CN103413033A - 一种预测蓄电池故障的方法 - Google Patents

Abstract

一种预测蓄电池故障的方法属于蓄电池故障预测与诊断领域。利用电池使用过程中的相关数据预测电池是否已经出现故障。基于知识的蓄电池健康状态预测方法，也即模糊预测法，根据某些症状的隶属度来求出各种故障的隶属度，用以表征各种故障存在的倾向性，为判断电池健康状态的预测提供科学依据。为了有效的预测电池以及电池组的故障而提出的方法，实验数据以镍镉电池为实验对象获得，通过对镍镉电池的实时数据进行分析与处理，能得到该电池或电池组在整个运行过程中的健康状况DOH，同时给出电池的维护信息。本方法简单有效，既避免了电池的拆卸与放电测试，又得到了比较准确的电池健康水平。

Description

一种预测蓄电池故障的方法

一、技术领域

本发明涉及蓄电池的故障预测与诊断领域。

二、背景技术

随着我国经济的快速发展，对能源、交通、环境等诸多领域的要求也在不断的提高。蓄电池组对所有的不允许断电的供电***来说，都是一个不可或缺的电源***。而且蓄电池***在各行各业中的应用也越来越广泛。蓄电池的运行是否正常，将会直接影响该领域中各种设备的正常、可靠和安全的运行。

电池故障诊断技术是近几年才发展起来的新技术，目前全世界对电池组故障诊断***的研究尚未取得显著的成果。在电池的应用维护中，用得最多的是人工的测试诊断方法，即把电池拆下来通过一定倍率的放电实验来进行容量测量，以确定蓄电池的可用容量，从而判断出哪节电池容量下降成为了落后电池。这种诊断方式实际仅是一种离线的放电容量测试，并不对电池进行全面诊断。其方法的缺陷是操作工作量大、花时间多，因而不便于重复操作，而重复进行容量测量是对电池不利的，蓄电池不能应急使用。此外，容量实验对于高电压蓄电池需要专用测试设备，可能存在危险。所以应尽可能地避免直接通过放电来测量容量及对电池做出诊断。

我们提出的预测方法是通过实时监测、比较同一电池组的不同单体电池间的参数变化并考虑其他因素来对电池进行诊断，其思想在于：同一个电池组的各个单体电池在相同的充放电电流下，各个单体电池的性能大多数是相近的，但还有一些电池的性能存在不一致。通过综合考虑各个电池在此段时间内对平均电压的偏移及各个电池在此段时间内的电压变化可以估计出电池性能的好坏。通过这种方法是一种在线实时预测方法，可以有效的避免人工测试诊断法的诸多弊端。

三、发明内容

本发明的目的是提出一种在线的、实时的镍镉电池故障预测***。利用这种方法可以得到各种故障出现的机率以及该蓄电池（或电池组）的健康状况DOH和健康级别，由此可以给出电池的维护信息。

一种预测蓄电池故障的方法，其特征在于该方法是针对镍镉蓄电池基于专家经验的方法，利用电池使用过程中的相关数据预测电池是否已经出现故障。基于知识的蓄电池健康状态预测方法，也即模糊预测法，根据某些症状的隶属度来求出各种故障的隶属度，用以表征各种故障存在的倾向性，为判断电池健康状态的预测提供科学依据。其推理过程如图1所示

1)首先利用电池历史档案数据和运行状况数据并结合电池的各种症状隶属度计算公式计算电池症状隶属度。症状集U={症状1，症状2，症状3，…症状n}，其中各个症状的隶属度组成模糊向量α＝[μ₁，μ₂，μ₃，…μ_n]^T。

其中α中的μ_n通过以下公式计算：μ_n＝f_sta(I)·f_cha(X)；

f_sta(I)为状态函数，

①静态：

$f_{\mathrm{sta}}\left(I\right)=\left\{\begin{array}{cc}1& I=0;\\ 0& I\≠0;\end{array}\right.$

②充电：

$f_{\mathrm{sta}}\left(I\right)=\left\{\begin{array}{cc}1& I>0;\\ 0& I\≤0;\end{array}\right.$

