一种基于卷积神经网络的电池组异常个体检测方法技术

本发明专利技术公开了一种基于卷积神经网络的电池组异常个体检测方法，包括以下步骤：步骤一，获取训练数据；步骤二，构建循环随机空洞卷积网络；步骤三，电池组检测；本发明专利技术所构建的循环随机空洞卷积网络使用端到端的并行处理模式，降低了整个网络的复杂度，通过一次计算即可得到电池组中所有单体的健康度估值，提高了检测效率，该方法不易受到外界干扰，具有较高的检测精度与可靠度；本发明专利技术对于电池组中单体健康度的评分估计，可以在速度与精度之间均衡，最高精度可以达到85％以上，对于电池组中异常单体的检测，即只需要检测单体状态是否异常，无需具体的健康度评分，精度可以达到96％以上，能有效平衡网络复杂度与精度。能有效平衡网络复杂度与精度。能有效平衡网络复杂度与精度。

【技术实现步骤摘要】
一种基于卷积神经网络的电池组异常个体检测方法


[0001]本专利技术涉及电池检测
，具体为一种基于卷积神经网络的电池组异常个体检测方法。

技术介绍

[0002]动力电池健康度，即SOH(State Of Health)是用于评价动力电池老化程度的量化指标，它与动力电池的老化程度密切相关，而动力电池老化又是影响动力电池系统安全的关键因素，所以对电池健康度(SOH)的估计不但可以优化动力电池系统的运行，还对保障动力电池系统安全可靠的工作有着重要意义。
[0003]目前SOH估计方法可以分为两大类，一种是试验分析法，即通过对采集到的动力电池电流、电压、温度等试验数据进行分析，从而实现动力电池SOH值的标定，根据所选参数的不同，又可分为直接测量法与间接分析法；另一种是基于模型的方法，即使用动力电池模型对所选电池参数进行估计，从而实现动力电池SOH值的标定，根据建模方法，又可分为自适应算法与数据驱动的方法；基于数据驱动的SOH估计方法不依赖于精确的数学模型来描述动力电池的老化原理与演变过程，它只依赖于历史数据，即通过特定的学习算法寻找历史数据中的统计规律，作为评估SOH的依据。
[0004]但现有的基于数据驱动的SOH估计方法，大多是基于传统的机器学习算法，如决策树、EM等各种统计学习方法。或者是基于递归神经网络的学习方法，以此估计单体电池的SOH，该种方法是一种基于时序数据的方法，因此每次只能检测一个单体，对于整个电池组需要进行多次检测，导致检测效率低下，极其耗费时间，而且外界干扰对该方法的检测精度影响较大，因此该方法对外界环境的要求较高，生产环境情况复杂多变，会极大的降低该方法的检测精度，导致其实用性较低；同时，电池健康度虽然可以用来评估电池是否出现异常，但其表示方法依旧不够简单直观。

