CN118068197A - 储能电池热失控预警方法、装置及电子设备 - Google Patents
储能电池热失控预警方法、装置及电子设备 Download PDFInfo
- Publication number
- CN118068197A CN118068197A CN202410458713.6A CN202410458713A CN118068197A CN 118068197 A CN118068197 A CN 118068197A CN 202410458713 A CN202410458713 A CN 202410458713A CN 118068197 A CN118068197 A CN 118068197A
- Authority
- CN
- China
- Prior art keywords
- thermal runaway
- energy storage
- storage battery
- data
- domain
- 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
- 238000004146 energy storage Methods 0.000 title claims abstract description 196
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012549 training Methods 0.000 claims abstract description 98
- 238000000605 extraction Methods 0.000 claims abstract description 74
- 230000008859 change Effects 0.000 claims description 22
- 239000000284 extract Substances 0.000 claims description 17
- 238000002372 labelling Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 5
- 238000009826 distribution Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000008485 antagonism Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
Landscapes
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本申请提供了一种储能电池热失控预警方法、装置及电子设备,方法包括:获取待检测的储能电池数据;将储能电池数据输入至预设的热失控风险预警模型;其中,热失控风险预警模型包括特征提取网络、域对抗网络和值对抗网络;特征提取网络、域对抗网络和值对抗网络,通过储能电池热失控训练样本集进行特征提取和对抗训练得到;通过所述值对抗网络的分类器,输出所述储能电池数据对应的风险预警结果。通过对抗网络提取时不变特征的方式来进行电池热失控预测,准确度高。
Description
技术领域
本申请涉及储能技术领域,尤其是涉及一种储能电池热失控预警方法、装置及电子设备。
背景技术
目前,数据驱动的储能集装箱的热失控预警算法中,时序数据的数据分布偏移问题通常采用全量数据重新训练模型的方式解决。全量数据重新训练的方式,存在消耗算力和时间的问题,热失控发生往往较为迅速,较短的时间内无法完成模型的再次训练。
发明内容
本申请的目的在于提供一种储能电池热失控预警方法、装置及电子设备,通过对抗网络提取不变特征的方式来进行电池热失控预测,准确度高。
第一方面,本申请提供一种储能电池热失控预警方法,方法包括:获取待检测的储能电池数据;储能电池数据包括:储能电池的电压-时间数据、或温度-时间数据;将储能电池数据输入至预设的热失控风险预警模型;其中,热失控风险预警模型包括:特征提取网络、域对抗网络和值对抗网络;特征提取网络和域对抗网络构成的局部模型,通过储能电池热失控训练样本集进行训练,以使特征提取网络能够提取风险类别的时不变特征;域对抗网络的分类器用于对储能电池热失控数据进行域分类,判别器用于对储能电池热失控数据进行风险分类;其中,储能电池热失控训练样本集,通过对储能电池热失控数据进行风险类别打标,以及将储能电池热失控数据按照距离热失控发生点的时间范围划分为若干域后进行域分类打标得到;储能电池热失控数据为储能电池热失控前后一定时间范围内的电压-时间数据、或温度-时间数据;特征提取网络和值对抗网络构成的局部模型,通过储能电池热失控训练样本进行训练,以使特征提取网络能够提取域的时不变特征;值对抗网络的分类器用于对储能电池热失控数据进行风险分类,判别器用于对储能电池热失控数据进行域分类;基于热失控风险预警模型对储能电池进行热失控风险预警,并以值对抗网络的分类器的输出作为风险预警的结果。