③放电：

$f_{\mathrm{sta}}\left(I\right)=\left\{\begin{array}{cc}1& I<0;\\ 0& I\&GreaterEqual;0;\end{array}\right.$

注：I为电流值。

f_cha(X)为外部特性数据函数，

$f_{\mathrm{cha}}\left(X\right)=\left\{\begin{array}{cc}X/(X_a*C_r)& X\&le;(X_a*C_r)\\ 1& X>(X_a*C_r)\end{array}\right.$

f_cha(X)为镍镉电池特性数据的某种状态的隶属度值；

X为电池的外部特性数据的某种变化的测量值；

X_a为所有电池的外部特性数据的某种变化的平均值；

C_r为常数，C_r＝1.5，表示外部特性数据的相对系数。

这样就得到了各症状隶属度得到的向量α＝[μ₁，μ₂，μ₃，…μ_n]^T

2)利用电池的各个症状隶属度并结合加权评判矩阵R计算电池的各种故障隶属度。

电池的故障集V={故障1，故障2，故障3，…故障n}，此处的n与第一步中的n是同一个n。

a)加权评判矩阵R的确定

加权评判矩阵的确定有两种方式，它们都是以该领域专家的经验为基础的。一种是当专家对确定模糊矩阵有较大把握时，可以给出每个症状的权数，然后进行归一化或规整，形成加权评判矩阵；另一种是当专家自己的把握不很大时，可以结合其他多个专家给出各症状对某故障产生的重要性排序，然后把这种定性的重要性次序映射为一种权数分配，作为加权评判矩阵。考虑到电池诊断的复杂性、模糊性，即是经验丰富的专家也很难给出确定的权值，因此我们采用第二种方式。

首先将两个集合U和V进行重要性按从大到小的顺序排序，然后重新编号，此时U={症状1，症状2，症状3，…症状n}和V={故障1，故障2，故障3，…故障n}这两个集合中的元素是按重要性排列的，这两个集合已经不是初始时定义的集合，其中的顺序已经发生变化。此外，各症状隶属度组成的向量α＝[μ₁，μ₂，μ₃，…μ_n]^T也要根据U来重新排序。

然后利用二项式系数加权法进行矩阵R的确定。

已知

此处n与前面提到的n一致。由此二项式系数得到一组和为1的集合W，即为 $W=\{C_{n-1}^0/2^{n-1},C_{n-1}^1/2^{n-1},C_{n-1}^2/2^{n-1},...,C_{n-1}^{n-1}/2^{n-1}\},$ 根据二项式系数的性质，该集合是一个中间数值最大并且逐步向两边减小的对称集合。

令则W＝{W₁，W₂，…，W_i，…，W_n}。

因此，加权评判矩阵R为：

$R=\left[\begin{array}{cccc}{r}_{11}& r_{12}& ......& r_{1n}\\ r_{21}& r_{22}& ......& r_{2n}\\ ...& & ...& \\ r_{n1}& r_{n2}& ......& r_{\mathrm{nm}}\end{array}\right]={\left(r_{\mathrm{ij}}\right)}_{n\&times;n}$

R中各个元素中对角线上的r₁₁＝r₂₂＝r₃₃＝…＝r_nn均等于集合W中的最大值，每一行剩下的位置则按从大到小的顺序依次赋值。

b)故障隶属度的计算

故障集合V={故障1，故障2，故障3，…故障n}，其中各元素的隶属度组成的集合β=[f₁，f₂，f₃，…，f_n]^T，并且β＝R·α

3)利用故障隶属度，综合后给出电池的健康状态。

DOF和DOH的计算：

失效程度DOF,对故障隶属度集合β=[f₁，f₂，f₃，…，f_n]^T，若存在f＝[f₁，f₂，f₃…f_n]∈F且f_i≥0.5，1≤i≤n，则DOF＝f₁⊕f₂⊕f₃⊕…⊕f_n；否则DOF＝f₁∨f₂∨f₃∨…∨f_n。

