电池状态检测方法、装置、系统、电子设备及存储介质与流程

1.本技术属于电池技术领域，尤其涉及一种电池状态检测方法、装置、系统、电子设备及存储介质。


背景技术：

2.电池广泛应用于手机、笔记本电脑、电动工具、新能源汽车等多种日常生活场景。电池具有储能密度高、使用寿命长、自放电率低、重量轻、绿色环保等优点，但也存在安全性差、在高温条件下容易发生爆炸的危险。电池异常检测十分重要，通过对电池进行异常判断，若能及时检测出电池异常并对电池进行维护修理，可有效避免更大的损失。
3.目前，常见的电池异常检测方法包括基于参数不一致的检测方法、基于电池模型的检测方法以及基于机器学习或深度学习的检测方法等，这些检测方法通常只能用于一种类型或者部分类型或者部分工况的电池异常检测，如果需要适配不同类型或不同工况的电池异常检测，就需要重新设定阈值、重新构建电池模型、重新训练机器学习或深度学习模型，用于适配新的电池或新的工况异常检测任务，泛用性一般，并且重新适配的工作流程耗时较长。


技术实现要素：

4.本技术旨在至少解决现有技术中存在的技术问题之一。为此，本技术提出一种电池状态检测方法、装置、系统、电子设备及存储介质，适配不同类型或不同工况的电池异常检测，有效提高电池检测的精度和效率。
5.第一方面，本技术提供了一种电池状态检测方法，该方法包括：
6.获取待检测电池的第一运行状态数据；
7.将所述第一运行状态数据输入至异常诊断模型，获得所述异常诊断模型输出的所述待检测电池的第一电池诊断结果；
8.其中，所述第一运行状态数据以及所述第一运行状态数据对应的第一电池标签用于构建增量训练样本，所述增量训练样本用于对所述异常诊断模型进行在线更新训练。
9.根据本技术的电池状态检测方法，通过在线增量学习对异常诊断模型进行训练，异常诊断模型根据待检测电池的运行状态数据，诊断待检测电池的电池状态，可以适配不同诊断任务，有效提高电池检测的精度和效率。
10.根据本技术的一个实施例，在所述获得所述异常诊断模型输出的所述待检测电池的第一电池诊断结果之后，所述方法还包括：
11.对所述第一电池诊断结果进行校验复核，得到第一电池复核结果；
12.将所述第一电池复核结果输入至所述异常诊断模型，对所述异常诊断模型进行在线更新训练。
13.根据本技术的一个实施例，所述将所述第一电池复核结果输入至所述异常诊断模型，对所述异常诊断模型进行在线更新训练，包括：
14.基于所述第一电池复核结果，修正所述第一电池标签；
15.将所述第一运行状态数据以及修正后的所述第一电池标签作为所述增量训练样本，对所述异常诊断模型进行在线更新训练。
16.根据本技术的一个实施例，所述基于所述第一电池复核结果，修正所述第一电池标签，包括：
17.在确定所述第一电池复核结果对应的第一修正标签为历史标签的情况下，将所述第一电池标签替换为所述第一修正标签，和/或，在所述增量训练样本中移除标签与所述第一电池标签相同的样本数据。
18.根据本技术的一个实施例，所述基于所述第一电池复核结果，修正所述第一电池标签，包括：
19.在确定所述第一电池复核结果对应的第二修正标签为新增标签的情况下，将所述第二修正标签和所述第一电池标签作为所述增量训练样本；
20.或者，在确定所述第二修正标签为新增标签的情况下，将所述第一电池标签替换为所述第二修正标签，并将所述增量训练样本中与所述第一电池标签相同类型的标签替换为所述第二修正标签。
21.根据本技术的一个实施例，所述异常诊断模型通过如下步骤训练：
22.将历史电池运行状态数据和历史电池标签输入至第一诊断模型，进行模型训练，得到初始的所述异常诊断模型，所述历史电池标签基于所述历史电池运行状态数据确定；
23.将所述增量训练样本输入至所述异常诊断模型，进行所述异常诊断模型的在线迭代更新。
24.根据本技术的一个实施例，所述第一电池标签通过如下步骤得到：
25.对所述第一运行状态数据进行特征提取，获得第一运行状态特征；
26.基于所述第一运行状态特征，确定所述第一电池标签。
27.第二方面，本技术提供了一种电池状态检测装置，该装置包括：
28.获取模块，用于获取待检测电池的第一运行状态数据；
29.处理模块，用于将所述第一运行状态数据输入至异常诊断模型，获得所述异常诊断模型输出的所述待检测电池的第一电池诊断结果；
30.其中，所述第一运行状态数据以及所述第一运行状态数据对应的第一电池标签用于构建增量训练样本，所述增量训练样本用于对所述异常诊断模型进行在线更新训练。
31.根据本技术的电池状态检测装置，通过在线增量学习对异常诊断模型进行训练，异常诊断模型根据待检测电池的运行状态数据，诊断待检测电池的电池状态，可以适配不同诊断任务，有效提高电池检测的精度和效率。
32.第三方面，本技术提供了一种电池状态检测系统，该系统包括：
33.数据处理模块，所述数据处理模块用于基于待检测电池的第一运行状态数据，确定所述第一运行状态数据对应的第一电池标签，所述第一运行状态数据以及所述第一电池标签用于构建增量训练样本；
34.诊断模型模块，所述诊断模型模块与所述数据处理模块连接，所述诊断模型模块包括异常诊断模型，所述诊断模型模块用于将所述第一运行状态数据输入至所述异常诊断模型，获得所述异常诊断模型输出的所述待检测电池的第一电池诊断结果，所述增量训练
样本用于对所述异常诊断模型进行在线更新训练。
35.根据本技术的电池状态检测系统，通过在线增量学习对异常诊断模型进行训练，异常诊断模型根据待检测电池的运行状态数据，诊断待检测电池的电池状态，可以适配不同诊断任务，有效提高电池检测的精度和效率。
36.第四方面，本技术提供了一种电池状态检测系统，该系统包括：
37.电池bms系统；
38.嵌入式开发板，所述嵌入式开发板设于所述电池bms系统，所述嵌入式开发板用于采集所述电池bms系统的电池运行状态数据；
39.云端，所述云端与所述嵌入式开发板通信连接，所述嵌入式开发板用于向所述云端传输所述电池运行状态数据，所述云端用于将所述电池运行状态数据输入至异常诊断模型，获得所述异常诊断模型输出的所述电池bms系统的电池诊断结果，并将所述电池bms系统的电池诊断结果回传至所述嵌入式开发板；
40.其中，所述电池运行状态数据以及所述电池运行状态数据对应的电池标签用于构建增量训练样本，所述增量训练样本用于对所述异常诊断模型进行在线更新训练。
41.根据本技术的电池状态检测系统，通过嵌入式开发板进行数据采集传输，在云端完成模型的训练和诊断推理，只需在电池bms系统部署嵌入式开发板，即可实现电池bms系统的电池状态检测，诊断的主要计算工作在云端进行，适用于小规模的电池系统。