技术实现思路

[0005]本专利技术的目的在于克服现有方法的不足，并根据动力储能电池组的特性和使用工况而提出的一种基于卷积神经网络的新型网络结构。根据卷积神经网络可以提取信息中的平移不变性特征，为了使用卷积神经网络计算每个电池单体的特征，提出了一种基于卷积神经网络的电池组异常个体检测方法，以解决上述
技术介绍
中提出的问题。
[0006]为实现上述目的，本专利技术提供如下技术方案：一种基于卷积神经网络的电池组异常个体检测方法，包括以下步骤：步骤一，获取训练数据；步骤二，构建循环随机空洞卷积网络；步骤三，电池组检测；
[0007]其中在上述步骤一中，获取测量参数和电池SOH组成的数据对，并作为构建网络的数据集；
[0008]其中在上述步骤二中，构建循环随机空洞卷积网络包括以下步骤：
[0009]1)对上述步骤一中所获取的数据集进行数据标注和矩阵化处理；
[0010]2)利用标注和矩阵化处理后的数据集构建循环随机空洞卷积网络；
[0011]其中在上述步骤三中，将工作现场实时测量的电池组参数数据送入构建好的循环随机空洞卷积网络进行检测，实时给出每个电池单体健康度的评分估计，根据网络的输出值判断电池单体的状态是否异常。
[0012]优选的，所述步骤一中，数据对的来源有两种方式，一是收集实际工作现场的测量数据，再标定电池SOH值；二是在实验室模拟工作现场进行数据采集，选取一批SOH值已经标定的单体电池构成电池组，收集电流、电压、环境温度和充放电次数。
[0013]优选的，所述步骤二的1)中，在对数据集进行标注时，用0或1表示电池健康状态无异常，用1或0表示电池健康状态异常。
[0014]优选的，所述步骤二的2)中，在构建循环随机空洞卷积网络的过程中，可通过Python语言中的PyTorch、TensorFlow实现，也可以直接使用C/C++实现。
[0015]优选的，所述步骤二的1)中，数据集矩阵化处理的方法具体为：假设储能电池组的单体电池总数为N，则其中每个单体的编号为ci，且1≤i≤N，将N个单体划分为N＝m*n的矩阵，每个矩阵元素对应一个单体，单体的每种可测量参数，如电压、电流和温度都可构成一个矩阵，对于N来说，通常存在多个m*n的组合满足条件，此时选择的m，n应该满足两个条件，即N＝m*n，且abs(m
‑
n)取最小值，在理想状况下N是一个平方数，此时m＝n，矩阵的划分与电池组内部各个单体之间的串并联方式无关，只与电池单体的总数有关，即只要电池组内部的电池单体数目相同，矩阵的划分方式也相同，单体的每种可测量参数作为一种特征，每种参数都可以构成一个特征矩阵，如果存在多个可测量参数，则每个可测量参数构成一个特征矩阵，对于c个可测量参数，则可以将其组合成一个m*n*c的特征张量。
[0016]优选的，所述步骤二的2)中，在构建循环随机空洞卷积网络的过程中，卷积核的大小依赖于m和n的值，需要满足下面的条件：对于m＝n，即电池组单体数可以组成平方数的矩阵，卷积核可以选择k*k大小，其中k≤m，且k为奇数；对于m！＝n，卷积核可选择k*k大小，其中k≤min(m，n)，即k小于等于m和n之间较小的一个，且为奇数。
[0017]优选的所述k值取决于电池组中单体总数N的大小，对于单体数N≤300的情况，可依据下面公式选取:
[0018]k＝min(m，n)
‑
(min(m，n)+1)％2
ꢀꢀꢀ
(1)
[0019]对于单体数N≥500的情况，可依据下面的公式选取：
[0020]k＝floor(r*min(m，n)
–
(r*min(m，n)+1)％2)
ꢀꢀꢀ
(2)
[0021]其中，floor表示向下取整，％表示求余数，min表示两者之间的最小值，r是一个超参数，0.5≤r≤1，即k小于等于m和n之间较小的一个，选择一半值全值之间的一个合适奇数；
[0022]对于单体数300<N<500的情况，可结合公式(1)和公式(2)进行选择，k值的选择需结合空洞卷积参数，同时为了便于确定卷积中心，方便计算，需保持k为奇数。
[0023]优选的，所述步骤二的2)中，循环随机空洞卷积网络中的随机空洞卷积核具体为：通过一个概率参数p来控制卷积核中的空洞数，对于卷积核中的每个元素，以概率p来控制该位置是否参与卷积计算；具体概率参数p的选择需要结合卷积核参数k进行设置，对于单体电池数为N的电池组来说，p、k、N应满足以下公式：