其中算子∨定义为取大，算子⊕定义为取并集，即满足：

x⊕y=x+y-x×y

健康状况DOH，DOH＝C₁*DOF+C₂*DOH′

其中C₁，C₂为常数，C₁＝0.7，C₂＝0.3；DOF为本次计算的失效程度；DOH'为上一次运行算得的DOH，若没有上次运行记录，则DOH'=0。

根据计算得到的DOH的值依照表格1给出电池的健康状态。

表格1 电池健康级别以及相应措施

健康级别DOH	取值范围	应对措施
			一级	<0.4	健康，无需处理
二级	0.4-0.7	加强维护
			三级	>0.7	更换

四、附图说明

图1：  基于专家经验的电池健康状态预测流程

图2：  基于模糊逻辑的电池健康状态算法流程

五、具体实施方式

对于镍镉电池，将其故障集和症状集按照重要性排列：

故障V={容量降低，内阻增加，老化}；

症状U={同时刻B组电压/14-单体电压，ΔU/Δt，ΔU极大}；由于n=3；

这样加权评判矩阵 $R=\left[\begin{array}{ccc}1/2& 1/4& 1/4\\ 1/4& 1/2& 1/4\\ 1/4& 1/4& 1/2\end{array}\right]$

其具体算法如下所示，流程图如下图2所示。

初始数据包括：A+B电池组总电压、A电池组电压、B电池组中单体的电压以及电流等数据。

1)首先将采集到的电池初始数据分段。对每年3月份的电池数据进行分析，并将每天的数据分段，这里我们只考虑充、放电时期的数据，每一个采样点就是一个时间段。

2)然后计算电池在每一天中充、放电时期各个症状的状态函数。由于这里所取得数据处于大电流放、充时期，也就是说在此期间，其状态函数值恒等于1。

3)得到电池各个症状的状态函数值后，继续计算该电池各个症状的外部特性函数。各个症状所取的X_a如下表格2所示。比如，对于症状1，放电时期某时间段的测量值X=0.0475,那么此时症状1的外部特性函数值f_cha(X)＝X/(X_a×C_r)=0.0475/(0.05028×1.5)＝0.6298

表格2 各个症状X_a的取值

4)计算各个症状的隶属度函数。通过步骤2和3的计算得到了状态函数f_sta(I)以及外部特性数据函数f_cha(X)，因此各个症状的隶属度函数F(t)_n＝f_sta(I)·f_cha(X)。

5)如果各个症状的隶属度函数均计算完毕，那么就可以进行下一个时间段的计算。也就是下一个采样时间点的计算。

6)将所有时间段的症状隶属度计算完毕之后，进行均值处理，求得该症状当天的隶属度，然后计算当天的故障隶属度。比如，得到了某天的症状隶属度集合α＝[0.3082，0.4370，0.3339]^T，已知R，那么故障隶属度的集合β＝R·α＝[0.3469，0.3791，0.3533]^T。

7)根据得到的故障隶属度来判定电池的健康状况，同时给出维护信息。若β＝[0.3469，0.3791，0.3533]^T，那么DOF＝0.3791,DOH＝0.7×0.3791+0.3×0＝0.2653。由于此时的DOH＜0.4，故可推断出，此时的电池是健康的，可以继续使用。

Claims (1)

1.一种预测蓄电池故障的方法，其特征在于：

1)首先利用电池历史档案数据和运行状况数据并结合电池的各种症状隶属度计算公式计算电池症状隶属度；症状集U={症状1，症状2，症状3，…症状n}，其中各个症状的隶属度组成模糊向量α＝[μ₁，μ₂，μ₃，…μ_n]^T；

其中α中的μ_n通过以下公式计算：μ_n＝f_sta(I)·f_cha(X)；

f_sta(I)为状态函数，

①静态：

$f_{\mathrm{sta}}\left(I\right)=\left\{\begin{array}{cc}1& I=0;\\ 0& I\&NotEqual;0;\end{array}\right.$

②充电：

$f_{\mathrm{sta}}\left(I\right)=\left\{\begin{array}{cc}1& I>0;\\ 0& I\&le;0;\end{array}\right.$

③放电：

$f_{\mathrm{sta}}\left(I\right)=\left\{\begin{array}{cc}1& I<0;\\ 0& I\&GreaterEqual;0;\end{array}\right.$

