1.本发明涉及电池检测技术领域，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。
背景技术：2.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。
3.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。
4.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。
技术实现要素：5.本发明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，以解决上述背景技术中提出的问题。
6.为实现上述目的，本发明提供如下技术方案：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；
7.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；
8.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：
9.1)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；
10.2)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；
11.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。
12.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。
13.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。
14.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。
15.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。
16.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。
17.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:
18.k＝min(m，n)-(min(m，n)+1)％2
ꢀꢀꢀ
(1)
19.对于单体数n≥500的情况，可依据下面的公式选取：
20.k＝floor(r*min(m，n)
–
(r*min(m，n)+1)％2)
ꢀꢀꢀ
(2)
21.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；
22.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。
23.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：
24.2*k*k*p≥n
ꢀꢀꢀ
(3)
25.即参与卷积计算的元素数要大于单体电池数的一半以上；
26.对于输入矩阵i，卷积核k，输出矩阵o，有如下计算公式：
27.o
m，n
＝σ
ijim+i，n+j
*k
ij
ꢀꢀꢀ
(4)
28.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-k《i《2k和-k《j《2k，ω中的元素满足下式：
29.ω
i，j
＝i
i％m，j％n
ꢀꢀꢀ
(5)
30.计算输入矩阵i某一点i
m，n
处的卷积值，再通过ω构建中间矩阵i
′
并满足如下条件：i
′
的大小与卷积核k相同；对于整数-k/2《i《k/2和-k/2《j《k/2，i
′
中的元素满足下式：
31.i
′
i，j
＝ω
m-i，n-j
ꢀꢀꢀ
(6)
32.最后利用公式(4)计算i
′
和k的卷积，将得到的计算结果作为输出矩阵o；对于存在多个特征参数的张量形式，数据循环填充时只是将对应位置的元素由数量替换为向量即可，其余处理方法与矩阵的操作方法类似；对于带有随机空洞的卷积核，中间矩阵i
′
的构造方法不变，在计算卷积的时候忽略空洞点处的计算。
33.优选的，一种基于卷积神经网络的电池组异常个体检测系统，所述系统包括：
34.第一构建模块，用于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；
35.第一处理模块，用于对获取的数据集进行数据标注和矩阵化处理；
36.第二构建模块，用于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；
37.实时测量模块，用于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。
38.优选的，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现一种基于卷积神经网络的电池组异常个体检测方法。
39.与现有技术相比，本发明的有益效果是：本发明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。
附图说明
40.图1为本发明的方法流程图；
41.图2是先串联后并联的电池单体示例图；
42.图3是先串联后并联的电池单体矩阵表示形式示例图；
43.图4是先并联后串联的电池单体示例图；
44.图5是先并联后串联的电池单体矩阵表示形式示例图；
45.图6是14
×
16的特征矩阵示例图；
46.图7是14
×
16
×
3的特征张量示例图；
47.图8是带填充的卷积计算示例图；
48.图9是带空洞的卷积计算示例图；
49.图10是输入矩阵i的示例图；
50.图11是中间矩阵i’的示例图；
51.图12是神经网络结构示例图。
具体实施方式
52.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
53.请参阅图1-12，本发明提供的一种实施例：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；
54.其中在上述步骤一中，以测量参数和电池soh组成的数据对作为构建网络的数据集；其中，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，同时再标定电池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；
55.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：
56.1)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，在对数据对进行标注时，用0表示电池健康状态无异常，用1表示电池健康状态异常；在构建循环随机空洞卷积网络的过程中，卷积网络的层数、卷积核的个数、正则化方法、以及激活函数的选择可遵循神经网络的一般原则，该卷积神经网络可通过python语言中的pytorch、tensorflow实现，也可以直接使用c/c++实现；
57.电池组特征数据矩阵化的方法具体为：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(如图2-4)，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；如图6是由224个单体构成的电池组，将其构造成14
×
16的矩阵，并由电压组成14
×
16的特征矩阵，图7是由224个单体构成的电池组，将其构造成14
×
16的矩阵，并由电压、电流、温度组成14
×
16
×
3的特征张量；
