CN117686921A - 检测电池内短路的方法和***及计算设备 - Google Patents
检测电池内短路的方法和***及计算设备 Download PDFInfo
- Publication number
- CN117686921A CN117686921A CN202410148151.5A CN202410148151A CN117686921A CN 117686921 A CN117686921 A CN 117686921A CN 202410148151 A CN202410148151 A CN 202410148151A CN 117686921 A CN117686921 A CN 117686921A
- Authority
- CN
- China
- Prior art keywords
- voltage data
- image
- battery
- network model
- neural network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000003062 neural network model Methods 0.000 claims abstract description 45
- 238000001514 detection method Methods 0.000 claims abstract description 26
- 238000005070 sampling Methods 0.000 claims abstract description 15
- 230000002194 synthesizing effect Effects 0.000 claims abstract description 6
- 230000015654 memory Effects 0.000 claims description 19
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 230000000306 recurrent effect Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 230000007787 long-term memory Effects 0.000 claims description 5
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000003786 synthesis reaction Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 13
- 230000008859 change Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000003860 storage Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004880 explosion Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 239000013598 vector 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]
- G01R31/389—Measuring internal impedance, internal conductance or related variables
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明提供一种检测电池内短路的方法和***及计算设备，所述方法包括：获取电池的初始序列电压数据；利用所述初始序列电压数据和预训练的第一神经网络模型预测得到第一序列电压数据；获取与所述第一序列电压数据对应的第二序列电压数据；将所述第一序列电压数据和所述第二序列电压数据转换为第一图像和第二图像；将所述第一图像和所述第二图像合成为第三图像，将所述第一图像和所述第二图像按照采样时间点叠加得到第三图像；将所述第三图像输入预训练的第二神经网络模型，得到电池内短路检测结果。根据本发明的技术方案，能够快速识别电池内部短路。
Description
技术领域
本发明涉及人工智能技术领域，具体涉及一种检测电池内短路的方法和***及计算设备。
背景技术
电池内部短路检测技术的发展背景与电池在消费电子产品、电动汽车以及储能***中的广泛应用密切相关。随着电池能量密度的不断提升，安全性问题变得日益突出，其中内部短路是导致电池性能恶化、热失控甚至***起火等严重安全事故的主要原因之一。
为此，需要一种技术方案，能够快速识别电池内部短路。
发明内容
本发明旨在提供用于检测电池内短路的方法和***及计算设备，能够快速识别电池内部短路。
根据本发明的一方面，提供一种检测电池内短路的方法，所述方法包括：
获取电池的初始序列电压数据；
利用所述初始序列电压数据和预训练的第一神经网络模型预测得到第一序列电压数据；
获取与所述第一序列电压数据对应的第二序列电压数据；
将所述第一序列电压数据和所述第二序列电压数据转换为第一图像和第二图像；
将所述第一图像和所述第二图像合成为第三图像；
将所述第三图像输入预训练的第二神经网络模型，得到电池内短路检测结果。
根据一些实施例，所述第一神经网络模型包括时间序列神经网络模型。
根据一些实施例，所述第一神经网络模型包括长短期记忆网络模型。
根据一些实施例，所述第一神经网络模型包括递归神经网络模型。
根据一些实施例，所述第二神经网络模型包括卷积神经网络模型。