[0024]2*k*k*p≥N
ꢀꢀꢀ
(3)
[0025]即参与卷积计算的元素数要大于单体电池数的一半以上；
[0026]对于输入矩阵I，卷积核K，输出矩阵O，有如下计算公式：
[0027]O
m，n
＝Σ
ij
I
m+i，n+j
*K
ij
ꢀꢀꢀ
(4)
[0028]由输入矩阵I构造一个抽象的封闭循环数据结构Ω，Ω满足如下条件：Ω中的维度、尺寸和元素个数与I相同；对于整数<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的电池组异常个体检测方法，包括以下步骤：步骤一，获取训练数据；步骤二，构建循环随机空洞卷积网络；步骤三，电池组检测；其特征在于：其中在上述步骤一中，获取测量参数和电池SOH组成的数据对，并作为构建网络的数据集；其中在上述步骤二中，构建循环随机空洞卷积网络包括以下步骤：1)对上述步骤一中所获取的数据集进行数据标注和矩阵化处理；2)利用标注和矩阵化处理后的数据集构建循环随机空洞卷积网络；其中在上述步骤三中，将工作现场实时测量的电池组参数数据送入构建好的循环随机空洞卷积网络进行检测，实时给出每个电池单体健康度的评分估计，根据网络的输出值判断电池单体的状态是否异常。2.根据权利要求1所述的一种基于卷积神经网络的电池组异常个体检测方法，其特征在于：所述步骤一中，数据对的来源有两种方式，一是收集实际工作现场的测量数据，再标定电池SOH值；二是在实验室模拟工作现场进行数据采集，选取一批SOH值已经标定的单体电池构成电池组，收集电流、电压、环境温度和充放电次数。3.根据权利要求1所述的一种基于卷积神经网络的电池组异常个体检测方法，其特征在于：所述步骤二的1)中，在对数据集进行标注时，用0或1表示电池健康状态无异常，用1或0表示电池健康状态异常。4.根据权利要求3所述的一种基于卷积神经网络的电池组异常个体检测方法，其特征在于：所述步骤二的2)中，在构建循环随机空洞卷积网络的过程中，可通过Python语言中的PyTorch、TensorFlow实现，也可以直接使用C/C++实现。5.根据权利要求4所述的一种基于卷积神经网络的电池组异常个体检测方法，其特征在于：所述步骤二的1)中，数据集矩阵化处理的方法具体为：假设储能电池组的单体电池总数为N，则其中每个单体的编号为ci，且1≤i≤N，将N个单体划分为N＝m*n的矩阵，每个矩阵元素对应一个单体，单体的每种可测量参数，如电压、电流和温度都可构成一个矩阵，对于N来说，通常存在多个m*n的组合满足条件，此时选择的m，n应该满足两个条件，即N＝m*n，且abs(m
‑
n)取最小值，在理想状况下N是一个平方数，此时m＝n，矩阵的划分与电池组内部各个单体之间的串并联方式无关，只与电池单体的总数有关，即只要电池组内部的电池单体数目相同，矩阵的划分方式也相同，单体的每种可测量参数作为一种特征，每种参数都可以构成一个特征矩阵，如果存在多个可测量参数，则每个可测量参数构成一个特征矩阵，对于c个可测量参数，则可以将其组合成一个m*n*c的特征张量。6.根据权利要求1所述的一种基于卷积神经网络的电池组异常个体检测方法，其特征在于：所述步骤二的2)中，在构建循环随机空洞卷积网络的过程中，卷积核的大小依赖于m和n的值，需要满足下面的条件：对于m＝n，即电池组单体数可以组成平方数的矩阵，卷积核可以选择k*k大小，其中k≤m，且k为奇数；对于m！＝n，卷积核可选择k*k大小，其中k≤min(m，n)，即k小于等于m和n之间较小的一个，且为奇数。7.根据权利要求6所述的一种基于卷积神经网络的电池组异常个体检测方法，其特征在于：所述k值取决于电池组中单体总数N的大小，对于单体数N≤300的情况，可依据下面公式选取:k＝min(m，n)
‑
(min(m，n)+1)％2
ꢀꢀ
(1)
对于单体数N≥500的情况，可依据下面的公式选取：k＝floor(r*min(m，n)
–
(r*min(m，n)+1)％2)
...

【专利技术属性】
技术研发人员：贺艺，
申请(专利权)人：西安秉绎新能源有限公司，
类型：发明
国别省市：