动力电池故障检测方法、系统、装置及存储介质

1.本发明属于电动车辆动力装置技术领域，具体涉及一种动力电池故障检测方法、系统、装置及存储介质。


背景技术：

2.近年来，全世界面临的能源问题日渐突出，电动汽车在能源性价比以及清洁环保等方面，都逐渐展现了比传统燃油车更加明显的优势。动力电池的安全性对电动汽车的发展起着至关重要的作用，因此及时检测故障，并反馈给电池管理系统，以确保驾驶人员的安全，对电动汽车的发展起到很重要的作用。电动汽车的动力电池组由几百个电池串并联而成，这样复杂的连接方式常常会由于其中某一个电池出现故障，最后影响整个动力电池系统。
3.目前动力电池的故障检测基于深度学习的算法大多都是以序列数据作为输入，这类算法不具备特征之间的关联性，可能会存在一定的误报，会导致驾驶员对故障警告降低信任度，同时还依赖一定的历史经验，需要设置阈值以规定电池安全数据范围。


技术实现要素：

4.本发明提出一种数据关联性强的动力电池故障检测方法、系统、装置及存储介质，通过关联不同数据特征之间的影响，并结合空间特征与时序特征进一步加强对数据的分析，以提高故障的检测能力，保障动力电池系统的安全。
5.本发明提出一种数据关联性强的动力电池故障检测方法、系统、装置及存储介质，主要特点如下：（1）加强了数据中不同特征之间的关联性，通过相关性识别故障，识别效果强、误判率低；（2）对数据的空间特征和时序特征进行无监督识别，监督范围广，识别更有一定的历史依据。
6.本发明提供一种数据关联性强的动力电池故障检测方法、系统、装置及存储介质，包含对电池时序数据构建签名矩阵、基于卷积自编码器提取空间特征、基于卷积长短期记忆网络捕获数据时序特征、基于编码器提取的空间特征和卷积长短期记忆网络提取的时序特征利用解码器进行签名矩阵的重构、利用初始签名矩阵与重构矩阵之间残差对异常进行检测和诊断，在电动汽车监控平台对动力电池组进行监控与分析，有效助力电池系统的安全。
7.第一方面，提供一种动力电池故障检测方法，包括：获取正常工作下电动汽车的数据集，数据集包含由动力电池数据和行驶数据组成的n个特征，将其记为，其中i为第i个特征，t为t时刻；设置时间步，由数据集得到每个时间步下每个特征i所对应的特征向量，对同一个时间步下的两两特征向量进行内积求和运算，得到签名矩阵；签名矩阵划分数据集分为训练集和验证集；将签名矩阵的训练集输入到网络中，通过网络生成重构矩阵；
重构矩阵跟输入的签名矩阵进行相减运算得出残差矩阵；根据残差矩阵计算损失函数；开始训练网络直至网络总损失降为最低，使用验证集验证，不同数据集下，通过经验确定残差特征矩阵中大于给定阈值θ的元素个数和θ，对应元素的位置表示出现故障的位置；获取电动汽车的数据集，将其转换为签名矩阵后输入到训练好的网络中对故障进行在线预测。
8.第二方面，提供一种动力电池故障检测系统，包括：数据获取模块，被配置为获取正常工作下电动汽车的数据集，数据集包含由动力电池数据和行驶数据组成的n个特征，将其记为，其中i为第i个特征，t为t时刻；数据转换模块，被配置为通过设置的时间步，由数据集得到每个时间步下每个特征i所对应的特征向量，对同一个时间步下的两两特征向量进行内积求和运算，得到签名矩阵；数据划分模块，被配置为将签名矩阵划分数据集分为训练集和验证集；重构矩阵生成模块，被配置为将签名矩阵的训练集输入到网络中，通过网络生成重构矩阵；残差矩阵生产模块，被配置为将重构矩阵跟输入的签名矩阵进行相减运算得出残差矩阵；损失函数计算模块，被配置为根据残差矩阵计算损失函数；网络训练模块，被配置为训练网络直至网络总损失降为最低，使用验证集验证，不同数据集下，通过经验确定残差特征矩阵中大于给定阈值θ的元素个数和θ，对应元素的位置表示出现故障的位置；故障在线预测模块，被配置为将获取的新的数据集转换为签名矩阵后输入到训练好的网络中对故障进行在线预测。
9.在上述第一方面和第二方面，重构矩阵生成方法包括：将签名矩阵输入到网络中，对每个时刻做多层卷积，得到空间特征图；将每次卷积后得到的空间特征图输入到卷积长短期记忆神经网络中，卷积长短期记忆神经网络结合本时段及本时段之前所有时序空间特征获取到每次卷积计算后的时空特征图；将最后一次从卷积长短期记忆神经网络输出的特征图进行反卷积计算，得到与前一次从卷积长短期记忆神经网络输出的特征图相同形状的特征图，再将两张特征图进行融合，将融合后的特征图再次进行反卷积计算，得到与前两次从卷积长短期记忆神经网络输出的特征图相同形状的特征图，再将两张特征图融合，以此反复，最后得到与输入的签名矩阵尺寸形状完全相同的重构矩阵。
