CN117930024A - 基于informer模型的电池健康状态智能监测方法 - Google Patents
基于informer模型的电池健康状态智能监测方法 Download PDFInfo
- Publication number
- CN117930024A CN117930024A CN202410119513.8A CN202410119513A CN117930024A CN 117930024 A CN117930024 A CN 117930024A CN 202410119513 A CN202410119513 A CN 202410119513A CN 117930024 A CN117930024 A CN 117930024A
- Authority
- CN
- China
- Prior art keywords
- health
- battery
- state
- health state
- informer
- 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
- 230000036541 health Effects 0.000 title claims abstract description 425
- 238000012544 monitoring process Methods 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000000737 periodic effect Effects 0.000 claims abstract description 46
- 238000011156 evaluation Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims description 38
- 230000003862 health status Effects 0.000 claims description 32
- 238000004364 calculation method Methods 0.000 claims description 29
- 238000012795 verification Methods 0.000 claims description 22
- 230000010354 integration Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 230000008859 change Effects 0.000 description 9
- 238000007726 management method Methods 0.000 description 9
- 230000000875 corresponding effect Effects 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000010200 validation analysis Methods 0.000 description 5
- 230000007423 decrease Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000000295 complement effect Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Landscapes
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本申请涉及电池状态监测技术领域,提供基于informer模型的电池健康状态智能监测方法。所述方法包括:采集目标电池的健康状态记录;对所述健康状态记录进行划分和再拼接,获得健康状态序列集;调取捕捉周期性特征确定周期性健康特征,进行整合获得电池健康状态趋势;确定多步健康状态预测集;根据informer模型的预测评价阈值对所述多步健康状态预测集进行预测精度计算,优化所述informer模型;实时采集健康状态,进行电池健康状态实时监测。本申请解决了现有技术中电池健康状态趋势预测误差较大,导致电池安全性不高的技术问题,达到了减少电池健康状态趋势预测误差,实现对电池健康状态的智能监测和管理技术效果。
Description
技术领域
本申请涉及电池状态监测技术领域,特别是涉及基于informer模型的电池健康状态智能监测方法。
背景技术
informer模型是一种基于Transformer架构的长短期记忆网络,旨在解决长序列时间序列预测问题。电池健康状态是评估电池性能和寿命的重要指标。电池健康状态的好坏直接影响到设备的续航能力和性能,电池健康状态可以通过一系列的测试和评估来衡量,包括电池的容量、内阻、自放电率、循环寿命等多个方面。如果电池健康状态下降,会出现电池容量减小、内阻增加、自放电率升高、循环寿命减少等问题,所以对电池健康状态的监测就变为了重中之重。现如今,基于informer模型的电池健康状态监测过程中电池健康状态趋势预测误差较大,导致在进行电池更换和设备维护时容易出现电池安全性和稳定性较差的问题,针对此,提出一种基于informer模型的电池健康状态智能监测方法来对电池健康状态的进行智能监测和管理,保障电池的安全性。