42.第五方面，本技术提供了一种电池状态检测系统，该系统包括：
43.电池bms系统；
44.服务器，所述服务器与所述电池bms系统通信连接，所述服务器用于获取所述电池bms系统的电池运行状态数据，将所述电池运行状态数据输入至异常诊断模型，获得所述异常诊断模型输出的所述电池bms系统的电池诊断结果，并将所述电池bms系统的电池诊断结果回传至所述电池bms系统；
45.其中，所述电池运行状态数据以及所述电池运行状态数据对应的电池标签用于构建增量训练样本，所述增量训练样本用于对所述异常诊断模型进行在线更新训练。
46.根据本技术的电池状态检测系统，通过服务器进行数据采集、数据处理、模型训练和诊断推理，实现电池bms系统的电池状态检测，服务器的数据处理速度较快，可以保证电池状态检测的时效性。
47.第六方面，本技术提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的电池状态检测方法。
48.第七方面，本技术提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的电池状态检测方法。
49.第八方面，本技术提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的电池状态检测方法。
50.本技术的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实践了解到。
附图说明
51.本技术的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
52.图1是本技术实施例提供的电池状态检测方法的流程示意图之一；
53.图2是本技术实施例提供的电池状态检测方法的流程示意图之二；
54.图3是本技术实施例提供的电池状态检测系统的结构示意图之一；
55.图4是本技术实施例提供的电池状态检测系统的结构示意图之二；
56.图5是本技术实施例提供的电池状态检测系统的结构示意图之三；
57.图6是本技术实施例提供的电池状态检测装置的结构示意图；
58.图7是本技术实施例提供的电子设备的结构示意图。
具体实施方式
59.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员获得的所有其他实施例，都属于本技术保护的范围。
60.本技术的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。
61.相关技术中，进行电池异常检测有多种实现方式：
62.其一，基于参数不一致的检测方式。
63.在该种实施方式中，基于电池包中电池单体之间的一致性假设，同一电池包中的电池通常具有相同的类型和相同的工作条件，同一电池包中的电池应具有高度的一致性，如果有单体存在不一致，则视为存在异常。
64.这种方式一般计算量不大，鲁棒性较好，但比较依赖标定电池的选定，并且在同时存在多个异常单体的情况下检测效果不一。
65.其二，基于电池模型的检测方式。
66.在该种实施方式中，通过电池模型或者参数辨识，当实测的参数与构建的模型参数存在差异时，视为单体存在异常。
67.这种方式非常依赖电池模型构建的精度，并且在复杂工作条件和电池老化的情况下，更新模型参数以确保模型精度是一个需要解决的问题。
68.其三，基于机器学习或深度学习的检测方式。
69.在该种实施方式中，针对历史产生的大量电池数据，基于机器学习的方法，进行模型训练和预测，进行电池异常检测。
70.这种方式需要高质量和相对大量的数据来确保训练模型的准确性和鲁棒性，并且当工况变更或者电池类型变更时，都需要针对性的离线重新训练模型，泛化能力受到影响。
71.此外，还有其他诸如基于自放电的检测方式、基于剩余充电容量的检测方式等，前
者一般只适用于离线检测，并且测量用时长，工况适用性也有明显局限性，后者仅适用于充电条件，并且受均衡功能影响。
72.上述所电池异常检测方式无论是基于参数不一致的检测方式、基于电池模型的检测方式还是基于机器学习或深度学习的检测方式等，均有一致的局限性在于当检测模型确定后，模型的检测通常只能用于一种类型或者部分类型或者部分工况的电池异常检测中，如果需要适配不同类型或不同工况的电池异常检测，就需要重新设定阈值、重新构建电池模型、重新训练机器学习或深度学习模型，用于适配新的电池或新的工况异常检测任务，方案的泛用性一般，并且重新适配的工作流程耗时较长。
73.下面结合附图，通过具体的实施例及其应用场景对本技术实施例提供的电池状态检测方法、电池状态检测装置、电池状态检测系统、电子设备和可读存储介质进行详细地说明。
74.其中，电池状态检测方法可应用于终端，具体可由，终端中的硬件或软件执行。
75.该终端包括但不限于具有触摸敏感表面(例如，触摸屏显示器和/或触摸板)的移动电话或平板电脑等便携式通信设备。还应当理解的是，在某些实施例中，该终端可以不是便携式通信设备，而是具有触摸敏感表面(例如，触摸屏显示器和/或触摸板)的台式计算机。
76.以下各个实施例中，描述了包括显示器和触摸敏感表面的终端。然而，应当理解的是，终端可以包括诸如物理键盘、鼠标和控制杆的一个或多个其它物理用户接口设备。
77.本技术实施例提供的电池状态检测方法，该电池状态检测方法的执行主体可以为电子设备或者电子设备中能够实现该电池状态检测方法的功能模块或功能实体，本技术实施例提及的电子设备包括但不限于手机、平板电脑、电脑、相机和可穿戴设备等，下面以电子设备作为执行主体为例对本技术实施例提供的电池状态检测方法进行说明。
78.如图1所示，该电池状态检测方法包括：步骤110和步骤120。
79.步骤110、获取待检测电池的第一运行状态数据。
80.其中，待检测电池的第一运行状态数据是表征待检测电池实际运行状态的数据。
81.在实际执行中，第一运行状态数据包括但不限于待检测电池的电压、电流、温度、内阻、电池剩余电量百分比(state of charge，soc)和电池健康度(state of health，soh)等数据。
82.步骤120、将第一运行状态数据输入至异常诊断模型，获得异常诊断模型输出的待检测电池的第一电池诊断结果。
83.其中，第一运行状态数据以及第一运行状态数据对应的第一电池标签用于构建增量训练样本，增量训练样本用于对异常诊断模型进行在线更新训练。
