一种基于锂电池小波去噪的在线监测方法与流程

本发明属于自动化工业过程监测领域，涉及一种锂电池的基于小波去噪的新型在线监测方法。

背景技术：

锂电池在我们生活中用的很多，大多数地方是不用监测电池健康状态的，但是在电动车等部分应用场景需要了解电池健康状态以便能够更好的应用电池。传统的锂电池监测方法主要是先建立等效电路模型，然后进行模型参数辨识，最后根据电池运行时参数的变化得到电池健康状态。这个方法在实验室精确监测是可行的，但是在实际应用中就相对复杂。等效电路模型是基于实际电路而来的一种模型，通过数据辨识参数很复杂，并且试验周期长。考虑到这个问题，本发明提出了一种数学模型通过收集电池数据，然后通过数学运算建模，这样就避免了实际电路参数难以估计的问题。通过最后的结果分析精度与等效电路模型相差很小，说明该思路是有效地。

技术实现要素：

本发明目的是针对传统监测方法模型不够准确的缺点进行改进，在建模时对采集的数据进行小波去噪处理，得到一种新型的改进模型，利用该模型进行监测能更好的避免噪音对监测结果的影响。

本发明首先基于锂电池运行过程，采样得到多个锂电池运行数据情况，建立观测数据的矩阵模型，并进行模型优化，然后计算监测指标判断是否出现异常。锂电池实际应用中往往是以电池组的形式出现，因此对锂电池组的每一个电池进行监测。

本发明的技术方案是通过数据采集、数据处理、模型建立、故障监测等手段，确立了一种基于小波去噪的在线监测方法，利用该方法可以对原本模型进行改进，从而使监测结果更加准确。

本发明的方法步骤包括：

步骤1、建立改进算法的模型，具体步骤是：

1-1.通过采样得到第i批次第k时刻时间序列模型：

xⁱ(k)＝[(xⁱ(k))^t(xⁱ(k-1))^t…(xⁱ(k-d))^t]

其中k是时刻，d是时滞窗口长度，i是批次，xⁱ(k)、xⁱ(k-1)…xⁱ(k-d)分别是第i批次第k时刻、第k-1时刻…第k-d时刻采样数据组成的向量，t是转置符号，每个时刻数据采样j次。

1-2.利用1-1数据扩展成时滞数据窗口：

其中是第i批次长度为d的时滞数据窗口，xⁱ(d+1)…xⁱ(k)…xⁱ(k-d)分别是第i批次第d+1时刻…第k时刻…第k-d时刻的时间序列模型。

1-3.使用小波去噪方法去除过程数据中的噪声。

其中，xp表示小波去噪后的过程数据，lx表示过程数据的阈值。

1-4.计算协方差矩阵：

其中sⁱ(j×j)是第i批次的协方差矩阵，k是采样总次数。

1-5.对1-3的数据进行主成分分析，得到其所有特征值以及特征向量，并且按从大到小排列，从中选取r个较大的特征值构成负荷矩阵：

p(j×r)＝[p1p2…pr]

其中p(j×r)是负荷矩阵，p1…p2…pr是选取的第一个…第二个…第r个特征向量。

1-6.由步骤1-1至1-5得到系统模型为：

xp＝ap^t+e

其中a是主元素分析时计算特征向量的特征值所组成的矩阵。e是步骤1-3中产生的噪音矩阵。

步骤2、在线故障监测，具体步骤是：

2-1.采样获取某个新批次第k时刻的数据，由1-1和1-2得：

其中x^new(k)、x^new(k-d+1)…x^new(k-d)是新批次第k时刻、第k-d+1时刻…第k-d时刻的时间序列模型。

2-2.使用小波去噪方法去除过程数据中的噪声。

其中，表示小波去噪后的过程数据，lx表示过程数据的阈值，

2-3.根据2-2计算残差矩阵，选择r个主过程变量(pv)，其余(j-r)个剩余变量(cv)：

e^new(k)＝x^new(k)(i-pp^t)

