CN111090050A - 一种基于支持向量机和k均值的锂电池故障诊断方法 - Google Patents

Abstract

本发明涉及一种基于支持向量机和K均值的锂电池故障诊断方法，包括：通过电池工况获取原始数据集，选取电池故障征兆；对诊断变量做数据进行预处理，包括归一化和PCA；预处理后的数据送入Kmeans聚类中，筛选与实际标签相同的聚类结果作为故障样本集；将故障样本集随机拆分为训练集和测试集，把训练样本送入SVM模型中进行学习，输出SVM分类模型，同时将测试样本送入SVM分类模型进行测试。本发明对电池***进行故障诊断研究，实现4种健康状态的识别；本发明考虑到电池故障的产生受多方面因素的影响，很难确定故障产生的具体原因，对电池故障的诊断具有一定难度，提出一种基于支持向量机和K均值的故障分类方法。

Description

一种基于支持向量机和K均值的锂电池故障诊断方法

技术领域

本发明涉及电池故障诊断技术领域，尤其是一种基于支持向量机和K均值的锂电池故障诊断方法。

背景技术

锂电池是电动汽车和飞机的能量源，同时也是最易发生故障的部分。锂电池的故障主要包括温度异常、过充、过放、欠压、过压、均衡失效、充放电电流异常、自放电、内阻异常和电池衰老和各单节电池电压异常。

目前，锂电池的故障诊断方法主要有两种：第一，基于模型的故障诊断：由于电池是一种实时变化的非线性***，受各种参数变化的影响，故建立精确的故障诊断模型是非常困难的；第二，基于数据驱动的故障诊断：基于数据驱动的故障诊断使用监测的历史数据信息检测故障，不需要精确的电池模型，算法速度快,然而常用的神经网络和专家***都需要大量的数据样本用来训练，一般的复杂***无法满足。

发明内容

本发明的目的在于提供一种能有效剔除奇异数据并提高模型分类正确率的基于支持向量机和K均值的锂电池故障诊断方法。

为实现上述目的，本发明采用了以下技术方案：一种基于支持向量机和K均值的锂电池故障诊断方法，该方法包括下列顺序的步骤：

(1)通过电池工况获取原始数据集，选取电池故障征兆；

(2)对诊断变量做数据进行预处理，包括归一化和PCA；

(3)预处理后的数据送入Kmeans聚类中，筛选与实际标签相同的聚类结果作为故障样本集；

(4)将故障样本集随机拆分为训练集和测试集，把训练样本送入SVM模型中进行学习，输出SVM分类模型，同时将测试样本送入SVM分类模型进行测试。

所述步骤(1)具体包括：

(1a)***中进行诊断的电池组由12节单体电池串联组成，单节标准工作电压为3.20V，充电上限电压为3.62V，放电下限电压为2.50V；

(1b)选取的故障征兆为：电池充/放电电流、单体电池电压、电池SOC、电池温度、电池总电压、电池总电压变化趋势。

所述步骤(2)具体是指：

在电池***故障分类之前，首先要对数据做预处理，包括归一化和主成分分析技术PCA两部分，为保证数据变量间的可比性，对选取的诊断变量做归一化处理：

式中：x_i为选取的诊断变量；y_i为归一化后的变量；n为数据长度；x_min为选取的诊断变量的最小值；x_max为选取的诊断变量的最大值。

所述步骤(3)具体是指：

(3a)对于给定电池数据集X＝{x_i|x_i∈R^m,i＝1,2,…,n}，其中n为样本个数，m为样本维数；样本集的类别空间μ＝{μ_j|μ_j∈R^m,j＝1,2,|,c}，c为类别个数；两个样本点的距离采用欧式距离进行度量，即：

聚类中心为：

式中：n_k为属于第k类的样本个数；R为实数集，x_j为簇类中心，μ_j为聚类质心点；

K均值算法的目的是达到簇内样本距离最小化，簇间样本距离最大化，因此其目标函数为：

由上述步骤初始化n,c,μ₁,μ₂,...,μ_c，按照最近邻μ_j分类n个样本，重计算μ_j，直到μ_j再改变，返回n,c,μ₁,μ₂,...,μ_c，结束算法；μ_c为c个簇的均值向量；

