CN110954841A - 一种基于锂电池小波去噪的在线监测方法 - Google Patents

一种基于锂电池小波去噪的在线监测方法 Download PDF

Info

Publication number
CN110954841A
CN110954841A CN201910976877.7A CN201910976877A CN110954841A CN 110954841 A CN110954841 A CN 110954841A CN 201910976877 A CN201910976877 A CN 201910976877A CN 110954841 A CN110954841 A CN 110954841A
Authority
CN
China
Prior art keywords
time
new
data
current data
matrix
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910976877.7A
Other languages
English (en)
Inventor
余波
张日东
陶吉利
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN201910976877.7A priority Critical patent/CN110954841A/zh
Publication of CN110954841A publication Critical patent/CN110954841A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Tests Of Electric Status Of Batteries (AREA)

Abstract

本发明公开了一种基于锂电池小波去噪的在线监测方法。本发明首先基于锂电池运行过程，采样得到多个锂电池运行数据情况，建立观测数据的矩阵模型，并进行模型优化，然后计算监测指标判断是否出现异常。锂电池实际应用中往往是以电池组的形式出现，因此对锂电池组的每一个电池进行监测。本发明通过数据采集、数据处理、模型建立、故障监测等手段，确立了一种基于小波去噪的在线监测方法，利用该方法可以对原本模型进行改进，从而使监测结果更加准确。