10.第三方面，提供一种动力电池故障检测装置，包括：处理器；存储器，包括一个或多个程序模块；其中，所述一个或多个程序模块被存储在所述存储器中并被配置为由所述处理器执行，所述一个或多个程序模块包括用于实现所述的动力电池故障检测方法的指令。
11.第四方面，提供一种存储介质，用于存储非暂时性指令，当所述非暂时性指令由处理器执行时能够实现所述的动力电池故障检测方法。
12.本发明的有益效果是：（1）基于动力电池组各单体电池数据相互关联的检测和诊
断，对动力电池故障有更强的判断依据；（2）结合电池数据的空间特征和时序特征，全面性更广、准确性更强。
附图说明
13.为了更清楚地说明本发明实施例的技术方案，下面将对实施例的附图作简单的介绍。
14.图1为本发明一实施例提供的重构矩阵网络示意图。
15.图2为本发明一实施例提供的convlstm原理图。
具体实施方式
16.一种数据关联性强的动力电池故障检测方法包括两部分，第一部分为数据处理，将电动汽车云平台上采集的数据转换成签名矩阵，第二部分为模型训练，将转换好后的签名矩阵输入到网络中，通过网络生成的重构矩阵跟输入的签名矩阵进行残差计算，得出残差矩阵，再根据残差矩阵计算损失函数，最后判断是否为异常。下面对这两个部分进行详细说明。
17.（a）先获取正常工作一定时长下的电动汽车的数据集，一定时长可以是两个月及以上，采集间隔可以为10s，数据集包括但不限于里程（km）、车速（km/h）、总电压（v）、总电流（a）、soc（%）、电池绝缘电阻（kω）、各单体电池电压（v）以及各单体探测温度（℃）等，共计n个特征，将其记为，其中i为第i个特征，t为t时刻。
18.（b）设置3个时间步：10、20、30，记为。从t=30开始，每次步进10，取），表示从第t=30时刻向前回溯个时间步作为第i个特征的向量，且取下一次的应当从t=30 10=40开始取特征向量，一共3个时间步，因此在t时段下，一个特征i所对应的特征向量为、、。一共有n个特征，因此就有3组特征向量分别是、、...、；、、...、；、、...、，对同一个时间步下的两两特征向量进行内积求和运算，公式如下：其中当i≠j时，称两个不同特征的互感特征值，当i＝j时，称同一个特征的自感特征值。
19.通过计算可得到、、...、、...、，按照下标排列可组成对应处于t时段的n
×
n的签名矩阵，而一共3个时间步，则处于t时刻就有3个n
×
n签名矩阵。假若该数据一共有1036个时间序列，从t=30开始，则一共存在（1036-30）/10≈100（向下取整）个3
×n×
n签名矩阵。
20.（c）将转换好后的签名矩阵划分数据集，按顺序取前80%、后20%作为训练集和验证集，训练集作为训练模型的输入，将训练好的模型用验证集进行评估验证。
21.（d）将签名矩阵输入到如图1所示网络中，对每个时刻做多层卷积，以图1为例，假设n=30，先将3
×
30
×
30的签名矩阵进行增加通道数，进行卷积得到32
×
30
×
30的特征图，再进行步长为2的卷积计算（conv），卷积前后尺寸计算公式如下：其中为输入特征图尺寸大小，为输出特征图尺寸大小，为输入特征图四边填充大小，kernel为卷积核大小，stride为步长。
22.按照如图1所示分别卷积得到32
×
30
×
30、64
×
15
×
15、128
×8×
8和256
×4×
4的空间特征图。
23.（e）由步骤（d）得到的特征图，将每次卷积后得到的特征图输入到卷积长短期记忆（convlstm）神经网络中，convlstm的原理如图2所示，公式如下：（convlstm）神经网络中，convlstm的原理如图2所示，公式如下：（convlstm）神经网络中，convlstm的原理如图2所示，公式如下：（convlstm）神经网络中，convlstm的原理如图2所示，公式如下：（convlstm）神经网络中，convlstm的原理如图2所示，公式如下：（convlstm）神经网络中，convlstm的原理如图2所示，公式如下：（）其中为t时段输入特征矩阵；为t时段细胞状态；为t时段隐藏状态；为卷积运算；为矩阵对应元素相乘；为sigmoid函数；tanh为双曲正切函数；为遗忘门，将上个时段的无用信息遗忘，有用信息保留；和为更新门，将本次时段的新信息进行更新；和为输出门，将更新后的信息进行输出。
24.convlstm会结合本时段及本时段之前所有时序空间特征获取到最新时序空间特征，即得到每次卷积计算后的时空特征图，按照如图1所示分别得到32
×
30
×
30、64
×
15
×
15、128
×8×
