CN115166533A - 基于分段降维和离群值识别的锂离子电池故障诊断方法 - Google Patents

Abstract

本发明涉及电池故障诊断技术，具体涉及基于分段降维和离群值识别的锂离子电池故障诊断方法，包括获取采集得到的电池组中单体电池的电压数据，作为原始数据集；对原始数据集进行预处理后，采用带移动因子的分段聚合近似算法对预处理后的数据进行降维处理；采用K‑means聚类算法对降维后的数据进行聚类，计算每个单体电池被删除后的聚类质量DBI，得到一组DBI数组；设置故障诊断的安全阈值，对DBI数组采用Z‑score方法评价每个单体电池的故障等级，若达到安全阈值，则发出报警信号。该方法能提前检测出电池组中故障电池发生故障前的不一致性，减小时间序列的计算复杂度，提高故障诊断的效率，精确定位故障单体电池。

Description

基于分段降维和离群值识别的锂离子电池故障诊断方法

技术领域

本发明属于电池故障诊断技术领域，特别涉及基于分段降维和离群值识别的锂离子电池故障诊断方法。

背景技术

锂离子动力电池具有使用寿命长、体积小，质量轻和无记忆性等优势，在电动汽车中得到广泛应用，其性能直接影响到整车的性能。近年来，动力电池故障引发的汽车起火、爆炸事件频繁发生，严重威胁着人们生命财产安全，制约了新能源汽车产业的发展。因此，加快对动力电池故障诊断的研究对于保证电动汽车安全稳定的运行变得尤为重要。

目前，电池故障诊断方法主要分为三类，分别为基于知识的故障诊断方法、基于模型的故障诊断方法和基于数据驱动的故障诊断方法。基于知识的故障诊断方法需要获取大量的历史故障数据建立规则，而数据的获取和规则的建立在实践中是比较困难的。基于模型的故障诊断方法需要对不同的故障进行建模和测试，对建立的模型的精度要求较高，过程繁琐且比较复杂，而且仅适用于检测特定的故障。

对于基于数据驱动的方法而言，目前的主要难点在于：(1)相对时间内的电池数据量过大，导致处理过程繁琐，计算复杂。(2)当电池的电压保持在正常的范围时，传统的方法难以诊断出电池早期的电压异常变化或预测故障的发生，缺乏定位和分析故障电池的能力。

发明内容

针对背景技术存在的问题，本发明提供一种基于分段降维和离群值识别的锂离子电池故障诊断方法。

为解决上述技术问题，本发明采用如下技术方案：基于分段降维和离群值识别的锂离子电池故障诊断方法，包括以下步骤：

步骤1、获取待诊断的电池组中所有单体电池在车辆正常运行周期内的电压数据；

步骤2、构建电池组中单体电池的原始电压序列矩阵，并进行数据预处理；

步骤3、采用带有移动因子的分段聚合近似算法PAA对预处理后的数据进行处理，实现数据降维；

步骤4、对降维后的电池电压数据进行K-means聚类，计算每个单体电池被删除后的聚类质量DBI，构建对应所有单体电池的DBI数组D；

步骤5、基于Z-score方法设置安全系数，并计算DBI数组D中每个单体电池对应的安全系数，根据单体电池的安全系数所处范围，采取相应的安全措施。

在上述基于分段降维和离群值识别的锂离子电池故障诊断方法中，步骤2的实现包括：

构建的原始电压序列矩阵：

其中，v_i,j代表电池组内第i个单体电池在j时刻的电压，l表示电池组中单体电池的个数；

对式(1)中电压时间序列矩阵进行预处理，处理后的矩阵为：

其中：

其中，μ_i是电压时间序列V_i的期望，δ_i是电压时间序列V_i的标准差。

在上述基于分段降维和离群值识别的锂离子电池故障诊断方法中，步骤3的实现包括：

步骤3.1、引入双曲正切函数作为移动因子，移动因子f(x)的定义如下：

f(x)在定义域内单调递增，函数值无限趋近于1，有较快的收敛速度和精度，满足移动影响因子的条件；

步骤3.2、引入移动因子后，将(2)中长度为n的列向量S_i(S_i＝{s_i,1,s_i,2…s_i,n}(i＝1,2…,l))划分为长度为N的序列，设置大小为ω的滑动窗口,ω定义如下：