84.将第一运行状态数据输入至异常诊断模型，异常诊断模型对待检测电池的实际运行状态进行检测，得到待检测电池的第一电池诊断结果。
85.其中，待检测电池的第一电池诊断结果可以为正常、异常、内短路、欠压、过压或温升等诊断结果，诊断结果的类型可以根据实际应用的需求进行调整。
86.异常诊断模型在处理第一运行状态数据，对待检测电池的实际运行状态进行检测之前，已使用待检测电池之前的电池运行状态数据及电池标签进行训练，电池运行状态数据及电池标签用于构建增量训练样本，对异常诊断模型进行在线更新训练，电池标签在异
常诊断模型进行电池诊断时作为标签使用，即电池标签与电池诊断结果相关。
87.异常诊断模型训练所使用的电池标签用于描述电池状态的异常与否，相应的，异常诊断模型所输出的电池诊断结果也表征了电池状态的异常与否。
88.在该实施例中，根据第一运行状态数据和第一电池标签，训练异常诊断模型，异常诊断模型包括但不限于机器学习模型、深度学习模型等模型，训练方式为在线增量训练，即将第一运行状态数据和第一电池标签作为增量训练样本对异常诊断模型进行在线更新训练。
89.在实际执行中，异常诊断模型可以为随机梯度下降(sgd)或者小批量随机梯度下降(minibatch sgd)进行优化的模型，以实现增量训练，例如，lightgbm、xgboost等模型。
90.可以理解的是，异常诊断模型通过增量学习进行在线更新训练，在实际电池检测的感知数据中，数据量逐渐增加，在面临新的电池数据时，通过增量学习对训练好的异常诊断模型进行某些改动，以对新的电池数据蕴涵的知识进行学习，对训练好的模型进行修改的时间成本远低于重新训练模型的时间成本。
91.增量学习思想可以描述为：每当新增数据时，并不需要重建所有的知识库，而是在原有知识库的基础上，仅对由于新增数据所引起的变化进行更新，增量学习方法更加符合人的思维原理，主要表现于两个方面：一方面由于其无需保存历史数据，从而减少存储空间的占用；另一方面增量学习在当前的样本训练中充分利用了历史的训练结果，从而显著地减少了后续训练的时间。
92.相关技术中，在电池异常检测上，使用确定性的诊断方法或者模型，在电池工况、状态、类型等发生变化的时候，均需要重新进行标定、建模或者训练，不仅时间周期长，在适配性上也有很大局限。
93.本技术实施例中，通过使用在线增量学习训练的异常诊断模型进行电池异常检测，可显著解决新数据的学习问题，使模型能够更好的适配电池当前的状态，并且不会对之前学习到的知识产生灾难性的遗忘，当诊断类型发生变更的时候，模型同样能够学习到新的内容，对之前的学习内容做出调整，适配不同类型、不同工况的电池异常检测，还可以适配同种类型电池的不同检测任务，比如可以检测异常、正常的任务，也可以用于检测压差异常、电流异常、温度异常等任务，检测目标可变动，即可以适配不同的诊断任务，有效提高电池检测的精度和效率。
94.根据本技术实施例提供的电池状态检测方法，通过在线增量学习对异常诊断模型进行训练，异常诊断模型根据待检测电池的运行状态数据，诊断待检测电池的电池状态，可以适配不同的诊断任务，有效提高电池检测的精度和效率。
95.在一些实施例中，在步骤120、获得异常诊断模型输出的待检测电池的第一电池诊断结果之后，电池状态检测方法还可以包括：
96.对第一电池诊断结果进行校验复核，得到第一电池复核结果；
97.将第一电池复核结果输入至异常诊断模型，对异常诊断模型进行在线更新训练。
98.在该实施例中，对待检测电池的第一电池诊断结果进行校验复核，针对异常诊断模型判断有误的电池信息，可以通过机器或人工校验反馈，将校验复核得到的第一电池复核结果输入到异常诊断模型进行训练，可以有效提高异常诊断模型的鲁棒性。
99.在实际执行中，针对第一电池诊断结果进行校验复核，得到的第一电池复核结果
是对第一电池诊断结果的修正，可以表征第一电池诊断结果的正确与否，第一电池复核结果送入异常诊断模型进行训练，以优化迭代模型和提高模型的适配性能。
100.例如，第一电池诊断结果为待检测电池出现欠压，对第一电池诊断结果进行校验复核，第一电池复核结果为待检测电池出现欠压，第一电池复核结果证实第一电池诊断结果正确，待检测电池确实出现欠压。
101.再例如，第一电池诊断结果为待检测电池出现过压，对第一电池诊断结果进行校验复核，第一电池复核结果为待检测电池出现温升，第一电池复核结果证实第一电池诊断结果有误，待检测电池实际出现温升。
102.在一些实施例中，将第一电池复核结果输入至异常诊断模型，对异常诊断模型进行在线更新训练，包括：
103.基于第一电池复核结果，修正第一电池标签；
104.将第一运行状态数据以及修正后的第一电池标签作为增量训练样本，对异常诊断模型进行在线更新训练。
105.可以理解的是，异常诊断模型通过第一运行状态数据和第一电池标签作为增量训练样本进行在线更新训练，在对第一电池诊断结果进行校验复核后，通过第一电池复核结果对第一电池标签进行修正，以修正异常诊断模型训练所使用的增量训练样本。
106.需要说明的是，根据第一电池复核结果，判断第一电池诊断结果可能有误时，修正第一电池标签，根据第一电池复核结果，判断第一电池诊断结果正确无误时，无需对第一电池标签进行修正。
107.在实际执行中，根据校验复核的第一电池复核结果，指导修正第一电池标签可以表现为如下至少两种情形：
108.其一，针对已有的历史标签的修正。
109.在该实施例中，基于第一电池复核结果，修正第一电池标签，可以包括：
110.在确定第一电池复核结果对应的第一修正标签为历史标签的情况下，将第一电池标签替换为第一修正标签，和/或，在增量训练样本中移除标签与第一电池标签相同的样本数据。
111.第一电池复核结果对应的第一修正标签为校验复核后的电池标签，当确定第一电池复核结果对应的第一修正标签为异常诊断模型中已有的历史标签时，基于第一电池复核结果，修正第一电池标签，是针对现有的标签体系进行修正。
112.在该实施例中，针对现有的标签体系进行修正，将第一电池标签直接替换为第一修正标签，或者在增量训练样本中直接移除与第一电池标签相同的样本数据，提升异常诊断模型训练的优化效果。
113.其二，针对新增标签的修正。
114.在该实施例中，基于第一电池复核结果，修正第一电池标签，可以包括：
115.在确定第一电池复核结果对应的第二修正标签为新增标签的情况下，将第二修正标签和第一电池标签作为增量训练样本；