8和256
×4×
4的时空特征图。
25.（f）然后开始反卷积还原操作，反卷积前后尺寸计算公式如下：*将最后一次从convlstm神经网络输出的特征图进行反卷积（deconv）计算，得到与前一次从convlstm神经网络输出的特征图相同形状的特征图，如图1所示为128
×8×
8，再将两张特征图进行融合（concat），得到256
×8×
8，将融合后的特征图再次进行反卷积计
算，得到与前两次从convlstm神经网络输出的特征图相同形状的特征图，即64
×
15
×
15。再将两张特征图融合，以此反复，最后得到64
×
30
×
30的特征图，最后将此特征图再进行反卷积得到3
×
30
×
30的重构矩阵，该矩阵尺寸形状与输入的签名矩阵尺寸形状完全相同。
26.（g）将得到的重构矩阵与输入的签名矩阵进行相减运算，得到该时段下的残差矩阵，然后计算其损失误差，公式如下所示：其中为t时段下输入签名矩阵的第c张特征图；为t时段下重构矩阵的第c张特征图；为矩阵a的frobenius范数的平方，表示该网络总损失定义为：（h）开始训练直至网络总损失降为最低，使用验证集验证。不同数据集下，通过经验确定残差特征矩阵中大于给定阈值θ的元素个数和θ，对应元素的位置可确定是哪个位置出现故障，实现精确定位。不同特征数量的数据集需要构建不同的网络层数，但归根结底还是以此网络思想为主。训练好的模型，可以进行在线预测，只需要训练好训练集后，就可以预测测试集的效果。
27.在一实施例中，还提供一种数据关联性强的动力电池故障检测系统，包括：数据获取模块、数据转换模块、数据划分模块、重构矩阵生成模块、残差矩阵生产模块、损失函数计算模块、网络训练模块和故障在线预测模块。
28.数据获取模块被配置为获取正常工作下电动汽车的数据集，数据集包含由动力电池数据和行驶数据组成的n个特征，将其记为，其中i为第i个特征，t为t时刻。
29.数据转换模块被配置为通过设置的时间步，由数据集得到每个时间步下每个特征i所对应的特征向量，对同一个时间步下的两两特征向量进行内积求和运算，得到签名矩阵。
30.数据划分模块被配置为将签名矩阵划分数据集分为训练集和验证集。
31.重构矩阵生成模块被配置为将签名矩阵的训练集输入到网络中，通过网络生成重构矩阵。
32.残差矩阵生产模块被配置为将重构矩阵跟输入的签名矩阵进行相减运算得出残差矩阵。
33.损失函数计算模块被配置为根据残差矩阵计算损失函数。
34.网络训练模块被配置为训练网络直至网络总损失降为最低，使用验证集验证，不同数据集下，通过经验确定残差特征矩阵中大于给定阈值θ的元素个数和θ，对应元素的位置表示出现故障的位置。
35.故障在线预测模块被配置为将获取的新的数据集转换为签名矩阵后输入到训练
好的网络中对故障进行在线预测。
36.上述动力电池故障检测系统各个模块更详细的实现方法，参考上文步骤（a）～步骤（h）。
37.在一些实施例中，还提供一种动力电池故障检测装置，其包括处理器和存储器。存储器用于存储非暂时性指令(例如一个或多个程序模块)。处理器用于运行非暂时性指令，非暂时性指令被处理器运行时可以执行上文所述的数据关联性强的动力电池故障检测方法中的一个或多个步骤。存储器和处理器可以通过总线系统和/或其它形式的连接机构互连。
38.例如，处理器可以是中央处理单元(cpu)、图形处理单元(gpu)或者具有数据处理能力和/或程序执行能力的其它形式的处理单元。例如，中央处理单元(cpu)可以为x86或arm架构等。处理器可以为通用处理器或专用处理器，可以控制电子设备中的其它组件以执行期望的功能。
39.例如，存储器可以是易失性存储器和/或非易失性存储器。易失性存储器例如可以包括随机存取存储器(ram)和/或高速缓冲存储器(cache)等。非易失性存储器例如可以包括只读存储器(rom)、硬盘、可擦除可编程只读存储器(eprom)、紧凑型光盘只读储存器(cd-rom)、usb存储器、闪存等。在存存储器上可以存储一个或多个程序模块，处理器可以运行一个或多个程序模块，以实现动力电池故障检测装置的各种功能。
40.在一些实施例中，还提供一种存储介质，该存储介质用于存储非暂时性指令，当非暂时性指令由动力电池故障检测装置执行时可以实现上述的数据关联性强的动力电池故障检测方法中的一个或多个步骤。也就是本技术实施例提供的数据关联性强的动力电池故障检测方法以软件的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。关于存储介质的相关说明可以参考上文电子设备的存储器的相应描述，此处不再赘述。