将滑动窗口置于序列S_i的前端，以大小为ω的滑动窗口沿着时间轴方向移动，计算每个窗口的平均值与f(x)的乘积，按照时间轴的方向得到索引向量：

经过改进的PAA算法处理后的单体电池电压时间序列变为：

S′_i＝{s′_i,1…s′_i,m…s′_i,N} (7)

矩阵(2)经过改进的PAA算法处理后变为：

采用改进的PAA算法进行处理，数据压缩率为

在上述基于分段降维和离群值识别的锂离子电池故障诊断方法中，步骤4的实现包括：

步骤4.1、从矩阵S′中随机选取K个列向量作为初始的聚类簇群的质心向量，构成质心矩阵：[μ₁…μ_j…μ_k]；

步骤4.2、采用欧式距离对序列S′_i与每个质心向量μ_j进行相似性度量，将S′_i分配到距离最近的质心的簇群中；

步骤4.3、重新计算每个簇群C_j(j＝1,2…k)中新的质心

步骤4.4、若质心发生变化，则重复步骤4.2，若所有质心都不发生变化，则进行下一步；

步骤4.5、输出K个聚类簇群C＝{C₁…C_i…C_K}和质心向量；

步骤4.6、DBI的定义如下：

其中，avg(C_j)表示簇群内所有单体电池之间的平均距离，反映出聚类簇群内的紧凑程度；

d_cen(C_i,C_j)表示两个簇群之间的距离,通过计算两个簇群的质心向量之间的距离反映簇群间的分离程度；

d_cen(C_i,C_j)＝dist(μ_i,μ_j) (11)。

在上述基于分段降维和离群值识别的锂离子电池故障诊断方法中，步骤5的实现包括：

得到每个单体电池被删除后组成的DBI数组后，基于Z-score公式，将安全系数公式设置如下：

其中，μ和σ分别为单体电池被删除之后的DBI数组D的期望和标准差；

安全系数与安全措施如下：由正态分布可知，经过正态分布处理后的数据处于原数组的平均值附近的三个标准差范围是95％，设置符合安全系数P<3的单体电池，一致性良好；安全系数3≤P<4的单体电池，则存在电压故障的风险；随着车辆的运行，继续处理更多运行周期的电压数据，计算各单体电池不一致性的发展情况；当单体电池的安全系数P≥4，则该单体电池的一致性差，发出异常警报，输出故障单体位置。

与现有技术相比，本发明的有益效果：

(1)本发明提出了一种基于分段降维和离群值识别的锂离子电池故障诊断方法,不需要借助模型，通过对高维、海量的电池电压时间序列进行降维，大大减小了数据量和计算量，能准确地提前检测出电池组的异常单体电池，而且能更新诊断数据周期，有利于在线实时检测。