根据一些实施例，所述初始序列电压数据、所述第一序列电压数据及所述第二序列电压数据包括基于相同采样时间点的电压采样数据。
根据一些实施例，获取与所述第一序列电压数据对应的第二序列电压数据，包括：获取所述电池的与所述第一序列电压数据对应的采样时间点上的实际检测电压数据。
根据一些实施例，将所述第一图像和所述第二图像合成为第三图像，包括：
将所述第一图像和所述第二图像按照采样时间点叠加得到第三图像。
根据本发明的另一方面，提供一种检测电池内短路的***，所述***包括：
初始数据获取模块，用于获取电池的初始序列电压数据；
预测模块，用于利用所述初始序列电压数据和预训练的第一神经网络模型预测得到第一序列电压数据；
第二数据获取模块，用于获取与所述第一序列电压数据对应的第二序列电压数据；
图像转换模块，用于将所述第一序列电压数据和所述第二序列电压数据转换为第一图像和第二图像；
图像合成模块，用于将所述第一图像和所述第二图像合成为第三图像；
检测模块，用于将所述第三图像输入预训练的第二神经网络模型，得到电池内短路检测结果。
根据本发明的另一方面，提供一种计算设备，包括：
处理器；以及
存储器，存储有计算机程序，当所述计算机程序被所述处理器执行时，使得所述处理器执行如上任一项所述的方法。
根据本发明的另一方面，提供一种非瞬时性计算机可读存储介质，其上存储有计算机可读指令，当所述指令被处理器执行时，使得所述处理器执行如上任一项所述的方法。
根据本发明的实施例，本发明基于人工智能技术，采用基于大数据AI技术，判断电池内短路，可以有效避免电池内短路故障。通过电池的初始序列电压数据和预训练的神经网络模型预测得到第一序列电压数据，并获取与第一序列电压数据对应的第二序列电压数据，将电压数据转换为图像并合并成一个图像，利用神经网络模型，得到电池内短路检测结果。本发明的电池内短路智能识别检测，可及时预警电池火灾隐患，采用短路识别算法，可快速捕捉充电曲线的波动，***准确识别内短路进而快速报警。
根据一些实施例，本发明能做到安全预警，通过内部短路检测，可以提前发现电池潜在的安全隐患，防止因短路导致的热失控、起火和***等安全事故的发生。
根据一些实施例，通过检测技术反馈的数据，科研人员可以优化电池材料、结构设计和生产工艺，从而提升电池的抗短路性能及整体安全性。对于电池应用领域的终端用户而言，有效的内部短路检测意味着更高的安全保障，减少意外事故的发生，保障用户的生命财产安全。
根据一些实施例，在电池生产阶段进行内部短路测试是保证电池产品质量的关键步骤，确保出厂的每个电池都符合安全标准，避免因制造缺陷引发的故障。通过对电池内部状态的监测，可以评估电池健康状况和预期寿命，及时对存在短路风险的电池进行维修或更换，提高整个电池组的稳定性和可靠性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本发明。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍。
图1示出根据示例实施例的检测电池内短路的方法流程图。
图2示出根据示例实施例的突发型电池内正常电压的示意图。
图3示出根据示例实施例的突发型电池内短路电压的示意图。
图4示出根据示例实施例的突发型电池内短路检测的示意图。
图5示出根据示例实施例的衍生型电池内正常电压的示意图。
图6示出根据示例实施例的衍生型电池内短路电压的示意图。
图7示出根据示例实施例的衍生型电池内短路检测的示意图。
图8示出根据示例实施例的检测电池内短路的***示意图。
图9示出根据示例性实施例的计算设备的框图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本发明将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本发明的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本发明的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本发明的各方面。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
应理解，虽然本文中可能使用术语第一、第二、第三等来描述各种组件，但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此，下文论述的第一组件可称为第二组件而不偏离本发明概念的教示。如本文中所使用，术语“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。
本发明所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户授权或者经过各方充分授权的信息和数据，并且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准，并提供有相应的操作入口，供用户选择授权或者拒绝。
本领域技术人员可以理解，附图只是示例实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的，因此不能用于限制本发明的保护范围。
目前，对于电池内短路识别方法有基于知识的方法和基于数据驱动的方法。基于知识的方法依赖长期的知识经验积累，这种方法利用电池***的知识和观测信息进行诊断，无需使用故障树、图论、模糊逻辑和专家***等方法建立模型。但是获取知识和建立规则非常困难。基于数据驱动的方法特征数据获取较难，这种方法不需要建立准确的电池分析模型，从大量的电池训练样本中学习故障发生的潜在模式，以诊断电池故障，但由于难以获得大量的电池故障数据，目前该方法在电池故障诊断方面的应用较少。
