锂离子电池工作状态的检测方法和相关装置制造方法及图纸

本公开提供了一种锂离子电池工作状态的检测方法和相关装置，该检测方法包括：获取待检测锂离子电池在一时段内不同时刻的多个电压；将多个电压输入检测模型，检测模型为基于时间卷积神经网络构建的已训练好的模型；获取检测模型输出的待检测锂离子电池在时段内的工作状态。本公开能够对锂离子电池的工作状态进行快速准确地检测。进行快速准确地检测。进行快速准确地检测。

【技术实现步骤摘要】
锂离子电池工作状态的检测方法和相关装置


[0001]本公开涉及人工智能领域，更具体而言，涉及一种锂离子电池工作状态的检测方法和相关装置。

技术介绍

[0002]锂离子电池，受益于其较轻的质量、较低的放电率和长使用寿命等优势，目前已经得到广泛的应用。电池管理系统需要采集锂离子电池的实时数据来分析锂离子电池的工作状态(即充放电状态)和电池状况(例如荷电状态(State of Charge，简称SOC)和健康状态(State of Health，简称SOH))等信息。目前，电池管理系统主要采集锂离子电池的电压和温度，不是所有电池管理系统具有实时监测电流的功能，因而还需要人工根据电压对电池工作状态进行判断。然而，锂离子电池的种类繁多，工况均有不同，所产生的电压情况繁多，人工判断费时费力，并不利于算法集成以及大数据分析。
[0003]公开内容
[0004]有鉴于此，本公开提供了一种锂离子电池工作状态的检测方法和相关装置，旨在对锂离子电池工作状态实现快速准确的检测。
[0005]根据本公开的一个方面，提供了一种锂离子电池工作状态的检测方法，包括：
[0006]获取待检测锂离子电池在一时段内不同时刻的多个电压；
[0007]将所述多个电压输入检测模型，所述检测模型为基于时间卷积神经网络构建的已训练好的模型；
[0008]获取所述检测模型输出的所述待检测锂离子电池在所述时段内的工作状态。
[0009]可选地，所述检测模型包括：
[0010]输入层，用于接收所述多个电压；
[0011]时间卷积神经网络层，与所述输入层连接，用于对所述输入层接收的所述多个电压进行特征提取；
[0012]全连接层，与所述时间卷积神经网络层连接，用于将所述时间卷积神经网络层提取出的特征映射到样本空间，以得到所述待检测锂离子电池在所述时段内的工作状态。
[0013]可选地，所述检测模型通过以下训练步骤预先训练：
[0014]将训练集中各采集时段内不同时刻锂离子电池的多个电压输入当前检测模型；
[0015]获取所述当前检测模型输出的所述训练集中各采集时段的检测结果，并根据所述训练集中各采集时段的检测结果和工作状态标签确定所述当前检测模型的训练损失值；
[0016]若所述当前检测模型的训练损失值不收敛则调整所述当前检测模型中的内部参数，并将内部参数调整后的检测模型确定为当前检测模型；
[0017]返回执行将训练集中各采集时段内不同时刻锂离子电池的多个电压输入当前检测模型的步骤，直到所述当前检测模型的训练损失值收敛。
[0018]可选地，所述检测模型的训练步骤还包括：
[0019]确定所述当前检测模型的训练损失值之后，判断训练的轮次是否达到多个预设次
数中的一个；
[0020]若训练的轮次没有达到所述多个预设次数中的一个，则对所述当前检测模型的训练损失值是否收敛进行判断。
[0021]可选地，所述检测模型的训练步骤还包括：
[0022]若训练的轮次达到所述多个预设次数中的一个，则将验证集中各采集时段内不同时刻锂离子电池的多个电压输入当前检测模型；
[0023]获取所述当前检测模型输出的所述验证集中各采集时段的检测结果，并根据所述验证集中各采集时段的检测结果和工作状态标签确定当前检测模型的验证损失值；
[0024]基于各所述训练损失值和各所述验证损失值调整所述当前检测模型的超参数来提高模型性能，并将调整后的检测模型确定为当前检测模型；
[0025]返回执行将训练集中各采集时段内不同时刻锂离子电池的多个电压输入当前检测模型的步骤。
[0026]可选地，在所述当前检测模型的训练损失值收敛之后，所述检测模型还通过以下测试步骤预先测试：
[0027]将测试集中各采集时段内不同时刻锂离子电池的多个电压输入当前检测模型；
[0028]获取所述当前检测模型输出的所述测试集中各采集时段的检测结果，并根据所述测试集中各采集时段的检测结果和工作状态标签确定所述当前检测模型的准确率；
[0029]若所述当前检测模型的准确率不大于阈值，则重新执行所述训练步骤，直到所述当前检测模型的准确率大于所述阈值。
[0030]可选地，所述训练集、所述验证集以及所述测试集中的各采集时段内不同时刻锂离子电池的多个电压皆为样本数据；
[0031]所述样本数据为预处理后的电压数据集所包括的电压数组，所述电压数组为实车运行过程中采集时段内不同时刻的锂离子电池的多个电压，所述预处理包括将所述电压数据集所包括的具有异常电压或缺失值的所述电压数组剔除。
[0032]可选地，所述电压数据集中的电压数组为对多种车辆和/或多种电芯进行采集而得到的。
[0033]根据本公开第二方面，提供了一种电子设备，包括：处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序，所述程序被所述处理器执行时实现第一方面所述的任一种锂离子电池工作状态的检测方法的步骤。
[0034]根据本公开第三方面，提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序或指令，所述计算机程序或指令被处理器执行时实现第一方面所述的任一种锂离子电池工作状态的检测方法的步骤。
[0035]本公开的有益效果：
[0036]本公开提供的锂离子电池工作状态的检测方法，利用检测模型执行，检测模型替代了人工工作，能够较为快速地完成锂离子电池工作状态的检测，其中，检测模型为基于时间卷积神经网络构建的已训练好的模型，因而检测模型在处理待检测锂离子电池在一时段内不同时刻的多个电压的过程中，运算较为快速且占用内存较小，并能对待检测锂离子电池在所述时段内的工作状态给出准确的检测结果。
附图说明
[0037]通过参考以下附图对本公开实施例的描述，本公开的上述以及其它目的、特征和优点将更为清楚，在附图中：
[0038]图1示出了本公开实施例提供的锂离子电池工作状态的检测方法的流程图；
[0039]图2示出了一种示例性的因果卷积的网络结构示意图；
[0040]图3示出了本公开实施例所采用的一种检测模型的架构示意图；
[0041]图4示出了本公开实施例的检测模型在训练过程中的训练损失值和验证损失值；
[0042]图5示出了本公开实施例的一个完成训练的测试模型的准确率；
[0043]图6示出了根据本公开实施例的一种电子设备的结构图。
具体实施方式
[0044]为了便于理解本公开，下面将参照相关附图对本公开进行更全面的描述。附图中给出了本公开的较佳实施例。但是，本公开可以通过不同的形式来实现，并不限于本文所描述的实施例。相反的，提供这些实施例的目的是使对本公开的公开内容的理解更加透彻全面。
[0045]图1所示为本公开实施例提供的一种锂离子电池工作状态的检测方法的流程图。参照图1，该锂离子电池工作状态的检测方法包括：
[0046]步骤本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种锂离子电池工作状态的检测方法，包括：获取待检测锂离子电池在一时段内不同时刻的多个电压；将所述多个电压输入检测模型，所述检测模型为基于时间卷积神经网络构建的已训练好的模型；获取所述检测模型输出的所述待检测锂离子电池在所述时段内的工作状态。2.根据权利要求1所述的锂离子电池工作状态的检测方法，其中，所述检测模型包括：输入层，用于接收所述多个电压；时间卷积神经网络层，与所述输入层连接，用于对所述输入层接收的所述多个电压进行特征提取；全连接层，与所述时间卷积神经网络层连接，用于将所述时间卷积神经网络层提取出的特征映射到样本空间，以得到所述待检测锂离子电池在所述时段内的工作状态。3.根据权利要求2所述的锂离子电池工作状态的检测方法，其中，所述检测模型通过以下训练步骤预先训练：将训练集中各采集时段内不同时刻锂离子电池的多个电压输入当前检测模型；获取所述当前检测模型输出的所述训练集中各采集时段的检测结果，并根据所述训练集中各采集时段的检测结果和工作状态标签确定所述当前检测模型的训练损失值；若所述当前检测模型的训练损失值不收敛则调整所述当前检测模型中的内部参数，并将内部参数调整后的检测模型确定为当前检测模型；返回执行将训练集中各采集时段内不同时刻锂离子电池的多个电压输入当前检测模型的步骤，直到所述当前检测模型的训练损失值收敛。4.根据权利要求3所述的锂离子电池工作状态的检测方法，其中，所述检测模型的训练步骤还包括：确定所述当前检测模型的训练损失值之后，判断训练的轮次是否达到多个预设次数中的一个；若训练的轮次没有达到所述多个预设次数中的一个，则对所述当前检测模型的训练损失值是否收敛进行判断。5.根据权利要求4所述的锂离子电池工作状态的检测方法，其中，所述检测模型的训练步骤还包括：若训练的轮次达到所述多个预设次数中的一个，则将验证集中各采集时段内不同时刻锂离子电池的多个电压输入当前检测模型；获取所述当前检测模型输出的所述验证集中各采集时段的检测结果，并根据所...

【专利技术属性】
技术研发人员：韩江涛，
申请(专利权)人：杭州安影科技有限公司，
类型：发明
国别省市：