(2)带有移动因子的分段聚合近似算法考虑到了电池电压时间序列的动态增长的特性，有利于使用聚类算法划分单体电池，提高了单体电池故障诊断的准确性。

(3)当单体电池的电压保持在正常的范围时，能对电池进行定量评价，对单体电池不一致性具有较强的鲁棒性，便于实时检测。

附图说明

图1是本发明实施例的故障诊断方法流程图；

图2是本发明实施例车辆发生过电压故障时的电压曲线图；

图3是本发明实施例车辆充电前(发生过电压故障一小时前)的正常运行时的电压曲线图；

图4是本发明实施例经过改进的PAA算法处理过的单体电池电压曲线图；

图5是本发明实施例车辆电池组中每个单体电池被删除后的DBI统计图；

图6是本发明实施例车辆电池组中每个单体电池的安全系数统计图。

具体实施方式

下面将结合本发明实施例对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

下面结合具体实施例对本发明作进一步说明，但不作为本发明的限定。

本实施例基于分段降维和离群值识别的锂离子电池故障诊断方法，包括获取采集得到的电池组中单体电池的电压数据，作为原始数据集；对原始数据集进行预处理后，采用带移动因子的分段聚合近似算法对预处理后的数据进行降维处理；之后，采用K-means聚类算法对降维后的数据进行聚类，并计算每个单体电池被删除后的聚类质量DBI，反映出单体电池的离群程度，得到一组DBI数组；设置故障诊断的安全阈值，对DBI数组采用Z-score方法评价每个单体电池的故障等级，若达到安全阈值，则发出报警信号。该方法的特点是不仅能提前检测出电池组中故障电池发生故障前的不一致性，而且能够减小时间序列的计算复杂度，提高故障诊断的效率，精确定位故障单体电池。该方法不需要建立模型，通过较少的数据量和计算量，能准确地提前检测出电池组的异常单体电池，可以实现实时在线检测。

本实施例是通过以下技术方案来实现的，如图1所示，基于分段降维和离群值识别的锂离子电池故障诊断方法，包括以下具体步骤：

S1，采集电池组中所有单体电池的电压数据，采集区间为电动汽车发生故障前正常运行区段。在本实施例中，数据周期为一小时。

S2，构建电池组中单体电池的原始电压序列矩阵，并进行数据预处理。

步骤S2中构建的原始电压序列矩阵：

其中，v_i,j代表电池组内第i个单体电池在j时刻的电压，l表示电池组中单体电池的个数。

对(1)中电压时间序列矩阵进行预处理，处理后的矩阵为：

其中：

其中，μ_i是电压时间序列V_i的期望，δ_i是电压时间序列V_i的标准差。

S3，采用带有移动因子的分段聚合近似算法对预处理后的数据矩阵(2)进行处理。

由于不同时间区段的电压数据对未来时间区段的数据的影响不同，越接近未来时间序列的时间区段，其值对时间序列的影响和参考价值越大，而越远离未来时间序列的时间区段,其值的影响和参考价值越小，本实施例在分段聚合近似算法上进行了改进，引入双曲正切函数作为移动影响因子，移动影响因子f(x)的定义如下：

f(x)在定义域内单调递增，函数值无限趋近于1，有较快的收敛速度和精度，能满足移动影响因子的条件。

引入移动因子后，将(2)中长度为n的列向量S_i(S_i＝{s_i,1,s_i,2…s_i,n}(i＝1,2…,l))划分为长度为N的序列，设置大小为ω的滑动窗口,ω定义如下：

将滑动窗口置于序列S_i的前端，以大小为ω的滑动窗口沿着时间轴方向移动，计算每个窗口的平均值与f(x)的乘积，按照时间轴的方向得到索引向量：

经过改进的PAA算法处理后的单体电池电压时间序列变为：

S′_i＝{s′_i,1…s′_i,m…s′_i,N} (7)

矩阵(2)经过改进的PAA算法处理后变为：

可知，采用改进的PAA算法进行处理，数据压缩率为

S4，采用k-means聚类算法对经过改进的PAA算法处理过的单体电池进行聚类，将电池组中的单体电池划分为不同的簇群，并计算每个单体电池被删除之后的聚类质量DBI。其中k-means聚类算法的流程如下：

1)从矩阵S′中随机选取K个列向量作为初始的聚类簇群的质心向量，构成质心矩阵：[μ₁…μ_j…μ_k]。

2)采用欧式距离对序列S′_i与每个质心向量μ_j进行相似性度量，将S′_i分配到距离最近的质心的簇群中。

3)重新计算每个簇群C_j(j＝1,2…k)中新的质心

4)若质心发生变化，则重复第2)步；若所有质心都不发生变化，则进行下一步。

5)输出K个聚类簇群C＝{C₁…C_i…C_K}和质心向量。

进一步的，完成聚类后，对于每一个单体电池，计算其被删除之后的聚类质量DBI，并构建DBI数组D。DBI的定义如下：

其中，avg(C_j)表示簇群内所有单体电池之间的平均距离,可以反映出聚类簇群内的紧凑程度,如下所示:

d_cen(C_i,C_j)表示两个簇群之间的距离,通过计算两个簇群的质心向量之间的距离反映簇群间的分离程度，如下所示：

d_cen(C_i,C_j)＝dist(μ_i,μ_j) (11)

