电池故障诊断方法及相关装置与流程

本申请涉及电池故障诊断，具体地说，涉及一种电池故障诊断方法及相关装置。

背景技术：

1、随着电动汽车和储能电站的规模化应用，电池系统的安全性与可靠性已成为产业发展的生命线。特别是突发性内短路（也即内部短路）等隐性故障，其发生前兆信号微弱、演变迅速，对电池安全构成严重威胁。

2、近年来，基于深度学习的电池故障诊断模型（如长短期记忆网络、transformer等）在电池故障诊断领域展现出巨大潜力。这些模型能够从海量、高维的电池运行时间序列数据（如电压、电流、温度、内阻等）中自动学习复杂的非线性特征与故障模式，其诊断准确率与早期预警能力远超传统阈值法和模型驱动方法。然而，该技术路线的广泛应用面临两大核心挑战：

3、第一，模型决策的“黑箱”属性。深度学习模型本身缺乏可解释性，其输出的故障分类结果是一个缺乏业务语义的“概率”或“标签”。用户无法理解模型是基于哪些特征、在什么时间点做出判断的，导致工程师和领域专家对模型结果难以信任，阻碍了其在安全关键领域的落地应用。

4、第二，故障结果的根因分析与定位缺失。当模型报出故障，如“内短路高风险”时，现有方法仅停留在分类层面。面对“为何判定为故障”、“故障的物理根源是什么”、“故障点在电池模组或包中的具体位置”等问题，模型无法提供进一步的分析，难以满足实际应用中“定位-处理”的闭环需求。

技术实现思路

1、基于上述现有技术的缺陷和不足，本申请提出一种电池故障诊断方法及相关装置，能够解决现有技术中在通过人工智能模型进行电池故障诊断时，输出结果可解释性低的问题。

2、根据本申请实施例的第一方面，提供了一种电池故障诊断方法，所述方法包括：

3、将目标电池的时序数据输入目标故障诊断模型，得到目标电池的故障类型；其中，所述时序数据包括所述目标电池内每一单体电芯在预设时长内的至少一个特征维度的时序数据；

4、根据目标故障类型的得分，确定所述目标故障诊断模型的目标特征层中每个特征维度在不同时间点的梯度；其中，所述目标特征层包括原始输入特征层；所述目标故障类型为所述目标电池的故障类型中的任意一个；

5、对于所述目标故障类型，根据所述目标特征层中每个特征维度在不同时间点的梯度，确定每个特征维度在相应时间点的时空贡献度；

6、根据所述目标特征层中每个特征维度在不同时间点的时空贡献度，生成与所述目标故障类型对应的热力图。

7、根据本申请实施例的第二方面，提供了一种电池故障诊断装置，所述装置包括：

8、故障预测模块，用于将目标电池的时序数据输入目标故障诊断模型，得到目标电池的故障类型；其中，所述时序数据包括所述目标电池内每一单体电芯在预设时长内的至少一个特征维度的时序数据；

9、梯度确定模块，用于根据目标故障类型的得分，确定所述目标故障诊断模型的目标特征层中每个特征维度在不同时间点的梯度；其中，所述目标特征层包括原始输入特征层；所述目标故障类型为所述电池故障类型中的任意一个；

10、贡献度确定模块，用于对于所述目标故障类型，根据所述目标特征层中每个特征维度在不同时间点的梯度，确定每个特征维度在相应时间点的时空贡献度；

11、热力图生成模块，用于根据所述目标特征层中每个特征维度在不同时间点的时空贡献度，生成与所述目标故障类型对应的热力图。

12、根据本申请实施例的第三方面，提供了一种电子设备，包括：存储器和处理器；

13、所述存储器与所述处理器连接，用于存储程序；

14、所述处理器用于通过运行所述存储器中的程序，实现如第一方面所述的电池故障诊断方法。

15、根据本申请实施例的第四方面，提供了一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时，实现如第一方面所述的电池故障诊断方法。

16、根据本申请实施例的第五方面，提供了一种计算机程序产品或计算机程序，所述计算机程序产品包括所述计算机程序，处理器执行所述计算机程序时实现如第一方面所述的电池故障诊断方法中的步骤。

17、有益效果：

18、本申请提供的技术方案中，在将包含各单体电芯多特征维度的时序数据输入目标故障诊断模型得到电池故障类型后，根据某一电池故障类型得分，计算目标故障诊断模型的目标特征层中每个特征维度在不同时间点的梯度，并基于该梯度确定对应的时空贡献度，进而生成与该电池故障类型对应的热力图。该热力图能够直观展示哪些时间点哪些电芯的哪些特征数据对模型输出该故障类型的判断起到了关键支持作用，提供了故障在时间和空间维度上的定位依据，解决了现有电池故障诊断模型因仅输出故障类型而缺乏决策依据而导致的不可解释的问题。

1.一种电池故障诊断方法，其特征在于，所述方法包括：

2.根据权利要求1所述的电池故障诊断方法，其特征在于，所述根据所述目标特征层中每个特征维度在不同时间点的梯度，确定每个特征维度在相应时间点的时空贡献度，包括：

3.根据权利要求1或2所述的电池故障诊断方法，其特征在于，在所述确定每个特征维度在相应时间点的时空贡献度之后，所述方法还包括：

4.根据权利要求1或2所述的电池故障诊断方法，其特征在于，在所述确定每个特征维度在相应时间点的时空贡献度之后，所述方法还包括：

5.根据权利要求1所述的电池故障诊断方法，其特征在于，所述根据目标故障类型的得分，确定所述目标故障诊断模型的目标特征层中每个特征维度在不同时间点的梯度，包括：

6.根据权利要求1所述的电池故障诊断方法，其特征在于，所述目标特征层还包括所述目标故障诊断模型的中间特征层。

7.根据权利要求1所述的电池故障诊断方法，其特征在于，所述目标故障类型的得分为未经归一化处理的数值。

8.一种电池故障诊断装置，其特征在于，所述装置包括：

9.一种电子设备，其特征在于，包括：存储器和处理器；

10.一种计算机程序产品，其特征在于，所述计算机程序产品上存储有计算机程序，所述计算机程序被处理器运行时，实现如权利要求1至7任一项所述的电池故障诊断方法。