为此，本发明提出一种检测电池内短路的方法，通过电池的初始序列电压数据和预训练的神经网络模型预测得到第一序列电压数据，并获取与第一序列电压数据对应的第二序列电压数据，将电压数据转换为图像并合并成一个图像，利用神经网络模型，得到电池内短路检测结果。电池内短路智能识别检测，可及时预警电池火灾隐患，快速捕捉充电曲线的波动，***准确识别内短路进而快速报警。
在描述本发明实施例之前，对本发明实施例涉及到的一些术语或概念进行解释说明。
时间序列神经网络模型：时间序列神经网络模型是专门用于处理和预测具有时间依赖性数据的深度学习架构。这类模型能够捕捉到时间序列数据中的趋势、周期性和自相关性特征，因此在诸如金融预测（如股票价格预测）、气象预报、电力负荷预测、交通流量预测、销售预测、水文预报以及各种工业控制和健康监测等领域中有着广泛的应用。
长短期记忆网络模型：英文缩写LSTM，长短期记忆网络模型是一种特殊的地柜神经网络模型的变体，它通过引入“门”机制解决了长期依赖问题，能更好地捕获长时间范围内的模式。
递归神经网络模型：英文缩写RNN，递归神经网络模型通过其内部状态可以保留过去的信息，并根据当前输入更新这个状态，非常适合处理有顺序或时间依赖性的数据。
卷积神经网络模型：英文缩写CNN，一维卷积神经网络（1D CNN）应用于时间序列时，可以利用滤波器（或卷积核）提取局部特征，并通过池化层对序列进行降维和摘要表示，适用于发现序列中的局部特征及其变化规律。
下面结合附图对本发明的示例实施例进行说明。
图1示出根据示例实施例的用于模型训练的方法流程图。
参见图1，在S101，获取电池的初始序列电压数据。
根据一些实施例，电池的初始序列电压数据指新组装、未经过充电或放电过程的电池单元在静置状态下的电压。
根据一些实施例，获取具体的初始序列电压数据时，需要查阅特定电池型号的技术规格说明书或者通过实验测量获得。对于电池组而言，初始电压是各个单体电池初始开路电压之和，不过实际应用中电池组的设计可能会包含均衡电路等因素，因此整个电池包的初始电压还包括了管理***对各单体电压平衡的影响。
根据一些实施例，初始序列电压数据是对电池组或电池模块进行测试、监测或诊断时，记录的开始阶段各单体电池或整个电池***的开路电压数据。这个数据对于评估电池的初始状态、健康状况以及后续充放电过程中的性能表现具有重要意义。
例如，在电池管理***中，会实时采集并记录每个电池单元的电压信息，以便于监控电池的一致性、预防过充过放、预测电池寿命等。初始序列电压数据可以作为基准参考值，与后续各个时刻的数据对比分析，从而实现对电池状态的精确判断和有效管理。
在S103，利用所述初始序列电压数据和预训练的第一神经网络模型预测得到第一序列电压数据。
根据一些实施例，所述第一神经网络模型包括但不限于时间序列神经网络模型、长短期记忆网络模型、递归神经网络模型。
长短期记忆网络模型是一种特殊类型的循环神经网络，设计的初衷是为了克服传统循环神经网络在处理长期依赖问题时所遇到的梯度消失和梯度***难题。在结构上，长短期记忆网络模型具有独特的门控机制，主要包括三个核心门控组件，即遗忘门、输入门和输出门。遗忘门决定前一时间步记忆细胞中哪些信息需要被丢弃，通过一个激活函数计算出0到1之间的权重值，接近1表示保留该信息，接近0则表示遗忘。输入门有两个功能，一是决定新接收的信息哪些将被写入记忆细胞，二是计算新的候选记忆内容。输出门决定当前时刻记忆细胞中的哪些信息应该作为隐藏状态输出给下一个时间步或用于最终预测。
递归神经网络模型是一种能够处理具有树状或递归结构数据的深度学习模型，它通过在结构上进行递归来捕获输入数据中的层级信息。这类模型在网络结构中引入了递归操作，特别适合于自然语言处理、计算机视觉中的图像解析和语义分析等任务，其中数据通常以树或图的形式展现内部的层次关系。
根据一些实施例，利用电池的初始序列电压数据，并结合预训练的第一神经网络模型，可以预测在不同条件或使用阶段下的电池电压变化，即得到第一序列电压数据。首先确保已获取了电池在各种状态下的初始序列电压以及其他相关参数，将初始序列电压和其他影响因素转化为适合输入神经网络的特征向量。
加载预训练模型并准备进行预测，将经过处理的初始序列电压及其他特征作为输入传递给预训练好的神经网络模型，模型会根据学习到的规律进行计算和推理。
在S105，获取与所述第一序列电压数据对应的第二序列电压数据。
根据一些实施例，获取与所述第一序列电压数据对应的第二序列电压数据，包括获取所述电池的与所述第一序列电压数据对应的采样时间点上的实际检测电压数据。
根据一些实施例，第一序列电压数据与第二序列电压数据，为电池单元在充电前后的电压变化，第一序列电压数据是正常运行状态下的预测电压值，而第二序列电压数据则是充电一段时间后，在电池内部可能发生短路后测量得到的电压值。
在S107，将所述第一序列电压数据和所述第二序列电压数据转换为第一图像和第二图像。
根据一些实施例，所述初始序列电压数据、所述第一序列电压数据及所述第二序列电压数据包括基于相同采样时间点的电压采样数据。
根据一些实施例，将第一序列电压数据和所述第二序列电压数据转换为第一图像和第二图像。例如，图2示出突发型电池内正常电压，图5示出衍生型电池内正常电压，其中图像中横轴代表时间，竖轴代表电压，图中曲线表示正常情况下电池电压的变化。
图3示出突发型电池内短路的电压变化，图6示出衍生型电池内短路的电压变化，图中曲线表示电池内发生短路的情况下电池电压的变化情况。
在S109，将所述第一图像和所述第二图像合成为第三图像。
根据一些实施例，将所述第一图像和所述第二图像按照采样时间点叠加得到第三图像。
根据一些实施例，在得到第一图像和第二图像后，将所述第一图像和所述第二图像合成为第三图像。例如，图4示出突发型电池正常电压变化和发生电池内短路电压检测对比，图7示出衍生型电池正常电压变化和发生电池内短路检测的示意图。