综上所述,现有技术中存在电池健康状态监测困难,导致电池安全性不高的技术问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够减少电池健康状态趋势预测误差,实现对电池健康状态的智能监测和管理的基于informer模型的电池健康状态智能监测方法。
第一方面,本申请提供了基于informer模型的电池健康状态智能监测方法,所述方法包括:采集目标电池的健康状态记录,其中,所述健康状态记录包括电池状态记录;通过informer模型中滑动窗口对所述健康状态记录进行划分和再拼接,获得健康状态序列集;根据所述电池状态记录确定充放电指数,调取捕捉周期性特征确定周期性健康特征,整合至全局时间戳获得电池健康状态趋势;根据所述健康状态序列集和所述电池健康状态趋势执行所述informer模型输入,结合所述健康状态序列集中填充时间集,确定多步健康状态预测集;根据所述informer模型的预测评价阈值对所述多步健康状态预测集进行预测精度计算,根据精度计算结果优化所述informer模型,获取informer健康监测模型;实时采集健康状态,根据所述informer健康监测模型进行电池健康状态实时监测。
第二方面,本申请提供了基于informer模型的电池健康状态智能监测***,所述***包括:健康状态记录采集模块,所述健康状态记录采集模块用于采集目标电池的健康状态记录,其中,所述健康状态记录包括电池状态记录;健康状态序列集获得模块,所述健康状态序列集获得模块用于通过informer模型中滑动窗口对所述健康状态记录进行划分和再拼接,获得健康状态序列集;电池健康状态趋势整合模块,所述电池健康状态趋势整合模块用于根据所述电池状态记录确定充放电指数,调取捕捉周期性特征确定周期性健康特征,整合至全局时间戳获得电池健康状态趋势;多步健康状态预测集确定模块,所述多步健康状态预测集确定模块用于根据所述健康状态序列集和所述电池健康状态趋势执行所述informer模型输入,结合所述健康状态序列集中填充时间集,确定多步健康状态预测集;健康监测模型获得模块,所述健康监测模型获得模块用于根据所述informer模型的预测评价阈值对所述多步健康状态预测集进行预测精度计算,根据精度计算结果优化所述informer模型,获取informer健康监测模型;健康状态实时采集模块,所述健康状态实时采集模块用于实时采集健康状态,根据所述informer健康监测模型进行电池健康状态实时监测。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
首先,采集目标电池的健康状态记录,其中,所述健康状态记录包括电池状态记录;其次,通过informer模型中滑动窗口对所述健康状态记录进行划分和再拼接,获得健康状态序列集;再根据所述电池状态记录确定充放电指数,调取捕捉周期性特征确定周期性健康特征,整合至全局时间戳获得电池健康状态趋势;根据所述健康状态序列集和所述电池健康状态趋势执行所述informer模型输入,结合所述健康状态序列集中填充时间集,确定多步健康状态预测集;接下来,根据所述informer模型的预测评价阈值对所述多步健康状态预测集进行预测精度计算,根据精度计算结果优化所述informer模型,获取informer健康监测模型;最后实时采集健康状态,根据所述informer健康监测模型进行电池健康状态实时监测。本申请解决了现有技术中电池健康状态监测困难,导致电池安全性不高的技术问题,达到了实现对电池健康状态的智能监测和管理,保障电池的安全性的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为一个实施例中基于informer模型的电池健康状态智能监测方法的流程示意图;
图2为一个实施例中基于informer模型的电池健康状态智能监测方法的健康验证集确定的流程示意图;
图3为一个实施例中基于informer模型的电池健康状态智能监测***的结构框图。
附图标记说明:健康状态记录采集模块11,健康状态序列集获得模块12,电池健康状态趋势整合模块13,多步健康状态预测集确定模块14,健康监测模型获得模块15,健康状态实时采集模块16。
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,对本申请进行进一步详细说明。应当理解,此处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。
如图1所示,本申请提供了基于informer模型的电池健康状态智能监测方法,所述方法包括:
采集目标电池的健康状态记录,其中,所述健康状态记录包括电池状态记录;