Description

一种基于锂电池小波去噪的在线监测方法
技术领域
本发明属于自动化工业过程监测领域，涉及一种锂电池的基于小波去噪的新型在线监测方法。
背景技术
锂电池在我们生活中用的很多，大多数地方是不用监测电池健康状态的，但是在电动车等部分应用场景需要了解电池健康状态以便能够更好的应用电池。传统的锂电池监测方法主要是先建立等效电路模型，然后进行模型参数辨识，最后根据电池运行时参数的变化得到电池健康状态。这个方法在实验室精确监测是可行的，但是在实际应用中就相对复杂。等效电路模型是基于实际电路而来的一种模型，通过数据辨识参数很复杂，并且试验周期长。考虑到这个问题，本发明提出了一种数学模型通过收集电池数据，然后通过数学运算建模，这样就避免了实际电路参数难以估计的问题。通过最后的结果分析精度与等效电路模型相差很小，说明该思路是有效地。
发明内容
本发明目的是针对传统监测方法模型不够准确的缺点进行改进，在建模时对采集的数据进行小波去噪处理，得到一种新型的改进模型，利用该模型进行监测能更好的避免噪音对监测结果的影响。
本发明首先基于锂电池运行过程，采样得到多个锂电池运行数据情况，建立观测数据的矩阵模型，并进行模型优化，然后计算监测指标判断是否出现异常。锂电池实际应用中往往是以电池组的形式出现，因此对锂电池组的每一个电池进行监测。
本发明的技术方案是通过数据采集、数据处理、模型建立、故障监测等手段，确立了一种基于小波去噪的在线监测方法，利用该方法可以对原本模型进行改进，从而使监测结果更加准确。
本发明的方法步骤包括：
步骤1、建立改进算法的模型，具体步骤是：
1-1.通过采样得到第i批次第k时刻时间序列模型：
Xi(k)＝[(Xi(k))T (Xi(k-1))T … (Xi(k-d))T]
其中k是时刻，d是时滞窗口长度，i是批次，Xi(k)、Xi(k-1)…Xi(k-d)分别是第i批次第k时刻、第k-1时刻…第k-d时刻采样数据组成的向量，T是转置符号，每个时刻数据采样J次。
1-2.利用1-1数据扩展成时滞数据窗口：
Figure BDA0002233921720000021
其中
Figure BDA0002233921720000022
是第i批次长度为d的时滞数据窗口，Xi(d+1)…Xi(k)…Xi(k-d)分别是第i批次第d+1时刻…第k时刻…第k-d时刻的时间序列模型。
1-3.使用小波去噪方法去除过程数据中的噪声。
Figure BDA0002233921720000023
其中，Xp表示小波去噪后的过程数据，lx表示过程数据的阈值。
1-4.计算协方差矩阵：
Figure BDA0002233921720000024
其中Si(J×J)是第i批次的协方差矩阵，K是采样总次数。
1-5.对1-3的数据进行主成分分析，得到其所有特征值以及特征向量，并且按从大到小排列，从中选取R个较大的特征值构成负荷矩阵：
P(J×R)＝[P1 P2 … PR]
其中P(J×R)是负荷矩阵，P1…P2…PR是选取的第一个…第二个…第R个特征向量。
1-6.由步骤1-1至1-5得到系统模型为：
XP＝APT+E
其中A是主元素分析时计算特征向量的特征值所组成的矩阵。E是步骤1-3中产生的噪音矩阵。
步骤2、在线故障监测，具体步骤是：
2-1.采样获取某个新批次第k时刻的数据，由1-1和1-2得：
Figure BDA0002233921720000025
其中Xnew(k)、Xnew(k-d+1)…Xnew(k-d)是新批次第k时刻、第k-d+1时刻…第k-d时刻的时间序列模型。
2-2.使用小波去噪方法去除过程数据中的噪声。
Figure BDA0002233921720000031
其中，
Figure BDA0002233921720000032
表示小波去噪后的过程数据，lx表示过程数据的阈值，
2-3.根据2-2计算残差矩阵，选择R个主过程变量(PV)，其余(J-R)个剩余变量(CV)：
enew(k)＝Xnew(k)(I-PPT)
其中enew(k)是新批次第k时刻总数据的残差矩阵，P是负荷矩阵，I是单位矩阵，
Figure BDA0002233921720000033
是新批次第k时刻的主采样数据时间序列模型。
2-4.计算平方预测误差：
Figure BDA0002233921720000034
其中
Figure BDA0002233921720000035
是新批次第k时刻的平方预测误差。
2-5.计算新批次第k时刻的得分向量：
Figure BDA0002233921720000036
其中tnew(k)是新批次第k时刻的得分向量。
2-6.通过2-5计算实时信息统计量：
Figure BDA0002233921720000037
其中Λ-1是步骤2-1建模时所保留的R个主元素对应的特征值组成的对角矩阵的逆，
Figure BDA0002233921720000038
是实时信息统计量。
2-7.将2-6中式子化简得到：
Figure BDA0002233921720000039
2-8.计算实时信息统计量
Figure BDA00022339217200000310
和平方预测误差SPEα：
Figure BDA00022339217200000311
其中FR,α是自由度为R和α的F分布；