进一步地,上述热失控风险预警模型的训练过程如下:获取储能电池热失控训练样本集;通过储能电池热失控训练样本集,训练特征提取网络和域对抗网络构成的局部模型;再通过储能电池热失控训练样本集,训练特征提取网络和值对抗网络构成的局部模型,得到热失控风险预警模型。
进一步地,上述获取储能电池热失控训练样本集的步骤,包括:获取储能电池热失控数据;对储能电池热失控数据进行风险分类,并对储能电池热失控数据进行风险类别打标,对风险类别打标后的每一储能电池热失控数据进行域分类打标,得到储能电池热失控训练样本集。
进一步地,上述对储能电池热失控数据进行风险分类,并对储能电池热失控数据进行风险类别打标,对风险类别打标后的每一储能电池热失控数据进行域分类打标的步骤,包括:获取储能电池热失控数据中,多个热失控案例分别对应的电压和温度随时间的变化曲线;根据每个变化曲线中,电压和温度在预设时间间隔内的突变量或变化率,划分为多个不同风险等级的曲线段;为每个曲线段标注对应的风险类别标签;将每个热失控案例对应的变化曲线,在距离热失控发生点的指定时间范围内,按照预设时间间隔划分为多个时段;为每个时段标注对应的域标签。
进一步地,上述通过储能电池热失控训练样本集,训练特征提取网络和域对抗网络构成的局部模型的步骤,包括:采用储能电池热失控训练样本集训练特征提取网络和域对抗网络中的域分类器,以及训练域对抗网络中的风险类别判别器,得到训练好的域对抗网络。
进一步地,上述通过储能电池热失控训练样本集,训练特征提取网络和值对抗网络的步骤,包括:采用储能电池热失控训练样本集训练特征提取网络和值对抗网络中的风险分类器,以及训练值对抗网络中的域类别判别器,得到训练好的特征提取网络和值对抗网络。
进一步地,上述对抗网络的训练过程中涉及的损失函数如下:
(1)
其中,表示第/>个样本对应的分类器损失值;/>表示第/>个样本对应的判别器损失值;/>分别表示特征提取网络、分类器和判别器的参数;/>表示平衡分类器和判别器的系数;/>表示样本的个数;
(2)
公式(2)表示最小化分类误差;
(3)
公式(3)表示最大化判别误差。
第二方面,本申请还提供一种储能电池热失控预警装置,装置包括:数据获取模块,用于获取待检测的储能电池数据;储能电池数据包括:储能电池的电压-时间数据、或温度-时间数据;数据输入模块,用于将储能电池数据输入至预设的热失控风险预警模型;其中,热失控风险预警模型包括:特征提取网络、域对抗网络和值对抗网络;特征提取网络和域对抗网络构成的局部模型,通过储能电池热失控训练样本集进行训练,以使特征提取网络能够提取风险类别的时不变特征;域对抗网络的分类器用于对储能电池热失控数据进行域分类,判别器用于对储能电池热失控数据进行风险分类;其中,储能电池热失控训练样本集,通过对储能电池热失控数据进行风险类别打标,以及将储能电池热失控数据按照距离热失控发生点的时间范围划分为若干域后进行域分类打标得到;储能电池热失控数据为储能电池热失控前后一定时间范围内的电压-时间数据、或温度-时间数据;特征提取网络和值对抗网络构成的局部模型,通过储能电池热失控训练样本进行训练,以使特征提取网络能够提取域的时不变特征;值对抗网络的分类器用于对储能电池热失控数据进行风险分类,判别器用于对储能电池热失控数据进行域分类;模型预测模块,用于基于热失控风险预警模型对储能电池进行热失控风险预警,并以值对抗网络的分类器的输出作为风险预警的结果。
第三方面,本申请还提供一种电子设备,包括处理器和存储器,存储器存储有能够被处理器执行的计算机可执行指令,处理器执行计算机可执行指令以实现上述第一方面所述的方法。
第四方面,本申请还提供一种计算机可读存储介质,计算机可读存储介质存储有计算机可执行指令,计算机可执行指令在被处理器调用和执行时,计算机可执行指令促使处理器实现上述第一方面所述的方法。