informer是一种自注意力机制的深度学习模型,可以有效地处理高维非线性数据,根据所述informer模型对电池的健康状态进行评估,通过输入新的电池数据,模型可以预测出电池的健康状态,如电池的剩余寿命、电池的性能状态等。本申请提供了基于informer模型的电池健康状态智能监测方法,能够实现对电池健康状态的智能评估和预警,帮助用户更好地管理电池,延长电池的使用寿命,还可以为电池的维护和更换提供决策支持,提高电池的可靠性和安全性。
目标电池是指需要进行研究的电池中任意选择出来进行研究的电池,记作目标电池;健康状态记录包括电流电压等指标和对应参数以及电池状态记录,其中,包括电池在使用过程中的状态数据,例如,电池的当前电量、电池的充电次数、电池的放电次数、电池的电压、电池的电流等;反映电池的性能状态的电池性能参数,如电池的容量、电池的内阻、电池的能量密度等。这些参数对于评估电池的健康状态和预测电池的剩余寿命具有重要意义;电池所处的温度、湿度、气压等环境参数;电池的使用历史数据,如电池的充放电历史、电池的使用时长、电池的工作负载等。这些数据可以帮助了解电池的使用状况和磨损程度,从而评估电池的健康状态。通过准确、全面的健康状态记录,帮助用户更好地管理电池,延长电池的使用寿命。
提取所述健康状态记录的数值回归线,根据回归阈值确定所述健康状态记录中冗余缺失数据;
若所述冗余缺失数据非空,对所述健康状态记录进行均值计算,以数值均值线为基准,根据所述回归阈值确定所述健康状态记录的更新记录,生成所述健康状态记录。
从所述健康状态记录中提取数值回归线,所述回归线是指通过一系列数据点拟合出的直线或曲线,用于描述数据之间的关系,本申请中是指设定的中值,在电池健康状态监测中,所述数值回归线可以用来表示电池性能参数随时间的变化趋势。通过拟合出的回归线,可以分析电池性能参数的变化规律,为后续的状态评估和预测提供依据;根据回归阈值确定健康状态记录中的冗余缺失数据。冗余缺失数据是指超出回归线阈值范围的数据点。这些数据点是由于测量误差、异常事件等原因导致的异常值。通过比较数据点与回归线的距离,可以识别出冗余缺失数据,并进行相应的处理;如果冗余缺失数据非空,即存在异常值或缺失值,需要进行数据更新和补全。一种常见的方法是对健康状态记录进行均值计算,以数值均值线为基准,根据回归阈值确定更新记录。均值计算可以帮助消除异常值的影响,提高数据的稳定性。然后,根据回归阈值和均值计算结果,可以确定需要更新的数据点,生成新的健康状态记录;所述健康状态记录包含了电池的状态信息、性能参数、环境参数和使用历史等重要信息,为智能监测提供了完整的数据基础。通过提取健康状态记录的数值回归线并根据回归阈值确定冗余缺失数据,其中,数据预处理和更新记录的生成,可以提高数据的准确性和完整性,为后续的模型训练和状态评估提供可靠的基础。
通过informer模型中滑动窗口对所述健康状态记录进行划分和再拼接,获得健康状态序列集;
滑动窗口是一种将数据序列划分为多个子序列的方法,每个子序列称为一个窗口。在电池健康状态监测中,所述滑动窗口可以将连续的健康状态记录划分为多个时间段的子序列。每个子序列包含了特定时间段的电池状态信息、性能参数、环境参数和使用历史等,将所述子序列进行再拼接,形成一个健康状态序列集。所述健康状态序列集包含了多个时间段的电池健康状态信息,可以作为后续模型训练的输入数据。通过再拼接,可以将分散的健康状态记录整合为一个连续的时间序列数据集,更好地反映电池健康状态的动态变化。通过在informer模型中滑动窗口对健康状态记录进行划分和再拼接,可以获得所述健康状态序列集。这一步骤有助于将原始的健康状态记录转化为适合模型训练的形式,提高电池健康状态监测的准确性和效率。
对所述健康状态记录进行时间填充,获取健康数据序列;
对所述健康数据序列进行特征提取,根据提取特征确定所述健康数据序列的相关性,生成相关性系数;
根据所述相关性系数对所述健康数据序列进行调整,获得多个健康数据子序列,添加至所述健康状态序列集。
对所述健康状态记录进行时间填充是为了补全缺失的数据值,确保数据序列的连续性和完整性。时间填充可以采用插值、外推或其他预测方法,根据已有的数据点推断缺失值。通过时间填充,可以获得完整的健康数据序列,对所述健康数据序列进行特征提取。特征提取是从数据序列中提取出与电池健康状态相关的特征,这些特征可以反映电池的性能参数、状态变化和环境因素等;根据提取的特征确定所述健康数据序列的相关性。相关性是指不同特征之间的关联程度,可以通过计算特征之间的相似性、相关性系数或使用机器学习算法来评估,其中所述相关性系数是一个量化的指标,用于表示不同特征之间的关联程度;根据所述相关性系数对健康数据序列进行调整。调整的目的是为了更好地组织数据序列的结构,使得相关性强和相关性弱的特征能够得到适当的处理。对所述健康状态记录进行时间填充、特征提取和相关性分析是实现基于所述informer模型的电池健康状态智能监测的重要预处理步骤。通过这些处理,可以生成适合模型训练的健康数据子序列,并添加到健康状态序列集中,为后续的状态评估和预测提供更全面的数据基础。
根据所述电池状态记录确定充放电指数,调取捕捉周期性特征确定周期性健康特征,整合至全局时间戳获得电池健康状态趋势;