(3b)针对线性不可分的数据集，每个样本点引入一个松弛变量ε_i≥0，则线性不可分的SVM采用如下的优化问题来表示：

式中：C＞0为惩罚参数；y_i＝{+1,-1}为归一化后的变量；w是法向量，b是截距，x_i为选取的诊断变量；ε_i为松弛变量，其中ε_i≥0；

(3c)通过核函数与软间隔最大化，非线性支持向量机的分类决策函数表示为：

式中：α_i是拉格朗日乘子，α_i≥0；K(x,x_i)为核函数。

所述步骤(4)具体包括：

(4a)整理电池1级报警和正常状态的运行数据共2876组，其中正常样本数据897组，故障样本数据1979组；

(4b)将样本数据按1:1的比例随机分为训练集和测试集，采用基于SVM和Kmeans聚类的电池***故障诊断模型识别四种健康状态，其中N代表正常状态；F1、F2、F3分别表示电池过充、电池过压和电池温度高三种故障。

由上述技术方案可知，本发明的有益效果为：第一，本发明对电池***进行故障诊断研究，并提出一种基于支持向量机和K均值的故障分类方法，实现4种健康状态的识别；第二，本发明考虑到电池故障的产生受多方面因素的影响，很难确定故障产生的具体原因，对电池故障的诊断具有一定难度，提出一种基于支持向量机和K均值的故障分类方法。

附图说明

图1为本发明的方法流程图；

图2为诊断仿真分析流程图；

图3为训练集分类结果图。

具体实施方式

如图1所示，一种基于支持向量机和K均值的锂电池故障诊断方法，该方法包括下列顺序的步骤：

(2)通过电池工况获取原始数据集，选取电池故障征兆；

(2)对诊断变量做数据进行预处理，包括归一化和PCA；

(3)预处理后的数据送入Kmeans聚类中，筛选与实际标签相同的聚类结果作为故障样本集；

(4)将故障样本集随机拆分为训练集和测试集，把训练样本送入SVM模型中进行学习，输出SVM分类模型，同时将测试样本送入SVM分类模型进行测试。

所述步骤(1)具体包括：

(1a)***中进行诊断的电池组由12节单体电池串联组成，单节标准工作电压为3.20V，充电上限电压为3.62V，放电下限电压为2.50V；

(1b)选取的故障征兆为：电池充/放电电流、单体电池电压、电池SOC、电池温度、电池总电压、电池总电压变化趋势。

所述步骤(2)具体是指：

在电池***故障分类之前，首先要对数据做预处理，包括归一化和主成分分析技术PCA两部分，为保证数据变量间的可比性，对选取的诊断变量做归一化处理：

式中：x_i为选取的诊断变量；y_i为归一化后的变量；n为数据长度；x_min为选取的诊断变量的最小值；x_max为选取的诊断变量的最大值。

所述步骤(3)具体是指：

(3a)对于给定电池数据集X＝{x_i|x_i∈R^m,i＝1,2,…,n}，其中n为样本个数，m为样本维数；样本集的类别空间μ＝{μ_j|μ_j∈R^m,j＝1,2,…,c}，c为类别个数；

两个样本点的距离采用欧式距离进行度量，即：

聚类中心为：

式中：n_k为属于第k类的样本个数；R为实数集，x_j为簇类中心，μ_j为聚类质心点；

K均值算法的目的是达到簇内样本距离最小化，簇间样本距离最大化，因此其目标函数为：

由上述步骤初始化n,c,μ₁,μ₂,...,μ_c，按照最近邻μ_j分类n个样本，重计算μ_j，直到μ_j再改变，返回n,c,μ₁,μ₂,…,μ_c，结束算法；μ_c为c个簇的均值向量；

(3b)针对线性不可分的数据集，每个样本点引入一个松弛变量ε_i≥0，则线性不可分的SVM采用如下的优化问题来表示：

式中：C＞0为惩罚参数；y_i＝{+1,-1}为归一化后的变量；w是法向量，b是截距，x_i为选取的诊断变量；ε_i为松弛变量，其中ε_i≥0；

(3c)通过核函数与软间隔最大化，非线性支持向量机的分类决策函数表示为：

式中：α_i是拉格朗日乘子，α_i≥0；K(x,x_i)为核函数。

所述步骤(4)具体包括：

(4a)整理电池1级报警和正常状态的运行数据共2876组，其中正常样本数据897组，故障样本数据1979组；

(4b)将样本数据按1:1的比例随机分为训练集和测试集，如图2所示，采用基于SVM和Kmeans聚类的电池***故障诊断模型识别四种健康状态，如图3所示，其中N代表正常状态；F1、F2、F3分别表示电池过充、电池过压和电池温度高三种故障。

综上所述，本发明对电池***进行故障诊断研究，并提出一种基于支持向量机和K均值的故障分类方法，实现4种健康状态的识别；本发明考虑到电池故障的产生受多方面因素的影响，很难确定故障产生的具体原因，对电池故障的诊断具有一定难度，提出一种基于支持向量机和K均值的故障分类方法。

Claims (5)

1.一种基于支持向量机和K均值的锂电池故障诊断方法，其特征在于：该方法包括下列顺序的步骤：

(1)通过电池工况获取原始数据集，选取电池故障征兆；

(2)对诊断变量做数据进行预处理，包括归一化和PCA；

(3)预处理后的数据送入Kmeans聚类中，筛选与实际标签相同的聚类结果作为故障样本集；

(4)将故障样本集随机拆分为训练集和测试集，把训练样本送入SVM模型中进行学习，输出SVM分类模型，同时将测试样本送入SVM分类模型进行测试。

2.根据权利要求1所述的基于支持向量机和K均值的锂电池故障诊断方法，其特征在于：所述步骤(1)具体包括：

(1a)***中进行诊断的电池组由12节单体电池串联组成，单节标准工作电压为3.20V，充电上限电压为3.62V，放电下限电压为2.50V；

(1b)选取的故障征兆为：电池充/放电电流、单体电池电压、电池SOC、电池温度、电池总电压、电池总电压变化趋势。

3.根据权利要求1所述的基于支持向量机和K均值的锂电池故障诊断方法，其特征在于：所述步骤(2)具体是指：

在电池***故障分类之前，首先要对数据做预处理，包括归一化和主成分分析技术PCA两部分，为保证数据变量间的可比性，对选取的诊断变量做归一化处理：

式中：x_i为选取的诊断变量；y_i为归一化后的变量；n为数据长度；x_min为选取的诊断变量的最小值；x_max为选取的诊断变量的最大值。

4.根据权利要求1所述的基于支持向量机和K均值的锂电池故障诊断方法，其特征在于：所述步骤(3)具体是指：

(3a)对于给定电池数据集X＝{x_i|x_i∈R^m,i＝1,2,…,n}，其中n为样本个数，m为样本维数；样本集的类别空间μ＝{μ_j|μ_j∈R^m,j＝1,2,…,c}，c为类别个数；两个样本点的距离采用欧式距离进行度量，即：

聚类中心为：

式中：n_k为属于第k类的样本个数；R为实数集，x_j为簇类中心，μ_j为聚类质心点；

K均值算法的目的是达到簇内样本距离最小化，簇间样本距离最大化，因此其目标函数为：

由上述步骤初始化n,c,μ₁,μ₂,…,μ_c，按照最近邻μ_j分类n个样本，重计算μ_j，直到μ_j再改变，返回n,c,μ₁,μ₂,...,μ_c，结束算法；μ_c为c个簇的均值向量；

(3b)针对线性不可分的数据集，每个样本点引入一个松弛变量ε_i≥0，则线性不可分的SVM采用如下的优化问题来表示：

式中：C＞0为惩罚参数；yi＝{+1,-1}为归一化后的变量；w是法向量，b是截距，x_i为选取的诊断变量；ε_i为松弛变量，其中ε_i≥0；

(3c)通过核函数与软间隔最大化，非线性支持向量机的分类决策函数表示为：

式中：α_i是拉格朗日乘子，α_i≥0；K(x,x_i)为核函数。

5.根据权利要求1所述的基于支持向量机和K均值的锂电池故障诊断方法，其特征在于：所述步骤(4)具体包括：

(4a)整理电池1级报警和正常状态的运行数据共2876组，其中正常样本数据897组，故障样本数据1979组；

(4b)将样本数据按1:1的比例随机分为训练集和测试集，采用基于SVM和Kmeans聚类的电池***故障诊断模型识别四种健康状态，其中N代表正常状态；F1、F2、F3分别表示电池过充、电池过压和电池温度高三种故障。

Images