一种基于数据驱动的动力电池故障诊断方法及系统与流程

本发明涉及电动汽车动力电池安全领域，具体地，涉及基于数据驱动的动力电池故障诊断方法及系统。

背景技术：

随着环保问题和能源问题日益凸显，各行业纷纷响应国家节能减排的号召，新能源产业迎来了春天。新能源汽车作为新能源产业的支柱产业，得到国家的重点关注，我国将新能源汽车列为七大战略性新兴产业之一，当今时代可以认为是新能源汽车发展的最好时代。

新能源汽车主要包括纯电动汽车、燃料电池汽车以及混合动力汽车，其中纯电动汽车以蓄电池提供的电能作为动力来源，驱动汽车行驶；燃料电池汽车依靠燃料电池产生的电能来驱动汽车；混合动力汽车依靠传统的内燃机和发电机共同驱动汽车。无论上述哪种形式的新能源汽车，都是以电池提供的电能作为其动力来源。随着技术的发展，锂离子电池得到广泛应用。锂离子动力电池与传统铅酸电池相比，具有能量密度更高、工作温度范围宽、寿命长及供电稳定的特点。但是锂离子动力电池是一个复杂的电化学系统，其工作原理、失效机理及其复杂，而电动汽车工况、使用环境又具有复杂性，因此锂离子动力电池出现故障的可能性大大提高，并且其产生的破坏力较强，严重的将影响驾驶员的生命。综上所述，对于动力电池的故障诊断具有重要的意义。

在现阶段，动力电池故障诊断存在着诊断对象多样性、故障状态复杂性的难点，因此故障诊断智能化以及故障诊断适应能力需要不断提高。现在主流的故障诊断分为离线诊断和在线诊断两种方式，其中离线诊断已经不能满足新能源汽车动力电池故障诊断需求了，其存在着故障诊断智能化低以及适应能力弱的特点。

技术实现要素：

针对现有技术中的难点与不足，本发明的目的是提供一种基于数据驱动的动力电池故障诊断方法和系统。

根据本发明提供的一种基于数据驱动的动力电池故障诊断方法，包括：

步骤1：在各种工况及动力电池各种状态下采集动力电池的性能参数；

步骤2：将采集到的数据进行清洗；

步骤3：根据清洗后的数据对动力电池的荷电状态soc、健康状态soh进行计算；

步骤4：根据实际驾驶经验及汽车安全性制定故障等级；

步骤5：将上述步骤2、3、4得出的数据制作成数据集；

步骤6：将训练集放入梯度提升回归树模型中，对其进行迭代训练；

步骤7：将测试集放入模型中，评估模型的准确度，根据准确度调整模型参数。

所述动力电池性能参数包括：动力电池的容量、电压、内阻、功率。

优选地，所述步骤2包括：

步骤2.1：进行数据清洗，将偏离严重的数据删除；

步骤2.2：删除重复冗余的数据。

优选地，所述步骤5包括：

步骤5.1：将故障等级与电池参数进行匹配，构成完整数据集；

步骤5.2：将数据集拆分成训练集和测试集。

优选地，所述步骤6包括：

步骤6.1：定义训练集为：x＝x1，...，xn，目标为：y＝y1，...，yn，并运用如下公式，计算最优切分特征j和切分值s的初始值；

式中，c1、c2为梯度提升回归树每个区域的输出值，r1(j，s)为划分的区域。

步骤6.2：定义如下式所示的初始化单节点树f0(x)：

式中，c为梯度提升回归树每个区域的输出值。

步骤6.3：定义损失函数如下式所示：

l(y，f(x))＝y-f(x)

