一种基于电压预测的锂离子电池故障诊断方法
- 国知局
- 2024-11-06 14:39:20
本发明涉及锂离子电池故障诊断,具体为一种基于电压预测的锂离子电池故障诊断方法。
背景技术:
1、电动汽车以其绿色、节能、轻便、方便、低成本的独特优势,成为交通电气化中短途出行和通勤的代表性解决方案。电池系统作为电动汽车的主要动力源,在很大程度上影响着电动汽车的动力性、安全性、可靠性和性价比。目前,锂离子电池因其循环寿命长、工作温度范围宽、功率密度和能量密度高,已成为电动汽车的首选储能材料。然而,由于电池老化、内在缺陷和复杂的服务环境导致的电池故障事故的不断发生,锂离子电池安全性受到了前所未有的审视。因此,电池故障诊断技术成为保障和提高电池系统安全运行的研究重点。现有的方法大多无法对电池电压故障进行提前诊断和预警,这可能会使一个小故障最终发展为不可控的热失控或爆炸。
技术实现思路
1、(一)解决的技术问题
2、针对现有技术的不足,本发明提供了一种基于电压预测的锂离子电池故障诊断方法,具备电池故障的提前预警和诊断等优点,解决了上述技术问题。
3、(二)技术方案
4、为实现上述目的,本发明提供如下技术方案:一种基于电压预测的锂离子电池故障诊断方法,包括以下步骤:
5、s1、获取锂离子电池实车数据:实车采集无故障电动汽车锂离子电池运行数据,实时记录电池充放电电压、电流、温度、荷电状态;
6、s2、数据处理:对s1中得到的温度、电流、荷电状态和电压数据进行预处理,包括以下步骤:
7、s2.1、将步骤s1中温度、电流和荷电状态数据构建为模型输入数据集;
8、s2.2、将模型输入数据集划分为训练集和测试集,具体表达式如下:
9、训练集:
10、
11、测试集:
12、
13、其中,表示训练集中的模型输入,表示对应训练集中的模型输入的预测电压,表示测试集中的模型输入,表示对应测试集中的模型输入的预测电压,表示训练集,表示测试集,表示维度;
14、s3、cnn-gru混合模型搭建:结合cnn模型和gru模型搭建cnn-gru混合模型;
15、s3.1、通过cnn模型构建cnn层用于提取数据的空间特征,其中cnn层由一维卷积层和最大池化层组成,其中一维卷积层由一组滤波器组成,所述滤波器可以从输入数据中提取空间信息,将一维卷积层提取的特征传递给最大池化层,完成对空间特征的提取;
16、s3.2、在cnn层完成对空间特征提取后,采用通过gru模型构建gru层用于从模型输入数据中提取时间特征;
17、s3.3、设置用于缓解过拟合dropout层,具体表达式如下:
18、
19、其中,表示基于概率的伯努利随机变量,表示伯努利分布,表示dropout层的输出值,表示当前时刻隐藏状态,并作为dropout层的输入值;
20、s3.4、设置全连接层用于对预测电压进行输出,完成cnn-gru混合模型的建立;
21、s4、cnn-gru混合模型优化:利用飞蛾扑火优化算法对s3中得到的cnn-gru混合模型进行超参数优化,获得优化后的cnn-gru混合模型;
22、s5.cnn-gru模型训练:取步骤s2中得到的电压以及电流、温度和荷电状态数据形成的训练集来运行优化后的cnn-gru混合模型,寻找电流、温度、荷电状态和电压的非线性映射关系,得到训练完成的cnn-gru混合模型;
23、s6.获得电池预测电压:基于步骤s5所得训练完成后的cnn-gru混合模型,输入电流、温度、荷电状态,输出电池电压,即获得电池预测电压;
24、s7.生成电池残差:基于步骤s6所得预测电压,计算预测电压与真实采集电压差值,即获得电池残差;
25、s8.故障诊断:基于步骤s7所得电池残差,确定故障类型和等级,具体步骤如下:
26、s8.1、确定电池残差的正负性,若电池残差为负则为过压状态,若电池残差为正则为欠压状态;