116.或者，在确定第二修正标签为新增标签的情况下，将第一电池标签替换为第二修正标签，并将增量训练样本中与第一电池标签相同类型的标签替换为第二修正标签。
117.第一电池复核结果对应的第二修正标签为新增标签，新增标签为异常诊断模型之
前没有标签，针对新增标签的修正，有以下两种可选优化迭代方法：
118.(1)无需替换方式。
119.在该实施方式中，在确定第一电池复核结果对应的第二修正标签为新增标签的情况下，将第二修正标签和第一电池标签作为增量训练样本。
120.针对新增的标签体系，无需针对已学习的历史数据进行修正，采取运行电池数据存在多个标签的方式，即同时保留第二修正标签和第一电池标签作为增量训练样本。
121.例如，以前异常诊断模型的标签数据只有异常的标签，现在加入新的标签欠压，选择无需替换的方式，则可以允许异常诊断模型同时存在异常和欠压两种标签。
122.(2)替换方式。
123.在该实施方式中，在确定第二修正标签为新增标签的情况下，将第一电池标签替换为第二修正标签，并将增量训练样本中与第一电池标签相同类型的标签替换为第二修正标签。
124.针对新增的标签体系，对异常诊断模型已学习数据进行修正，更替原有标签为新的标签。
125.判断增量训练样本中与第一电池标签相同的标签，可以用相似度的计算等数据挑选方式进行挑选，即搜索已学习增量训练样本的标签，如果某标签与第二修正标签的相似度大于预设阈值，则判定两标签属于相同类型，将该标签替换为第二修正标签。
126.针对第一电池诊断结果进行标注反馈，通过校验复核的第一电池复核结果，指导修正异常诊断模型的历史学习数据，输入到异常诊断模型中进行训练，进一步提高异常诊断模型的适配能力，能够更好完成各种异常类别的电池检测工作。
127.在一些实施例中，异常诊断模型可以通过如下步骤训练：
128.将历史电池运行状态数据和历史电池标签输入至第一诊断模型，进行模型训练，得到初始的异常诊断模型，历史电池标签基于历史电池运行状态数据确定；
129.将增量训练样本输入至异常诊断模型，进行异常诊断模型的在线迭代更新。
130.需要说明的是，异常诊断模型的训练过程包括冷启动训练阶段和在线增量学习训练阶段。
131.在冷启动训练阶段，持续性获取历史电池运行状态数据，并进行自动标签化处理，得到历史电池标签，将历史电池运行状态数据和历史电池标签作为历史数据进行第一诊断模型的训练。
132.其中，第一诊断模型是初始的模型框架，第一诊断模型可以为机器学习模型或深度学习模型。
133.在该实施例中，通过历史电池运行状态数据和历史电池标签等历史数据对第一诊断模型进行基础的训练，完成异常诊断模型的冷启动训练阶段，得到初始的异常诊断模型。
134.需要说明的是，模型并非在投入应用的第一时间即开始诊断，而是在投入获取到一批数据(历史电池运行状态数据和历史电池标签)作为训练样本，训练第一诊断模型获得初始的异常诊断模型后，再开始进行电池的异常诊断工作。
135.在线增量学习训练阶段，在电池在线工作的持续时间内，针对异常诊断模型进行优化迭代，方式为在线增量学习训练，针对新获取到电池的运行状态数据，处理得到相应的电池标签，作为新一批的训练样本用于异常诊断模型训练。
136.如果针对异常诊断模型输出的电池诊断结果进行校验复核的电池复核结果与电池诊断结果相同，可以只使用电池的运行状态数据以及处理得到相应的电池标签进行模型训练，得到迭代优化后的异常诊断模型。
137.如果针对异常诊断模型输出的电池诊断结果进行校验复核的电池复核结果与电池诊断结果不同，使用电池复核结果指导修正电池的运行状态数据以及处理得到相应的电池标签，结合电池的运行状态数据、处理得到相应的电池标签以及电池复核结果进行模型训练，得到迭代优化后的异常诊断模型。
138.在一些实施例中，第一电池标签通过如下步骤得到：
139.对第一运行状态数据进行特征提取，获得第一运行状态特征；
140.基于第一运行状态特征，确定第一电池标签。
141.在该实施例中，对待检测电池的第一运行状态数据进行特征提取，获得第一运行状态特征，根据第一运行状态特征自动识别第一电池标签。
142.对待检测电池的第一运行状态数据进行特征提取，可以获取到表征待检测电池的实际运行的状态及估算信息的第一运行状态特征，包括但不限于电池的电压、电流、温度、内阻、soc、soh等。
143.识别的电池标签用于描述电池的异常与否，用于作为异常诊断模型的标签使用，在数据量较少的情况下，异常诊断模型对于电池标签识别的依赖性高，随着数据量增大，电池标签的自动识别权重会降低。
144.在该实施例中，基于第一运行状态特征，确定第一电池标签，可以通过温度一致性检验、电压一致性检验、内阻一致性检验等检验方法，或是聚类或其他无监督、半监督或自监督学习方法等学习方法，进行电池标签自动识别。
145.下面介绍一个异常诊断模型整体实施架构的实施例。
146.如图2所示，使用异常诊断模型进行电池检测分为数据处理部、诊断模型部和结果复核部三个部分的工作。
147.冷启动训练阶段，使用历史电池运行状态数据和历史电池标签等历史数据进行第一诊断模型的训练，得到初始的异常诊断模型，此后针对新电池数据，使用异常诊断模型进行异常检测，输出诊断结果，同时新输入的数据也作为随后的历史电池数据，在通过电池标签识别方法，自动识别电池标签后，加入到异常诊断模型的模型训练样本中，进行模型的迭代更新。异常诊断模型可以为机器学习模型或深度学习模型，异常诊断模型通过在线增量训练的方式进行训练。
148.针对异常诊断模型的诊断结果，进行诊断结果校验复核，得到校验数据及标签等复核结果，将复核结果也一并加入到训练样本中，并对之前学习的内容进行校验，从而让异常诊断模型学习到更贴近实际运行工况并且也更合理的信息。
149.本技术实施例与传统的机器学习或深度学习模型用于诊断的方法对比，计算和存储资源要求较低，且异常诊断模型的训练效率高，在线增量学习的持续训练，可以更好的适配电池的实际运行状态，有效解决离线模型在诸如电池老化、工况变更等情况下由于参数差异导致诊断结果较差的问题。
150.根据电池运行状态数据自动识别标签，可以提供持续性的模型训练样本，解决模型训练的样本数据和标签问题，针对诊断结果进行复核，使得模型鲁棒性提升的同时，也能
够让异常诊断模型更好的适配不同异常类型的学习工作，从而能够进一步提高模型的泛化能力。
151.在面对更换电池类型、运行工况等情形时，无需对模型框架进行调整，也无需对电池进行标定建模等操作，减少重复工作，极大缩短应用落地的开发周期。
