CN112630660A - 一种基于支持向量机的电池故障识别方法 - Google Patents
一种基于支持向量机的电池故障识别方法 Download PDFInfo
- Publication number
- CN112630660A CN112630660A CN202011476362.XA CN202011476362A CN112630660A CN 112630660 A CN112630660 A CN 112630660A CN 202011476362 A CN202011476362 A CN 202011476362A CN 112630660 A CN112630660 A CN 112630660A
- Authority
- CN
- China
- Prior art keywords
- battery
- fault
- support vector
- vector machine
- characteristic parameters
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及电池管理技术,具体涉及一种基于支持向量机的电池故障识别方法,采集电池充电过程中正常单体电池和故障单体电池的电压数据作为原始数据集;对原始数据集进行深度处理,提取特征参数;对特征参数进行归一化处理,获得基于特征参数数据的样本集;按照正常单体电池和故障单体电池的数据,对样本集进行标签的标注;将带有标签的样本集随机拆分为训练集和测试集,通过训练集进行SVM模型的训练;将测试集送入训练好的SVM模型中进行模型测试,对SVM模型的性能进行评估;利用所建模型,对电池进行实时诊断。该方法能够在短时间内实时进行故障单体电池的检测识别,提高了单体电池故障诊断的准确度,减少漏报率。
Description
技术领域
本发明属于电池管理技术领域,尤其涉及一种基于支持向量机的电池故障识别方法。
背景技术
锂离子电池因具有循环寿命长、高比能量、自放电率低等优点,已被广泛的应用于电动汽车领域。然而,锂离子电池本身可能存在着一些安全隐患,电池故障导致的热失控事故时有发生,严重威胁人民的生命财产安全。
车载锂离子电池***在实际的运行过程中,可能会遭受一定程度的机械-电-热滥用,不仅会导致电池性能的快速衰退,甚至会引发电池故障并最终发展为热失控,造成严重的安全事故。电池生产制造过程中可能会引入一些微小缺陷,在后续使用过程中这些微小缺陷逐渐发展,也会引发电池故障并造成热失控事故。为了避免这些情况的发生,必须快速准确地诊断出电池中发生的故障并进行安全预警,从而提高电池使用的安全性。
目前,锂离子电池故障诊断技术依然是电池安全问题研究的一个难点,故障诊断的方法主要可分为基于模型的故障诊断和基于数据驱动的故障诊断。由于电池运行工况条件的实时变化以及锂离子电池的高度非线性,高准确度模型的建立较为困难。基于数据驱动的故障诊断方法不需要建立精确的电池模型,只需要对电池数据进行处理,通过设置阈值来对电池故障进行诊断,处理方法较为简单,准确度较低,很难有效的识别出故障单体电池。
发明内容
针对背景技术存在的问题,本发明提供一种基于支持向量机的电池故障识别方法。
为解决上述技术问题,本发明采用如下技术方案:一种基于支持向量机的电池故障识别方法,包括以下步骤:
步骤1、将包含多个单体电池的电池组作为待测电池组;
步骤2、采集待测电池组使用过程中正常单体电池和故障单体电池的电压数据作为原始数据集;
步骤3、对原始数据集进行深度处理,提取特征参数;
步骤4、对特征参数进行归一化处理,获得基于特征参数数据的样本集;
步骤5、按照正常单体电池和故障单体电池的数据,对样本集进行标签的标注;
步骤6、将带有标签的样本集随机拆分为训练集和测试集,通过训练集进行SVM模型的训练;
步骤7、将测试集送入训练好的SVM模型中进行模型的测试,对SVM模型的性能进行评估;
步骤8、利用所建模型,对电池进行实时诊断。
在上述的基于支持向量机的电池故障识别方法中,步骤3所提取特征参数包括单体电池电压信号的自相关系数、相邻单体电池电压的互相关系数、单体电池的三阶无量纲特征参数值、单体电池电压差异的方差、单体电池电压差异的偏度系数和单体电池电压差异的模糊熵。
在上述的基于支持向量机的电池故障识别方法中,步骤4的归一化处理包括:
采用最大-最小标准化原则,公式如下:
式中,xi为提取的特征参数;yi为归一化后的特征参数值;xmin为提取的特征参数的最小值;xmax为提取的特征参数的最大值,n为样本的个数。
在上述的基于支持向量机的电池故障识别方法中,步骤6的实现包括:将带有标签的样本集按照1:1的比例拆分成训练集和样本集,将训练集送入到SVM模型中进行参数的训练。
在上述的基于支持向量机的电池故障识别方法中,步骤7所述SVM模型采用核函数为RBF核函数,RBF核函数为:
κ(x1,x2)=exp(-||x1-x2||2/2σ2)。
在上述的基于支持向量机的电池故障识别方法中,步骤8所述对电池进行实时诊断包括电池有故障和电池正常两种状态的诊断。
与现有技术相比,本发明的有益效果:本发明对电池组运行过程中采集到的电压数据进行分析,利用信号分析方法从各个单体电池的电压数据中提取多个反映电压信号变化特性的特征参数,利用特征参数和支持向量机算法,能够在短时间内实时进行故障单体电池的检测识别,提高了单体电池故障诊断的准确度,减少漏报率。本发明提供的单体电池故障诊断方法提高了使用电池组产品的安全性。
附图说明
图1为本发明一个实施例基于支持向量机的电池故障识别方法的诊断流程图;
图2为本发明一个实施例支持向量机算法流程图。
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。