27、s8.2、同时依据电池的充放电阶段的不同,而设置不同的阈值,若电池残差高于设定阈值,立即触发欠压故障及相应报警级别,定位故障电池单体;若电池残差低于设定阈值,立即触发过压故障及相应报警级别,定位故障电池单体。
28、作为本发明的优选技术方案,所述cnn层中滤波器提取空间信息的表达式如下:
29、
30、其中,、、、分别表示卷积层的输入、输出、权重和偏差值,表示卷积运算,表示激活函数;
31、所述步骤s3.1中一维卷积层提取的特征传递给最大池化层的表达式如下:
32、
33、其中,表示最大池化层的输出,表示池化过程中的窗口大小,表示维输入时的输出值。
34、作为本发明的优选技术方案,所述步骤s3.2中gru层的具体表达式如下:
35、
36、其中,表示当前时刻的复位门,表示复位门的权重矩阵,表示前一时刻的隐藏状态,表示当前时刻隐藏状态,表示更新门,表示更新门的权重矩阵,表示当前时刻候选状态,表示候选状态的权重矩阵,下标t表示时刻,表示sigmoid激活函数,表示双曲正切函数,表示元素乘积,表示最大池化层的输出并作为gru层的输入;
37、所述步骤s3.4中通过全连接层对预测电压的表达式如下:
38、
39、其中,表示dropout层的输出值,表示全连接层的权值矩阵,表示全连接层的偏置向量。
40、作为本发明的优选技术方案,所述步骤s7中的电池残差的计算表达式如下:
41、
42、其中,表示电池残差,表示真实采集电压,表示cnn-gru混合模型输出的电压。
43、与现有技术相比,本发明提供了一种基于电压预测的锂离子电池故障诊断方法,具备以下有益效果:
44、本发明利用首先获取锂离子电池实车数据并进行数据处理,之后搭建cnn-gru混合模型并对cnn-gru混合模型进行训练和优化,向训练完成后的cnn-gru混合模型,输入电流、温度、荷电状态,输出电池电压,即获得电池预测电压,并基于预测电压生成电池残差,依据电池残差确定故障类型和等级cnn-gru方法实现了实车电池的电压预测,并且利用预测的电压与实际采集电压进行比较之后,能够对将要发生的电池故障进行分等级预警。
技术特征:1.一种基于电压预测的锂离子电池故障诊断方法,其特征在于:包括以下步骤:
2.根据权利要求1所述的一种基于电压预测的锂离子电池故障诊断方法,其特征在于:所述cnn层中滤波器提取空间信息的表达式如下:
3.根据权利要求2所述的一种基于电压预测的锂离子电池故障诊断方法,其特征在于:所述步骤s3.2中gru层的具体表达式如下:
4.根据权利要求1所述的一种基于电压预测的锂离子电池故障诊断方法,其特征在于:所述步骤s7中的电池残差的计算表达式如下:
技术总结本发明涉及锂离子电池故障诊断技术领域,且公开了一种基于电压预测的锂离子电池故障诊断方法。首先获取锂离子电池实车数据并进行数据处理,之后搭建CNN‑GRU混合模型并对CNN‑GRU混合模型进行训练和优化,向训练完成后的CNN‑GRU混合模型输入电流、温度、荷电状态,输出电池电压,即获得电池预测电压,并基于预测电压生成电池残差,依据电池残差确定故障类型和等级。该基于电压预测的锂离子电池故障诊断方法利用CNN‑GRU方法实现了实车电池的电压预测,并且利用预测的电压与实际采集电压进行比较之后,能够对将要发生的电池故障进行分等级预警。技术研发人员:陈峥,赵红茜,张开文,王岚,舒星,申江卫,刘永刚,沈世全受保护的技术使用者:昆明理工大学技术研发日:技术公布日:2024/11/4本文地址:https://www.jishuxx.com/zhuanli/20241106/323339.html
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。
下一篇
返回列表