152.本技术实施例还提供一种电池状态检测系统。
153.如图3所示，电池状态检测系统包括数据处理模块310和诊断模型模块320。
154.数据处理模块310用于基于待检测电池的第一运行状态数据，确定第一运行状态数据对应的第一电池标签，第一运行状态数据以及第一电池标签用于构建增量训练样本；
155.诊断模型模块320，诊断模型模块320与数据处理模块310连接，诊断模型模块320包括异常诊断模型，诊断模型模块320用于将第一运行状态数据输入至异常诊断模型，获得异常诊断模型输出的待检测电池的第一电池诊断结果，增量训练样本用于对异常诊断模型进行在线更新训练。
156.在该实施例中，数据处理模块310的作用是对电池的数据进行处理，可以分为数据特征提取以及电池标签识别两个部分。
157.对待检测电池的第一运行状态数据进行特征提取，可以获取到表征待检测电池的实际运行的状态及估算信息的第一运行状态特征，包括但不限于电池的电压、电流、温度、内阻、soc、soh等。
158.电池标签用于描述电池的异常与否，用于作为异常诊断模型的标签使用，可以通过温度一致性检验、电压一致性检验、内阻一致性检验等检验方法，或是聚类或其他无监督、半监督或自监督学习方法等学习方法，进行电池标签自动识别。
159.下面介绍两个具体的电池标签识别的实施例。
160.(1)电压一致性检验标签识别。
161.电压一致性检验，是基于在同一个电池包中各个单体的电压特征在持续工作情况下的一致性差异来进行检验，从而进行电池的标签识别，具体实施流程如下：
162.构建平均电池，平均电池的电压为去掉最大最小值后的平均值，并计算每个电池单体与平均电池的差值即电压一致性差异：
[0163][0164]
δui＝u
i-u
avg
[0165]
上式中，n为电池的单体个数，ui为第i个电池单体的电压，u
avg
为平均电池的电压，u
max
、u
min
分别为电压最大值和最小值。
[0166]
为了减少由于数据同步性、采样噪声等因素导致的电压一致性差异的计算误差，针对a中计算得到的电压一致性差异进行指数加权移动平均：
[0167][0168][0169]
上式中，为经过滤波后的电压一致性差异值，λ为滤波系数，假设采样的数据长度为m，则每个电池单体最终的电压一致性差异值为：
[0170][0171]
上式中，为第i个电池单体的最终电压一致差异值，针对该得分进行z-score归一化即可得到最终的电压一致性差异得分。
[0172]
根据每个电池单体最终的电压一致性差异得分进行电池数据的标签识别工作，当单体最终的电压一致性差异得分超出设定阈值时，则将该电池数据的标签设置为异常，反之则设置为正常。
[0173]
(2)single-pass聚类方法标签识别。
[0174]
single-pass聚类不需要像k-means那样迭代每一个样本的状态，计算速度非常快，不需要指定类的数量，即所有样本均有可能只聚为一类，避免了强行聚类的结果，基于single-pass的思想针对于电池异常检测进行改进识别电池标签，具体实施流程如下：
[0175]
计算电池单体的向量特征，可以直接使用电压值，也可使用温度、电流、内阻等多个特征值组成。
[0176]
相似度计算改为距离计算，因为实际相似度的值区分度很小，距离度量更为合理，超过距离阈值视为不同的类，反之视为同一类；
[0177]
计算距离时，新的样本单体不跟已有的所有的类中的每个单体都计算距离，而是每次迭代之后都重新计算每一类的质心，计算新的样本单体与质心的距离；
[0178]
所有电池数据均归类完毕之后，进行电池数据的标签识别工作，审核所有最终得到的类别，计算每类中的电池单体的电压、内阻、温度等特征值的方差和相关系数，如果方差超过阈值，且相关系数低于阈值，即认为类内波动性较大，则将该类中电池数据的标签设置为异常，反之则设置为正常。
[0179]
通过上述方式均能针对电池运行状态数据进行自动标签处理，即针对电池的运行状态特征给出电池的标签类别，类别可以是多样的，包括但不限于正常、异常、内短路、欠压、过压、温升等不同的类别，标签类别可以根据实际应用的需要进行调整。
[0180]
根据本技术实施例提供的电池状态检测系统，通过在线增量学习对异常诊断模型进行训练，异常诊断模型根据待检测电池的运行状态数据，诊断待检测电池的电池状态，可以适配不同的诊断任务，有效提高电池检测的精度和效率。
[0181]
在一些实施例中，电池状态检测系统还可以包括结果复核模块330。
[0182]
结果复核模块330与诊断模型模块320连接，结果复核模块330用于对第一电池诊断结果进行校验复核，得到第一电池复核结果，诊断模型模块320用于基于第一电池复核结果，对异常诊断模型进行在线更新训练。
[0183]
结果复核模块330用于对电池诊断结果进行校验复核，针对异常诊断模型判断有误的电池信息，可以通过人工或机器校验反馈，再次输入到异常诊断模型中进行训练，进一步提高模型的鲁棒性，优化迭代模型和提高模型的适配性能。
[0184]
在冷启动训练阶段结束获得初始的异常诊断模型后，通过异常诊断模型进行电池检测，结果复核模块330对电池诊断结果进行校验复核，如果结果复核模块330没有电池诊断结果修正的消息队列，可以只使用数据处理模块310的数据进行模型训练。
[0185]
如果结果复核模块330有电池诊断结果修正的消息队列，诊断模型模块320接收结
果复核模块330的电池复核结果，并使用电池复核结果，指导修正从数据处理模块310得到的数据结果，结合上述两个模块的数据，输入到异常诊断模型中进行增量训练，得到优化迭代后的异常诊断模型。
[0186]
在该实施例中，电池状态检测系统包括数据处理模块310、诊断模型模块320和结果复核模块330，数据处理模块310用于对电池数据进行处理，一方面抽取异常诊断模型所需要的特征，另一方面针对电池标签进行自动识别，两者均用于异常诊断模型使用。
[0187]
诊断模型模块320用于执行异常诊断模型的模型训练和检测工作，采用的是在线的增量学习方式，持续学习电池的最新状态信息，结果复核模块330用于对诊断结果进行校验复核，通过校验反馈提高异常诊断模型的鲁棒性。
[0188]
本技术实施例提供的电池状态检测方法，执行主体可以为电池状态检测装置。本技术实施例中以电池状态检测装置执行电池状态检测方法为例，说明本技术实施例提供的电池状态检测装置。
[0189]
本技术实施例还提供一种电池状态检测系统。
[0190]