根据所述电池状态记录确定充放电指数,其中充放电指数反映了电池的充放电能力,可以通过计算电池的充放电电流、电压等参数来获得。通过分析充放电指数的变化趋势,可以了解电池的健康状态和性能状况;调取捕捉周期性特征来确定周期性健康特征。周期性特征是指电池性能参数随时间呈现出的规律性变化特征。这些特征可能与电池的充放电周期、使用频率等因素有关。通过捕捉这些周期性特征,可以更好地了解电池的性能状态和变化规律。整合全局时间戳获得电池健康状态趋势。全局时间戳是指监测过程中记录的时间点,它可以用于将各个健康状态记录和子序列按照时间顺序进行排列和整合。通过将充放电指数和周期性健康特征与全局时间戳进行整合,可以形成电池健康状态趋势图。根据电池状态记录确定充放电指数和调取周期性特征,可以全面了解电池的健康状态和性能状况,为后续的状态评估和预测提供可靠的依据。
根据所述电池状态记录提取使用时长记录和充电次数记录,并计算获取充电频次;
根据所述充电频次计算生成充放电周期规则,提取充放电周期规则节点的充放电指数;
调取所述健康状态记录中捕捉数据的周期性特征,结合所述充放电指数分析健康衰减趋势和内阻增加趋势,确定所述周期性健康特征;
根据所述周期性健康特征整合至所述全局时间戳,获取所述电池健康状态趋势。
根据所述电池状态记录提取使用时长记录和充电次数记录。使用时长记录反映了电池的放电时间,而充电次数记录则记录了电池的充电次数,通过所述记录,可以了解电池的使用情况和充电模式。根据使用时长记录和充电次数记录计算充电频次。充电频次是指一定时间内电池的充电次数,通过计算可以获得电池的充电频次分布和变化趋势。根据充电频次计算生成充放电周期规则。充放电周期是指电池完成一次充放电循环所需要的时间,规则可以基于电池的充放电模式、使用场景等因素来确定。通过生成充放电周期规则,可以更好地理解电池的使用模式和性能表现,提取充放电周期规则节点的充放电指数。充放电指数反映了电池在充放电过程中的性能表现,可以通过测量电池的电流、电压等参数来获得。提取所述充放电指数可以帮助了解电池在不同充放电周期内的性能状态;调取健康状态记录中捕捉数据的周期性特征,其中周期性特征是指电池性能参数随时间呈现出的规律性变化特征,与电池的充放电周期、使用频率等因素有关。通过捕捉这些周期性特征,可以更好地了解电池的性能状态和变化规律。健康衰减是指电池性能随时间逐渐降低的过程,而内阻增加则是指电池内部电阻的增加。通过分析这些趋势,可以评估电池的健康状态和性能状况。根据周期性健康特征整合至全局时间戳,获取电池健康状态趋势。全局时间戳是指监测过程中记录的时间点,它可以用于将各个健康状态记录和子序列按照时间顺序进行排列和整合。通过将周期性健康特征与全局时间戳进行整合,可以形成电池健康状态趋势图。根据电池状态记录提取使用时长记录和充电次数记录,并计算充电频次,可以全面了解电池的健康状态和性能状况,为后续的状态评估和预测提供可靠的依据。
根据所述健康状态序列集和所述电池健康状态趋势执行所述informer模型输入,结合所述健康状态序列集中填充时间集,确定多步健康状态预测集;
将健康状态序列集作为informer模型的输入。informer模型是一种基于自注意力机制的深度学习模型,能够处理序列数据并提取其中的特征。将健康状态序列集输入到informer模型中,可以利用模型的自注意力机制来捕捉序列中的模式和关联性,提取出与电池健康状态相关的特征;结合电池健康状态趋势进行模型训练,再结合填充时间集确定多步健康状态预测集,填充时间集是为了补全缺失的数据值而进行的时间填充操作,通过结合填充时间集,可以生成连续的健康状态序列,并将其作为多步健康状态预测集的输入,多步健康状态预测集是指对未来多个时间步长的电池健康状态的预测结果。根据informer模型的预测结果和多步健康状态预测集,可以对未来电池的健康状态进行评估和预测。根据预测结果,可以制定相应的维护和管理策略,例如及时更换电池、调整充电模式等,以保障电池的性能和安全性。
根据所述健康状态序列集和所述电池健康状态趋势生成健康输入数据集,划分获得健康训练集与健康验证集;
根据所述健康训练集进行所述informer模型输入执行,当所述informer模型的输出趋于稳定时,提取所述健康验证集进行验证,获得所述informer模型;
根据所述健康状态序列集提取所述填充时间集,调取所述填充时间集中时间节点集,结合所述informer模型的健康输出集执行所述时间节点集的参数填充,生成所述多步健康状态预测集。