在S111，将所述第三图像输入预训练的第二神经网络模型，得到电池内短路检测结果。
根据一些实施例，所述第二神经网络模型包括卷积神经网络模型。卷积神经网络模型是一种专门针对图像识别、计算机视觉和许多其他涉及网格数据的深度学习模型。卷积神经网络模型的设计灵感来源于生物视觉***的结构，其在图像分析任务中表现出了卓越的能力，能够自动从原始像素数据中提取高层次特征。
卷积神经网络的主要组成部分包括卷积层、激活函数、池化层、全连接层和输出层。卷积层是模型的核心，它通过一组可学习的滤波器对输入数据进行滑动窗口操作，并计算元素间的乘加结果。每个滤波器会在整个输入上产生一个特征映射，该映射强调了输入中的特定模式或特征，通过多个滤波器可以提取不同类型的特征，例如边缘、颜色、纹理等。激活函数用于增加非线性，帮助网络捕捉更复杂的决策边界。池化层用来降低数据的空间维度，减少计算量的同时保留重要的特征信息。全连接层在卷积和池化层之后，通常会接若干全连接层，这些层将所有节点直接连接到下一层的所有节点上，实现全局特征融合并完成分类或回归任务。输出层用于计算每个类别的概率分布。
根据一些实施例，首先获取电压图像数据，对收集到的图像进行必要的预处理，包括灰度化、归一化、裁剪、增强等操作，以便于模型更好地识别特征。
选择第二神经网络模型即卷积神经网络，并对其进行预训练。将预训练好的模型应用于电池内部短路检测任务，根据电压图像的特征，需要在模型的最后一层或部分中间层添加新的输出层，并对图像数据进行微调。通过对比第一序列电压和第二序列电压，判断该电池是否存在内部短路风险。
例如，参见图4，图4由图2和图3合并得来。参见图2和图3，从图2中可以看出，电池的电压随着时间推移而下降，图3可以看出，在电池突发剧烈短路的瞬间，电池的电压发生剧烈抖动，电芯充放电曲线出现瞬间波动。图4中圈处的位置可以看出电压对比变化，经过第二神经网络模型的推理计算，可以识别出电池短路时电压的瞬间波动，从而检测到电池内短路。
参见图7，图7由图5和图6合并得来。参见图5，图5示出衍生型电池正常情况下的电压值在稳定循环变化。图6示出衍生型电池发生短路时电压发生偏移，电芯充放电曲线出现偏移波动。图7中圈处的位置可以看出电压对比变化，经过第二神经网络模型的推理计算，可以识别出电池短路时电压的循环波动发生偏移，从而检测到电池内短路。
图8示出根据示例实施例的检测电池内短路的***示意图。
参见图8，图中示出一种检测电池内短路的***，包括：初始数据获取模块801，预测模块803，第二数据获取模块805，图像转换模块807，图像合成模块809，检测模块811。
初始数据获取模块801用于获取电池的初始序列电压数据。预测模块803用于利用所述初始序列电压数据和预训练的第一神经网络模型预测得到第一序列电压数据。第二数据获取模块805用于获取与所述第一序列电压数据对应的第二序列电压数据。图像转换模块807用于将所述第一序列电压数据和所述第二序列电压数据转换为第一图像和第二图像。图像合成模块809用于将所述第一图像和所述第二图像合成为第三图像。检测模块811用于将所述第三图像输入预训练的第二神经网络模型，得到电池内短路检测结果。
图9示出根据示例性实施例的计算设备的框图。
如图9所示，计算设备30包括处理器12和存储器14。计算设备30还可以包括总线22、网络接口16以及I/O接口18。处理器12、存储器14、网络接口16以及I/O接口18可以通过总线22相互通信。
处理器12可以包括一个或多个通用CPU(Central Processing Unit，处理器)、微处理器、或专用集成电路等，用于执行相关程序指令。根据一些实施例，计算设备30还可包括为处理器12进行加速的高性能显示适配器（GPU）20。
存储器14可以包括易失性存储器形式的机器***可读介质，例如随机存取存储器（RAM）、只读存储器（ROM）和/或高速缓存存储器。存储器14用于存储包含指令的一个或多个程序以及数据。处理器12可读取存储在存储器14中的指令以执行上述根据本发明实施例的方法。
计算设备30也可以通过网络接口16与一个或者多个网络通信。该网络接口16可以是无线网络接口。
总线22可以为包括地址总线、数据总线、控制总线等。总线22提供了各组件之间交换信息的通路。
需要说明的是，在具体实施过程中，计算设备30还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。计算机可读存储介质可以包括但不限于任何类型的盘，包括软盘、光盘、DVD、CD-ROM、微型驱动器以及磁光盘、ROM、RAM、EPROM、EEPROM、DRAM、VRAM、闪速存储器设备、磁卡或光卡、纳米***（包括分子存储器IC）、网络存储设备、云存储设备，或适合于存储指令和/或数据的任何类型的媒介或设备。
本发明实施例还提供一种计算机程序产品，该计算机程序产品包括存储计算机程序的非瞬时性计算机可读存储介质，该计算机程序可操作来使计算机执行如上述方法实施例中记载的任何一种方法的部分或全部步骤。
本领域的技术人员可以清楚地了解到本发明的技术方案可借助软件和/或硬件来实现。本说明书中的“单元”和“模块”是指能够独立完成或与其他部件配合完成特定功能的软件和/或硬件，其中硬件例如可以是现场可编程门阵列、集成电路等。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些服务接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备（可为个人计算机、服务器或者网络设备等）执行本发明各个实施例方法的全部或部分步骤。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