如图4所示，该电池状态检测系统包括：电池bms(battery management system)系统410、嵌入式开发板420和云端430。
[0191]
嵌入式开发板420设于电池bms系统410，嵌入式开发板420用于采集电池bms系统410的电池运行状态数据。
[0192]
云端430与嵌入式开发板420通信连接，嵌入式开发板420用于向云端430传输电池运行状态数据，云端430用于将电池运行状态数据输入至异常诊断模型，获得异常诊断模型输出的电池bms系统410的电池诊断结果，并将电池bms系统410的电池诊断结果回传至嵌入式开发板420；
[0193]
其中，电池运行状态数据以及电池运行状态数据对应的电池标签用于构建增量训练样本，增量训练样本用于对异常诊断模型进行在线更新训练。
[0194]
在该实施例中，嵌入式开发板420和电池bms系统410之间可以进行数据信息传输，嵌入式开发板420和云端430之间也可以进行数据信息传输。
[0195]
嵌入式开发板420用于采集电池bms系统410的电池运行状态数据，电池运行状态数据包括但不限于电池的电流、电压、温度、异常信息、运行状态等状态数据。
[0196]
在实际执行中，嵌入式开发板420可以对电池bms系统410的电池运行状态数据进行如数据清理、数据集成、数据变换等预处理操作，再将处理后的电池运行状态数据传输给云端430。
[0197]
在一些实施例中，电池bms系统410的架构可以支持电池运行状态数据的数据采集和数据预处理，云端430也可直接与电池bms系统410通信，云端430直接获取电池bms系统410传输的电池运行状态数据。
[0198]
云端430可以基于电池bms系统410的电池运行状态数据，通过上述的电池状态检测方法，进行异常诊断模型进行在线更新训练，以及电池bms系统410的电池诊断结果的诊断推理。
[0199]
可以理解的是，云端430可以对电池bms系统410的电池运行状态数据以及电池诊断结果等数据进行存储。
[0200]
在该实施例中，云端430可以将电池bms系统410的电池诊断结果回传至嵌入式开
发板420，由嵌入式开发板420反馈给电池bms系统410，电池bms系统410根据反馈结果执行相应的运行策略，如正常运行、提示、告警等。
[0201]
在一些实施例中，嵌入式开发板420可以直接将电池bms系统410的电池诊断结果处理成电池bms系统410可执行的运行策略，直接发送给电池bms系统410执行。
[0202]
本技术实施例中，云端430通过使用在线增量学习训练的异常诊断模型进行电池异常检测，可显著解决新数据的学习问题，使模型能够更好的适配电池当前的状态，并且不会对之前学习到的知识产生灾难性的遗忘，当诊断类型发生变更的时候，模型同样能够学习到新的内容，对之前的学习内容做出调整，适配不同类型或、不同工况的电池异常检测，还可以适配同种类型电池的不同检测任务，比如可以检测异常、正常的任务，也可以用于检测压差异常、电流异常、温度异常等任务，检测目标可变动，即可以适配不同的诊断任务，有效提高电池检测的精度和效率。
[0203]
根据本技术实施例提供的电池状态检测系统，通过嵌入式开发板420进行数据采集传输，在云端430完成模型的训练和诊断推理，只需在电池bms系统410部署嵌入式开发板420，即可实现电池bms系统410的电池状态检测，诊断的主要计算工作在云端430进行，更加适用于小规模的电池系统。
[0204]
本技术实施例还提供一种电池状态检测系统。
[0205]
如图5所示，该电池状态检测系统包括：电池bms系统410和服务器510。
[0206]
服务器510与电池bms系统410通信连接，服务器510用于获取电池bms系统410的电池运行状态数据，将电池运行状态数据输入至异常诊断模型，获得异常诊断模型输出的电池bms系统410的电池诊断结果，并将电池bms系统410的电池诊断结果回传至电池bms系统410；
[0207]
其中，电池运行状态数据以及电池运行状态数据对应的电池标签用于构建增量训练样本，增量训练样本用于对异常诊断模型进行在线更新训练。
[0208]
本技术实施例中，服务器510通过使用在线增量学习训练的异常诊断模型进行电池异常检测，可显著解决新数据的学习问题，使模型能够更好的适配电池当前的状态，并且不会对之前学习到的知识产生灾难性的遗忘，当诊断类型发生变更的时候，模型同样能够学习到新的内容，对之前的学习内容做出调整，适配不同类型或、不同工况的电池异常检测，还可以适配同种类型电池的不同检测任务，比如可以检测异常、正常的任务，也可以用于检测压差异常、电流异常、温度异常等任务，检测目标可变动，即可以适配不同的诊断任务，有效提高电池检测的精度和效率。
[0209]
在该实施例中，服务器510与电池bms系统410之间可以进行数据信息传输，数据采集、数据处理、模型训练和诊断推理等工作均在服务器510这一端执行，服务器510的数据处理速度较快，不会因为网络通讯质量以及云端430信息滞后而影响诊断算法的时效性。
[0210]
根据本技术实施例提供的电池状态检测系统，通过服务器510进行数据采集、数据处理、模型训练和诊断推理，实现电池bms系统410的电池状态检测，服务器510的数据处理速度较快，可以保证电池状态检测的时效性。本技术实施例还提供一种电池状态检测装置。
[0211]
如图6所示，该电池状态检测装置包括：
[0212]
获取模块610，用于获取待检测电池的第一运行状态数据；
[0213]
处理模块620，用于将第一运行状态数据输入至异常诊断模型，获得异常诊断模型
输出的待检测电池的第一电池诊断结果；
[0214]
其中，第一运行状态数据以及第一运行状态数据对应的第一电池标签用于构建增量训练样本，增量训练样本用于对异常诊断模型进行在线更新训练。
[0215]
根据本技术实施例提供的电池状态检测装置，通过在线增量学习对异常诊断模型进行训练，异常诊断模型根据待检测电池的运行状态数据，诊断待检测电池的电池状态，可以适配不同的诊断任务，有效提高电池检测的精度和效率。
[0216]
在一些实施例中，处理模块620还用于对第一电池诊断结果进行校验复核，得到第一电池复核结果；
[0217]
将第一电池复核结果输入至异常诊断模型，对异常诊断模型进行在线更新训练。
[0218]
在一些实施例中，处理模块620还用于基于第一电池复核结果，修正第一电池标签；
[0219]