Figure BDA00022339217200000312
其中
Figure BDA0002233921720000041
是自由度为
Figure BDA0002233921720000042
的χ2分布，m和V分别是历史平方预测误差SPEα的均值和方差；
2-9.比较结果，若满足
Figure BDA0002233921720000043
则此时生产正常。
本发明提出的新型在线监测方法首先对模型进行了改进，将传统的等效电路模型替换成纯数学模型，达到了快速估计的效果，并且最后电池健康状态估计能够在结合历史数据的前提进行监测，不仅能够让监测灵敏度大大提高，还能够在早期就检测出生产异常。
具体实施方式
以工业过程中的锂电池使用为例，选取锂电池组运行中的数据(电流、电压、内阻)进行建模，将电池组运行中的数据变化作为监测对象，监测锂电池组使用状况是否正常，将电池组中的每个电池进行分开采集数据，本实施例的运行数据以电流为例。
步骤1、建立锂电池运行状况模型，具体步骤是：
1-1.通过采样得到锂电池运行状况时间序列模型：
Xi(k)＝[(Xi(k))T (Xi(k-1))T … (Xi(k-d))T]
其中k是时刻，d是时滞窗口长度，i是第i个电池，Xi(k)、Xi(k-1)…Xi(k-d)分别是第i个电池第k时刻、第k-1时刻…第k-d时刻的电流数据组成的向量，T是转置符号，每个时刻电流都要采样J次。
1-2.利用1-1数据扩展成时滞数据窗口：
Figure BDA0002233921720000044
其中
Figure BDA0002233921720000045
是第i个电池长度为d的原料预分解时滞数据窗口，Xi(d+1)…Xi(k)…Xi(k-d)分别是第i个电池第d+1时刻…第k时刻…第k-d时刻的电流时间序列模型。
1-3.使用小波去噪方法去除电流数据中的噪声。
Figure BDA0002233921720000046
其中，Xp表示小波去噪后的电流数据，lx表示电流数据的阈值，人为确定具体值。
1-4.计算协方差矩阵：
Figure BDA0002233921720000051
其中Si(J×J)是第i个电池的协方差矩阵，J是每个时刻采样的次数，K是采样总次数。
1-5.对1-3的数据进行主成分分析，得到其所有特征值以及特征向量，并且按从大到小排列，从中选取R个较大的特征值构成的电流数据负荷矩阵：
P(J×R)＝[P1 P2 … PR]
其中P(J×R)是负荷矩阵，P1…P2…PR是选取的第一个…第二个…第R个特征向量。
1-6.由步骤1-1至1-5得到电池运行状况模型为：
XP＝APT+E
其中A是主元素分析时计算特征向量的特征值所组成的矩阵。E是步骤1-3中产生的噪音矩阵。
步骤2、在线故障监测，具体步骤是：
2-1.采样获取某个电池组的新的电流数据，由1-1和1-2得：
Figure BDA0002233921720000052
其中Xnew(k)、Xnew(k-d+1)…Xnew(k-d)是电池组第k时刻、第k-d+1时刻…第k-d时刻的新电流数据的时间序列模型。
2-2.使用小波去噪方法去除过程数据中的噪声。
Figure BDA0002233921720000053
其中，
Figure BDA0002233921720000054
表示小波去噪后的新电流数据，lx表示原料预分解的阈值。
2-3.根据2-2计算残差矩阵，选择R个主过程变量(PV)，其余(J-R)个剩余变量(CV)：
enew(k)＝Xnew(k)(I-PPT)
其中enew(k)是新电池数据第k时刻总数据的残差矩阵，P是负荷矩阵，I是单位矩阵，
Figure BDA0002233921720000061
是新电流数据第k时刻的电流数据时间序列模型。
2-4.计算平方预测误差：
Figure BDA0002233921720000062
其中
Figure BDA0002233921720000063
是新电流数据第k时刻的平方预测误差。
2-5.计算新电流数据第k时刻的得分向量：
Figure BDA0002233921720000064
其中tnew(k)是新电流数据第k时刻的得分向量。
2-6.通过2-5计算实时信息统计量：
Figure BDA0002233921720000065
其中Λ-1是步骤2-1建模时所保留的R个主元素对应的特征值组成的对角矩阵的逆，
Figure BDA0002233921720000066
是实时信息统计量。
2-7.将2-6中式子化简得到：
Figure BDA0002233921720000067
2-8.计算实时信息统计量
Figure BDA0002233921720000068
和平方预测误差SPEα：
Figure BDA0002233921720000069
其中FR,α是自由度为R和α的F分布；
Figure BDA00022339217200000610
其中
Figure BDA00022339217200000611
是自由度为
Figure BDA00022339217200000612
的χ2分布，m和V分别是历史平方预测误差SPEα的均值和方差。
2-9.比较结果，若满足
Figure BDA00022339217200000613
则此时电池运行过程正常。

Claims (1)

1.一种基于锂电池小波去噪的在线监测方法，其特征在于该方法包括以下步骤：
步骤1、建立锂电池运行状况模型，具体步骤是：
步骤1-1.通过采样得到锂电池运行状况时间序列模型：
Xi(k)＝[(Xi(k))T (Xi(k-1))T …(Xi(k-d))T]
其中k是时刻，d是时滞窗口长度，i是第i个电池，Xi(k)、Xi(k-1)…Xi(k-d)分别是第i个电池第k时刻、第k-1时刻…第k-d时刻的电流数据组成的向量，T是转置符号，每个时刻电流都采样J次；
步骤1-2.利用步骤1-1数据扩展成时滞数据窗口：
Figure FDA0002233921710000011
其中
Figure FDA0002233921710000012
是第i个电池长度为d的原料预分解时滞数据窗口，Xi(d+1)…Xi(k)…Xi(k-d)分别是第i个电池第d+1时刻…第k时刻…第k-d时刻的电流时间序列模型；
步骤1-3.使用小波去噪方法去除电流数据中的噪声；
Figure FDA0002233921710000013
其中，Xp表示小波去噪后的电流数据，lx表示电流数据的阈值；
步骤1-4.计算协方差矩阵：
Figure FDA0002233921710000014
其中Si(J×J)是第i个电池的协方差矩阵，K是采样总次数；
步骤1-5.对步骤1-3的数据进行主成分分析，得到其所有特征值以及特征向量，并且按从大到小排列，从中选取R个较大的特征值构成的电流数据负荷矩阵：
P(J×R)＝[P1 P2…PR]
其中P(J×R)是负荷矩阵，P1…P2…PR是选取的第一个…第二个…第R个特征向量；
步骤1-6.由步骤1-1至1-5得到电池运行状况模型为：
XP＝APT+E
其中A是主元素分析时计算特征向量的特征值所组成的矩阵；E是步骤1-3中产生的噪音矩阵；
步骤2、在线故障监测，具体步骤是：
步骤2-1.采样获取某个电池组的新的电流数据，由步骤1-1和步骤1-2得：
Figure FDA0002233921710000021
其中Xnew(k)、Xnew(k-d+1)…Xnew(k-d)是电池组第k时刻、第k-d+1时刻…第k-d时刻的新电流数据的时间序列模型；
步骤2-2.使用小波去噪方法去除过程数据中的噪声；
Figure FDA0002233921710000022
其中，
Figure FDA0002233921710000023
表示小波去噪后的新电流数据，lx表示原料预分解的阈值；
步骤2-3.根据步骤2-2计算残差矩阵，选择R个主过程变量，其余(J-R)个剩余变量：
enew(k)＝Xnew(k)(I-PPT)
其中enew(k)是新电池数据第k时刻总数据的残差矩阵，P是负荷矩阵，I是单位矩阵，
Figure FDA0002233921710000024
是新电流数据第k时刻的电流数据时间序列模型；
步骤2-4.计算平方预测误差：
Figure FDA0002233921710000025
其中
Figure FDA0002233921710000026
是新电流数据第k时刻的平方预测误差；
步骤2-5.计算新电流数据第k时刻的得分向量：
Figure FDA0002233921710000027
其中tnew(k)是新电流数据第k时刻的得分向量；
步骤2-6.通过步骤2-5计算实时信息统计量：
Figure FDA0002233921710000031
其中Λ-1是步骤2-1建模时所保留的R个主元素对应的特征值组成的对角矩阵的逆，(Tk new)2是实时信息统计量；
步骤2-7.将步骤2-6中式子化简得到：
Figure FDA0002233921710000032
步骤2-8.计算实时信息统计量
Figure FDA0002233921710000033
和平方预测误差SPEα：
Figure FDA0002233921710000034
其中FR,α是自由度为R和α的F分布；
Figure FDA0002233921710000035
其中
Figure FDA0002233921710000036
是自由度为
Figure FDA0002233921710000037
的χ2分布，m和V分别是历史平方预测误差SPEα的均值和方差；
步骤2-9.比较结果，若满足
Figure FDA0002233921710000038
则此时电池运行过程正常。
CN201910976877.7A 2019-10-15 2019-10-15 一种基于锂电池小波去噪的在线监测方法 Pending CN110954841A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910976877.7A CN110954841A (zh) 2019-10-15 2019-10-15 一种基于锂电池小波去噪的在线监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910976877.7A CN110954841A (zh) 2019-10-15 2019-10-15 一种基于锂电池小波去噪的在线监测方法

Publications (1)

Publication Number Publication Date
CN110954841A true CN110954841A (zh) 2020-04-03

Family

ID=69975647

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910976877.7A Pending CN110954841A (zh) 2019-10-15 2019-10-15 一种基于锂电池小波去噪的在线监测方法

Country Status (1)

Country Link
CN (1) CN110954841A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112285565A (zh) * 2020-09-21 2021-01-29 电子科技大学 基于rkhs域匹配的迁移学习预测电池soh方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103148790A (zh) * 2013-03-14 2013-06-12 常州工学院 一种锂电池薄膜微位移测厚方法
CN107461611A (zh) * 2017-08-24 2017-12-12 南京邮电大学 基于小波和emd重构相结合的泄漏检测方法及泄漏检测装置
CN108960332A (zh) * 2018-07-11 2018-12-07 杭州电子科技大学 一种基于多向主元素分析法的在线监测方法
CN111216568A (zh) * 2020-02-20 2020-06-02 中南大学 一种基于门控循环单元的电动汽车能量管理装置及方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103148790A (zh) * 2013-03-14 2013-06-12 常州工学院 一种锂电池薄膜微位移测厚方法
CN107461611A (zh) * 2017-08-24 2017-12-12 南京邮电大学 基于小波和emd重构相结合的泄漏检测方法及泄漏检测装置
CN108960332A (zh) * 2018-07-11 2018-12-07 杭州电子科技大学 一种基于多向主元素分析法的在线监测方法
CN111216568A (zh) * 2020-02-20 2020-06-02 中南大学 一种基于门控循环单元的电动汽车能量管理装置及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
谢阳: "基于数据驱动的锂离子电池剩余寿命预测方法研究", 《中国优秀硕士学位论文全文库》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112285565A (zh) * 2020-09-21 2021-01-29 电子科技大学 基于rkhs域匹配的迁移学习预测电池soh方法
CN112285565B (zh) * 2020-09-21 2021-07-13 电子科技大学 基于rkhs域匹配的迁移学习预测电池soh方法

Similar Documents

Publication Publication Date Title
CN112254964A (zh) 一种基于快速多尺度卷积神经网络的滚动轴承故障诊断方法
CN108803520B (zh) 一种基于变量非线性自相关性剔除的动态过程监测方法
CN111914883B (zh) 一种基于深度融合网络的主轴轴承状态评估方法及装置
CN112257530B (zh) 基于盲信号分离和支持向量机的滚动轴承故障诊断方法
CN110303380A (zh) 一种数控机床刀具剩余寿命预测方法
CN111562108A (zh) 一种基于cnn和fcmc的滚动轴承智能故障诊断方法
CN109086876B (zh) 设备的运行状态检测方法、装置、计算机设备和存储介质
CN114619292B (zh) 一种基于小波降噪和注意力机制融合gru网络的铣削加工刀具磨损监测方法
CN109031103B (zh) 一种交流接触器性能退化与状态评估方法
CN111190088B (zh) 一种igbt性能退化特征参数的提取方法
CN108562821B (zh) 一种基于Softmax确定配电网单相接地故障选线的方法及系统
CN109409425B (zh) 一种基于近邻成分分析的故障类型识别方法
CN110363339B (zh) 一种基于电机参数进行预测性维护的方法与系统
CN111678699B (zh) 一种面向滚动轴承早期故障监测与诊断方法及系统
CN115496644A (zh) 基于数据识别的固体废弃物处理设备监测方法
CN112305388B (zh) 一种发电机定子绕组绝缘局部放电故障在线监测诊断方法
CN112304611A (zh) 一种基于深度学习的轴承故障的诊断方法
CN112836720A (zh) 建筑运维设备异常诊断方法、系统及计算机可读存储介质
CN115409131A (zh) 基于spc过程管控系统的生产线异常检测方法
CN112504682A (zh) 基于粒子群优化算法的底盘发动机故障诊断方法及系统
CN112816881A (zh) 电池压差异常检测方法、装置及计算机存储介质
CN113358993A (zh) 一种多电平变换器igbt的在线故障诊断方法及系统
CN110108474B (zh) 一种旋转机械运行稳定性在线监测与评估方法及系统
CN110308339B (zh) 基于证据推理规则的变频器直流母线电容故障诊断法
CN110119579B (zh) 一种基于oica的复杂工业过程故障监测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20200403

RJ01 Rejection of invention patent application after publication