算并评价,同时对比表1中的阈值完成预警检测过程,实现车载电池包故障的提前预警。
通过本发明中的上述实施例中的一个实施例或多个实施例,至少可以实现如下技术效果:
在本发明所公开的技术方案中,不仅考虑电池参数对电池包电压的影响,还结合驾驶者的驾驶行为数据以及车辆所处的环境数据,使得模型适用场景更加接近电动汽车实际适用场景,从而提高电压预测的准确性。在神经网络模型方面,将Transformer模型应用于汽车动力电池电压预测中,并且针对时间序列预测引入循环神经网络模型(RNN)网络对Transformer模型进行改进以形成电压预测混合模型,使得模型适用于时间序列预测,提高动力电池电压预测准确性。本方案能够预测汽车动力电池包在未来时间的电压变化趋势,并对电池电压进行异常等级和类型划分,提前识别汽车动力电池的故障风险,从而获得足够的紧急处理时间。
综上所述,本方案结合驾驶行为数据以及坏境数据,构建循环神经网络模型(RNN)-Transformer模型电压预测混合模型,提高电池包未来电压预测准确性,并且根据预测电压进行电池故障提前检测和预警,提高电动汽车日常使用的安全性。
基于与本发明实施例的一种电池电压预估方法同样的发明构思,本发明实施例提供了一种电池电压预估装置,请参考图4,所述装置包括:
数据获取模块201,用于根据多个车辆在预设时间内的历史数据构建训练数据集和测试数据集,其中,所述历史数据包括车辆行驶数据、电池数据和天气数据;
数据处理模块202,用于对所述训练数据集和所述测试数据集进行数据清洗并确定多个特征参数,其中,所述特征参数包括训练特征参数;
电压预估模块203,用于将所述训练特征参数输入至预构建的电压预测混合模型并输出电压预估值;
电压预警模块204,用于当所述电压预估值在预设的异常电压范围内时输出预警信息。
进一步地,所述多个车辆至少包括第一正常车辆、第二正常车辆、第一异常车辆、第二异常车辆以及第一故障车辆、第二故障车辆,所述数据获取模块201还用于:
由所述第一正常车辆、所述第一异常车辆和所述第一故障车辆的历史数据构建所述训练数据集;
由所述第二正常车辆、所述第二异常车辆、所述第二故障车辆的历史数据构建所述测试数据集;
基于最大最小值归一化方法对所述训练数据集和所述测试数据集进行归一化处理。
进一步地,所述车辆行驶数据包括制动踏板位移率、加速踏板位移率、电机转速、行车速度和累计行程的一种或多种,所述电池数据包括电池组总电压、多个电池单体电压、多个温度探针值、电池电量和电池电量的一种或多种,所述天气数据包括空气温度值、空气湿度值、气压值和降水量的一种或多种,所述数据处理模块202还用于:
删除所述历史数据中具有空值的数据;
删除所述制动踏板位移率不在预设的第一位移区间的数据;
删除所述加速踏板位移率不在预设的第二位移区间的数据;
删除所述行车速度不在预设的车速区间的数据;
删除所述电池单体电压不在预设的电压区间的数据;
删除所述温度探针值不在预设的温度区间的数据;
删除所述电池电量不在预设的电量区间的数据。
进一步地,所述数据处理模块202还用于:
计算所述多个电池单体电压的单体电压均值、单体电压中位数、单体电压极差和单体电压标准差的一种或多种;
计算所述多个温度探针值的温度均值、温度中位数、温度极差和温度标准差的一种或多种;
确定所述多个特征参数为所述制动踏板位移率、所述加速踏板位移率、所述电机转速、所述行车速度、所述累计行程、所述电池组总电压、所述电池电量、所述电池电量的、所述空气温度值、所述空气湿度值、所述气压值、所述单体电压均值、所述单体电压中位数、所述单体电压极差、所述单体电压标准、所述温度均值、所述温度中位数、所述温度极差和温度标准差的一种或多种。
进一步地,所述装置还用于:
在所述构建训练数据集和测试数据集之前,根据第一采样频率对所述车辆行驶数据和所述电池数据进行采样;根据第二采样频率对所述天气数据进行采样,其中,所述第一采样频率大于所述第二采样频率;
在所述确定多个特征参数之后,基于拉格朗日差值方法对所述天气数据进行插值操作,以使所述天气数据的数量与所述车辆行驶数据的数量一致。
进一步地,所述电压预估模块203还用于:
用循环神经网络模型替换Transformer模型中解码器模块的掩码多头注意力层,以构建所述电压预测混合模型。
进一步地,所述电压预估模块203还用于:
基于滑动窗口算法将所述训练特征参数构造为输入时间序列数据;
设置所述电压预测混合模型的训练超参数,其中,所述训练超参数包括所述输入时间序列数据的输入步长、输出时间序列数据的输出步长、最大迭代次数、多头注意力模型的多头数量、每批次数据量、随机舍弃数据概率值、初始学习率、调整系数以及所述循环神经网络模型的神经元数量;
将所述输入时间序列数据输入至所述电压预测混合模型,并输出所述电压预估值对应的输出时间序列数据;
根据所述历史数据中真实的电池组总电压和所述电压预估值计算损失函数。
进一步地,所述特征参数还包括测试特征参数,所述电压预估模块203还用于:
获取所述测试数据集中所述第二正常车辆对应的第一测试特征参数;
将所述第一测试特征参数输入至所述电压预测混合模型并输出第一电压测试值;
根据所述历史数据中真实的电池组总电压和所述第一电压测试值计算所述电压预测混合模型的精度参数,所述精度参数包括平均绝对误差、均方根误差、平均相对误差和拟合优度的一种或多种;
获取所述测试数据集中所述第二异常车辆和所述第二故障车辆对应的第二测试特征参数;
将所述第二测试特征参数输入至所述电压预测混合模型并输出第二电压测试值,判断所述第二电压测试值是否在所述异常电压范围内,以及检测是否输出所述预警信息。
其中,所述电池电压预估装置的其它方面以及实现细节与前面所描述的电池电压预估方法相同或相似,在此不再赘述。