将第一运行状态数据以及修正后的第一电池标签作为增量训练样本，对异常诊断模型进行在线更新训练。
[0220]
在一些实施例中，处理模块620还用于在确定第一电池复核结果对应的第一修正标签为历史标签的情况下，将第一电池标签替换为第一修正标签，和/或，在增量训练样本中移除标签与第一电池标签相同的样本数据。
[0221]
在一些实施例中，处理模块620还用于在确定第一电池复核结果对应的第二修正标签为新增标签的情况下，将第二修正标签和第一电池标签作为增量训练样本；
[0222]
或者，在确定第二修正标签为新增标签的情况下，将第一电池标签替换为第二修正标签，并将增量训练样本中与第一电池标签相同类型的标签替换为第二修正标签。
[0223]
在一些实施例中，处理模块620还用于通过如下步骤训练异常诊断模型：
[0224]
将历史电池运行状态数据和历史电池标签输入至第一诊断模型，进行模型训练，得到初始的异常诊断模型，历史电池标签基于历史电池运行状态数据确定；
[0225]
将增量训练样本输入至异常诊断模型，进行异常诊断模型的在线迭代更新。
[0226]
在一些实施例中，处理模块620还用于通过如下步骤得到第一电池标签：
[0227]
对第一运行状态数据进行特征提取，获得第一运行状态特征；
[0228]
基于第一运行状态特征，确定第一电池标签。
[0229]
本技术实施例中的电池状态检测装置可以是电子设备，也可以是电子设备中的部件，例如集成电路或芯片。该电子设备可以是终端，也可以为除终端之外的其他设备。示例性的，电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、移动上网装置(mobile internet device，mid)、增强现实(augmented reality，ar)/虚拟现实(virtual reality，vr)设备、机器人、可穿戴设备、超级移动个人计算机(ultra-mobile personal computer，umpc)、上网本或者个人数字助理(personal digital assistant，pda)等，还可以为服务器、网络附属存储器(network attached storage，nas)、个人计算机(personal computer，pc)、电视机(television，tv)、柜员机或者自助机等，本技术实施例不作具体限定。
[0230]
本技术实施例中的电池状态检测装置可以为具有操作系统的装置。该操作系统可以为安卓(android)操作系统，可以为ios操作系统，还可以为其他可能的操作系统，本技术实施例不作具体限定。
[0231]
本技术实施例提供的电池状态检测装置能够实现图1和图2的方法实施例实现的各个过程，为避免重复，这里不再赘述。
[0232]
在一些实施例中，如图7所示，本技术实施例还提供一种电子设备700，包括处理器701、存储器702及存储在存储器702上并可在处理器701上运行的计算机程序，该程序被处理器701执行时实现上述电池状态检测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
[0233]
需要说明的是，本技术实施例中的电子设备包括上述所述的移动电子设备和非移动电子设备。
[0234]
本技术实施例还提供一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述电池状态检测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
[0235]
其中，所述处理器为上述实施例中所述的电子设备中的处理器。所述可读存储介质，包括计算机可读存储介质，如计算机只读存储器rom、随机存取存储器ram、磁碟或者光盘等。
[0236]
本技术实施例还提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述电池状态检测方法。
[0237]
其中，所述处理器为上述实施例中所述的电子设备中的处理器。所述可读存储介质，包括计算机可读存储介质，如计算机只读存储器rom、随机存取存储器ram、磁碟或者光盘等。
[0238]
本技术实施例另提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现上述电池状态检测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
[0239]
应理解，本技术实施例提到的芯片还可以称为系统级芯片、系统芯片、芯片系统或片上系统芯片等。
[0240]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外，需要指出的是，本技术实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能，还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能，例如，可以按不同于所描述的次序来执行所描述的方法，并且还可以添加、省去、或组合各种步骤。另外，参照某些示例所描述的特征可在其他示例中被组合。
[0241]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以计算机软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，或者网络设备等)执行本技术各个实施例所述的方法。
[0242]
上面结合附图对本技术的实施例进行了描述，但是本技术并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本技术的启示下，在不脱离本技术宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本技术的保护之内。
[0243]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本技术的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0244]
尽管已经示出和描述了本技术的实施例，本领域的普通技术人员可以理解：在不脱离本技术的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本技术的范围由权利要求及其等同物限定。