本申请提供的储能电池热失控预警方法、装置及电子设备中,获取待检测的储能电池数据;储能电池数据包括:储能电池的电压-时间数据、或温度-时间数据;将储能电池数据输入至预设的热失控风险预警模型;其中,热失控风险预警模型包括:特征提取网络、域对抗网络和值对抗网络;特征提取网络和域对抗网络构成的局部模型,通过储能电池热失控训练样本集进行训练,以使特征提取网络能够提取风险类别的时不变特征;域对抗网络的分类器用于对储能电池热失控数据进行域分类,判别器用于对储能电池热失控数据进行风险分类;其中,储能电池热失控训练样本集,通过对储能电池热失控数据进行风险类别打标,以及将储能电池热失控数据按照距离热失控发生点的时间范围划分为若干域后进行域分类打标得到;储能电池热失控数据为储能电池热失控前后一定时间范围内的电压-时间数据、或温度-时间数据;特征提取网络和值对抗网络构成的局部模型,通过储能电池热失控训练样本进行训练,以使特征提取网络能够提取域的时不变特征;值对抗网络的分类器用于对储能电池热失控数据进行风险分类,判别器用于对储能电池热失控数据进行域分类;基于热失控风险预警模型对储能电池进行热失控风险预警,并以值对抗网络的分类器的输出作为风险预警的结果。该方案中,能够通过对抗网络提取时不变特征的方式来进行电池热失控预测,准确度高。
附图说明
为了更清楚地说明本申请具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施方式,对于本领域普通技术人员来讲,在不付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。
图1为本申请实施例提供的一种热失控发生前的电压和温度曲线的示意图;
图2为本申请实施例提供的一种储能电池热失控预警方法的流程图;
图3为本申请实施例提供的一种模型架构示意图;
图4为本申请实施例提供的一种储能电池热失控预警装置的结构框图;
图5为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合实施例对本申请的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
正常生产环境下的储能***的电池温度维持在10-35℃的区间,若发生热失控,不同种类或者不同生产厂商生产的电池的热失控触发温度不同,当我们要实现热失控预警时,需要分析热失控触发前的征兆特征,因此不同热失控案例的温度范围不同,即数据分布不同。
若依据“温升速率>1℃/s持续3s以上且出现压降”的热失控判定条件,如图1中的(a)所示的热失控之前的温度范围为24℃-32℃,即训练集的数据分布在24℃-32℃,而测试集的数据分布如图1中的(b)所示的20℃-80℃。测试集在时序上发生了严重的数据分布偏移。
针对上述数据分布偏移问题,现有的全量数据重新训练的方式,存在消耗算力和时间的问题,热失控发生往往较为迅速,较短的时间内无法完成模型的再次训练。基于此,本申请实施例提供一种储能电池热失控预警方法、装置及电子设备,通过对抗网络提取不变特征的方式来进行电池热失控预测,准确度高。
为便于对本实施例进行理解,首先对本申请实施例所公开的一种储能电池热失控预警方法进行详细介绍。
GAN对抗学习的主要结构包括一个生成器G(Generator)和一个判别器D(Discriminator)。GAN中生成器不是为了生成与真实数据一样的分布,而是为了愚弄判别器,争取不被判别器识别出来,GAN的核心在于G和D的对抗。
为了解决时间上的数据偏移问题,本申请实施例的整体思路就是寻找时间上的不变特征或者跟时间无关的特征。本方案中,设计了基于对抗学习的模型来学习时间无关的特征。该模型由域对抗网络和值对抗网络组成,其中域对抗网络用来预测样本所属的域,提取的是类与类(风险类别)之间的不变特征;值对抗网络用来预测样本所属的类别,提取的是域与域之间的不变特征。
图2为本申请实施例提供的一种储能电池热失控预警方法的流程图,该方法具体包括以下步骤:
步骤S202,获取待检测的储能电池数据;储能电池数据包括:储能电池的电压-时间数据、或温度-时间数据;
步骤S204,将储能电池数据输入至预设的热失控风险预警模型;其中,热失控风险预警模型包括:特征提取网络、域对抗网络和值对抗网络;特征提取网络和域对抗网络构成的局部模型,通过储能电池热失控训练样本集进行训练,以使特征提取网络能够提取风险类别的时不变特征;域对抗网络的分类器用于对储能电池热失控数据进行域分类,判别器用于对储能电池热失控数据进行风险分类;其中,储能电池热失控训练样本集,通过对储能电池热失控数据进行风险类别打标,以及将储能电池热失控数据按照距离热失控发生点的时间范围划分为若干域后进行域分类打标得到;储能电池热失控数据为储能电池热失控前后一定时间范围内的电压-时间数据、或温度-时间数据;特征提取网络和值对抗网络构成的局部模型,通过储能电池热失控训练样本进行训练,以使特征提取网络能够提取域的时不变特征;值对抗网络的分类器用于对储能电池热失控数据进行风险分类,判别器用于对储能电池热失控数据进行域分类;
步骤S206,基于热失控风险预警模型对储能电池进行热失控风险预警,并以值对抗网络的分类器的输出作为风险预警的结果。
本申请实施例中,通过对抗网络提取不变特征的方式来进行电池热失控预测,准确度高。