其中e^new(k)是新批次第k时刻总数据的残差矩阵，p是负荷矩阵，i是单位矩阵，是新批次第k时刻的主采样数据时间序列模型。

2-4.计算平方预测误差：

其中是新批次第k时刻的平方预测误差。

2-5.计算新批次第k时刻的得分向量：

其中t^new(k)是新批次第k时刻的得分向量。

2-6.通过2-5计算实时信息统计量：

其中λ^-1是步骤2-1建模时所保留的r个主元素对应的特征值组成的对角矩阵的逆，是实时信息统计量。

2-7.将2-6中式子化简得到：

2-8.计算实时信息统计量和平方预测误差speα：

其中fr,α是自由度为r和α的f分布；

其中是自由度为的χ²分布，m和v分别是历史平方预测误差speα的均值和方差；

2-9.比较结果，若满足则此时生产正常。

本发明提出的新型在线监测方法首先对模型进行了改进，将传统的等效电路模型替换成纯数学模型，达到了快速估计的效果，并且最后电池健康状态估计能够在结合历史数据的前提进行监测，不仅能够让监测灵敏度大大提高，还能够在早期就检测出生产异常。

具体实施方式

以工业过程中的锂电池使用为例，选取锂电池组运行中的数据(电流、电压、内阻)进行建模，将电池组运行中的数据变化作为监测对象，监测锂电池组使用状况是否正常，将电池组中的每个电池进行分开采集数据，本实施例的运行数据以电流为例。

步骤1、建立锂电池运行状况模型，具体步骤是：

1-1.通过采样得到锂电池运行状况时间序列模型：

xⁱ(k)＝[(xⁱ(k))^t(xⁱ(k-1))^t…(xⁱ(k-d))^t]

其中k是时刻，d是时滞窗口长度，i是第i个电池，xⁱ(k)、xⁱ(k-1)…xⁱ(k-d)分别是第i个电池第k时刻、第k-1时刻…第k-d时刻的电流数据组成的向量，t是转置符号，每个时刻电流都要采样j次。

1-2.利用1-1数据扩展成时滞数据窗口：

其中是第i个电池长度为d的原料预分解时滞数据窗口，xⁱ(d+1)…xⁱ(k)…xⁱ(k-d)分别是第i个电池第d+1时刻…第k时刻…第k-d时刻的电流时间序列模型。

1-3.使用小波去噪方法去除电流数据中的噪声。

其中，xp表示小波去噪后的电流数据，lx表示电流数据的阈值，人为确定具体值。

1-4.计算协方差矩阵：

其中sⁱ(j×j)是第i个电池的协方差矩阵，j是每个时刻采样的次数，k是采样总次数。

1-5.对1-3的数据进行主成分分析，得到其所有特征值以及特征向量，并且按从大到小排列，从中选取r个较大的特征值构成的电流数据负荷矩阵：

p(j×r)＝[p1p2…pr]

其中p(j×r)是负荷矩阵，p1…p2…pr是选取的第一个…第二个…第r个特征向量。

1-6.由步骤1-1至1-5得到电池运行状况模型为：

xp＝ap^t+e

其中a是主元素分析时计算特征向量的特征值所组成的矩阵。e是步骤1-3中产生的噪音矩阵。

步骤2、在线故障监测，具体步骤是：

2-1.采样获取某个电池组的新的电流数据，由1-1和1-2得：

其中x^new(k)、x^new(k-d+1)…x^new(k-d)是电池组第k时刻、第k-d+1时刻…第k-d时刻的新电流数据的时间序列模型。

2-2.使用小波去噪方法去除过程数据中的噪声。

其中，表示小波去噪后的新电流数据，lx表示原料预分解的阈值。

2-3.根据2-2计算残差矩阵，选择r个主过程变量(pv)，其余(j-r)个剩余变量(cv)：

e^new(k)＝x^new(k)(i-pp^t)

其中e^new(k)是新电池数据第k时刻总数据的残差矩阵，p是负荷矩阵，i是单位矩阵，是新电流数据第k时刻的电流数据时间序列模型。

2-4.计算平方预测误差：

其中是新电流数据第k时刻的平方预测误差。

2-5.计算新电流数据第k时刻的得分向量：

其中t^new(k)是新电流数据第k时刻的得分向量。

2-6.通过2-5计算实时信息统计量：

其中λ^-1是步骤2-1建模时所保留的r个主元素对应的特征值组成的对角矩阵的逆，是实时信息统计量。

2-7.将2-6中式子化简得到：

2-8.计算实时信息统计量和平方预测误差speα：

其中fr,α是自由度为r和α的f分布；

其中是自由度为的χ²分布，m和v分别是历史平方预测误差speα的均值和方差。

2-9.比较结果，若满足则此时电池运行过程正常。