根据健康状态序列集和电池健康状态趋势生成健康输入数据集。健康输入数据集是用于训练和验证informer模型的样本数据集,包含了多个健康状态序列和相应的标签。这些序列和标签反映了电池在不同时间点的健康状态和性能表现;将健康输入数据集划分为健康训练集和健康验证集。健康训练集用于训练informer模型,而健康验证集用于验证模型的性能和泛化能力。通过合理的划分,可以确保训练集和验证集的数据分布具有代表性,提高模型的准确性和可靠性;根据健康训练集执行informer模型输入,通过训练informer模型,使其能够根据历史数据预测未来的电池健康状态。当informer模型的输出趋于稳定时,提取健康验证集进行验证。通过比较informer模型对验证集的预测结果与实际标签之间的误差,可以评估模型的性能和泛化能力。根据验证结果,可以对模型进行调优和改进,进一步提高其预测精度和稳定性。根据健康状态序列集提取填充时间集,所述填充时间集是为了补全缺失的数据值而进行的时间填充操作。通过提取填充时间集,可以生成连续的健康状态序列,为后续的多步健康状态预测提供完整的数据基础;调取填充时间集中时间节点集,其中时间节点集是指填充时间集中各个时间点的集合,结合informer模型的健康输出集执行时间节点集的参数填充,可以生成多步健康状态预测集,其中多步健康状态预测集是指对未来多个时间点的电池健康状态的预测结果,根据多步健康状态预测集进行决策支持。根据informer模型的预测结果和多步健康状态预测集,可以对未来的电池的健康状态进行评估和预测。根据预测结果,可以制定相应的维护和管理策略,例如及时更换电池、调整充电模式等,以保障电池的性能和安全性。
如图2所示,对所述健康输入数据集中各健康输入数据进行长度计算,获取健康输入数据长度集;
根据电池容量划分规则和所述填充时间集对所述健康输入数据长度集进行训练集长度截取,获得所述健康训练集;
根据所述健康输入数据集和所述健康训练集,确定所述健康验证集。
对所述健康输入数据集中各健康输入数据进行长度计算,获取健康输入数据长度集。长度计算是指统计每个健康输入数据的序列长度或时间步数。通过长度计算,可以了解每个健康状态序列的完整性和信息量,为后续的数据处理和模型训练提供依据;根据电池容量划分规则和填充时间集对健康输入数据长度集进行训练集长度截取,获得健康训练集。电池容量划分规则是指根据电池的容量大小将其划分为不同的等级或区间。根据电池容量划分规则和填充时间集,可以对健康输入数据长度集中的数据进行截取,选取适合训练informer模型的数据子集作为健康训练集,例如按照时间顺序进行划分,将前10%的数据作为训练集,用于训练预测模型。剩余的数据作为测试集,用于评估模型的预测性能;根据健康输入数据集和健康训练集,确定健康验证集。健康验证集是用于验证informer模型性能和泛化能力的数据子集。可以从健康输入数据集中选择一部分数据作为验证集,确保其与训练集的数据分布和特征相似,但又不与训练集重叠,根据informer模型的输出和多步健康状态预测集进行决策支持。根据informer模型的预测结果和多步健康状态预测集,可以对未来电池的健康状态进行评估和预测。根据预测结果,可以制定相应的维护和管理策略,例如及时更换电池、调整充电模式等,以保障电池的性能和安全性,进一步评估和优化informer模型的性能。
根据所述informer模型的预测评价阈值对所述多步健康状态预测集进行预测精度计算,根据精度计算结果优化所述informer模型,获取informer健康监测模型;
根据informer模型的预测评价阈值对多步健康状态预测集进行预测精度计算,所述预测评价阈值是用于评估预测结果准确性的一个标准或参考值,通过将预测结果与实际值进行比较,并根据所述预测评价阈值计算预测精度,可以评估模型的预测能力。根据所述预测精度,分析所述informer模型的性能表现和误差来源。通过调整模型参数、改进特征提取方法、优化网络结构等手段,对informer模型进行优化,以提高模型的预测精度和稳定性。通过反复迭代上述步骤,不断优化informer模型,最终可以获取一个性能更优的informer健康监测模型。该模型能够更准确地预测电池的健康状态,为电池维护和管理提供更可靠的决策支持。
实时采集健康状态,根据所述informer健康监测模型进行电池健康状态实时监测。
通过实时采集电池的健康状态数据,可以获取电池当前的状态信息,包括电压、电流、温度等关键参数,所述参数是进行电池健康状态评估和预测的基础;将实时采集的健康状态数据输入到informer健康监测模型中,可以获得对电池健康状态的实时评估和预测结果。实时采集健康状态并利用informer健康监测模型进行电池健康状态实时监测,可以实现对电池健康状态的智能监测和管理。这种方法能够提供及时的预警和评估,有助于保障电池的性能和安全性,为设备的正常运行提供有力支持。
实时采集获取实时健康状态,包括实时电池健康指标集与实时电池状态;
根据所述informer健康监测模型对所述实时电池健康指标集与所述实时电池状态进行分析,获取电池健康状态预测数据作为监测结果,完成电池健康状态实时监测。
通过实时采集技术,可以获取电池的实时健康状态数据,包括实时电池健康指标集与实时电池状态。实时电池健康指标集包括电压、电流、温度等关键参数,这些指标能够反映电池当前的性能和健康状态。实时电池状态则包括电池的工作状态、充放电模式等信息,将实时采集的实时电池健康指标集与实时电池状态输入到informer健康监测模型中,获得对电池健康状态的实时分析和预测结果;informer健康监测模型会对实时电池健康指标集与实时电池状态进行分析,提取关键特征并生成电池健康状态预测数据,用于及时发现电池潜在的故障模式、性能下降趋势等至关重要,通过对比历史数据和预测结果,还可以评估电池的性能表现和寿命预期,基于实时监测的结果,可以制定相应的维护和管理方法。通过实时采集获取实时健康状态,并利用informer健康监测模型进行分析,能够提供及时的预警和评估,有助于保障电池的性能和安全性,为设备的正常运行提供有力支持。