以上具体地展示和描述了本发明的示例性实施例。应可理解的是，本发明不限于这里描述的详细结构、设置方式或实现方法；相反，本发明意图涵盖包含在所附条款的精神和范围内的各种修改和等效设置。
Claims (8)
1.一种检测电池内短路的方法，其特征在于，包括：
获取电池的初始序列电压数据；
利用所述初始序列电压数据和预训练的第一神经网络模型预测得到第一序列电压数据；
获取所述电池的与所述第一序列电压数据对应的采样时间点上的实际检测电压数据作为第二序列电压数据；
将所述第一序列电压数据和所述第二序列电压数据转换为第一图像和第二图像；
将所述第一图像和所述第二图像按照采样时间点叠加合成为第三图像；
将所述第三图像输入预训练的第二神经网络模型，得到电池内短路检测结果。
2.根据权利要求1所述的方法，其特征在于，所述第一神经网络模型包括时间序列神经网络模型。
3.根据权利要求2所述的方法，其特征在于，所述第一神经网络模型包括长短期记忆网络模型。
4.根据权利要求1所述的方法，其特征在于，所述第一神经网络模型包括递归神经网络模型。
5.根据权利要求1所述的方法，其特征在于，所述第二神经网络模型包括卷积神经网络模型。
6.根据权利要求1所述的方法，其特征在于，所述初始序列电压数据、所述第一序列电压数据及所述第二序列电压数据包括基于相同采样时间点的电压采样数据。
7.一种检测电池内短路的***，其特征在于，包括：
初始数据获取模块，用于获取电池的初始序列电压数据；
预测模块，用于利用所述初始序列电压数据和预训练的第一神经网络模型预测得到第一序列电压数据；
第二数据获取模块，用于获取所述电池的与所述第一序列电压数据对应的采样时间点上的实际检测电压数据作为第二序列电压数据；
图像转换模块，用于将所述第一序列电压数据和所述第二序列电压数据转换为第一图像和第二图像；
图像合成模块，用于将所述第一图像和所述第二图像按照采样时间点叠加合成为第三图像；
检测模块，用于将所述第三图像输入预训练的第二神经网络模型，得到电池内短路检测结果。
8.一种计算设备，其特征在于，包括：
处理器；以及
存储器，存储有计算机程序，当所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1-6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410148151.5A CN117686921B (zh) | 2024-02-02 | 2024-02-02 | 检测电池内短路的方法和***及计算设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410148151.5A CN117686921B (zh) | 2024-02-02 | 2024-02-02 | 检测电池内短路的方法和***及计算设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117686921A true CN117686921A (zh) | 2024-03-12 |
| CN117686921B CN117686921B (zh) | 2024-05-31 |
Family
ID=90135666
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410148151.5A Active CN117686921B (zh) | 2024-02-02 | 2024-02-02 | 检测电池内短路的方法和***及计算设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117686921B (zh) |
Citations (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104614630A (zh) * | 2015-01-19 | 2015-05-13 | 清华大学 | 一种电池微短路的识别方法 |
| CN106154172A (zh) * | 2016-06-17 | 2016-11-23 | 清华大学 | 锂离子动力电池内短路程度的定量估算方法 |
| WO2018083802A1 (ja) * | 2016-11-07 | 2018-05-11 | 日産自動車株式会社 | 短絡検出装置 |
| CN111007364A (zh) * | 2019-11-07 | 2020-04-14 | 长沙理工大学 | 一种电缆早期自恢复故障的识别方法 |
| CN111190113A (zh) * | 2020-04-15 | 2020-05-22 | 中国人民解放军国防科技大学 | 一种航天器蓄电池性能衰退异常检测方法 |
| CN111413629A (zh) * | 2020-02-24 | 2020-07-14 | 上海蔚来汽车有限公司 | 动力电池内单体电池的短路监测方法、***以及装置 |
| CN111551860A (zh) * | 2020-05-26 | 2020-08-18 | 同济大学 | 一种基于弛豫电压特征的电池内短路诊断方法 |
| CN112946522A (zh) * | 2021-02-05 | 2021-06-11 | 四川大学 | 低温工况导致电池储能***内短路故障的在线监测方法 |
| CN113359047A (zh) * | 2021-04-22 | 2021-09-07 | 万向一二三股份公司 | 一种内短路测量对锂离子电池性能影响的评估方法 |
| CN215180728U (zh) * | 2021-04-20 | 2021-12-14 | 苏州天富利新能源科技有限公司 | 一种基于bms的安全监测保护*** |
