电池的异常状态类别确定方法、装置以及电子设备与流程

本发明涉及数据处理领域，具体而言，涉及一种电池的异常状态类别确定方法、装置以及电子设备。

背景技术：

1、随着新能源产业的快速发展，锂离子电池在电动汽车、储能系统、消费电子等领域得到广泛应用。然而，电池在使用过程中会发生老化、内部短路、析锂等问题，严重时可能引发热失控甚至火灾事故。因此，对电池内部状态进行及时、准确的检测具有重要意义。

2、目前，电池状态检测方法主要存在以下不足：传统电压/电流检测方法只能反映电池外部特性，难以感知内部微观变化，往往在故障发生后才能检测到异常；拆解分析方法虽然能够直接观察电池内部状态，但属于破坏性检测，无法用于在役电池的实时监测；单一阻抗检测方法虽然具有无损特性，但通常只关注单一频率或少数特征参数，信息量有限，难以实现早期预警；现有数据驱动方法多依赖于容量、电压等宏观参数，对电池内部状态的敏感度不足。

3、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的异常状态类别确定方法、装置以及电子设备，以至少解决难以在电池宏观性能衰退之前对内部异常状态进行无损早期识别的技术问题。

2、根据本发明实施例的一个方面，提供了一种电池的异常状态类别确定方法，包括：获取待检测电池的阻抗谱数据，其中，所述阻抗谱数据通过对所述待检测电池施加多频率交流激励信号并测量得到；依据所述阻抗谱数据，提取所述待检测电池的多维特征参数，得到特征参数向量，其中，所述特征参数向量包括采用电池等效电路模型确定的第一参数向量，采用奈奎斯特图确定的第二参数向量，所述电池等效电路模型包括欧姆阻抗项，固体电解质界面膜阻抗项，电荷转移阻抗项，以及扩散阻抗项，所述固体电解质界面膜阻抗项依据固体电解质界面膜电阻项和固体电解质界面膜电容项得到，所述电荷转移阻抗项依据电荷转移电阻项和双电层电容项得到；将所述特征参数向量输入电池状态诊断模型，输出所述待检测电池属于各异常状态类别的概率分布，其中，所述电池状态诊断模型是基于样本阻抗数据，采用机器学习算法训练得到的；依据所述概率分布中的最大概率值，确定所述待检测电池的当前异常状态类别。

3、可选地，依据所述阻抗谱数据，提取所述待检测电池的多维特征参数，得到特征参数向量，包括：采用复数非线性最小二乘法，以所述电池等效电路模型的阻抗计算值与所述阻抗谱数据的实测值之间的误差平方和最小为目标，依据所述阻抗谱数据，对所述电池等效电路模型进行参数拟合，得到拟合欧姆阻抗值，拟合固体电解质界面膜阻抗值，拟合电荷转移阻抗值和拟合扩散阻抗值；依据所述拟合固体电解质界面膜阻抗值，拟合电荷转移阻抗值和拟合扩散阻抗值，确定所述第一参数向量。

4、可选地，依据所述阻抗谱数据，提取所述待检测电池的多维特征参数，得到特征参数向量，包括：确定与所述阻抗谱数据对应的奈奎斯特图；从所述奈奎斯特图中提取几何特征参数和统计特征参数，其中，所述几何特征参数包括特征频率，弛豫时间常数和半圆压缩因子，所述统计特征参数包括预定频段阻抗变化率，预定频段阻抗曲率以及预定频段阻抗值；依据所述几何特征参数和所述统计特征参数，确定所述第二参数向量。

5、可选地，获取待检测电池的阻抗谱数据，包括：向所述待检测电池施加预定频率范围的多频率交流激励信号；在所述预定频率范围内按对数等间距选取多个频率点进行扫描测量，采集所述待检测电池在各频率点下的电流响应信号；依据所述各频率点下的所述多频率交流激励信号与所述电流响应信号，确定所述各频率点的复阻抗；依据所述各频率点的复阻抗，得到所述待检测电池的阻抗谱数据。

6、可选地，将所述特征参数向量输入电池状态诊断模型，输出所述待检测电池属于各异常状态类别的概率分布之前，还包括：构建样本阻抗数据，其中，所述样本阻抗数据包含所述待检测电池在多种状态下的样本阻抗谱数据及对应的样本特征参数向量；对每条样本阻抗数据记录标注状态标签，得到状态标签数据；依据所述样本阻抗谱数据，以所述样本特征参数向量作为输入，以所述状态标签数据作为监督信号，采用机器学习算法进行训练，得到电池状态诊断模型。

7、可选地，所述特征参数向量输入电池状态诊断模型，输出所述待检测电池属于各异常状态类别的概率分布之后，还包括：获取所述待检测电池的历史阻抗特征参数序列，其中，所述历史阻抗特征参数序列为在不同历史采集时间点提取的特征参数向量按时间顺序排列形成的时间序列；依据所述历史阻抗特征参数序列，采用时间序列预测模型预测所述待检测电池的未来特征参数向量变化趋势，得到未来预设数量时间步的特征预测值；依据所述未来预设数量时间步的特征预测值，确定所述待检测电池的剩余使用寿命估计值。

8、可选地，依据所述概率分布中的最大概率值，确定所述待检测电池的当前异常状态类别之后，还包括：在所述最大概率值低于预设阈值时，将所述当前异常状态类别标记为待确认状态，并在下一采集周期重新获取所述待检测电池的阻抗谱数据进行复核。

9、根据本发明实施例的一个方面，提供了一种电池的异常状态类别确定装置，包括：获取模块，用于获取待检测电池的阻抗谱数据，其中，所述阻抗谱数据通过对所述待检测电池施加多频率交流激励信号并测量得到；提取模块，用于依据所述阻抗谱数据，提取所述待检测电池的多维特征参数，得到特征参数向量，其中，所述特征参数向量包括采用电池等效电路模型确定的第一参数向量，采用奈奎斯特图确定的第二参数向量，所述电池等效电路模型包括欧姆阻抗项，固体电解质界面膜阻抗项，电荷转移阻抗项，以及扩散阻抗项，所述固体电解质界面膜阻抗项依据固体电解质界面膜电阻项和固体电解质界面膜电容项得到，所述电荷转移阻抗项依据电荷转移电阻项和双电层电容项得到；输出模块，用于将所述特征参数向量输入电池状态诊断模型，输出所述待检测电池属于各异常状态类别的概率分布，其中，所述电池状态诊断模型是基于样本阻抗数据，采用机器学习算法训练得到的；确定模块，用于依据所述概率分布中的最大概率值，确定所述待检测电池的当前异常状态类别。

10、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的异常状态类别确定方法。

11、根据本发明实施例的一个方面，提供了一种计算机可读存储介质，当所述计算机可读存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行上述任一项所述的电池的异常状态类别确定方法。

12、在本发明实施例中，获取待检测电池的阻抗谱数据，其中，阻抗谱数据通过对待检测电池施加多频率交流激励信号并测量得到；依据阻抗谱数据，提取待检测电池的多维特征参数，得到特征参数向量，其中，特征参数向量包括采用电池等效电路模型确定的第一参数向量，采用奈奎斯特图确定的第二参数向量，电池等效电路模型包括欧姆阻抗项，固体电解质界面膜阻抗项，电荷转移阻抗项，以及扩散阻抗项，固体电解质界面膜阻抗项依据固体电解质界面膜电阻项和固体电解质界面膜电容项得到，电荷转移阻抗项依据电荷转移电阻项和双电层电容项得到；将特征参数向量输入电池状态诊断模型，输出待检测电池属于各异常状态类别的概率分布，其中，电池状态诊断模型是基于样本阻抗数据，采用机器学习算法训练得到的；依据概率分布中的最大概率值，确定待检测电池的当前异常状态类别。采用获取待检测电池的多频率阻抗谱数据，依据阻抗谱数据提取包括基于电池等效电路模型的第一参数向量和基于奈奎斯特图的第二参数向量的多维特征参数，将多维特征参数输入基于样本阻抗数据训练的电池状态诊断模型的方式，通过综合反映电池内部不同电化学过程的欧姆阻抗、固体电解质界面膜阻抗、电荷转移阻抗和扩散阻抗以及奈奎斯特图谱形态特征，对待检测电池的内部状态进行无损检测，达到了在电池宏观性能衰退之前，依据概率分布中的最大概率值确定待检测电池的当前异常状态类别的目的，从而实现了无需拆解电池即可对电池内部微观电化学变化进行早期识别的技术效果，进而解决了难以在电池宏观性能衰退之前对内部异常状态进行无损早期识别的技术问题。