本实施例通过实时采集锂离子电池***使用过程中各单体电池的电压数据,利用信号分析方法从各个单体电池的电压数据中提取了多个反映电压信号变化特性的特征参数,包括单体电池电压信号的自相关系数、相邻单体电池电压的互相关系数、单体电池的三阶无量纲特征参数值、单体电池电压差异的方差、单体电池电压差异的偏度系数和单体电池电压差异的模糊熵。最后基于支持向量机算法对各个单体电池对应的特征参数组进行分析,从而识别故障单体电池。本实施例以单体电池电压信号的三阶无量纲特征参数值和单体电池差异的方差为例,进行具体说明。
如图1所示,一种基于支持向量机的电池故障识别方法,包括以下步骤:
S1,提供一个包含多个锂离子单体电池的电池组;
电池组的电池种类不限于某一类,本实施例中所检测的是锂离子电池。提供的电池组包括编号依次为1,2,3…n的n个单体电池,其中n为大于1的整数,此n个单体电池可以通过任意串并联的方式组成一个电池组。
S2,采集电池组使用过程中的电压数据作为原始数据集,其中原始数据集包括正常单体电池和故障单体电池的电压数据;
分别采集所提供的电池组中的n个单体电池的充电电压Ui,其中i代表所述n个单体电池中的任意一个单体电池。
S3,对采集的电压数据进行深度处理,从每个采样点对应的滑动时间窗口内的各单体电池电压信号中提取两个特征参数,分别为各个单体电池电压信号的的三阶无量纲特征参数值wlgtzi和各单体电池电压差异的方差fc_ΔUi;
S3.1、每个时刻对应时间窗口内各个采样点,计算各个单体电池对应的电压三次方的平均值u3,i;
S3.2、每个时刻对应时间窗口内各个采样点,计算各个单体电池对应的电压二次方的平均值u2,i;
S3.3、每个时刻对应时间窗口内,根据公式(1)计算各个单体电池电压对应的三阶无量纲特征参数值wlgtzi;
S3.4、每个时刻对应时间窗口内各个采样点,根据公式(2)计算各单体电池电压相比于所有单体电池电压平均值的差异ΔUi;
S3.5、每个时刻对应时间窗口内,根据公式(3)计算各个单体电池电压差异的方差fc_ΔUi;
S4,对特征参数进行归一化处理,获得基于两个特征参数的样本集,归一化过程采用最大-最小标准化原则,公式如下:
式中,xi为提取的特征参数;yi为归一化后的特征参数值;xmin为提取的特征参数的最小值;xmax为提取的特征参数的最大值,n为样本的个数。
S5,按照正常单体电池和故障单体电池的数据,对样本集进行标签的标注;
如图2所示,S6,将带有标签的样本集随机拆分为训练集和测试集,通过训练集进行SVM模型的训练;
将带有标签的样本集按照1:1的比例拆分成训练集和样本集,将训练集送入到SVM模型中进行参数的训练。
S6中SVM模型采用的核函数为RBF核函数,所述的RBF核函数为:
κ(x1,x2)=exp(-||x1-x2||2/2σ2) (5)。
S7,将测试集送入训练好的SVM模型中进行模型的测试,对SVM模型的性能进行评估;
S8,利用所建模型,对电池进行实时诊断。
S8中利用所建模型对电池进行实时的诊断,可以诊断出单体电池有故障和电池正常两种状态。
本实施例所给出的故障单体电池识别方法对电池组运行过程中采集到的电压数据进行分析,利用信号分析方法从各个单体电池的电压数据中提取了多个反映电压信号变化特性的特征参数。利用特征参数和支持向量机算法,能够在短时间内实时进行故障单体电池的检测识别,提高了单体电池故障诊断的准确度,减少漏报率。对于提高使用电池组产品的安全性有重要作用。
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 (6)
1.一种基于支持向量机的电池故障识别方法,其特征是,包括以下步骤:
步骤1、将包含多个单体电池的电池组作为待测电池组;
步骤2、采集待测电池组使用过程中正常单体电池和故障单体电池的电压数据作为原始数据集;
步骤3、对原始数据集进行深度处理,提取特征参数;
步骤4、对特征参数进行归一化处理,获得基于特征参数数据的样本集;
步骤5、按照正常单体电池和故障单体电池的数据,对样本集进行标签的标注;
步骤6、将带有标签的样本集随机拆分为训练集和测试集,通过训练集进行SVM模型的训练;
步骤7、将测试集送入训练好的SVM模型中进行模型的测试,对SVM模型的性能进行评估;
步骤8、利用所建模型,对电池进行实时诊断。
2.如权利要求1所述的基于支持向量机的电池故障识别方法,其特征是,步骤3所提取特征参数包括单体电池电压信号的自相关系数、相邻单体电池电压的互相关系数、单体电池的三阶无量纲特征参数值、单体电池电压差异的方差、单体电池电压差异的偏度系数和单体电池电压差异的模糊熵。
4.如权利要求1所述的基于支持向量机的电池故障识别方法,其特征是,步骤6的实现包括:将带有标签的样本集按照1:1的比例拆分成训练集和样本集,将训练集送入到SVM模型中进行参数的训练。
5.如权利要求1所述的基于支持向量机的电池故障识别方法,其特征是,步骤7所述SVM模型采用核函数为RBF核函数,RBF核函数为:
κ(x1,x2)=exp(-||x1-x2||2/2σ2)。
6.如权利要求1所述的基于支持向量机的电池故障识别方法,其特征是,步骤8所述对电池进行实时诊断包括电池有故障和电池正常两种状态的诊断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011476362.XA CN112630660B (zh) | 2020-12-14 | 2020-12-14 | 一种基于支持向量机的电池故障识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011476362.XA CN112630660B (zh) | 2020-12-14 | 2020-12-14 | 一种基于支持向量机的电池故障识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112630660A true CN112630660A (zh) | 2021-04-09 |