技术特征：
1.一种电池状态检测方法，其特征在于，包括：获取待检测电池的第一运行状态数据；将所述第一运行状态数据输入至异常诊断模型，获得所述异常诊断模型输出的所述待检测电池的第一电池诊断结果；其中，所述第一运行状态数据以及所述第一运行状态数据对应的第一电池标签用于构建增量训练样本，所述增量训练样本用于对所述异常诊断模型进行在线更新训练。2.根据权利要求1所述的电池状态检测方法，其特征在于，在所述获得所述异常诊断模型输出的所述待检测电池的第一电池诊断结果之后，所述方法还包括：对所述第一电池诊断结果进行校验复核，得到第一电池复核结果；将所述第一电池复核结果输入至所述异常诊断模型，对所述异常诊断模型进行在线更新训练。3.根据权利要求2所述的电池状态检测方法，其特征在于，所述将所述第一电池复核结果输入至所述异常诊断模型，对所述异常诊断模型进行在线更新训练，包括：基于所述第一电池复核结果，修正所述第一电池标签；将所述第一运行状态数据以及修正后的所述第一电池标签作为所述增量训练样本，对所述异常诊断模型进行在线更新训练。4.根据权利要求3所述的电池状态检测方法，其特征在于，所述基于所述第一电池复核结果，修正所述第一电池标签，包括：在确定所述第一电池复核结果对应的第一修正标签为历史标签的情况下，将所述第一电池标签替换为所述第一修正标签，和/或，在所述增量训练样本中移除标签与所述第一电池标签相同的样本数据。5.根据权利要求3所述的电池状态检测方法，其特征在于，所述基于所述第一电池复核结果，修正所述第一电池标签，包括：在确定所述第一电池复核结果对应的第二修正标签为新增标签的情况下，将所述第二修正标签和所述第一电池标签作为所述增量训练样本；或者，在确定所述第二修正标签为新增标签的情况下，将所述第一电池标签替换为所述第二修正标签，并将所述增量训练样本中与所述第一电池标签相同类型的标签替换为所述第二修正标签。6.根据权利要求1-5任一项所述的电池状态检测方法，其特征在于，所述异常诊断模型通过如下步骤训练：将历史电池运行状态数据和历史电池标签输入至第一诊断模型，进行模型训练，得到初始的所述异常诊断模型，所述历史电池标签基于所述历史电池运行状态数据确定；将所述增量训练样本输入至所述异常诊断模型，进行所述异常诊断模型的在线迭代更新。7.根据权利要求1-5任一项所述的电池状态检测方法，其特征在于，所述第一电池标签通过如下步骤得到：对所述第一运行状态数据进行特征提取，获得第一运行状态特征；基于所述第一运行状态特征，确定所述第一电池标签。8.一种电池状态检测装置，其特征在于，包括：
获取模块，用于获取待检测电池的第一运行状态数据；处理模块，用于将所述第一运行状态数据输入至异常诊断模型，获得所述异常诊断模型输出的所述待检测电池的第一电池诊断结果；其中，所述第一运行状态数据以及所述第一运行状态数据对应的第一电池标签用于构建增量训练样本，所述增量训练样本用于对所述异常诊断模型进行在线更新训练。9.一种电池状态检测系统，其特征在于，包括：数据处理模块，所述数据处理模块用于基于待检测电池的第一运行状态数据，确定所述第一运行状态数据对应的第一电池标签，所述第一运行状态数据以及所述第一电池标签用于构建增量训练样本；诊断模型模块，所述诊断模型模块与所述数据处理模块连接，所述诊断模型模块包括异常诊断模型，所述诊断模型模块用于将所述第一运行状态数据输入至所述异常诊断模型，获得所述异常诊断模型输出的所述待检测电池的第一电池诊断结果，所述增量训练样本用于对所述异常诊断模型进行在线更新训练。10.根据权利要求9所述的电池状态检测系统，其特征在于，还包括：结果复核模块，所述结果复核模块与所述诊断模型模块连接，所述结果复核模块用于对所述第一电池诊断结果进行校验复核，得到第一电池复核结果，所述诊断模型模块用于基于所述第一电池复核结果，对所述异常诊断模型进行在线更新训练。11.一种电池状态检测系统，其特征在于，包括：电池bms系统；嵌入式开发板，所述嵌入式开发板设于所述电池bms系统，所述嵌入式开发板用于采集所述电池bms系统的电池运行状态数据；云端，所述云端与所述嵌入式开发板通信连接，所述嵌入式开发板用于向所述云端传输所述电池运行状态数据，所述云端用于将所述电池运行状态数据输入至异常诊断模型，获得所述异常诊断模型输出的所述电池bms系统的电池诊断结果，并将所述电池bms系统的电池诊断结果回传至所述嵌入式开发板；其中，所述电池运行状态数据以及所述电池运行状态数据对应的电池标签用于构建增量训练样本，所述增量训练样本用于对所述异常诊断模型进行在线更新训练。12.一种电池状态检测系统，其特征在于，包括：电池bms系统；服务器，所述服务器与所述电池bms系统通信连接，所述服务器用于获取所述电池bms系统的电池运行状态数据，将所述电池运行状态数据输入至异常诊断模型，获得所述异常诊断模型输出的所述电池bms系统的电池诊断结果，并将所述电池bms系统的电池诊断结果回传至所述电池bms系统；其中，所述电池运行状态数据以及所述电池运行状态数据对应的电池标签用于构建增量训练样本，所述增量训练样本用于对所述异常诊断模型进行在线更新训练。13.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-6任一项所述电池状态检测方法。14.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机
程序被处理器执行时实现如权利要求1-6任一项所述的电池状态检测方法。

技术总结
本申请公开了一种电池状态检测方法、装置、系统、电子设备及存储介质，属于电池技术领域。该电池状态检测方法包括：获取待检测电池的第一运行状态数据；将所述第一运行状态数据输入至异常诊断模型，获得所述异常诊断模型输出的所述待检测电池的第一电池诊断结果；其中，所述第一运行状态数据以及所述第一运行状态数据对应的第一电池标签用于构建增量训练样本，所述增量训练样本用于对所述异常诊断模型进行在线更新训练。该电池状态检测方法通过在线增量学习对异常诊断模型进行训练，异常诊断模型根据待检测电池的运行状态数据，诊断待检测电池的电池状态，可以适配不同诊断任务，有效提高电池检测的精度和效率。有效提高电池检测的精度和效率。有效提高电池检测的精度和效率。


技术研发人员：卜民 崔鑫 胡琼
受保护的技术使用者：阳光电源（上海）有限公司
技术研发日：2023.02.02
技术公布日：2023/8/9