| CN113848495A (zh) * | 2021-10-11 | 2021-12-28 | 江苏省特种设备安全监督检验研究院 | 基于充电曲线的内部微短路故障诊断方法 |
| CN113884890A (zh) * | 2021-11-02 | 2022-01-04 | 轻橙时代(深圳)科技有限责任公司 | 一种动力电池内短路检测方法 |
| CN114740359A (zh) * | 2022-03-31 | 2022-07-12 | 同济大学 | 基于电量估计的电池内短路诊断方法、装置及存储介质 |
| CN115079007A (zh) * | 2022-06-24 | 2022-09-20 | 上海玫克生储能科技有限公司 | 锂离子电池微短路识别方法、识别***和电池管理*** |
| EP4137347A1 (en) * | 2021-08-20 | 2023-02-22 | Nio Technology (Anhui) Co., Ltd | Short circuit detection method for starting battery |
| CN115718260A (zh) * | 2022-09-30 | 2023-02-28 | 山东工商学院 | 基于cnn-lstm结合相关系数的电池故障预测方法及*** |
| CN116154900A (zh) * | 2023-01-05 | 2023-05-23 | 北京西清能源科技有限公司 | 一种电池储能电站的主动安全三级防控***及方法 |
| WO2023115988A1 (zh) * | 2021-12-22 | 2023-06-29 | 北京国家新能源汽车技术创新中心有限公司 | 一种动力电池内短路检测方法 |
| CN116879761A (zh) * | 2023-09-06 | 2023-10-13 | 杭州宇谷科技股份有限公司 | 基于多模态的电池内短路检测方法、***、装置及介质 |
| CN116951328A (zh) * | 2023-07-21 | 2023-10-27 | 浙江华创设计有限公司 | 基于大数据的排水管线运行智慧监控*** |
| CN116973788A (zh) * | 2023-08-04 | 2023-10-31 | 嘉庚创新实验室 | 内短路故障检测方法、装置、计算机设备及存储介质 |
| CN117252112A (zh) * | 2023-11-16 | 2023-12-19 | 江苏林洋亿纬储能科技有限公司 | 用于训练驱动数据模型的方法及估算电池剩余寿命的方法 |
| CN117289142A (zh) * | 2023-11-24 | 2023-12-26 | 国网天津市电力公司电力科学研究院 | 锂离子储能电站电池内部短路故障检测方法及装置 |
| CN117320461A (zh) * | 2023-09-08 | 2023-12-29 | 广东工业大学 | 一类芘基苯胺衍生物在有机电子器件中的应用 |
-
2024
- 2024-02-02 CN CN202410148151.5A patent/CN117686921B/zh active Active
Patent Citations (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104614630A (zh) * | 2015-01-19 | 2015-05-13 | 清华大学 | 一种电池微短路的识别方法 |
| CN106154172A (zh) * | 2016-06-17 | 2016-11-23 | 清华大学 | 锂离子动力电池内短路程度的定量估算方法 |
| WO2018083802A1 (ja) * | 2016-11-07 | 2018-05-11 | 日産自動車株式会社 | 短絡検出装置 |
| CN111007364A (zh) * | 2019-11-07 | 2020-04-14 | 长沙理工大学 | 一种电缆早期自恢复故障的识别方法 |
| WO2021169487A1 (zh) * | 2020-02-24 | 2021-09-02 | 上海蔚来汽车有限公司 | 动力电池内单体电池的短路监测方法、***以及装置 |
| CN111413629A (zh) * | 2020-02-24 | 2020-07-14 | 上海蔚来汽车有限公司 | 动力电池内单体电池的短路监测方法、***以及装置 |
| CN111190113A (zh) * | 2020-04-15 | 2020-05-22 | 中国人民解放军国防科技大学 | 一种航天器蓄电池性能衰退异常检测方法 |
| CN111551860A (zh) * | 2020-05-26 | 2020-08-18 | 同济大学 | 一种基于弛豫电压特征的电池内短路诊断方法 |
| CN112946522A (zh) * | 2021-02-05 | 2021-06-11 | 四川大学 | 低温工况导致电池储能***内短路故障的在线监测方法 |
| CN215180728U (zh) * | 2021-04-20 | 2021-12-14 | 苏州天富利新能源科技有限公司 | 一种基于bms的安全监测保护*** |
| CN113359047A (zh) * | 2021-04-22 | 2021-09-07 | 万向一二三股份公司 | 一种内短路测量对锂离子电池性能影响的评估方法 |
| EP4137347A1 (en) * | 2021-08-20 | 2023-02-22 | Nio Technology (Anhui) Co., Ltd | Short circuit detection method for starting battery |
