一种基于电压预测的锂离子电池故障诊断方法

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