CN116968556A - 一种基于模糊熵的动力与储能电池故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于模糊熵的动力与储能电池故障诊断方法，属于新能源汽车技术领域，包括以下步骤：S1：通过车载T‑box上的电压传感器采集电池电堆中每个电池单体的电压信号，实时上传至数据中心；S2：数据中心对上传的数据进行预处理，将数据进行分割，按照采样时间，按每小时一次对电压信号进行数据分割及保存，得到预处理后的数据；S3：计算电池的模糊熵；S4：使用Z分数计算电池单体异常系数；S5：选择合适的时间窗口与计算窗口，使用电池单体异常系数计算电池异常程度，得到故障诊断结果；S6：故障诊断结果反馈给驾驶员；本发明采用上述方法，使用熵值对电池系统进行诊断，不需要大量的数据进行拟合和模型优化，具有实时性和实用性。

Description

一种基于模糊熵的动力与储能电池故障诊断方法

技术领域

本发明涉及新能源汽车技术领域，尤其是涉及一种基于模糊熵的动力与储能电池故障诊断方法。

背景技术

随着新能源汽车的发展，由于不可避免的电池老化等因素引起的电池稳定性和安全性问题逐渐成为大众眼中的焦点。实车场景中对动力电池及燃料电池车辆进行故障诊断对运行中的电池系统至关重要。

现有的故障诊断大多基于模型和基于电化学原理的。这些故障诊断对于内部反应复杂的燃料电池系统来说，不具有实时性和实用性。基于数据驱动的算法，如支持矢量机(SVM)、机器学习等可以满足实车运行的需求，且有着较高的精度，但需要大量的数据进行拟合和模型优化。加大了故障诊断的成本，因此提供一种基于模糊熵的动力与储能电池故障诊断方法。

发明内容

本发明的目的是提供一种基于模糊熵的动力与储能电池故障诊断方法，将采集到的电压数据通过模糊熵算法进行处理，通过模糊熵对电压信号的随机性及不一致性进行分析，分析后将电池故障诊断结果发送给驾驶员。提前判断出具有故障趋势或已经产生故障的电池单片，最终达到电池故障诊断及故障预警的目的。

为实现上述目的，本发明提供了一种基于模糊熵的动力与储能电池故障诊断方法，包括以下步骤：

S1：通过车载T-box上的电压传感器采集电池电堆中每个电池单体的电压信号，实时上传至数据中心；

S2：数据中心对上传的数据进行预处理，将数据进行分割，按照采样时间，按每小时一次对电压信号进行数据分割及保存，得到预处理后的数据；

S3：计算电池的模糊熵；

S4：使用Z分数计算电池单体异常系数；

S5：选择合适的时间窗口与计算窗口，使用电池单体异常系数计算电池异常程度，得到故障诊断结果；

S6：数据中心将故障诊断结果反馈给驾驶员。

优选的，所述步骤S2中，采样片段长度为：其中，T为分割片段长度，h为采样间隔。

优选的，所述步骤S3中，计算模糊熵的方法具体如下：

使用步骤S2中预处理后的数据，一组有N个数据点的时间序列，定义X＝[x₁,x₂,x₃,…x_N]，取向空间维数m，构造N-m+1个m维矢量X_i和X_j，公式如下：

X_i＝[x_i,x_i+1,...,x_i-m+1]-u_i

X_j＝[x_j,x_j+1,...,x_j-m+1]-u_j

上式中，u_i是矢量[x_i,x_i+1,...,x_i-m+1]的均值，u_j是矢量[x_j,x_j+1,...,x_j-m+1]的均值；

定义d_ij是X_i,X_j之间的绝对距离得到公式如下：

d_ij＝d[X_i,X_j]

d_ij＝max|(x_i+k-u_i)-(x_j+k-u_i)|

上式中，i＝1,2,…,N-m+1,j＝1,2,…,N-m+1并且i≠j；

定义模糊隶属度函数公式如下：

设置向空间维数为m+1，优化函数公式，得到函数公式如下：

当样本有N个数据点时，模糊熵的公式如下：

FuzzyEn＝lnΦ_m-lnΦ_m+1

上式中，FuzzyEn是模糊熵的公式。

优选的，所述步骤S4中，计算电池单体异常系数的方法具体如下：

Z分数的公式如下：

上式中，X为模糊熵数据，为平均数，/>S为标准差，S＝std(FuzzyEn(N))，Z是电池单体异常系数，当电池单体异常系数的结果在3.0以下，电池是正常，当在3.0-3.5之间，电池是异常，当在3.5以上，电池是危险