58.2)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，构建过程与一般的神经网络训练与检测方法相同；
59.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；
60.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:
61.k＝min(m，n)-(min(m，n)+1)％2
ꢀꢀꢀ
(1)
62.对于单体数n≥500的情况，可依据下面的公式选取：
63.k＝floor(r*min(m，n)
–
(r*min(m，n)+1)％2)
ꢀꢀꢀ
(2)
64.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，根据实际情况由人工设定，通常情况下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；比如对于n＝480个单体组成的电池组，选择m＝20，n＝24，则k可在11、13、15、17，19之间选择；
65.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；
66.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：
67.2*k*k*p≥n
ꢀꢀꢀ
(3)
68.即参与卷积计算的元素数要大于单体电池数的一半以上；
69.对于输入矩阵i，卷积核k，输出矩阵o，有如下计算公式：
70.o
m，n
＝σ
ijim+i，n+j
*k
ij
ꢀꢀꢀ
(4)
71.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-k《i《2k和-k《j《2k，ω中的元素满足下式：
72.ω
i，j
＝i
i％m，j％n
ꢀꢀꢀ
(5)
73.计算输入矩阵i某一点i
m，n
处的卷积值，再通过ω构建中间矩阵i
′
并满足如下条件：i
′
的大小与卷积核k相同；对于整数-k/2《i《k/2和-k/2《j《k/2，i
′
中的元素满足下式：
74.i
′
i，j
＝ω
m-i，n-j
ꢀꢀꢀ
(6)
75.最后利用公式(4)计算i
′
和k的卷积，将得到的计算结果作为输出矩阵o；对于存在多个特征参数的张量形式，数据循环填充时只是将对应位置的元素由数量替换为向量即可，其余处理方法与矩阵的操作方法类似；对于带有随机空洞的卷积核，中间矩阵i
′
的构造方法不变，在计算卷积的时候忽略空洞点处的计算；如图10-11，为输入矩阵i转化至中间矩阵i
′
的示例图；比如由n＝244个单体构成的电池组，根据前面介绍的方法，选择m＝16，n＝14，k＝13，取电压作为测量信号，则输入为16*14的矩阵，该矩阵经过多次卷积计算和通道扩张与收缩，最终输出一个16*14的估计矩阵，具体网络结构如图12；
76.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。
77.基于上述，本发明的优点在于，本发明所设计的检测方法分为训练和检测两个阶段，在训练阶段将收集到的各种电池组历史参数数据或者实验室仿真的参数数据进行人工
标注，然后送入神经网络进行训练；在检测阶段，将工作现场实时测量的参数数据送入训练好的神经网络进行计算，从而实时给出每个电池单体的健康度评估值，以便及时发现电池组中的soh异常单体；本发明所设计的检测方法基于卷积神经网络设计，因为卷积神经网络是一种并行的网络结构，所以可同时处理的单元数不受限制，具体到本发明就是单体电池的数目不受限制，所以对于训练好的神经网络只需要一次运算，便可以给出电池组各单体健康度的实时评估结果；该方法可以应用到包含任意单体数目的电池组，但是对每一种结构给定的电池组，都需要重头开始训练，然后检测相同结构的电池组，即训练和检测的电池组在物理结构上是相同的，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，本发明提出了一种全新的卷积计算方法，考虑到电池组中各个电池单体的独立性，通过循环填充的方式构造卷积矩阵，同时又提出了卷积核的构造方法，以及通过对卷积核随机设置空洞的方式进行卷积计算，随机空洞达到了类似dropout的功能，不但减低了整体计算量，同时还可以有效的防止过拟合现象；该种卷积神经网络因为不使用池化层进行下采样，所以在数据从输入到输出的流动过程中，只有数据的通道数在发生变化，每层相同的输入输出尺寸为整个网络的数据处理提供了便利，无需过多的辅助结构，从而降低了整个网络的复杂度，实现了端到端的输出，也更加便于训练；同时，考虑到实际生产环境对安全的要求要远远高于对电池健康度的关注，虽然健康度可以用来评估电池是否出现异常，但是比起直接检测电池组中的异常单体就要复杂一些，所以直接检测电池组中的异常单体也具有一定的现实意义，为了实现直接检测异常单体这一目的，本发明使用1和0表示电池状态的异常与否，简化了电池健康度的表示，提高了检测方法的扩展性、精确性与效率，使其更好的适用于生产环境。
78.对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
技术特征：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)
ꢀꢀ
(2)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；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。8.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：2*k*k*p≥n
ꢀꢀ
(3)即参与卷积计算的元素数要大于单体电池数的一半以上；对于输入矩阵i，卷积核k，输出矩阵o，有如下计算公式：o
m，n
＝σ
ij
i
m+i，n+j
*k
ij
ꢀꢀ
(4)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-k<i<2k和-k<j<2k，ω中的元素满足下式：ω
i，j
＝i
i％m，j％n
ꢀꢀ
(5)计算输入矩阵i某一点i
m，n
处的卷积值，再通过ω构建中间矩阵i
′
并满足如下条件：i
′
的大小与卷积核k相同；对于整数-k/2<i<k/2和-k/2<j<k/2，i
′
中的元素满足下式：i
′
i，j
＝ω
m-i，n-j
ꢀꢀ
(6)最后利用公式(4)计算i
′
和k的卷积，将得到的计算结果作为输出矩阵o；对于存在多个特征参数的张量形式，数据循环填充时只是将对应位置的元素由数量替换为向量即可，其余处理方法与矩阵的操作方法类似；对于带有随机空洞的卷积核，中间矩阵i
′
的构造方法不变，在计算卷积的时候忽略空洞点处的计算。9.一种基于卷积神经网络的电池组异常个体检测系统，所述系统包括：第一构建模块，用于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；第一处理模块，用于对获取的数据集进行数据标注和矩阵化处理；第二构建模块，用于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；实时测量模块，用于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。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1至8任一项所述的方法。
技术总结本发明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。
技术研发人员：贺艺
受保护的技术使用者：西安秉绎新能源有限公司
技术研发日：2022.07.26
技术公布日：2022/11/1