注：I为电流值；

f_cha(X)为外部特性数据函数，

$f_{\mathrm{cha}}\left(X\right)=\left\{\begin{array}{cc}X/(X_a*C_r)& X\&le;(X_a*C_r)\\ 1& X>(X_a*C_r)\end{array}\right.$

f_cha(X)为镍镉电池特性数据的某种状态的隶属度值；

X为电池的外部特性数据的某种变化的测量值；

X_a为所有电池的外部特性数据的某种变化的平均值；

C_r为常数，C_r＝1.5，表示外部特性数据的相对系数；

这样就得到了各症状隶属度得到的向量α＝[μ₁，μ₂，μ₃，…μ_n]^T

2)利用电池的各个症状隶属度并结合加权评判矩阵R计算电池的各种故障隶属度；

电池的故障集V={故障1，故障2，故障3，…故障n}，此处的n与第一步中的n是同一个n；

a)加权评判矩阵R的确定

加权评判矩阵的确定多个专家给出各症状对某故障产生的重要性排序，然后把这种定性的重要性次序映射为一种权数分配，作为加权评判矩阵；

首先将两个集合U和V进行重要性按从大到小的顺序排序，然后重新编号，此时U={症状1，症状2，症状3，…症状n}和V={故障1，故障2，故障3，…故障n}这两个集合中的元素是按重要性排列的，这两个集合已经不是初始时定义的集合，其中的顺序已经发生变化；此外，各症状隶属度组成的向量α＝[μ₁，μ₂，μ₃，…μ_n]^T也要根据U来重新排序；

然后利用二项式系数加权法进行矩阵R的确定；

已知 $C_{n-1}^0+C_{n-1}^1+C_{n-1}^2+...+C_{n-1}^n=2^{n-1},$ 此处n与前面提到的n一致；由此二项式系数得到一组和为1的集合W，即为 $W=\{C_{n-1}^0/2^{n-1},C_{n-1}^1/2^{n-1},C_{n-1}^2/2^{n-1},...,C_{n-1}^{n-1}/2^{n-1}\},$ 根据二项式系数的性质，该集合是一个中间数值最大并且逐步向两边减小的对称集合；

令则W＝{W₁，W₂，…，W_i，…，W_n}；

因此，加权评判矩阵R为：

$R=\left[\begin{array}{cccc}{r}_{11}& r_{12}& ......& r_{1n}\\ r_{21}& r_{22}& ......& r_{2n}\\ ...& & ...& \\ r_{n1}& r_{n2}& ......& r_{\mathrm{nn}}\end{array}\right]{\left(r_{\mathrm{ij}}\right)}_{n\&times;n}$

R中各个元素中对角线上的r₁₁＝r₂₂＝r₃₃＝…＝r_nn均等于集合W中的最大值，每一行剩下的位置则按从大到小的顺序依次赋值；

b)故障隶属度的计算

故障集合V={故障1，故障2，故障3，…故障n}，其中各元素的隶属度组成的集合β＝[f₁，f₂，f₃，…，f_n]^T，并且β＝R·α

3)利用故障隶属度，综合后给出电池的健康状态；

DOF和DOH的计算：

失效程度DOF,对故障隶属度集合β＝[f₁，f₂，f₃，…，f_n]^T，若存在f＝[f₁，f₂，f₃，…，f_n]∈F且f_i≥0.5，1≤i≤n，则DOD＝f₁⊕f₂⊕f₃⊕…⊕f_n；否则DOF=f₁∨f₂∨f₃∨…∨f_n；

其中算子∨定义为取大，算子⊕定义为取并集，即满足：

x⊕y＝x+y-x×y

健康状况DOH，DOH＝C₁*DOF+C₂*COH′

其中C₁，C₂为常数，C₁＝0.7，C₂=0.3；DOF为本次计算的失效程度；DOH'为上一次运行算得的DOH，若没有上次运行记录，则DOH'=0；

根据计算得到的DOH的值依照以下方式给出电池的健康状态：

健康状况DOH   取值范围    应对措施

一级           <0.4       健康，无需外理

二级           0.4-0.7    加强维护

三级           >0.7       更换。

Images