优选的，所述步骤S5中，选择合适的时间窗口与计算窗口的方法如下：

当数据中心检索不到当前电池的诊断记录，则依据历史记录并选取合适的时间窗口与计算窗口；

当数据中心检索到当前电池的诊断记录，则使用原有的时间窗口与计算窗口。

优选的，所述步骤S5中，判断异常程度的方法具体如下：

异常程度计算过程如下：

上式中，当异常程度≤0.2，是微小异常；当0.2＜异常程度≤0.5，中等异常；当异常程度＞0.5，是明显异常。

因此，本发明采用上述方法的一种基于模糊熵的动力与储能电池故障诊断方法，具有以下好处

(1)本发明提供了一种基于熵值的电池故障诊断方法，在实车中能实时运用的电池故障诊断方法；

(2)本发明提出的故障诊断方法相比于其他控制方法有更高的灵活性，可以根据不同的车型、数据采集方式进行自适应和优化；

(3)本发明提出的故障诊断方法计算量和储存量小，只需要电压数据即可完成电池状态的评估和预警。

(4)本发明提出的故障诊断算法对数据采集频率无过高要求，对10HZ到0.1HZ的采样频率均有很高的鲁棒性和有效性。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

图1为本发明一种基于模糊熵的动力与储能电池故障诊断方法的流程示意图；

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

实施例

如图1，本发明提供了一种基于模糊熵的动力与储能电池故障诊断方法，包括以下步骤：

S1：通过车载T-box上的电压传感器采集电池电堆中每个电池单体的电压信号，实时上传至数据中心；

S2：数据中心对上传的数据进行预处理，将数据进行分割，按照采样时间，按每小时一次对电压信号进行数据分割及保存，采样片段长度为：其中，T为分割片段长度，h为采样间隔，h的单位是秒，得到预处理后的数据；

S3：计算电池的模糊熵，使用步骤S2中预处理后的数据，一组有N个数据点的时间序列，定义X＝[x₁,x₂,x₃,…x_N]，取向空间维数m，构造N-m+1个m维矢量X_i和X_j，公式如下：

X_i＝[x_i,x_i+1,...,x_i-m+1]-u_i

X_j＝[x_j,x_j+1,...,x_j-m+1]-u_j

上式中，u_i是矢量[x_i,x_i+1,...,x_i-m+1]的均值，u_j是矢量[x_j,x_j+1,...,x_j-m+1]的均值；

定义d_ij是X_i,X_j之间的绝对距离，得到公式如下：

d_ij＝d[X_i,X_j]

d_ij＝max|(x_i+k-u_i)-(x_j+k-u_i)|

上式中，i＝1,2,…,N-m+1,j＝1,2,…,N-m+1并且i≠j

定义模糊隶属度函数公式如下：

设置向空间维数为m+1，优化函数公式，得到函数公式如下：

当样本有N个数据点时，模糊熵的公式如下：

FuzzyEn＝lnΦ_m-lnΦ_m+1

上式中，FuzzyEn是模糊熵的公式。

计算得出的模糊熵值通过Z分数进行进一步处理：

S4：使用Z分数计算电池单体异常系数，Z分数也叫标准分数(standard score)，它是以标准差为尺子去度量某一原始分数偏离平均数的距离，这段距离含有几个标准差，Z分数就是几，从而确定这一数据在全体数据中的位置。称这一过程为标准化，Z分数的公式如下：

上式中，X为模糊熵数据，为平均数，/>S为标准差，S＝std(FuzzyEn(N))，Z是电池单体异常系数，当电池单体异常系数的结果在3.0以下，电池是正常，当在3.0-3.5之间，电池是异常，当在3.5以上，电池是危险；

通过以上算法将上传到数据中心的数据进行诊断，对分割后的每一个数据长度进行熵处理，处理后输出的结论为每个电池单体的异常系数。将异常系数按照时间序列进行排序，可以得到每个单体异常系数随时间变化的数据特征，通过该数据可以得出每个单体的状态变化趋势。

S5：选择合适的时间窗口与计算窗口，当数据中心检索不到当前电池的诊断记录，则在历史记录中选取合适的时间窗口与计算窗口；当数据中心检索到当前电池的诊断记录，则使用原有的时间窗口与计算窗口。