如图3所示,基于informer模型的电池健康状态智能监测***,所述***包括:
健康状态记录采集模块11,所述健康状态记录采集模块11用于采集目标电池的健康状态记录,其中,所述健康状态记录包括电池状态记录;
健康状态序列集获得模块12,所述健康状态序列集获得模块12用于通过informer模型中滑动窗口对所述健康状态记录进行划分和再拼接,获得健康状态序列集;
电池健康状态趋势整合模块13,所述电池健康状态趋势整合模块13用于根据所述电池状态记录确定充放电指数,调取捕捉周期性特征确定周期性健康特征,整合至全局时间戳获得电池健康状态趋势;
多步健康状态预测集确定模块14,所述多步健康状态预测集确定模块14用于根据所述健康状态序列集和所述电池健康状态趋势执行所述informer模型输入,结合所述健康状态序列集中填充时间集,确定多步健康状态预测集;
健康监测模型获得模块15,所述健康监测模型获得模块15用于根据所述informer模型的预测评价阈值对所述多步健康状态预测集进行预测精度计算,根据精度计算结果优化所述informer模型,获取informer健康监测模型;
健康状态实时采集模块16,所述健康状态实时采集模块16用于实时采集健康状态,根据所述informer健康监测模型进行电池健康状态实时监测。
进一步地,本申请实施例还包括:
数值回归线提取模块,所述数值回归线提取模块用于提取所述健康状态记录的数值回归线,根据回归阈值确定所述健康状态记录中冗余缺失数据;
健康状态记录生成模块,所述健康状态记录生成模块用于若所述冗余缺失数据非空,对所述健康状态记录进行均值计算,以数值均值线为基准,根据所述回归阈值确定所述健康状态记录的更新记录,生成所述健康状态记录。
进一步地,本申请实施例还包括:
健康数据序列获取模块,所述健康数据序列获取模块用于对所述健康状态记录进行时间填充,获取健康数据序列;
相关性系数生成模块,所述相关性系数生成模块用于对所述健康数据序列进行特征提取,根据提取特征确定所述健康数据序列的相关性,生成相关性系数;
健康数据子序列添加模块,所述健康数据子序列添加模块用于根据所述相关性系数对所述健康数据序列进行调整,获得多个健康数据子序列,添加至所述健康状态序列集。
进一步地,本申请实施例还包括:
充电频次计算模块,所述充电频次计算模块用于根据所述电池状态记录提取使用时长记录和充电次数记录,并计算获取充电频次;
充放电指数提取模块,所述充放电指数提取模块用于根据所述充电频次计算生成充放电周期规则,提取充放电周期规则节点的充放电指数;
周期性健康特征确定模块,所述周期性健康特征确定模块用于调取所述健康状态记录中捕捉数据的周期性特征,结合所述充放电指数分析健康衰减趋势和内阻增加趋势,确定所述周期性健康特征;
电池健康状态趋势获取模块,所述电池健康状态趋势获取模块用于根据所述周期性健康特征整合至所述全局时间戳,获取所述电池健康状态趋势。
进一步地,本申请实施例还包括:
健康输入数据集生成模块,所述健康输入数据集生成模块用于根据所述健康状态序列集和所述电池健康状态趋势生成健康输入数据集,划分获得健康训练集与健康验证集;
健康验证集验证模块,所述健康验证集验证模块用于根据所述健康训练集进行所述informer模型输入执行,当所述informer模型的输出趋于稳定时,提取所述健康验证集进行验证,获得所述informer模型;
多步健康状态预测集生成模块,所述多步健康状态预测集生成模块用于根据所述健康状态序列集提取所述填充时间集,调取所述填充时间集中时间节点集,结合所述informer模型的健康输出集执行所述时间节点集的参数填充,生成所述多步健康状态预测集。
进一步地,本申请实施例还包括:
健康输入数据集长度集获取模块,所述健康输入数据集长度集获取模块用于对所述健康输入数据集中各健康输入数据进行长度计算,获取健康输入数据长度集;
健康训练集获得模块,所述健康训练集获得模块用于根据电池容量划分规则和所述填充时间集对所述健康输入数据长度集进行训练集长度截取,获得所述健康训练集;
健康验证集确定模块,所述健康验证集确定模块用于根据所述健康输入数据集和所述健康训练集,确定所述健康验证集。
进一步地,本申请实施例还包括:
实时健康状态采集模块,所述实时健康状态采集模块用于实时采集获取实时健康状态,包括实时电池健康指标集与实时电池状态;
电池健康状态监测模块,所述电池健康状态监测模块用于根据所述informer健康监测模型对所述实时电池健康指标集与所述实时电池状态进行分析,获取电池健康状态预测数据作为监测结果,完成电池健康状态实时监测。
关于基于informer模型的电池健康状态智能监测***的具体实施例可以参见上文中对于基于informer模型的电池健康状态智能监测方法的实施例,在此不再赘述。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
