本发明专利技术涉及一种用于动力电池的自放电异常检测方法，所述方法包括：基于所述动力电池的采样数据来生成区块时间序列数据集；利用所述区块时间序列数据集中的子数据集，训练第一模型以获得与所述自放电异常关联的单体电压分布特征；以及利用所述区块时间序列数据集训练第二模型，以获得包括所述单体电压分布特征的区块特征集在时间序列上的变化规律和潜在模式，从而实现对所述动力电池的自放电异常的检测。本发明专利技术还涉及一种用于动力电池的自放电异常检测设备、计算机存储介质以及电池监控平台。台。台。
【技术实现步骤摘要】
用于动力电池的自放电异常检测方法及设备
[0001]本专利技术涉及动力电池的异常检测领域，更具体地，涉及一种用于动力电池的自放电异常检测方法及设备、计算机存储介质以及电池监控平台。
技术介绍
[0002]动力电池（例如锂离子电池）的自放电是指电池在开路静置过程中电压下降的现象。正常情况下，一致性良好的动力电池的自放电速率相近，但是当电池单体内部存在不正常的金属掺杂、锂枝晶生长刺穿隔膜产生内短路、极片掉粉、卷绕错位、电解液、极片活性物质中有杂质等时会导致电池自放电的速率异常，进而影响动力电池的使用安全和性能。
[0003]在动力电池运行过程中，如何在电池自放电异常的早期准确识别诊断潜在失效对于保障车辆运行安全和用户体验、减少由于安全事故产生的索赔以及消除不良社会影响具有十分重大的意义。
[0004]在现有的车端动力电池的监控过程中，基于内置的电池管理系统（BMS）或者基于云端大数据的自放电异常检测算法往往采用电池电压的降低速率或者电池压差的变化速率进行判断。例如，当动力电池包某个单体存在自放电异常现象时，会表现出与正常单体不一致的现象，例如一定时间内该单体电压在静置状态下降低速度异常，或一段时间内当电池处于同一电荷状态（SOC）区间时单体压差逐渐扩大等。上述这些算法不仅需要运行在特定的工况下，并且只根据单一的外特性参数进行判断，车端电池多变的运行工况以及自放电异常的复杂诱因导致这些算法对于自放电异常的识别结果存在大量的误判以及一定程度的漏判，给售后的维修处理环节带来了极大的难度和工作量。
专利技术内容
[0005]根据本专利技术的一方面，提供了一种用于动力电池的自放电异常检测方法，所述方法包括：基于所述动力电池的采样数据来生成区块时间序列数据集；利用所述区块时间序列数据集中的子数据集，训练第一模型以获得与所述自放电异常关联的单体电压分布特征；以及利用所述区块时间序列数据集训练第二模型，以获得包括所述单体电压分布特征的区块特征集在时间序列上的变化规律和潜在模式，从而实现对所述动力电池的自放电异常的检测。
[0006]作为上述方案的补充或替换，在上述方法中，基于所述动力电池的采样数据来生成区块时间序列数据集包括：根据所述采样数据来提取区块特征；对所述区块特征进行预处理；以及基于预处理后的区块特征，生成所述区块时间序列数据集。
[0007]作为上述方案的补充或替换，在上述方法中，根据所述采样数据来提取区块特征包括：从所述采样数据中选择电池充电以及静置过程中的第一数据；将所述第一数据进行切分以获得多个数据片段；以及提取所述多个数据片段中的单个数据片段中的关键特征，从而获得所述区块特征。
[0008]作为上述方案的补充或替换，在上述方法中，对所述区块特征进行预处理包括：针
对不同的区块特征，根据其类型和取值范围来进行不同的预处理。
[0009]作为上述方案的补充或替换，在上述方法中，对所述区块特征进行预处理包括：结合所述动力电池中的多个电池单体之间的拓扑关系，对全量单体电压列表重新进行编排。
[0010]作为上述方案的补充或替换，在上述方法中，对所述区块特征进行预处理还包括：针对每一个所述全量单体电压列表，将所述全量单体电压列表内的数值按照所述全量单体电压列表的最大值和最小值进行归一化。
[0011]作为上述方案的补充或替换，在上述方法中，基于预处理后的区块特征，生成所述区块时间序列数据集包括：通过遮盖填充所述预处理后的区块特征，从而生成所述区块时间序列数据集。
[0012]作为上述方案的补充或替换，在上述方法中，所述子数据集通过截取所述区块时间序列数据集中的每个序列末尾的区块特征以及样本标签来建立。
[0013]作为上述方案的补充或替换，在上述方法中，所述第一模型为卷积神经网络CNN，而所述第二模型为循环神经网络RNN。
[0014]根据本专利技术的另一方面，一种用于动力电池的自放电异常检测设备，其特征在于，所述设备包括：生成装置，用于基于所述动力电池的采样数据来生成区块时间序列数据集；第一训练装置，用于利用所述区块时间序列数据集中的子数据集，训练第一模型以获得与所述自放电异常关联的单体电压分布特征；以及第二训练装置，用于利用所述区块时间序列数据集训练第二模型，以获得包括所述单体电压分布特征的区块特征集在时间序列上的变化规律和潜在模式，从而实现对所述动力电池的自放电异常的检测。
[0015]作为上述方案的补充或替换，在上述设备中，所述生成装置包括：提取单元，用于根据所述采样数据来提取区块特征；预处理单元，用于对所述区块特征进行预处理；以及生成单元，用于基于预处理后的区块特征，生成所述区块时间序列数据集。
[0016]作为上述方案的补充或替换，在上述设备中，所述提取单元配置成：从所述采样数据中选择电池充电以及静置过程中的第一数据；将所述第一数据进行切分以获得多个数据片段；以及提取所述多个数据片段中的单个数据片段中的关键特征，从而获得所述区块特征。
[0017]作为上述方案的补充或替换，在上述设备中，所述预处理单元配置成针对不同的区块特征，根据其类型和取值范围来进行不同的预处理。
[0018]作为上述方案的补充或替换，在上述设备中，所述预处理单元配置成结合所述动力电池中的多个电池单体之间的拓扑关系，对全量单体电压列表重新进行编排。
[0019]作为上述方案的补充或替换，在上述设备中，所述预处理单元还配置成针对每一个所述全量单体电压列表，将所述全量单体电压列表内的数值按照所述全量单体电压列表的最大值和最小值进行归一化。
[0020]作为上述方案的补充或替换，在上述设备中，所述生成单元配置成通过遮盖填充所述预处理后的区块特征，生成所述区块时间序列数据集。
[0021]作为上述方案的补充或替换，在上述设备中，所述子数据集通过截取所述区块时间序列数据集中的每个序列末尾的区块特征以及样本标签来建立。
[0022]作为上述方案的补充或替换，在上述设备中，所述第一模型为卷积神经网络CNN，而所述第二模型为循环神经网络RNN。
[0023]根据本专利技术的又一方面，提供了一种计算机存储介质，所述介质包括指令，所述指令在运行时执行如前所述的自放电异常检测方法。
[0024]根据本专利技术的又一方面，提供了一种电池监控平台，所述电池监控平台包括如前所述的自放电异常检测设备。
[0025]本专利技术的实施例的用于动力电池的自放电异常检测方案利用第一模型（例如，CNN模型）来挖掘与自放电异常关联的单体电压分布的隐含特征，随后又利用不同于第一模型的第二模型（例如，RNN模型）来学习得到包括所述单体电压分布特征的区块特征集在时间序列上的变化规律和潜在模式，进而实现端到端的特征挖掘和失效诊断。在一个实施例中，用于动力电池的自放电异常检测方案融合了CNN和RNN深度学习模型，并且采用了分阶段迁移学习策略，通过电池区块特征数据实现了电池自放电异常失效的自动化诊断，泛化性能好，且失效诊断更为准确。
附图说明
本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种用于动力电池的自放电异常检测方法，其特征在于，所述方法包括：基于所述动力电池的采样数据来生成区块时间序列数据集；利用所述区块时间序列数据集中的子数据集，训练第一模型以获得与所述自放电异常关联的单体电压分布特征；以及利用所述区块时间序列数据集训练第二模型，以获得包括所述单体电压分布特征的区块特征集在时间序列上的变化规律和潜在模式，从而实现对所述动力电池的自放电异常的检测。2.如权利要求1所述的方法，其中，基于所述动力电池的采样数据来生成区块时间序列数据集包括：根据所述采样数据来提取区块特征；对所述区块特征进行预处理；以及基于预处理后的区块特征，生成所述区块时间序列数据集。3.如权利要求2所述的方法，其中，根据所述采样数据来提取区块特征包括：从所述采样数据中选择电池充电以及静置过程中的第一数据；将所述第一数据进行切分以获得多个数据片段；以及提取所述多个数据片段中的单个数据片段中的关键特征，从而获得所述区块特征。4.如权利要求2所述的方法，其中，对所述区块特征进行预处理包括：针对不同的区块特征，根据其类型和取值范围来进行不同的预处理。5.如权利要求2或4所述的方法，其中，对所述区块特征进行预处理包括：结合所述动力电池中的多个电池单体之间的拓扑关系，对全量单体电压列表重新进行编排。6.如权利要求5所述的方法，其中，对所述区块特征进行预处理还包括：针对每一个所述全量单体电压列表，将所述全量单体电压列表内的数值按照所述全量单体电压列表的最大值和最小值进行归一化。7.如权利要求2所述的方法，其中，基于预处理后的区块特征，生成所述区块时间序列数据集包括：通过遮盖填充所述预处理后的区块特征，从而生成所述区块时间序列数据集。8.如权利要求1所述的方法，其中，所述子数据集通过截取所述区块时间序列数据集中的每个序列末尾的区块特征以及样本标签来建立。9.如权利要求1所述的方法，其中，所述第一模型为卷积神经网络CNN，而所述第二模型为循环神经网络RNN。10.一种用于动力电池的自放电异常检测设备，其特征在于，所述设备包括：生成装置，用于基于所述动力电池的采样数据来生成区块时间序列数据集...
【专利技术属性】
技术研发人员：张健，马非凡，后士浩，吴毅成，
申请(专利权)人：上海蔚来汽车有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。