根据本发明的另一方面,本发明还提供一种存储介质,所述存储介质中存储有多条指令,所述指令适于由处理器加载以执行如上所述的任一电池电压预估方法。
综上所述,虽然本发明已以优选实施例揭露如上,但上述优选实施例并非用以限制本发明,本领域的普通技术人员,在不脱离本发明的精神和范围内,均可作各种更动与润饰,因此本发明的保护范围以权利要求界定的范围为准。
Claims (10)
1.一种电池电压预估方法,其特征在于,所述电池电压预估方法包括:
根据多个车辆在预设时间内的历史数据构建训练数据集和测试数据集,其中,所述历史数据包括车辆行驶数据、电池数据和天气数据;
对所述训练数据集和所述测试数据集进行数据清洗并确定多个特征参数,其中,所述特征参数包括训练特征参数;
将所述训练特征参数输入至预构建的电压预测混合模型并输出电压预估值;
当所述电压预估值在预设的异常电压范围内时输出预警信息。
2.如权利要求1所述的电池电压预估方法,其特征在于,所述多个车辆至少包括第一正常车辆、第二正常车辆、第一异常车辆、第二异常车辆以及第一故障车辆、第二故障车辆,所述根据多个车辆在预设时间内的历史数据构建训练数据集和测试数据集包括:
由所述第一正常车辆、所述第一异常车辆和所述第一故障车辆的历史数据构建所述训练数据集;
由所述第二正常车辆、所述第二异常车辆、所述第二故障车辆的历史数据构建所述测试数据集;
基于最大最小值归一化方法对所述训练数据集和所述测试数据集进行归一化处理。
3.如权利要求1所述的电池电压预估方法,其特征在于,所述车辆行驶数据包括制动踏板位移率、加速踏板位移率、电机转速、行车速度和累计行程的一种或多种,所述电池数据包括电池组总电压、多个电池单体电压、多个温度探针值、电池电量和电池电量的一种或多种,所述天气数据包括空气温度值、空气湿度值、气压值和降水量的一种或多种,所述对所述训练数据集和所述测试数据集进行数据清洗包括:
删除所述历史数据中具有空值的数据;
删除所述制动踏板位移率不在预设的第一位移区间的数据;
删除所述加速踏板位移率不在预设的第二位移区间的数据;
删除所述行车速度不在预设的车速区间的数据;
删除所述电池单体电压不在预设的电压区间的数据;
删除所述温度探针值不在预设的温度区间的数据;
删除所述电池电量不在预设的电量区间的数据。
4.如权利要求3所述的电池电压预估方法,其特征在于,所述确定多个特征参数包括:
计算所述多个电池单体电压的单体电压均值、单体电压中位数、单体电压极差和单体电压标准差的一种或多种;
计算所述多个温度探针值的温度均值、温度中位数、温度极差和温度标准差的一种或多种;
确定所述多个特征参数为所述制动踏板位移率、所述加速踏板位移率、所述电机转速、所述行车速度、所述累计行程、所述电池组总电压、所述电池电量、所述电池电量的、所述空气温度值、所述空气湿度值、所述气压值、所述单体电压均值、所述单体电压中位数、所述单体电压极差、所述单体电压标准、所述温度均值、所述温度中位数、所述温度极差和温度标准差的一种或多种。
5.如权利要求1所述的电池电压预估方法,其特征在于,所述电池电压预估方法还包括:
在所述构建训练数据集和测试数据集之前,根据第一采样频率对所述车辆行驶数据和所述电池数据进行采样;根据第二采样频率对所述天气数据进行采样,其中,所述第一采样频率大于所述第二采样频率;
在所述确定多个特征参数之后,基于拉格朗日差值方法对所述天气数据进行插值操作,以使所述天气数据的数量与所述车辆行驶数据的数量一致。
6.如权利要求1所述的电池电压预估方法,其特征在于,所述方法还包括:
用循环神经网络模型替换Transformer模型中解码器模块的掩码多头注意力层,以构建所述电压预测混合模型。
7.如权利要求6所述的电池电压预估方法,其特征在于,所述将所述训练特征参数输入至预构建的电压预测混合模型并输出电压预估值包括:
基于滑动窗口算法将所述训练特征参数构造为输入时间序列数据;
设置所述电压预测混合模型的训练超参数,其中,所述训练超参数包括所述输入时间序列数据的输入步长、输出时间序列数据的输出步长、最大迭代次数、多头注意力模型的多头数量、每批次数据量、随机舍弃数据概率值、初始学习率、调整系数以及所述循环神经网络模型的神经元数量;
将所述输入时间序列数据输入至所述电压预测混合模型,并输出所述电压预估值对应的输出时间序列数据;
根据所述历史数据中真实的电池组总电压和所述电压预估值计算损失函数。
8.如权利要求2所述的电池电压预估方法,其特征在于,所述特征参数还包括测试特征参数,所述方法还包括:
获取所述测试数据集中所述第二正常车辆对应的第一测试特征参数;
将所述第一测试特征参数输入至所述电压预测混合模型并输出第一电压测试值;
根据所述历史数据中真实的电池组总电压和所述第一电压测试值计算所述电压预测混合模型的精度参数,所述精度参数包括平均绝对误差、均方根误差、平均相对误差和拟合优度的一种或多种;
获取所述测试数据集中所述第二异常车辆和所述第二故障车辆对应的第二测试特征参数;
将所述第二测试特征参数输入至所述电压预测混合模型并输出第二电压测试值,判断所述第二电压测试值是否在所述异常电压范围内,以及检测是否输出所述预警信息。
9.一种电池电压预估装置,其特征在于,所述装置包括:
数据获取模块,用于根据多个车辆在预设时间内的历史数据构建训练数据集和测试数据集,其中,所述历史数据包括车辆行驶数据、电池数据和天气数据;
数据处理模块,用于对所述训练数据集和所述测试数据集进行数据清洗并确定多个特征参数,其中,所述特征参数包括训练特征参数;
电压预估模块,用于将所述训练特征参数输入至预构建的电压预测混合模型并输出电压预估值;
电压预警模块,用于当所述电压预估值在预设的异常电压范围内时输出预警信息。