| CN113848495A (zh) * | 2021-10-11 | 2021-12-28 | 江苏省特种设备安全监督检验研究院 | 基于充电曲线的内部微短路故障诊断方法 |
| CN113884890A (zh) * | 2021-11-02 | 2022-01-04 | 轻橙时代(深圳)科技有限责任公司 | 一种动力电池内短路检测方法 |
| WO2023115988A1 (zh) * | 2021-12-22 | 2023-06-29 | 北京国家新能源汽车技术创新中心有限公司 | 一种动力电池内短路检测方法 |
| CN114740359A (zh) * | 2022-03-31 | 2022-07-12 | 同济大学 | 基于电量估计的电池内短路诊断方法、装置及存储介质 |
| CN115079007A (zh) * | 2022-06-24 | 2022-09-20 | 上海玫克生储能科技有限公司 | 锂离子电池微短路识别方法、识别***和电池管理*** |
| CN115718260A (zh) * | 2022-09-30 | 2023-02-28 | 山东工商学院 | 基于cnn-lstm结合相关系数的电池故障预测方法及*** |
| CN116154900A (zh) * | 2023-01-05 | 2023-05-23 | 北京西清能源科技有限公司 | 一种电池储能电站的主动安全三级防控***及方法 |
| CN116951328A (zh) * | 2023-07-21 | 2023-10-27 | 浙江华创设计有限公司 | 基于大数据的排水管线运行智慧监控*** |
| CN116973788A (zh) * | 2023-08-04 | 2023-10-31 | 嘉庚创新实验室 | 内短路故障检测方法、装置、计算机设备及存储介质 |
| CN116879761A (zh) * | 2023-09-06 | 2023-10-13 | 杭州宇谷科技股份有限公司 | 基于多模态的电池内短路检测方法、***、装置及介质 |
| CN117320461A (zh) * | 2023-09-08 | 2023-12-29 | 广东工业大学 | 一类芘基苯胺衍生物在有机电子器件中的应用 |
| CN117252112A (zh) * | 2023-11-16 | 2023-12-19 | 江苏林洋亿纬储能科技有限公司 | 用于训练驱动数据模型的方法及估算电池剩余寿命的方法 |
| CN117289142A (zh) * | 2023-11-24 | 2023-12-26 | 国网天津市电力公司电力科学研究院 | 锂离子储能电站电池内部短路故障检测方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 刘力硕;张明轩;卢兰光;***;冯旭宁;郑岳久;韩雪冰;潘岳;: "锂离子电池内短路机理与检测研究进展", 储能科学与技术, no. 06, 22 October 2018 (2018-10-22) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117686921B (zh) | 2024-05-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gao et al. | Machine learning toward advanced energy storage devices and systems | |
| Khan et al. | Batteries state of health estimation via efficient neural networks with multiple channel charging profiles | |
| Xu et al. | An improved CNN-LSTM model-based state-of-health estimation approach for lithium-ion batteries | |
| Semeraro et al. | Battery monitoring and prognostics optimization techniques: challenges and opportunities | |
| Liu et al. | State of health estimation of power batteries based on multi-feature fusion models using stacking algorithm | |
| Zhou et al. | Battery health prognosis using improved temporal convolutional network modeling | |
| Zhang et al. | Cost-effective Lebesgue sampling long short-term memory networks for lithium-ion batteries diagnosis and prognosis | |
| Niu et al. | Lebesgue sampling based deep belief network for lithium-ion battery diagnosis and prognosis | |
| CN111856287A (zh) | 基于堆叠残差因果卷积神经网络的锂电池健康状态检测方法 | |