以上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 (8)
1.基于informer模型的电池健康状态智能监测方法,其特征在于,所述方法包括:
采集目标电池的健康状态记录,其中,所述健康状态记录包括电池状态记录;
通过informer模型中滑动窗口对所述健康状态记录进行划分和再拼接,获得健康状态序列集;
根据所述电池状态记录确定充放电指数,调取捕捉周期性特征确定周期性健康特征,整合至全局时间戳获得电池健康状态趋势;
根据所述健康状态序列集和所述电池健康状态趋势执行所述informer模型输入,结合所述健康状态序列集中填充时间集,确定多步健康状态预测集;
根据所述informer模型的预测评价阈值对所述多步健康状态预测集进行预测精度计算,根据精度计算结果优化所述informer模型,获取informer健康监测模型;
实时采集健康状态,根据所述informer健康监测模型进行电池健康状态实时监测。
2.如权利要求1所述的方法,其特征在于,通过informer模型中滑动窗口对所述健康状态记录进行划分和再拼接,获得健康状态序列集,之前包括:
提取所述健康状态记录的数值回归线,根据回归阈值确定所述健康状态记录中冗余缺失数据;
若所述冗余缺失数据非空,对所述健康状态记录进行均值计算,以数值均值线为基准,根据所述回归阈值确定所述健康状态记录的更新记录,生成所述健康状态记录。
3.如权利要求1所述的方法,其特征在于,通过informer模型中滑动窗口对所述健康状态记录进行划分和再拼接,获得健康状态序列集,包括:
对所述健康状态记录进行时间填充,获取健康数据序列;
对所述健康数据序列进行特征提取,根据提取特征确定所述健康数据序列的相关性,生成相关性系数;
根据所述相关性系数对所述健康数据序列进行调整,获得多个健康数据子序列,添加至所述健康状态序列集。
4.如权利要求1所述的方法,其特征在于,根据所述电池状态记录确定充放电指数,调取捕捉周期性特征确定周期性健康特征,整合至全局时间戳获得电池健康状态趋势,包括:
根据所述电池状态记录提取使用时长记录和充电次数记录,并计算获取充电频次;
根据所述充电频次计算生成充放电周期规则,提取充放电周期规则节点的充放电指数;
调取所述健康状态记录中捕捉数据的周期性特征,结合所述充放电指数分析健康衰减趋势和内阻增加趋势,确定所述周期性健康特征;
根据所述周期性健康特征整合至所述全局时间戳,获取所述电池健康状态趋势。
5.如权利要求1所述的方法,其特征在于,根据所述健康状态序列集和所述电池健康状态趋势执行所述informer模型输入,结合所述健康状态序列集中填充时间集,确定多步健康状态预测集,包括:
根据所述健康状态序列集和所述电池健康状态趋势生成健康输入数据集,划分获得健康训练集与健康验证集;
根据所述健康训练集进行所述informer模型输入执行,当所述informer模型的输出趋于稳定时,提取所述健康验证集进行验证,获得所述informer模型;
根据所述健康状态序列集提取所述填充时间集,调取所述填充时间集中时间节点集,结合所述informer模型的健康输出集执行所述时间节点集的参数填充,生成所述多步健康状态预测集。
6.如权利要求5所述的方法,其特征在于,根据所述健康状态序列集和所述电池健康状态趋势生成健康输入数据集,划分获得健康训练集与健康验证集,包括:
对所述健康输入数据集中各健康输入数据进行长度计算,获取健康输入数据长度集;
根据电池容量划分规则和所述填充时间集对所述健康输入数据长度集进行训练集长度截取,获得所述健康训练集;
根据所述健康输入数据集和所述健康训练集,确定所述健康验证集。
7.如权利要求1所述的方法,其特征在于,实时采集健康状态,根据所述informer健康监测模型进行电池健康状态实时监测,包括:
实时采集获取实时健康状态,包括实时电池健康指标集与实时电池状态;
根据所述informer健康监测模型对所述实时电池健康指标集与所述实时电池状态进行分析,获取电池健康状态预测数据作为监测结果,完成电池健康状态实时监测。
8.基于informer模型的电池健康状态智能监测***,其特征在于,所述***包括:
健康状态记录采集模块,所述健康状态记录采集模块用于采集目标电池的健康状态记录,其中,所述健康状态记录包括电池状态记录;
健康状态序列集获得模块,所述健康状态序列集获得模块用于通过informer模型中滑动窗口对所述健康状态记录进行划分和再拼接,获得健康状态序列集;
电池健康状态趋势整合模块,所述电池健康状态趋势整合模块用于根据所述电池状态记录确定充放电指数,调取捕捉周期性特征确定周期性健康特征,整合至全局时间戳获得电池健康状态趋势;
多步健康状态预测集确定模块,所述多步健康状态预测集确定模块用于根据所述健康状态序列集和所述电池健康状态趋势执行所述informer模型输入,结合所述健康状态序列集中填充时间集,确定多步健康状态预测集;
健康监测模型获得模块,所述健康监测模型获得模块用于根据所述informer模型的预测评价阈值对所述多步健康状态预测集进行预测精度计算,根据精度计算结果优化所述informer模型,获取informer健康监测模型;
健康状态实时采集模块,所述健康状态实时采集模块用于实时采集健康状态,根据所述informer健康监测模型进行电池健康状态实时监测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410119513.8A CN117930024A (zh) | 2024-01-29 | 2024-01-29 | 基于informer模型的电池健康状态智能监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410119513.8A CN117930024A (zh) | 2024-01-29 | 2024-01-29 | 基于informer模型的电池健康状态智能监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117930024A true CN117930024A (zh) | 2024-04-26 |
Family
ID=90764389
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410119513.8A Pending CN117930024A (zh) | 2024-01-29 | 2024-01-29 | 基于informer模型的电池健康状态智能监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117930024A (zh) |
-
2024
- 2024-01-29 CN CN202410119513.8A patent/CN117930024A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112731159A (zh) | 一种储能电站电池舱电池故障预判及定位的方法 | |
CN110046453B (zh) | 一种激光雷达的寿命预测方法 | |
US10534361B2 (en) | Industrial asset health model update | |
CN111045894B (zh) | 数据库异常检测方法、装置、计算机设备和存储介质 | |
CN115356639B (zh) | 一种双向锂离子电池智能健康监控方法及*** | |
CN111984513A (zh) | 一种预测性维护方法、装置、设备以及存储介质 | |
CN117074965B (zh) | 一种锂离子电池剩余寿命预测方法及*** | |
CN101999101A (zh) | ***运行预测的确定方法 | |
CN115480180A (zh) | 一种新能源电池健康诊断分析方法 | |
CN111400850A (zh) | 设备故障分析方法、装置、设备和存储介质 | |
CN114879070A (zh) | 一种电池状态评估方法及相关设备 | |
KR102512615B1 (ko) | 수명분포를 고려한 생애주기데이터 확장 기능을 가지는 잔존수명 예측 시스템 및 방법 | |
CN114548493A (zh) | 一种电能表电流过载预测方法与*** | |
CN117893059A (zh) | 基于传感器的储能数据采集分析方法及*** | |
CN112345972A (zh) | 基于停电事件的配电网线变关系异常诊断方法、装置及*** | |
CN117930024A (zh) | 基于informer模型的电池健康状态智能监测方法 | |
CN116662771A (zh) | 电容式电压互感器自适应pca误差定量评价的方法及*** | |
CN115526348A (zh) | 设备维护计划生成方法、装置、设备及存储介质 | |
CN115481568A (zh) | 一种基于自适应模型粒子滤波算法的轴承寿命预测方法 | |
CN114720901A (zh) | 一种锂离子电池健康状态估计的方法 | |
WO2024057996A1 (ja) | 蓄電素子の劣化状態の算出装置、劣化状態の算出方法、劣化状態の算出プログラム、劣化状態の推定装置、劣化状態の推定方法、異常検知装置及び異常検知方法 | |
Xingzhi et al. | Failure threshold setting for Wiener-process-based remaining useful life estimation | |
CN117514649B (zh) | 一种风电机组健康状态监测方法及装置 | |
CN117452236B (zh) | 新能源汽车的电池寿命检测方法及*** | |
CN116736174B (zh) | 电池剩余寿命预测方法、装置、计算机设备和存储介质 |
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 |