10.一种存储介质,其特征在于,所述存储介质中存储有多条指令,所述指令适于由处理器加载以执行如权利要求1至8中任一项所述的电池电压预估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310799998.5A CN116660757A (zh) | 2023-06-30 | 2023-06-30 | 电池电压预估方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310799998.5A CN116660757A (zh) | 2023-06-30 | 2023-06-30 | 电池电压预估方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116660757A true CN116660757A (zh) | 2023-08-29 |
Family
ID=87711914
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310799998.5A Pending CN116660757A (zh) | 2023-06-30 | 2023-06-30 | 电池电压预估方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116660757A (zh) |
-
2023
- 2023-06-30 CN CN202310799998.5A patent/CN116660757A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113343633B (zh) | 动力锂电池热失控故障分类及风险预测方法、*** | |
CN111999657A (zh) | 一种电动汽车的锂离子电池剩余寿命的行驶里程评估方法 | |
US11965935B2 (en) | Method and apparatus for operating a system for providing predicted states of health of electrical energy stores for a device using machine learning methods | |
CN114559819B (zh) | 一种基于信号处理的电动汽车电池安全预警方法 | |
CN116541790B (zh) | 基于多特征融合的新能源车辆健康评估方法和装置 | |
CN114239377A (zh) | 一种城轨机电设备健康状态评估方法、***及存储介质 | |
CN114791993B (zh) | 一种动力电池组soh预测方法及*** | |
CN109948194B (zh) | 一种高压断路器机械缺陷集成学习诊断方法 | |
Zhao et al. | Multi-step ahead voltage prediction and voltage fault diagnosis based on gated recurrent unit neural network and incremental training | |
CN116184210A (zh) | 电池异常检测方法、装置、***和电子装置 | |
He et al. | Voltage abnormality-based fault diagnosis for batteries in electric buses with a self-adapting update model | |
CN114994543A (zh) | 储能电站电池故障诊断方法、装置及存储介质 | |
Wei et al. | Multiscale dynamic construction for abnormality detection and localization of Li-ion batteries | |
Wang et al. | Prognostics and health management system for electric vehicles with a hierarchy fusion framework: concepts, architectures, and methods | |
DE102022120962A1 (de) | Batteriefehlererkennung | |
Yao et al. | Fault identification of lithium-ion battery pack for electric vehicle based on ga optimized ELM neural network | |
JP7115346B2 (ja) | 異常検知装置 | |
CN114036647A (zh) | 一种基于实车数据的动力电池安全风险评估方法 | |
CN117665620A (zh) | 基于新能源汽车数据的电池健康度评估方法 | |
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 | |
CN116660757A (zh) | 电池电压预估方法、装置及存储介质 | |
CN116381493A (zh) | 一种电池组故障检测方法、***、电子设备及存储介质 | |
CN115656831A (zh) | 一种电池单体电压多步超前预测和故障诊断方法 | |
CN114994546A (zh) | 一种基于区块链和Informer神经网络的电池组SOH预测***及方法 | |
CN112880726A (zh) | 基于变分模态分解样本熵的传感器故障诊断方法和装置 |
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 |