DBI的值越小，说明簇群内部紧凑程度越高，簇群间分离程度越高。在聚类完成之后，电池组中不一致性较大的单体电池对于所在簇群内部紧凑程度会产生较大的影响，将其删除之后能改变DBI的值。如果删除某个单体电池后的DBI越偏离初始值，则该单体电池对聚类质量的影响越大，成为离群点的概率越高。因此，对于每一个单体电池，可以计算其被删除之后的DBI的值，根据其对于聚类质量的影响大小判断异常情况。

S5，基于Z-score计算DBI数组D中每个单体电池对应的安全系数，设置安全系数，根据单体电池的安全系数所处范围，采取相应的安全措施；

进一步的，从S4中得到每个单体电池被删除后组成的DBI数组后，基于Z-score公式，将安全系数公式设置如下：

其中，μ和σ分别为单体电池被删除之后的DBI数组D的期望和标准差。

所设置的安全系数与安全措施如下：由正态分布可知，经过正态分布处理后的数据处于原数组的平均值附近的三个标准差范围内的可能性大约是95％，因此，可以设置符合安全系数P<3的单体电池，可以被认为一致性良好；安全系数3≤P<4的单体电池，则存在电压故障的风险，可以随着车辆的运行，继续处理更多运行周期的电压数据，计算这些单体电池不一致性的发展情况；当单体电池的安全系数P≥4，则说明该单体电池的一致性较差，需要发出异常警报，输出故障单体位置。

具体实施时，如图2所示，车辆在充电周期结束后的开始运行阶段，42号单体电池出现过电压故障，从正常范围内的电压值突变至5V，逐渐导致其他单体电池出现过电压故障。

如图3所示，为车辆开始充电前(发生过电压故障一小时前)的正常运行时的电池电压数据，在该运行周期内，所有单体电池电压在正常范围内波动，车辆没有触发电压异常警报，所有单体电池没有出现故障。

根据式(2)与式(6)对图3中采集到的电池组中所有单体电池的电压数据进行处理，式子(5)中滑动窗口ω的大小设置为10，数据压缩率达到90％。经过处理后的电压曲线如图4所示，可知，原始电压曲线经过处理后，在数据周期内，存在一些单体电池的曲线异常，特别是单体电池42号的曲线前段数值略低于其他单体电池，后段数值高于其他单体电池。进一步审视电池42号在整个数据周期内的电压曲线，相比于其他单体电池，电池42号的波动程度更剧烈，电压波动范围达到145mV。因此，改进的PAA算法可以反映出车辆的故障电池在出现电压故障前一小时与其他单体电池不一致的情况，证明了利用改进的PAA算法处理电压时间序列的有效性。

完成聚类后，根据式(9)计算每个单体电池被删除之后的聚类质量DBI，如图5所示，与其他单体电池相比，单体电池30、42、77、93对应的DBI偏离初始DBI较多，反映出这些单体电池在整个电池组中一致性较差，老化程度更严重。其中电池42对DBI的影响程度最大，是明显的离群点，这也说明了电池42出现故障的概率较高。

根据式(12)计算DBI数组D中每个单体电池对应的安全系数，如图6所示，可知，车辆后期出现过电压故障的单体电池42号的安全系数大于所设定的报警阈值，说明本公开提出的基于分段降维和离群值识别的电池故障诊断方法，可以提前识别电池组中不一致性较大单体电池，能在发生故障前有效地报警，精确定位异常单体电池。对于安全系数处于故障的风险区间的电池，可以随着车辆的运行，继续处理更多运行周期的电压数据，有利于实现在线实时检测。

以上仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本发明说明书内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。

Claims (5)