CN112630660B CN112630660B (zh) | 2022-10-21 |
Family
ID=75312998
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011476362.XA Active CN112630660B (zh) | 2020-12-14 | 2020-12-14 | 一种基于支持向量机的电池故障识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112630660B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112991704A (zh) * | 2021-05-19 | 2021-06-18 | 武汉工程大学 | 用于充电储能***的过压数据处理方法、装置及存储介质 |
CN113344352A (zh) * | 2021-05-28 | 2021-09-03 | 重庆长安汽车股份有限公司 | 一种基于机器学习算法的蓄电池馈电风险识别方法 |
CN113343633A (zh) * | 2021-06-10 | 2021-09-03 | 上海交通大学 | 动力锂电池热失控故障分类及风险预测方法、*** |
CN113552488A (zh) * | 2021-07-27 | 2021-10-26 | 中国铁塔股份有限公司 | 一种电池诊断方法、装置、电子设备和可存储介质 |
CN113569485A (zh) * | 2021-07-30 | 2021-10-29 | 湖北工业大学 | 一种基于变分模态分解的短时异常电池识别方法 |
CN113866642A (zh) * | 2021-09-22 | 2021-12-31 | 中国华能集团清洁能源技术研究院有限公司 | 一种基于梯度提升树的锂离子电池故障诊断方法 |
CN114325400A (zh) * | 2021-11-24 | 2022-04-12 | 北京百度网讯科技有限公司 | 电池剩余寿命的确定方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060212277A1 (en) * | 2005-03-16 | 2006-09-21 | Terry Hansen | Apparatus and method for estimating battery state of charge |
CN102749585A (zh) * | 2011-04-21 | 2012-10-24 | 李昌 | 一种基于多层支持向量机的蓄电池在线监测方法 |
CN109165687A (zh) * | 2018-08-28 | 2019-01-08 | 哈尔滨理工大学 | 基于多分类支持向量机算法的车用锂电池故障诊断方法 |
CN110045298A (zh) * | 2019-05-06 | 2019-07-23 | 重庆大学 | 一种动力电池组参数不一致性的诊断方法 |
CN111157898A (zh) * | 2020-01-07 | 2020-05-15 | 清华大学深圳国际研究生院 | 一种新能源车辆在线电池故障检测分析方法及装置 |
-
2020
- 2020-12-14 CN CN202011476362.XA patent/CN112630660B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060212277A1 (en) * | 2005-03-16 | 2006-09-21 | Terry Hansen | Apparatus and method for estimating battery state of charge |
CN101142732A (zh) * | 2005-03-16 | 2008-03-12 | Lg化学株式会社 | 用于估算电池充电状态的***和方法 |
CN102749585A (zh) * | 2011-04-21 | 2012-10-24 | 李昌 | 一种基于多层支持向量机的蓄电池在线监测方法 |
CN109165687A (zh) * | 2018-08-28 | 2019-01-08 | 哈尔滨理工大学 | 基于多分类支持向量机算法的车用锂电池故障诊断方法 |
CN110045298A (zh) * | 2019-05-06 | 2019-07-23 | 重庆大学 | 一种动力电池组参数不一致性的诊断方法 |
CN111157898A (zh) * | 2020-01-07 | 2020-05-15 | 清华大学深圳国际研究生院 | 一种新能源车辆在线电池故障检测分析方法及装置 |
Non-Patent Citations (1)
Title |
---|
雷继尧 等: "信号处理", 《工程信号处理技术》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112991704A (zh) * | 2021-05-19 | 2021-06-18 | 武汉工程大学 | 用于充电储能***的过压数据处理方法、装置及存储介质 |
