模型训练方法、内阻异常检测方法、系统、装置及设备与流程
本申请属于电池领域,尤其涉及模型训练方法、内阻异常检测方法、系统、装置及设备。
背景技术:
1、目前,电池作为新能源汽车与储能电站的核心能源载体,其安全性直接关系到所处电力系统的稳定运行。而电池内阻是反映电池健康状态与老化程度的关键参数,内阻的异常突增往往是电池内部微短路、电解液干涸或极片断裂的早期征兆。因此实现针对电池内阻异常的精准识别,对于阻断热失控连锁反应、防止灾难性事故发生具有重要意义。
2、但是,现有的电池内阻异常检测方法存在诸多缺陷,严重影响电池内阻的检测准确性,例如基于物理模型的等效电路法在实际复杂工况下估算偏差较大,检测准确率难以保证。虽说基于机器学习的检测方法可以有效提升内阻异常检测精度,但传统机器学习的检测方法在进行电压预测时精度有限,导致误报和漏报问题频繁出现。并且,现有检测方法泛化能力较弱,适应能力不足,难以满足实际应用中对检测精度和可靠性的要求。
3、因此,如何训练得到更加精准的模型,以提升内阻异常检测精度,是目前亟待解决的重要问题。
技术实现思路
1、本申请实施例提供模型训练方法、内阻异常检测方法、系统、装置及设备,可以训练得到更加精准的电压预测模型,从而显著提升实际内阻异常检测时的检测精度。
2、第一方面,本申请实施例提供一种模型训练方法,包括:
3、采集样本电池在预设运行时长内的样本运行参数,样本运行参数至少包括样本电池在不同工况下的电压、电流以及温度,不同工况包括充电状态、放电状态以及静置状态;
4、通过待训练的电压预测模型,根据样本运行参数,预测样本电池在目标时长的预测电压;
5、根据预测电压、样本运行参数以及样本电池在目标时长的标准电压,确定电压预测模型的多维模型损失,多维模型损失包括:充电电压异常损失、放电电压异常损失、静置电压异常损失、工况切换损失、温度补偿损失以及电压预测损失;
6、根据多维模型损失,确定电压预测模型的总模型损失,以及基于总模型损失,训练电压预测模型。
7、第二方面,本申请实施例提供了一种内阻异常检测方法,包括:
8、采集目标电池在历史运行时长内的目标运行参数,目标运行参数至少包括目标电池的电压、电流以及温度;
9、通过预训练的电压预测模型,根据目标运行参数,预测目标电池在目标时刻的预测正常电压,电压预测模型通过上述第一方面的模型训练方法训练得到;
10、根据预测正常电压、目标运行参数以及目标电池在目标时刻的实际电压,对目标电池进行内阻异常检测。
11、第三方面,本申请实施例提供了一种模型训练装置,包括:
12、训练采集模块,用于采集样本电池在预设运行时长内的样本运行参数,样本运行参数至少包括样本电池在不同工况下的电压、电流以及温度,不同工况包括充电状态、放电状态以及静置状态;
13、训练预测模块,用于通过待训练的电压预测模型,根据样本运行参数,预测样本电池在目标时长的预测电压;
14、损失确定模块,用于根据预测电压、样本运行参数以及样本电池在目标时长的标准电压,确定电压预测模型的多维模型损失,多维模型损失包括:充电电压异常损失、放电电压异常损失、静置电压异常损失、工况切换损失、温度补偿损失以及电压预测损失;
15、模型训练模块,用于根据多维模型损失,确定电压预测模型的总模型损失,以及基于总模型损失,训练电压预测模型。
16、第四方面,本申请实施例提供了一种电池管理系统,包括:
17、采样电路,用于采集目标电池在历史运行时长内的目标运行参数,目标运行参数至少包括目标电池的电压、电流以及温度;
18、控制器,用于通过预训练的电压预测模型,根据目标运行参数,预测目标电池在目标时刻的预测正常电压,电压预测模型通过上述第一方面的模型训练方法训练得到,根据预测正常电压、目标运行参数以及目标电池在目标时刻的实际电压,对目标电池进行内阻异常检测。
19、第五方面,本申请实施例提供一种电池装置,包括电池和如第四方面的电池管理系统。
20、第六方面,本申请实施例提供一种用电设备,包括如第五方面的电池装置。
21、第七方面,本申请提供一种计算机存储介质,计算机存储介质上存储有计算机程序指令,计算机程序指令被处理器执行时实现第一方面所示的模型训练方法和第二方面所示的内阻异常检测方法。
22、第八方面,本申请实施例提供了一种计算机程序产品,计算机程序产品中的指令由电子设备的处理器执行时,使得电子设备执行第一方面所示的模型训练方法和第二方面所示的内阻异常检测方法。
23、本申请的实施例提供的技术方案至少带来以下有益效果:
24、本申请实施例提供的一种模型训练方法,包括:通过待训练的电压预测模型,根据样本电池在预设运行时长内的样本运行参数,预测样本电池在目标时长的预测电压。然后,根据预测电压、样本运行参数以及样本电池在目标时长的标准电压,确定电压预测模型的多维模型损失,多维模型损失包括:充电电压异常损失、放电电压异常损失、静置电压异常损失、工况切换损失、温度补偿损失以及电压预测损失。进一步根据多维模型损失,确定电压预测模型的总模型损失,以及基于总模型损失,训练电压预测模型。训练得到的电压预测模型可以用于在内阻异常检测方法中根据目标运行参数对目标电池进行电压预测,进一步可以根据预测正常电压和实际电压,检测目标电池是否存在内阻异常。
25、本申请实施例所提供的技术方案通过构建涵盖充电、放电、静置、工况切换、温度补偿及电压预测等多个维度的多维损失函数,使电压预测模型能够学习电池在不同运行状态下的电压变化规律,从而精准捕捉内阻异常导致的电压偏差特征。通过本申请技术方案训练得到的模型在实际内阻异常检测阶段可实现精准内阻异常检测,显著提升对电池内阻异常的检测灵敏度,同时降低因工况变化和温度波动导致的误报率,增强电压预测模型在复杂工况条件下的检测准确性与适应能力。
26、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和解释性的,并不能限制本申请。
1.一种模型训练方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,根据所述预测电压、所述样本运行参数以及所述样本电池在所述目标时长的标准电压,确定所述电压预测模型的多维模型损失,包括:
3.根据权利要求1所述的方法,其特征在于,根据所述预测电压、所述样本运行参数以及所述样本电池在所述目标时长的标准电压,确定所述电压预测模型的多维模型损失,包括:
4.根据权利要求1所述的方法,其特征在于,根据所述预测电压、所述样本运行参数以及所述样本电池在所述目标时长的标准电压,确定所述电压预测模型的多维模型损失,包括:
5.根据权利要求1所述的方法,其特征在于,根据所述预测电压、所述样本运行参数以及所述样本电池在所述目标时长的标准电压,确定所述电压预测模型的多维模型损失,包括:
6.根据权利要求1所述的方法,其特征在于,根据所述预测电压、所述样本运行参数以及所述样本电池在所述目标时长的标准电压,确定所述电压预测模型的多维模型损失,包括:
7.根据权利要求1所述的方法,其特征在于,根据所述预测电压、所述样本运行参数以及所述样本电池在所述目标时长的标准电压,确定所述电压预测模型的多维模型损失,包括:
8.根据权利要求1所述的方法,其特征在于,所述样本运行参数还包括所述样本电池的荷电状态;
9.根据权利要求8所述的方法,其特征在于,所述样本运行参数还包括所述样本电池的健康状态;
10.一种内阻异常检测方法,其特征在于,包括:
11.根据权利要求10所述的方法,其特征在于,所述目标运行参数还包括:所述目标电池的绝缘电阻信号;
12.一种模型训练装置,其特征在于,包括:
13.一种电池管理系统,其特征在于,包括:
14.一种电池装置,其特征在于,包括电池和如权利要求13所述的电池管理系统。
15.一种用电设备,其特征在于,包括如权利要求14所述的电池装置。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com