1.基于分段降维和离群值识别的锂离子电池故障诊断方法，其特征在于：包括以下步骤：

步骤1、获取待诊断的电池组中所有单体电池在车辆正常运行周期内的电压数据；

步骤2、构建电池组中单体电池的原始电压序列矩阵，并进行数据预处理；

步骤3、采用带有移动因子的分段聚合近似算法PAA对预处理后的数据进行处理，实现数据降维；

步骤4、对降维后的电池电压数据进行K-means聚类，计算每个单体电池被删除后的聚类质量DBI，构建对应所有单体电池的DBI数组D；

步骤5、基于Z-score方法设置安全系数，并计算DBI数组D中每个单体电池对应的安全系数，根据单体电池的安全系数所处范围，采取相应的安全措施。

2.根据权利要求1所述基于分段降维和离群值识别的锂离子电池故障诊断方法，其特征在于：步骤2的实现包括：

构建的原始电压序列矩阵：

其中，v_i,j代表电池组内第i个单体电池在j时刻的电压，l表示电池组中单体电池的个数；

对式(1)中电压时间序列矩阵进行预处理，处理后的矩阵为：

其中：

其中，μ_i是电压时间序列V_i的期望，δ_i是电压时间序列V_i的标准差。

3.根据权利要求1所述基于分段降维和离群值识别的锂离子电池故障诊断方法，其特征在于：步骤3的实现包括：

步骤3.1、引入双曲正切函数作为移动因子，移动因子f(x)的定义如下：

f(x)在定义域内单调递增，函数值无限趋近于1，有较快的收敛速度和精度，满足移动影响因子的条件；

步骤3.2、引入移动因子后，将(2)中长度为n的列向量S_i(S_i＝{s_i,1,s_i,2…s_i,n}(i＝1,2…,l))划分为长度为N的序列，设置大小为ω的滑动窗口,ω定义如下：

将滑动窗口置于序列S_i的前端，以大小为ω的滑动窗口沿着时间轴方向移动，计算每个窗口的平均值与f(x)的乘积，按照时间轴的方向得到索引向量：

经过改进的PAA算法处理后的单体电池电压时间序列变为：

S′_i＝{s′_i,1…s′_i,m…s′_i,N} (7)

矩阵(2)经过改进的PAA算法处理后变为：

采用改进的PAA算法进行处理，数据压缩率为

4.根据权利要求3所述基于分段降维和离群值识别的锂离子电池故障诊断方法，其特征在于：步骤4的实现包括：

步骤4.1、从矩阵S′中随机选取K个列向量作为初始的聚类簇群的质心向量，构成质心矩阵：[μ₁…μ_j…u_k]；

步骤4.2、采用欧式距离对序列S′_i与每个质心向量μ_j进行相似性度量，将S′_i分配到距离最近的质心的簇群中；

步骤4.3、重新计算每个簇群C_j(j＝1,2…k)中新的质心

步骤4.4、若质心发生变化，则重复步骤4.2，若所有质心都不发生变化，则进行下一步；

步骤4.5、输出K个聚类簇群C＝{C₁…C_i…C_K}和质心向量；

步骤4.6、DBI的定义如下：

其中，avg(C_j)表示簇群内所有单体电池之间的平均距离，反映出聚类簇群内的紧凑程度；

d_cen(C_i,C_j)表示两个簇群之间的距离,通过计算两个簇群的质心向量之间的距离反映簇群间的分离程度；

d_cen(C_i,C_j)＝dist(μ_i,μ_j) (11)。

5.根据权利要求4所述基于分段降维和离群值识别的锂离子电池故障诊断方法，其特征在于：步骤5的实现包括：

得到每个单体电池被删除后组成的DBI数组后，基于Z-score公式，将安全系数公式设置如下：

其中，μ和σ分别为单体电池被删除之后的DBI数组D的期望和标准差；

安全系数与安全措施如下：由正态分布可知，经过正态分布处理后的数据处于原数组的平均值附近的三个标准差范围是95％，设置符合安全系数P<3的单体电池，一致性良好；安全系数3≤P<4的单体电池，则存在电压故障的风险；随着车辆的运行，继续处理更多运行周期的电压数据，计算各单体电池不一致性的发展情况；当单体电池的安全系数P≥4，则该单体电池的一致性差，发出异常警报，输出故障单体位置。

Images