CN113344352A (zh) * | 2021-05-28 | 2021-09-03 | 重庆长安汽车股份有限公司 | 一种基于机器学习算法的蓄电池馈电风险识别方法 |
CN113343633A (zh) * | 2021-06-10 | 2021-09-03 | 上海交通大学 | 动力锂电池热失控故障分类及风险预测方法、*** |
CN113343633B (zh) * | 2021-06-10 | 2022-04-26 | 上海交通大学 | 动力锂电池热失控故障分类及风险预测方法、*** |
CN113552488A (zh) * | 2021-07-27 | 2021-10-26 | 中国铁塔股份有限公司 | 一种电池诊断方法、装置、电子设备和可存储介质 |
CN113552488B (zh) * | 2021-07-27 | 2024-03-19 | 中国铁塔股份有限公司 | 一种电池诊断方法、装置、电子设备和可存储介质 |
CN113569485A (zh) * | 2021-07-30 | 2021-10-29 | 湖北工业大学 | 一种基于变分模态分解的短时异常电池识别方法 |
CN113569485B (zh) * | 2021-07-30 | 2024-03-08 | 湖北工业大学 | 一种基于变分模态分解的短时异常电池识别方法 |
CN113866642A (zh) * | 2021-09-22 | 2021-12-31 | 中国华能集团清洁能源技术研究院有限公司 | 一种基于梯度提升树的锂离子电池故障诊断方法 |
CN114325400A (zh) * | 2021-11-24 | 2022-04-12 | 北京百度网讯科技有限公司 | 电池剩余寿命的确定方法、装置、电子设备及存储介质 |
CN114325400B (zh) * | 2021-11-24 | 2024-03-19 | 北京百度网讯科技有限公司 | 电池剩余寿命的确定方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112630660B (zh) | 2022-10-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112630660B (zh) | 一种基于支持向量机的电池故障识别方法 | |
Wang et al. | Voltage fault diagnosis and prognosis of battery systems based on entropy and Z-score for electric vehicles | |
CN112906744B (zh) | 一种基于孤立森林算法的故障单体电池识别方法 | |
CN109765490B (zh) | 一种基于高维数据诊断的动力电池故障检测方法及*** | |
CN112345955B (zh) | 一种动力电池多故障在线诊断方法与*** | |
CN114559819B (zh) | 一种基于信号处理的电动汽车电池安全预警方法 | |
CN111257753B (zh) | 一种电池***故障诊断方法 | |
CN112965001B (zh) | 一种基于实车数据的动力电池组故障诊断方法 | |
WO2022001197A1 (zh) | 电芯内部短路故障的检测方法、装置、设备和介质 | |
CN113406524B (zh) | 一种动力电池***的不一致性故障诊断方法及*** | |
CN114565008A (zh) | 基于长短时记忆自编码器的锂电池异常检测方法 | |
CN114942386A (zh) | 一种动力电池故障在线检测方法及*** | |
CN115327386A (zh) | 一种基于电热耦合模型的电池组多故障诊断方法 | |
CN113311337A (zh) | 基于相关向量回归的锂离子电池剩余寿命检测方法 | |
CN113391214A (zh) | 一种基于电池充电电压排名变化的电池微故障诊断方法 | |
CN111537893A (zh) | 一种锂离子电池模组运行安全的评测方法、***及电子设备 | |
CN114325433A (zh) | 基于电化学阻抗谱测试的锂离子电池故障检测方法和*** | |
CN114646888A (zh) | 一种动力电池容量衰减的评估方法及*** | |
Yang et al. | An online multifault diagnosis scheme for battery packs based on voltage envelope relationship | |
CN113311348A (zh) | 一种基于小波分解和包络谱分析的电池故障识别方法 | |
CN117457949A (zh) | 一种基于电化学阻抗谱的燃料电池水故障诊断方法及*** | |
CN113433468A (zh) | 储能电池早期故障融合诊断方法及安全预警*** | |
Wang et al. | An inconsistency fault diagnosis method for lithium-ion cells in the battery pack based on piecewise dimensionality reduction and outlier identification | |
CN116387569A (zh) | 一种基于svm的全钒液流电池泵故障检测方法 | |
CN115792634A (zh) | 一种基于云端在线数据的电池单体电压采样故障识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |