CN112327189B - 一种基于knn算法的储能电池健康状态综合判断方法 - Google Patents

Abstract

本发明涉及一种基于KNN算法的储能电池健康状态综合判断方法。包括以下步骤：采集大量正常和不同故障下储能电池在充放电测试过程中端电压曲线，提取描述电压特点的关键特征，与标识储能电池类别的标签构成样本集合；随机抽取集合中一定比例的样本，构成若干个子集，并保证子集中样本互斥；提取待检测储能电池端电压特征，与子集中全部样本计算欧式距离，判断与待测样本最邻近的k个样本；据子集样本数据及k个样本所代表类别的情况，形成每个子集的诊断证据；利用D‑S证据理论，判断待测检测储能电池的状态类别。本发明提出的综合判断方法可以避免噪声和奇异样本对辨识结果的影响。

Description

一种基于KNN算法的储能电池健康状态综合判断方法

技术领域：

本发明涉及储能电池的质量管理，具体涉及一种基于KNN算法的储能电池健康状态综合判断方法。

背景技术：

面对可再生能源应用规模化、电力服务多样化、电网结构复杂化的发展问题，作为电网运行提供调峰、调频、备用、黑启动等多种服务和提高风、光等可再生能源的消纳水平的关键环节，储能系统的扮演着越来越重要的角色。近年来，电化学储能系统的蓬勃发展，储能电池的应用和推广规模也将日益扩大。在储能电池服役过程中，长期运行的储能电池的潜在隐患可能带来储能系统甚至电力系统的安全问题。因此，评估储能电池的状态以及分析其健康情况，对于提高储能电池安全性和可靠性是十分重要的。

随着机器学习、人工智能等先进技术的发展，储能电池健康状态辨识的智能化监测服务获得实现，开展智能的储能电池健康状态诊断模型研究已成为热点问题。基于储能电池长期运行的海量数据，挖掘其不同故障的外在特征差异，进而形成故障辨识模型是储能电池健康状态辨识实现的基本流程。其中海量数据的特征挖掘和筛选以及故障辨识模型的设计是影响最终辨识结果准确性的重要环节。传统的故障辨识模型大多表现为单一强化模型，对于奇异样本和噪声敏感，易造成过拟合问题，且模型参数需要优化设计。集成学习过程可以大大降低此类影响，但是以简单投票或平均值方式形成的诊断结果可能存在对故障类型辨识结果描述不完全的问题。

发明内容：

为了提升储能电池健康状态评估效率以及故障诊断技术的适用性，本发明提出一种结合集成学习过程的KNN算法以及D-S证据融合的新思路，实现一种KNN集成的储能电池健康状态综合判断方法。具体技术方案如下：

一种基于KNN算法的储能电池健康状态综合判断方法，包括下述步骤：

步骤1：构建含类别的储能电池端电压特征数据集；具体步骤包括：

步骤1.1：利用测量设备采集m个储能电池在一次充放电测试过程中的端电压信号，m个储能电池的分为“正常”和“故障”两种，而故障的类型又分为S-1中具体类别，因此，m个储能电池包含S种类别，并标注每个信号的类别L_s,(s＝1,2,…,S)；

步骤1.2：定义n个关键特征的计算方式，并将各特征值其映射至[0,1]的范围内，形成可以表征端电压信号特点的特征向量

组成含有类别的样本特征数据集合A；

步骤2：构建多个差异性子集；对样本特征数据集合A随机抽样，形成R个等样本数量的差异性子集B_r，(r＝1,2,…,R)，并保证每个子集B_r中样本互斥；

步骤3：计算待测样本与各子集中样本的距离；具体步骤包括：

骤3.1：基于步骤1.2的特征向量定义方式，提取待测储能电池端电压的特征X^(t)，令r＝1；

步骤3.2：k为大于零且小于子集样本数量的正整数，在参数k的定义范围内随机定义参数k值，计算待测储能电池端电压的特征X^(t)与子集B_r中全部样本的欧式距离，寻找与X^(t)最近邻的k个样本，将最近邻的k个样本及相应类别的组成集合C_r；

步骤3.3判断r是否小于或等于R，若是，则r＝r+1并返回步骤3.2；若否，则进入步骤4；

步骤4：计算各子集的诊断证据向量BPA_r，具体步骤包括：

步骤4.1：令r＝1；

步骤4.2：统计子集B_r中属于不同类别样本的数量[a_r,1 a_r,2 … a_r,S]，统计集合C_r中不同类别样本的数量[b_r,1 b_r,2 … b_r,S]；

步骤4.3：计算

定义第r个子集的诊断证据/>

步骤4.4：判断r是否小于或等于R，若是，则r＝r+1并返回步骤4.2；若否，则进入步骤5；

步骤5：利用D-S证据理论融合多个诊断证据，形成最终诊断结果，具体为：对步骤4所得R个诊断证据进行D-S证据理论融合，返回融合诊断所得概率向量中最大值所代表储能电池正常或故障类型为最终诊断结果，完成诊断过程。

优选方案一，所述步骤2的包括如下步骤：

步骤2.1：设置子集样本数量为Q以及子集个数R，令r＝1；

步骤2.2：令集合U等于集合A，对样本特征数据集合U随机、无放回抽样Q次，形成样本数量为Q的子集B_r，子集B_r中第j个样本为

步骤2.3：判断r是否小于或等于R，若是，则r＝r+1并返回步骤2.2；若否，则进入步骤3。

优选方案二，所述步骤3.2的包括如下步骤：

步骤3.2.1：在参数k的定义范围内(k为大于零且小于子集样本数量的正整数)随机定义参数k值，计算待测储能电池端电压的特征

与子集B_r中全部样本的欧式距离，/>

步骤3.2.2：从小到大排序距离

寻找与X^(t)最近邻的k个样本，将最近邻的k个样本及相应类别的组成集合C_r。

优选方案三，所述步骤5的包括如下步骤：

步骤5.1：令r＝1以及诊断证据P₁＝BPA_r，定义识别框架{L₁,L₂,…,L_S}，其中Ls表示第s类故障发生，BPA_r表示第r个子集的诊断证据；

步骤5.2：r＝r+1，利用如下所示的D-S证据推理公式，融合诊断证据P₁和BPA_r，获得融合后诊断证据P₂；

其中，P₂(L_s)表示融合后第s类故障的诊断概率，P₁(L_si)表示第si类故障的诊断概率，BPA_r(L_sj)表示第r个子集对第sj类故障的诊断概率，k_c表示冲突系数等于

步骤5.3：判断r是否小于或等于R，若是，则P₁＝P₂并返回步骤5.2；若否，则进入步骤5.4；

步骤5.4：利用L_s＝arg(max(P₂))，返回融合后证据P₂最大值所代表储能电池正常或故障类型L_s为最终诊断结果，完成诊断过程，其中arg(·)表示计算最大值索引所代表的类别。

与最接近的现有技术相比，本发明的优异效果是：

(一)利用随机生成多个用于KNN诊断数据子集以及随机KNN方法中最近邻样本数量的决策参数k的方式，产生了若干个差异化的诊断模型，并为储能电池健康状态辨识结果提供了丰富多样的诊断证据；相比于单一KNN诊断模型以及其他的集成学习方法，本发明利用集成过程和D-S证据推理方法有利于缓解奇异样本和噪声的影响，提高诊断结果的鲁棒性和适用性。

(二)统计KNN实现过程中各子集样本和最近邻k个样本内标识正常和不同故障样本的数量，形成多个诊断证据；相比于只输出最近邻k个样本中最多样本类别的简单方式，本发明充分反映了KNN模型对储能电池正常或故障发生的判别情况，加强了对储能电池可能发生情况的描述，有利于提高储能电池运行状态辨识准确性。

附图说明：

图1是本发明方法流程示意图。

图2是本发明实施例中构建多个差异性子集流程示意图。

图3是本发明实施例中各子集构成最邻近的k个样本集合流程示意图。

图4是本发明方法步骤4中各子集的诊断证据向量计算流程示意图。

图5是本发明实施例中D-S证据理论下的诊断证据融合流程示意图。

具体实施方式：

实施例：

下面将结合本申请实施例，对本申请实施例中的技术方案进行清楚、完整地描述。

一种基于KNN算法的储能电池健康状态综合判断方法，包括下述步骤：

步骤1：构建含类别的储能电池端电压特征数据集；具体包括如下步骤：

步骤1.1：利用测量设备采集m个储能电池在一次充放电测试过程中的端电压信号，m个储能电池的分为“正常”和“故障”两种，而故障的类型又分为S-1中具体类别，因此，m个储能电池包含S种类别，并标注每个信号的类别L_s,(s＝1,2,…,S)；

步骤1.2：定义n个关键特征的计算方式，并将各特征值其映射至[0,1]的范围内，形成可以表征端电压信号特点的特征向量，组成含有类别的样本特征数据集合A，其中第i个样本的特征向量为

步骤2：构建多个差异性子集B_r，图2展示出了本实施例中构建多个差异性子集的流程；具体包括如下步骤：

步骤2.1：设置子集样本数量为Q以及子集个数R，令r＝1；

步骤2.2：令集合U等于集合A，对样本特征数据集合U随机、无放回抽样Q次，形成样本数量为Q的子集B_r，子集B_r中第j个样本为

步骤2.3：判断r是否小于或等于R，若是，则r＝r+1并返回步骤2.2；若否，则进入步骤3；

步骤3：计算待测样本与各子集中样本的距离并构成最邻近的k个样本集合，图3展示出了本实施例中各子集构成最邻近的k个样本集合流程图；具体包括如下步骤：

步骤3.1：基于步骤1.2中储能电池一次充放电测试过程中的端电压信号的特征向量定义方式，提取待测储能电池端电压的特征

令r＝1；

步骤3.2在参数k的定义范围内(k为大于零且小于子集样本数量的正整数)随机定义参数k值，计算待测储能电池端电压的特征X^(t)与子集B_r中全部样本的欧式距离，寻找与X^(t)最近邻的k个样本，将最近邻的k个样本及相应类别的组成集合C_r；

步骤3.2.1：在参数k的定义范围内(k为大于零且小于子集样本数量的正整数)随机定义参数k值，计算待测储能电池端电压的特征

与子集B_r中全部样本的欧式距离，例如与子集B_r中第j个样本的距离为

步骤3.2.2：从小到大排序距离

寻找与X^(t)最近邻的k个样本，将最近邻的k个样本及相应类别的组成集合C_r；

步骤3.3：判断r是否小于或等于R，若是，则r＝r+1并返回步骤3.2；若否，则进入步骤4；

步骤4：计算各子集的诊断证据向量BPA_r，具体流程如图4所示；

步骤4.1：令r＝1；

步骤4.2：统计子集B_r中属于不同类别样本的数量[a_r,1 a_r,2 … a_r,S]，统计集合C_r中不同类别样本的数量[b_r,1 b_r,2 … b_r,S]；

步骤4.3：计算

定义第r个子集的诊断证据/>

步骤4.4：判断r是否小于或等于R，若是，则r＝r+1并返回步骤4.2；若否，则进入步骤5；

步骤5：利用D-S证据理论融合多个诊断证据，形成最终诊断结果，其中图5展示了D-S证据理论融合流程；

步骤5.1：令r＝1以及诊断证据P₁＝BPA_r，定义识别框架{L₁,L₂,…,L_S}，其中Ls表示第s类故障发生，BPA_r表示第r个子集的诊断证据；

步骤5.2：r＝r+1，利用如下所示的D-S证据推理公式，融合诊断证据P₁和BPA_r，获得融合后诊断证据P₂；

其中，P₂(L_s)表示融合后第s类故障的诊断概率，P₁(L_si)表示第si类故障的诊断概率，BPA_r(L_sj)表示第r个子集对第sj类故障的诊断概率，k_c表示冲突系数等于

步骤5.3：判断r是否小于或等于R，若是，则P₁＝P₂并返回步骤5.2；若否，则进入步骤5.4；

步骤5.4：利用L_s＝arg(max(P₂))，返回融合后证据P₂最大值所代表储能电池正常或故障类型L_s为最终诊断结果，完成诊断过程，其中arg(·)表示计算最大值索引所代表的类别。

通过利用本发明所提的一种基于KNN算法的储能电池健康状态综合判断方法对上述储能电池端电压信号进行实例诊断，多个随机抽样下的KNN模型集成诊断过程大幅降低了噪声和奇异样本的不利影响，计算每个KNN模型中样本子集和k个最近邻样本内处于正常和不同故障的分布比重，可以更充分、准确地描述对待测储能电池运行状态的诊断结果，提升故障诊断的准确性。简单易实现的自动化诊断过程为储能电池健康情况的判断带来便利，降低了储能电池潜在故障造成的运行风险以及维护过程的人工成本。

最后应当说明的是：所描述的实施例仅是本申请一部分实施例，而不是全部的实施例；基于本申请中的实施例，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，都属于本申请保护的范围。

Claims (4)

1.一种基于KNN算法的储能电池健康状态综合判断方法，其特征在于，包括下述步骤：

步骤1：构建含类别的储能电池端电压特征数据集；具体如下：

步骤1.1：利用测量设备采集m个储能电池在一次充放电测试过程中的端电压信号，m个储能电池的分为“正常”和“故障”两种，而故障的类型又分为S-1中具体类别，因此，m个储能电池包含S种类别，并标注每个信号的类别L_s,s＝1,2,…,S；

步骤1.2：定义n个关键特征的计算方式，并将各特征值其映射至[0,1]的范围内，形成可以表征端电压信号特点的特征向量

组成含有类别的样本特征数据集合A；

步骤2：构建多个差异性子集；对样本特征数据集合A随机抽样，形成R个等样本数量的差异性子集B_r，r＝1,2,…,R，并保证每个子集B_r中样本互斥；

步骤3：计算待测样本与各子集中样本的距离；具体如下:

步骤3.1：基于步骤1.2的特征向量定义方式，提取待测储能电池端电压的特征X^(t)，令r＝1；

步骤3.2：k为大于零且小于子集样本数量的正整数，在参数k的定义范围内随机定义参数k值，计算待测储能电池端电压的特征X^(t)与子集B_r中全部样本的欧式距离，寻找与X^(t)最近邻的k个样本，将最近邻的k个样本及相应类别的组成集合C_r；

步骤3.3：判断r是否小于或等于R，若是，则r＝r+1并返回步骤3.2；若否，则进入步骤4；

步骤4：计算各子集的诊断证据向量BPA_r，具体如下：

步骤4.1：令r＝1；

步骤4.2：统计子集B_r中属于不同类别样本的数量[a_r,1 a_r,2 … a_r,S]，统计集合C_r中不同类别样本的数量[b_r,1 b_r,2 … b_r,S]；

步骤4.3：计算

定义第r个子集的诊断证据

步骤4.4：判断r是否小于或等于R，若是，则r＝r+1并返回步骤4.2；若否，则进入步骤5；

步骤5：利用D-S证据理论融合多个诊断证据，形成最终诊断结果，具体为：对步骤4所得R个诊断证据进行D-S证据理论融合，返回融合诊断所得概率向量中最大值所代表储能电池正常或故障类型为最终诊断结果，完成诊断过程。

2.根据权利要求1所述一种基于KNN算法的储能电池健康状态综合判断方法，其特征在于，所述步骤2的包括如下步骤：

步骤2.1：设置子集样本数量为Q以及子集个数R，令r＝1；

步骤2.2：令集合U等于集合A，对样本特征数据集合U随机、无放回抽样Q次，形成样本数量为Q的子集B_r，子集B_r中第j个样本为

步骤2.3：判断r是否小于或等于R，若是，则r＝r+1并返回步骤2.2；若否，则进入步骤3。

3.根据权利要求1所述一种基于KNN算法的储能电池健康状态综合判断方法，其特征在于，所述步骤3.2包括如下步骤：

步骤3.2.1：在参数k的定义范围内随机定义参数k值，k为大于零且小于子集样本数量的正整数，计算待测储能电池端电压的特征

与子集B_r中全部样本的欧式距离，与子集B_r中第j个样本的距离为/>

步骤3.2.2：从小到大排序距离

寻找与X^(t)最近邻的k个样本，将最近邻的k个样本及相应类别的组成集合C_r。

4.根据权利要求1所述一种基于KNN算法的储能电池健康状态综合判断方法，其特征在于，所述步骤5包括如下步骤：

步骤5.1：令r＝1以及诊断证据P₁＝BPA_r，定义识别框架{L₁,L₂,…,L_S}，其中Ls表示第s类故障发生，BPA_r表示第r个子集的诊断证据；

步骤5.2：r＝r+1，利用如下所示的D-S证据推理公式，融合诊断证据P₁和BPA_r，获得融合后诊断证据P₂；

其中，P₂(L_s)表示融合后第s类故障的诊断概率，P₁(L_si)表示第si类故障的诊断概率，BPA_r(L_sj)表示第r个子集对第sj类故障的诊断概率，k_c表示冲突系数等于

步骤5.3：判断r是否小于或等于R，若是，则P₁＝P₂并返回步骤5.2；若否，则进入步骤5.4；

步骤5.4：利用L_s＝arg(max(P₂))，返回融合后证据P₂最大值所代表储能电池正常或故障类型L_s为最终诊断结果，完成诊断过程，其中arg(·)表示计算最大值索引所代表的类别。

Images