本申请实施例还提供另一种储能电池热失控预警方法,该方法在上述实施例的基础上实现;本实施例重点描述模型训练过程。
参见图3所示的热失控风险预警模型的结构示意图,首先,热失控案例数据输入给特征提取网络(feature extractor),特征提取网络由3层神经网络组成。然后,通过域对抗网络(Domain Adversarial Network)提取类与类之间的不变特征,值对抗网络(ValueAdversarial Network)提取域与域之间的不变特征。最后,使用值对抗网络中的风险分类器(classifier(risk))预测热失控风险。
上述热失控风险预警模型的训练过程如下:
(1)获取储能电池热失控训练样本集;
具体的,首先获取储能电池热失控数据;对储能电池热失控数据进行风险分类,并对储能电池热失控数据进行风险类别打标,对风险类别打标后的每一储能电池热失控数据进行域分类打标,得到储能电池热失控训练样本集。
具体实施时,获取储能电池热失控数据中,多个热失控案例分别对应的电压和温度随时间的变化曲线;根据每个所述变化曲线中,电压和温度在预设时间间隔内的突变量或变化率,划分为多个不同风险等级的曲线段;为每个所述曲线段标注对应的风险类别标签;将每个所述热失控案例对应的变化曲线,在距离热失控发生点的指定时间范围内,按照预设时间间隔划分为多个时段;为每个时段标注对应的域标签。
实际应用中,热失控风险类别设置,也就是对训练集进行打标签。比如,将热失控风险分为10个类别(具体类别数量根据热失控案例进行设置),即从正常状态到热失控发生时风险类别,按照电压和温度随时间的变化曲线进行0到9递增设置10个类别(比如,根据电压和温度,在时间间隔内的突变量、或变化率划分风险等级)。
然后,根据电池热失控的征兆,将热失控按时间划分为6个阶段(具体阶段数量根据热失控案例进行设置),每个阶段设置相应域标签。比如,正常情况下为一个阶段,域标签设为0;热失控发生前1小时到40分钟为一个阶段,域标签设为1;热失控发生前40分钟到20分钟为一个阶段,域标签设为2;热失控发生前20分钟到10分钟为一个阶段,域标签设为3;热失控发生前10分钟内为一个阶段,域标签设为4;热失控发生后为一个阶段,域标签设为5(主要根据距离热时刻发生点的时间来划分“域”)。
(2)通过储能电池热失控训练样本集,训练特征提取网络和域对抗网络构成的局部模型;
采用储能电池热失控训练样本集训练特征提取网络和域对抗网络中的域分类器,实现域分类误差的最小化;然后训练域对抗网络中的风险类别判别器,实现风险判别的误差的最大化,得到训练好的域对抗网络。
(3)再通过储能电池热失控训练样本集,训练特征提取网络和值对抗网络构成的局部模型,得到热失控风险预警模型。
采用所述储能电池热失控训练样本集训练所述特征提取网络和值对抗网络中的风险分类器,实现风险分类误差的最小化;再训练值对抗网络中的域类别判别器,实现域判别的误差的最大化,得到训练好的特征提取网络和值对抗网络。
进一步地,上述对抗网络的训练过程中涉及的损失函数如下:
(1)
其中,表示第/>个样本对应的分类器损失值;/>表示第/>个样本对应的判别器损失值;/>分别表示特征提取网络、分类器和判别器的参数;/>表示平衡分类器和判别器的系数;/>表示样本的个数;
(2)
公式(2)表示最小化分类误差;
(3)
公式(3)表示最大化判别误差。
域对抗网络提取的是风险类别之间的不变特征,它是根据时序上的电压和温度设置,因此提取风险类别之间不变特征也代表着提取时间不变特征。同理,值对抗网络提取的是域与域之间的不变特征,这里的域就是前述划分的不同时间阶段,它反映了热失控发生前的不同时段,因此提取域之间不变特征也代表着提取时间不变特征。
本申请实施例提供的一种储能电池热失控预警方法中,首先分析了电池热失控在时序上发生的数据分布偏移问题,提出了寻找时间上的不变特征来解决时间上的数据偏移问题的整体思路,然后采用了基于GAN对抗网络的思想解决这种温度偏移问题,设计了特征提取网络,域对抗网络和值对抗网络来学习时间无关的特征。同时,提出了一种热失控划分阶段的方式和热失控风险类别设置方法,通过时间相关的阶段划分和风险类别设置从而保证后期时间无关特征的提取。
本申请实施例的重点在于,采用域对抗网络和值对抗网络,使训练好的模型在更细粒度上自动提取不同厂家生产的电芯在热失控时的时间不变特征;采用值对抗网络的判别器进行热失控判别,能够准确判断电池/电芯对应于将要发生的热失控,当前所处的阶段。
基于上述方法实施例,本申请实施例还提供一种储能电池热失控预警装置,参见图4所示,该装置包括:数据获取模块42,用于获取待检测的储能电池数据;储能电池数据包括:储能电池的电压-时间数据、或温度-时间数据;数据输入模块44,用于将储能电池数据输入至预设的热失控风险预警模型;其中,热失控风险预警模型包括:特征提取网络、域对抗网络和值对抗网络;特征提取网络和域对抗网络构成的局部模型,通过储能电池热失控训练样本集进行训练,以使特征提取网络能够提取风险类别的时不变特征;域对抗网络的分类器用于对储能电池热失控数据进行域分类,判别器用于对储能电池热失控数据进行风险分类;其中,储能电池热失控训练样本集,通过对储能电池热失控数据进行风险类别打标,以及将储能电池热失控数据按照距离热失控发生点的时间范围划分为若干域后进行域分类打标得到;储能电池热失控数据为储能电池热失控前后一定时间范围内的电压-时间数据、或温度-时间数据;特征提取网络和值对抗网络构成的局部模型,通过储能电池热失控训练样本进行训练,以使特征提取网络能够提取域的时不变特征;值对抗网络的分类器用于对储能电池热失控数据进行风险分类,判别器用于对储能电池热失控数据进行域分类;模型预测模块46,用于基于热失控风险预警模型对储能电池进行热失控风险预警,并以值对抗网络的分类器的输出作为风险预警的结果。
进一步地,上述装置还包括模型训练模块,用于执行以下热失控风险预警模型的训练过程:获取储能电池热失控训练样本集;通过储能电池热失控训练样本集,训练特征提取网络和域对抗网络构成的局部模型;再通过储能电池热失控训练样本集,训练特征提取网络和值对抗网络构成的局部模型,得到热失控风险预警模型。
进一步地,上述模型训练模块,用于获取储能电池热失控数据;对储能电池热失控数据进行风险分类,并对储能电池热失控数据进行风险类别打标,对风险类别打标后的每一储能电池热失控数据进行域分类打标,得到储能电池热失控训练样本集。
进一步地,上述模型训练模块,用于获取储能电池热失控数据中,多个热失控案例分别对应的电压和温度随时间的变化曲线;根据每个变化曲线中,电压和温度在预设时间间隔内的突变量或变化率,划分为多个不同风险等级的曲线段;为每个曲线段标注对应的风险类别标签;将每个热失控案例对应的变化曲线,在距离热失控发生点的指定时间范围内,按照预设时间间隔划分为多个时段;为每个时段标注对应的域标签。
进一步地,上述模型训练模块,用于采用储能电池热失控训练样本集训练特征提取网络和域对抗网络中的域分类器,以及训练域对抗网络中的风险类别判别器,得到训练好的域对抗网络。
进一步地,上述模型训练模块,用于采用储能电池热失控训练样本集训练特征提取网络和值对抗网络中的风险分类器,以及训练值对抗网络中的域类别判别器,得到训练好的特征提取网络和值对抗网络。
进一步地,上述对抗网络的训练过程中涉及的损失函数如下:
(1)
其中,表示第/>个样本对应的分类器损失值;/>表示第/>个样本对应的判别器损失值;/>分别表示特征提取网络、分类器和判别器的参数;/>表示平衡分类器和判别器的系数;/>表示样本的个数;
(2)
公式(2)表示最小化分类误差;
(3)
公式(3)表示最大化判别误差。
本申请实施例提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置的实施例部分未提及之处,可参考前述方法实施例中相应内容。
本申请实施例还提供了一种电子设备,如图5所示,为该电子设备的结构示意图,其中,该电子设备包括处理器51和存储器50,该存储器50存储有能够被该处理器51执行的计算机可执行指令,该处理器51执行该计算机可执行指令以实现上述方法。
在图5示出的实施方式中,该电子设备还包括总线52和通信接口53,其中,处理器51、通信接口53和存储器50通过总线52连接。
其中,存储器50可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口53(可以是有线或者无线)实现该***网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。总线52可以是ISA(IndustryStandard Architecture,工业标准体系结构)总线、PCI(Peripheral ComponentInterconnect,外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。所述总线52可以分为地址总线、数据总线、控制总线等。为便于表示,图5中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
处理器51可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器51中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器51可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessor,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器51读取存储器中的信息,结合其硬件完成前述实施例的方法的步骤。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令在被处理器调用和执行时,该计算机可执行指令促使处理器实现上述方法,具体实现可参见前述方法实施例,在此不再赘述。
本申请实施例所提供的方法、装置和电子设备的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本申请的范围。
所述功能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,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请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介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本申请的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种储能电池热失控预警方法,其特征在于,所述方法包括:
获取待检测的储能电池数据;所述储能电池数据包括:储能电池的电压-时间数据、或温度-时间数据;
将所述储能电池数据输入至预设的热失控风险预警模型;其中,所述热失控风险预警模型包括:特征提取网络、域对抗网络和值对抗网络;
所述特征提取网络和所述域对抗网络构成的局部模型,通过储能电池热失控训练样本集进行训练,以使所述特征提取网络能够提取风险类别的时不变特征;所述域对抗网络的分类器用于对储能电池热失控数据进行域分类,判别器用于对储能电池热失控数据进行风险分类;其中,所述储能电池热失控训练样本集,通过对储能电池热失控数据进行风险类别打标,以及将所述储能电池热失控数据按照距离热失控发生点的时间范围划分为若干域后进行域分类打标得到;所述储能电池热失控数据为储能电池热失控前后一定时间范围内的电压-时间数据、或温度-时间数据;
所述特征提取网络和所述值对抗网络构成的局部模型,通过所述储能电池热失控训练样本进行训练,以使所述特征提取网络能够提取域的时不变特征;所述值对抗网络的分类器用于对储能电池热失控数据进行风险分类,判别器用于对储能电池热失控数据进行域分类;
基于所述热失控风险预警模型对储能电池进行热失控风险预警,并以所述值对抗网络的分类器的输出作为风险预警的结果。
2.根据权利要求1所述的方法,其特征在于,所述热失控风险预警模型的训练过程如下:
获取储能电池热失控训练样本集;
通过所述储能电池热失控训练样本集,训练所述特征提取网络和所述域对抗网络构成的局部模型;
再通过所述储能电池热失控训练样本集,训练所述特征提取网络和所述值对抗网络构成的局部模型,得到所述热失控风险预警模型。
3.根据权利要求2所述的方法,其特征在于,获取储能电池热失控训练样本集的步骤,包括:
获取储能电池热失控数据;
对储能电池热失控数据进行风险分类,并对储能电池热失控数据进行风险类别打标,对风险类别打标后的每一储能电池热失控数据进行域分类打标,得到储能电池热失控训练样本集。
4.根据权利要求3所述的方法,其特征在于,对储能电池热失控数据进行风险分类,并对储能电池热失控数据进行风险类别打标,对风险类别打标后的每一储能电池热失控数据进行域分类打标的步骤,包括:
获取储能电池热失控数据中,多个热失控案例分别对应的电压和温度随时间的变化曲线;
根据每个所述变化曲线中,电压和温度在预设时间间隔内的突变量或变化率,划分为多个不同风险等级的曲线段;
为每个所述曲线段标注对应的风险类别标签;
将每个所述热失控案例对应的变化曲线,在距离热失控发生点的指定时间范围内,按照预设时间间隔划分为多个时段;
为每个时段标注对应的域标签。
5.根据权利要求2所述的方法,其特征在于,通过所述储能电池热失控训练样本集,训练所述特征提取网络和所述域对抗网络构成的局部模型的步骤,包括:
采用所述储能电池热失控训练样本集训练所述特征提取网络和域对抗网络中的域分类器,以及训练域对抗网络中的风险类别判别器,得到训练好的域对抗网络。
6.根据权利要求2所述的方法,其特征在于,通过所述储能电池热失控训练样本集,训练所述特征提取网络和所述值对抗网络的步骤,包括:
采用所述储能电池热失控训练样本集训练所述特征提取网络和值对抗网络中的风险分类器,以及训练值对抗网络中的域类别判别器,得到训练好的特征提取网络和值对抗网络。
7.根据权利要求5或6所述的方法,其特征在于,对抗网络的训练过程中涉及的损失函数如下:
(1)
其中,表示第/>个样本对应的分类器损失值;/>表示第/>个样本对应的判别器损失值;/>分别表示特征提取网络、分类器和判别器的参数;/>表示平衡分类器和判别器的系数;/>表示样本的个数;
(2)
公式(2)表示最小化分类误差;
(3)
公式(3)表示最大化判别误差。
8.一种储能电池热失控预警装置,其特征在于,所述装置包括:
数据获取模块,用于获取待检测的储能电池数据;所述储能电池数据包括:储能电池的电压-时间数据、或温度-时间数据;
数据输入模块,用于将所述储能电池数据输入至预设的热失控风险预警模型;其中,所述热失控风险预警模型包括:特征提取网络、域对抗网络和值对抗网络;所述特征提取网络和所述域对抗网络构成的局部模型,通过储能电池热失控训练样本集进行训练,以使所述特征提取网络能够提取风险类别的时不变特征;所述域对抗网络的分类器用于对储能电池热失控数据进行域分类,判别器用于对储能电池热失控数据进行风险分类;其中,所述储能电池热失控训练样本集,通过对储能电池热失控数据进行风险类别打标,以及将所述储能电池热失控数据按照距离热失控发生点的时间范围划分为若干域后进行域分类打标得到;所述储能电池热失控数据为储能电池热失控前后一定时间范围内的电压-时间数据、或温度-时间数据;所述特征提取网络和所述值对抗网络构成的局部模型,通过所述储能电池热失控训练样本进行训练,以使所述特征提取网络能够提取域的时不变特征;所述值对抗网络的分类器用于对储能电池热失控数据进行风险分类,判别器用于对储能电池热失控数据进行域分类;
模型预测模块,用于基于所述热失控风险预警模型对储能电池进行热失控风险预警,并以所述值对抗网络的分类器的输出作为风险预警的结果。
9.一种电子设备,其特征在于,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的计算机可执行指令,所述处理器执行所述计算机可执行指令以实现权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令在被处理器调用和执行时,计算机可执行指令促使处理器实现权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410458713.6A CN118068197A (zh) | 2024-04-17 | 2024-04-17 | 储能电池热失控预警方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410458713.6A CN118068197A (zh) | 2024-04-17 | 2024-04-17 | 储能电池热失控预警方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118068197A true CN118068197A (zh) | 2024-05-24 |
Family
ID=91095798
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410458713.6A Pending CN118068197A (zh) | 2024-04-17 | 2024-04-17 | 储能电池热失控预警方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118068197A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109992703A (zh) * | 2019-01-28 | 2019-07-09 | 西安交通大学 | 一种基于多任务学习的差异化特征挖掘的可信度评估方法 |
CN116722249A (zh) * | 2023-07-20 | 2023-09-08 | 江西德泰智控电源有限公司 | 一种电池热失控预警保护***及其保护方法 |
CN117332337A (zh) * | 2023-08-24 | 2024-01-02 | 深蓝汽车科技有限公司 | 电池热失控预警方法、装置、服务器和存储介质 |
CN117416206A (zh) * | 2023-10-17 | 2024-01-19 | 钛深科技(深圳)有限公司 | 电池热失控预警方法、设备、储能装置、存储介质及车辆 |
US20240106232A1 (en) * | 2022-09-26 | 2024-03-28 | Shanghai Makesens Energy Storage Technology Co., Ltd. | Thermal-runaway warning method, system, and terminal for power station |
-
2024
- 2024-04-17 CN CN202410458713.6A patent/CN118068197A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109992703A (zh) * | 2019-01-28 | 2019-07-09 | 西安交通大学 | 一种基于多任务学习的差异化特征挖掘的可信度评估方法 |
US20240106232A1 (en) * | 2022-09-26 | 2024-03-28 | Shanghai Makesens Energy Storage Technology Co., Ltd. | Thermal-runaway warning method, system, and terminal for power station |
CN116722249A (zh) * | 2023-07-20 | 2023-09-08 | 江西德泰智控电源有限公司 | 一种电池热失控预警保护***及其保护方法 |
CN117332337A (zh) * | 2023-08-24 | 2024-01-02 | 深蓝汽车科技有限公司 | 电池热失控预警方法、装置、服务器和存储介质 |
CN117416206A (zh) * | 2023-10-17 | 2024-01-19 | 钛深科技(深圳)有限公司 | 电池热失控预警方法、设备、储能装置、存储介质及车辆 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111667066B (zh) | 网络模型的训练、文字识别方法、装置和电子设备 | |
US11580222B2 (en) | Automated malware analysis that automatically clusters sandbox reports of similar malware samples | |
CN107992741A (zh) | 一种模型训练方法、检测url的方法及装置 | |
CN111611386B (zh) | 文本分类方法和装置 | |
CN109753987B (zh) | 文件识别方法和特征提取方法 | |
CN105095756A (zh) | 可移植文档格式文档的检测方法和装置 | |
CN115269304A (zh) | 日志异常检测模型训练方法、装置及设备 | |
CN110837683A (zh) | 电力***暂态稳定的预测模型的训练及预测方法、装置 | |
CN112511546A (zh) | 基于日志分析的漏洞扫描方法、装置、设备和存储介质 | |
CN110909826A (zh) | 一种能源设备的诊断监测方法、装置及电子设备 | |
CN113807448A (zh) | 点云数据分割模型训练方法、装置、存储介质及电子设备 | |
CN117434429B (zh) | 芯片的稳定性测试方法及相关装置 | |
CN118068197A (zh) | 储能电池热失控预警方法、装置及电子设备 | |
CN115567371B (zh) | 一种异常检测方法、装置、设备及可读存储介质 | |
CN115713669B (zh) | 一种基于类间关系的图像分类方法、装置、存储介质及终端 | |
CN111523322A (zh) | 需求文档质量评价模型训练方法及需求文档质量评价方法 | |
CN113688240B (zh) | 威胁要素提取方法、装置、设备及存储介质 | |
CN111385342B (zh) | 一种物联网行业识别方法、装置、电子设备及存储介质 | |
CN115168575A (zh) | 应用于审计领域的主语补全方法及相关设备 | |
CN117523218A (zh) | 标签生成、图像分类模型的训练、图像分类方法及装置 | |
CN116956102A (zh) | 分类模型的训练方法、装置、设备、存储介质及程序产品 | |
CN115423159A (zh) | 光伏发电预测方法、装置及终端设备 | |
CN115278757A (zh) | 一种检测异常数据的方法、装置及电子设备 | |
CN110119770B (zh) | 决策树模型构建方法、装置、电子设备及介质 | |
CN114036283A (zh) | 一种文本匹配的方法、装置、设备和可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |