电池状态检测方法、系统及电子设备与流程
本发明涉及电池领域,具体而言,涉及一种电池状态检测方法、系统及电子设备。
背景技术:
1、随着电池供电系统在电动汽车、机器人、储能设备等领域的广泛应用,电池管理系统(bms)对电池状态的检测提出了更高要求,传统基于等效电路或电化学机理的估算方法建模难度大,且难以适配多变工况,对此,相关技术中,开始采用机器学习模型对电池状态进行检测,以提升电池状态估算适配性。但相关技术中,采用机器学习模型对电池状态进行检测时,存在检测功耗高和检测不准确的技术问题。
2、针对上述的问题,目前尚未提出有效的解决方案。
技术实现思路
1、本发明实施例提供了一种电池状态检测方法、系统及电子设备,以至少解决相关技术中,采用机器学习模型对电池状态进行检测时,存在检测功耗高和检测不准确的技术问题。
2、根据本发明实施例的一个方面,提供了一种电池状态检测方法,包括:获取目标电池中各电池电芯分别对应的电芯数据;将所述各电池电芯分别对应的电芯数据,输入至目标检测模型,得到所述各电池电芯分别对应的电芯检测结果,其中,所述目标检测模型为对初始检测模型进行模型压缩操作后得到,所述模型压缩操作用于降低所述初始检测模型各网络层分别对应的特征空间维度,所述初始检测模型为依据样本电芯数据,对待训练模型训练得到,所述特征空间维度用于表征对应的网络层输出特征的维度;基于所述各电池电芯分别对应的电芯检测结果,确定所述目标电池的目标检测结果。
3、可选地,所述模型压缩操作,包括:对于所述初始检测模型中各网络层中的目标层,确定所述目标层的协方差矩阵,其中,所述协方差矩阵中的元素用于表征所述目标层中任两个神经元分别对应的输出之间的关联程度,所述目标层为所述初始检测模型中各网络层中任一个网络层;确定与所述协方差矩阵对应的多个特征向量,以及与所述多个特征向量分别对应的特征值,其中,所述多个特征向量分别用于表征所述目标层中对应的不同的特征组合模式,所述特征值用于表征对应的特征向量对应的特征组合模式对不同特征的区分程度;基于所述协方差矩阵对应的多个特征向量,以及与所述多个特征向量分别对应的特征值,确定与所述目标层对应的层降维矩阵;采用所述目标层对应的层降维矩阵,对所述目标层对应的特征空间维度进行降维,得到所述目标层对应的降维后的特征空间维度。
4、可选地,所述基于所述协方差矩阵对应的多个特征向量,以及与所述多个特征向量分别对应的特征值,确定与所述目标层对应的层降维矩阵,包括:从所述多个特征向量中,筛选出对应的特征值大于特征阈值的特征向量,得到多个目标向量;确定与所述多个目标向量分别对应的转置向量;基于所述多个目标向量,以及所述多个目标向量分别对应的转置向量,确定与所述多个目标向量分别对应的子降维矩阵;对所述多个目标向量分别对应的子降维矩阵进行叠加,得到所述目标层对应的层降维矩阵。
5、可选地,所述采用所述目标层对应的层降维矩阵,对所述目标层对应的特征空间维度进行降维,得到所述目标层对应的降维后的特征空间维度之后,还包括:采用以下方式更新所述目标层的参数权重矩阵:在所述目标层不为第一个网络层的情况下,将所述目标层对应的前一网络层的层降维矩阵,作为前一降维矩阵;基于所述前一降维矩阵,以及所述目标层对应的层降维矩阵,更新所述目标层的参数权重矩阵,得到所述目标层的更新后的参数权重矩阵,其中,所述参数权重矩阵中的元素表示前一网络层中任一个神经元的输出对所述目标层中的任一个神经元的输出的影响程度。
6、可选地,所述目标检测模型至少包括第一检测模型和第二检测模型,其中,所述第一检测模型用于检测所述目标电池的荷电状态,所述第二检测模型用于检测所述目标电池的健康状态。