| Jiang et al. | A fault diagnosis method for electric vehicle power lithium battery based on wavelet packet decomposition | |
| CN116610998A (zh) | 一种基于多模态数据融合的开关柜故障诊断方法和*** | |
| CN113608140A (zh) | 一种电池故障诊断方法及*** | |
| Wang et al. | A remaining useful life prediction model based on hybrid long-short sequences for engines | |
| Wu et al. | Remaining useful life prediction of lithium-ion batteries based on data preprocessing and improved ELM | |
| Wang et al. | A multi-scale fusion prediction method for lithium-ion battery capacity based on ensemble empirical mode decomposition and nonlinear autoregressive neural networks | |
| Bao et al. | Hybrid deep neural network with dimension attention for state-of-health estimation of lithium-ion batteries | |
| Li et al. | A Novel Method for Lithium‐Ion Battery Fault Diagnosis of Electric Vehicle Based on Real‐Time Voltage | |
| Jiang et al. | Remaining useful life prediction of rolling bearings based on Bayesian neural network and uncertainty quantification | |
| Gao et al. | A hybrid cnn-bilstm approach for remaining useful life prediction of evs lithium-ion battery | |
| Zhang et al. | SOH estimation and RUL prediction of lithium batteries based on multidomain feature fusion and CatBoost model | |
| Wu et al. | Stages prediction of the remaining useful life of rolling bearing based on regularized extreme learning machine | |
| Renold et al. | Comprehensive Review of Machine Learning, Deep Learning, and Digital Twin Data-Driven Approaches in Battery Health Prediction of Electric Vehicles | |
| Gou et al. | Remaining useful life prediction for lithium-ion battery using ensemble learning method | |
| Wang et al. | Assessing the Performance Degradation of Lithium‐Ion Batteries Using an Approach Based on Fusion of Multiple Feature Parameters | |
| CN117686921B (zh) | 检测电池内短路的方法和***及计算设备 |
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 | ||
| CP03 | Change of name, title or address |
Address after: Floor 17, Building 1, No. 2 Mudanjiang Street, Jianye District, Nanjing City, Jiangsu Province, 210019 Patentee after: Jiangsu Linyang Energy Storage Technology Co.,Ltd. Country or region after: China Address before: Floor 17, Building D1, No. 2 Mudanjiang Street, Jianye District, Nanjing City, Jiangsu Province, 210019 Patentee before: Jiangsu Linyang Yiwei Energy Storage Technology Co.,Ltd. Country or region before: China |
|
| CP03 | Change of name, title or address |