[发明专利]用于动力电池的自放电异常检测方法及设备

权利要求书

1.一种用于动力电池的自放电异常检测方法，其特征在于，所述方法包括：

基于所述动力电池的采样数据来生成区块时间序列数据集；

利用所述区块时间序列数据集中的子数据集，训练第一模型以获得与所述自放电异常关联的单体电压分布特征；以及

利用所述区块时间序列数据集训练第二模型，以获得包括所述单体电压分布特征的区块特征集在时间序列上的变化规律和潜在模式，从而实现对所述动力电池的自放电异常的检测。

2.如权利要求1所述的方法，其中，基于所述动力电池的采样数据来生成区块时间序列数据集包括：

根据所述采样数据来提取区块特征；

对所述区块特征进行预处理；以及

基于预处理后的区块特征，生成所述区块时间序列数据集。

3.如权利要求2所述的方法，其中，根据所述采样数据来提取区块特征包括：

从所述采样数据中选择电池充电以及静置过程中的第一数据；

将所述第一数据进行切分以获得多个数据片段；以及

提取所述多个数据片段中的单个数据片段中的关键特征，从而获得所述区块特征。

4.如权利要求2所述的方法，其中，对所述区块特征进行预处理包括：

针对不同的区块特征，根据其类型和取值范围来进行不同的预处理。

5.如权利要求2或4所述的方法，其中，对所述区块特征进行预处理包括：

结合所述动力电池中的多个电池单体之间的拓扑关系，对全量单体电压列表重新进行编排。

6.如权利要求5所述的方法，其中，对所述区块特征进行预处理还包括：

针对每一个所述全量单体电压列表，将所述全量单体电压列表内的数值按照所述全量单体电压列表的最大值和最小值进行归一化。

7.如权利要求2所述的方法，其中，基于预处理后的区块特征，生成所述区块时间序列数据集包括：

通过遮盖填充所述预处理后的区块特征，从而生成所述区块时间序列数据集。

8.如权利要求1所述的方法，其中，所述子数据集通过截取所述区块时间序列数据集中的每个序列末尾的区块特征以及样本标签来建立。

9.如权利要求1所述的方法，其中，所述第一模型为卷积神经网络CNN，而所述第二模型为循环神经网络RNN。

10.一种用于动力电池的自放电异常检测设备，其特征在于，所述设备包括：

生成装置，用于基于所述动力电池的采样数据来生成区块时间序列数据集；

第一训练装置，用于利用所述区块时间序列数据集中的子数据集，训练第一模型以获得与所述自放电异常关联的单体电压分布特征；以及

第二训练装置，用于利用所述区块时间序列数据集训练第二模型，以获得包括所述单体电压分布特征的区块特征集在时间序列上的变化规律和潜在模式，从而实现对所述动力电池的自放电异常的检测。

11.如权利要求10所述的设备，其中，所述生成装置包括：

提取单元，用于根据所述采样数据来提取区块特征；

预处理单元，用于对所述区块特征进行预处理；以及

生成单元，用于基于预处理后的区块特征，生成所述区块时间序列数据集。

12.如权利要求11所述的设备，其中，所述提取单元配置成：

从所述采样数据中选择电池充电以及静置过程中的第一数据；

将所述第一数据进行切分以获得多个数据片段；以及

提取所述多个数据片段中的单个数据片段中的关键特征，从而获得所述区块特征。

13.如权利要求11所述的设备，其中，所述预处理单元配置成针对不同的区块特征，根据其类型和取值范围来进行不同的预处理。