7、可选地,所述基于所述各电池电芯分别对应的电芯检测结果,确定所述目标电池的目标检测结果,包括:在所述各电池电芯分别对应的电芯检测结果包括电芯荷电状态值的情况下,基于所述各电池电芯分别对应的电芯荷电状态值,执行状态确定操作,得到所述目标电池的电池荷电状态值,其中,所述目标检测结果包括所述电池荷电状态值,所述状态确定操作包括以下任一种:在充电过程中,从所述各电池电芯分别对应的电芯荷电状态值中,选取最大的电芯荷电状态值,作为电池荷电状态值;在放电过程中,从所述各电池电芯分别对应的电芯荷电状态值中,选取最小的电芯荷电状态值,作为电池荷电状态值。
8、可选地,所述目标电池中各电池电芯之间串联连接。
9、根据本发明实施例的一个方面,提供了一种电池状态检测系统,包括:数据采集单元,用于获取目标电池中各电池电芯分别对应的电芯数据;控制器,用于将所述各电池电芯分别对应的电芯数据,输入至目标检测模型,得到所述各电池电芯分别对应的电芯检测结果,其中,所述目标检测模型为对初始检测模型进行模型压缩操作后得到,所述模型压缩操作用于降低所述初始检测模型各网络层分别对应的特征空间维度,所述初始检测模型为依据样本电芯数据,对待训练模型训练得到,所述特征空间维度用于表征对应的网络层输出特征的维度;执行单元,用于基于所述各电池电芯分别对应的电芯检测结果,确定所述目标电池的目标检测结果。
10、可选地,所述目标检测模型部署于所述控制器中。
11、根据本发明实施例的一个方面,提供了一种电子设备,包括:处理器;用于存储所述处理器可执行指令的存储器;其中,所述处理器被配置为执行所述指令,以实现上述任一项所述的电池状态检测方法。
12、在本发明实施例中,通过获取各电芯数据并输入至经模型压缩操作降低各网络层特征空间维度的目标检测模型,能够利用降维后的轻量化模型对每个电芯进行推理,从而在保持检测精度的同时,大幅减少单次推理的计算量和功耗;再基于各电芯的检测结果综合确定目标电池的整体状态,能够利用电芯级细粒度信息避免模块级状态误判,确保最终输出的电池检测结果既准确可靠,又满足嵌入式部署的低延迟要求,进而解决了相关技术中,采用机器学习模型对电池状态进行检测时,存在检测功耗高和检测不准确的技术问题。
1.一种电池状态检测方法,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,所述模型压缩操作,包括:
3.根据权利要求2所述的方法,其特征在于,所述基于所述协方差矩阵对应的多个特征向量,以及与所述多个特征向量分别对应的特征值,确定与所述目标层对应的层降维矩阵,包括:
4.根据权利要求2所述的方法,其特征在于,所述采用所述目标层对应的层降维矩阵,对所述目标层对应的特征空间维度进行降维,得到所述目标层对应的降维后的特征空间维度之后,还包括:
5.根据权利要求1所述的方法,其特征在于,所述目标检测模型至少包括第一检测模型和第二检测模型,其中,所述第一检测模型用于检测所述目标电池的荷电状态,所述第二检测模型用于检测所述目标电池的健康状态。
6.根据权利要求1所述的方法,其特征在于,所述基于所述各电池电芯分别对应的电芯检测结果,确定所述目标电池的目标检测结果,包括:
7.根据权利要求1至6任一项所述的方法,其特征在于,所述目标电池中各电池电芯之间串联连接。
8.一种电池状态检测系统,其特征在于,包括:
9.根据权利要求8所述的系统,其特征在于,所述目标检测模型部署于所述控制器中。
10.一种电子设备,其特征在于,包括:
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