使用电池单体异常系数计算电池异常程度，异常程度计算过程如下：

上式中，当异常程度≤0.2，是微小异常；当0.2＜异常程度≤0.5，中等异常；当异常程度＞0.5，是明显异常，得到相应的故障诊断结果；

S6：数据中心将将故障诊断结果反馈给驾驶员。

本发明公开了一种基于模糊熵的动力与储能电池故障诊断方法，将采集到的电压数据通过模糊熵算法进行处理，通过模糊熵对电压信号的随机性及不一致性进行分析，分析后将电池故障诊断结果发送给驾驶员。提前判断出具有故障趋势或已经产生故障的电池单片，最终达到电池故障诊断及故障预警的目的。

最后应说明的是：以上实施例仅用以说明本发明的技术方案而非对其进行限制，尽管参照较佳实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对本发明的技术方案进行修改或者等同替换，而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。

Claims (6)

1.一种基于模糊熵的动力与储能电池故障诊断方法，其特征在于，包括以下步骤：

S1：通过车载T-box上的电压传感器采集电池电堆中每个电池单体的电压信号，实时上传至数据中心；

S2：数据中心对上传的数据进行预处理，将数据进行分割，按照采样时间，按每小时一次对电压信号进行数据分割及保存，得到预处理后的数据；

S3：计算电池的模糊熵；

S4：使用Z分数计算电池单体异常系数；

S5：选择合适的时间窗口与计算窗口，使用电池单体异常系数计算电池异常程度，得到故障诊断结果；

S6：数据中心将故障诊断结果反馈给驾驶员。

2.根据权利要求1所述的一种基于模糊熵的动力与储能电池故障诊断方法，其特征在于：所述步骤S2中，采样片段长度为：其中，T为分割片段长度，h为采样间隔。

3.根据权利要求1所述的一种基于模糊熵的动力与储能电池故障诊断方法，其特征在于：所述步骤S3中，计算模糊熵的方法具体如下：

使用步骤S2中预处理后的数据，一组有N个数据点的时间序列，定义X＝[x₁,x₂,x₃,…x_N]，取向空间维数m，构造N-m+1个m维矢量X_i和X_j，公式如下：

X_i＝[x_i,x_i+1,...,x_i-m+1]-u_i

X_j＝[x_j,x_j+1,...,x_j-m+1]-u_j

上式中，u_i是矢量[x_i,x_i+1,...,x_i-m+1]的均值，u_j是矢量[x_j,x_j+1,...,x_j-m+1]的均值；

定义d_ij是X_i,X_j之间的绝对距离得到公式如下：

d_ij＝d[X_i,X_j]

dij＝max|(xi+k-ui)-(xj+k-ui)|

上式中，i＝1,2,…,N-m+1,j＝1,2,…,N-m+1并且i≠j；

定义模糊隶属度函数公式如下：

设置向空间维数为m+1，优化函数公式，得到函数公式如下：

当样本有N个数据点时，模糊熵的公式如下：

FuzzyEn＝lnΦm-lnΦm+1

上式中，FuzzyEn是模糊熵的公式。

4.根据权利要求1所述的一种基于模糊熵的动力与储能电池故障诊断方法，其特征在于：所述步骤S4中，计算电池单体异常系数的方法具体如下：

Z分数的公式如下：

上式中，X为模糊熵数据，为平均数，/>S为标准差，S＝std(FuzzyEn(N))，Z是电池单体异常系数，当电池单体异常系数的结果在3.0以下，电池是正常，当在3.0-3.5之间，电池是异常，当在3.5以上，电池是危险。

5.根据权利要求1所述的一种基于模糊熵的动力与储能电池故障诊断方法，其特征在于：所述步骤S5中，选择合适的时间窗口与计算窗口的方法如下：

当数据中心检索不到当前电池的诊断记录，则依据历史记录并选取合适的时间窗口与计算窗口；

当数据中心检索到当前电池的诊断记录，则使用原有的时间窗口与计算窗口。

6.根据权利要求1所述的一种基于模糊熵的动力与储能电池故障诊断方法，其特征在于：所述步骤S5中，判断异常程度的方法具体如下：

异常程度计算过程如下：

上式中，当异常程度≤0.2，是微小异常；当0.2＜异常程度≤0.5，中等异常；当异常程度＞0.5，是明显异常。