步骤6.4：迭代训练，对每轮迭代训练后的模型进行残差拟合，通过p次迭代训练后，得到如下式所示的梯度提升回归树模型：

式中，为梯度提升回归树中m个节点对原数据域分割生成的对应数据段。

优选地，所述步骤7包括：

步骤7.1：计算测试集的回归误差；

步骤7.2：根据回归误差判断是否修改模型参数。

根据本发明提供地一种基于数据驱动地动力电池故障诊断系统，包括：

模块1：在各种工况及动力电池各种状态下采集动力电池的性能参数；

模块2：将采集到的数据进行清洗；

模块3：根据清洗后的数据对动力电池的荷电状态soc、健康状态soh进行计算；

模块4：根据实际驾驶经验及汽车安全性制定故障等级；

模块5：将上述步骤2、3、4得出的数据制作成数据集；

模块6：将训练集放入梯度提升回归树模型中，对其进行迭代训练；

模块7；将测试集放入模型中，评估模型的准确度，根据准确度调整模型参数。

所述动力电池性能参数包括：动力电池的容量、电压、内阻、功率。

优选地，所述模块2包括：

模块2.1：进行数据清洗，将偏离严重的数据删除；

模块2.2：删除重复冗余的数据。

优选地，所述模块5包括：

模块5.1：将故障等级与电池参数进行匹配，构成完整数据集；

模块5.2：将数据集拆分成训练集和测试集。

优选地，所述模块6包括：

模块6.1：定义训练集为：x＝x1，...，xn，目标为：y＝y1，...，yn，并运用如下公式，计算最优切分特征j和切分值s的初始值；

式中，c1、c2为梯度提升回归树每个区域的输出值，r1(j，s)为划分的区域。

模块6.2：定义如下式所示的初始化单节点树f0(x)：

式中，c为梯度提升回归树每个区域的输出值。

模块6.3：定义损失函数如下式所示：

l(y，f(x))＝y-f(x)

模块6.4：迭代训练，对每轮迭代训练后的模型进行残差拟合，通过p次迭代训练后，得到如下式所示的梯度提升回归树模型：

式中，为梯度提升回归树中m个节点对原数据域分割生成的对应数据段。

优选地，所述模块7包括：

模块7.1：计算测试集的回归误差；

模块7.2：根据回归误差判断是否修改模型参数。

本发明与现有的技术相比，具有如下的有益效果：

1、本发明由于采集大量的数据作为系统的训练集，因此本发明具有适应能力强的特点，能够适用于新能源汽车实际使用中的各种工况，并且具有较高的智能化水平；

2、本发明经过大量数据的训练，对于故障诊断的结果具有较高的准确度，并且能够实现对故障的快速诊断。

附图说明

图1为本发明实现流程图。

图2为梯度提升回归树结构示意图。

具体实施方式

下面结合磷酸铁锂电池对本发明进行详细说明，在本发明的具体实施例中，关于动力电池的soc以及soh的计算采用目前常见的方法，不同的实施例可以使用不用的计算方法。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。

根据本发明提供的一种基于数据驱动的动力电池故障诊断方法，包括：

步骤1：在各种工况及磷酸铁锂电池各种状态下采集磷酸铁锂电池的性能参数；

步骤2：将采集到的数据进行清洗；

步骤3：根据清洗后的数据对动力电池的荷电状态soc、健康状态soh进行计算；

步骤4：根据实际驾驶经验及汽车安全性制定故障等级；

步骤5：将上述步骤2、3、4得出的数据制作成数据集；

步骤6：将训练集放入梯度提升回归树模型中，对其进行迭代训练；

步骤7：将测试集放入模型中，评估模型的准确度，根据准确度调整模型参数。

所述磷酸铁锂电池性能参数包括：动力电池的容量、电压、内阻、功率。

优选地，所述步骤2包括：

步骤2.1：进行数据清洗，将偏离严重的数据删除；

步骤2.2：删除重复冗余的数据。

优选地，所述步骤3包括：

步骤3.1：利用目前工程中常见的安时积分法计算磷酸铁锂电池的soc，其计算公式如下所示：

式中，soc0为初始状态下的soc值，可根据ocv-soc表查询；q为磷酸铁锂电池容量；η为静态容量测试值；i为电流值。

步骤3.2：利用目前常用的运用电池内阻变化的方式计算soh，其计算公式如下所示：

式中，r0为电池实测内阻；rnew为电池出厂时的内阻；reol为电池达到循环寿命时的内阻值。

优选地，所述步骤5包括：

步骤5.1：将故障等级与电池参数进行匹配，构成完整数据集；

步骤5.2：将数据集拆分成训练集和测试集。

优选地，所述步骤6包括：

步骤6.1：定义训练集为：x＝x1，...，xn，目标为：y＝y1，...，yn，并运用如下公式，计算最优切分特征j和切分值s的初始值；

式中，c1、c2为梯度提升回归树每个区域的输出值，r1(j，s)为划分的区域。

步骤6.2：定义如下式所示的初始化单节点树f0(x)：

式中，c为梯度提升回归树每个区域的输出值。

步骤6.3：定义损失函数如下式所示：

l(y，f(x))＝y-f(x)

步骤6.4：迭代训练，对每轮迭代训练后的模型进行残差拟合，通过p次迭代训练后，得到如下式所示的梯度提升回归树模型：

式中，为梯度提升回归树中m个节点对原数据域分割生成的对应数据段。

优选地，所述步骤7包括：

步骤7.1：计算测试集的回归误差；

步骤7.2：根据回归误差判断是否修改模型参数。

根据本发明提供地一种基于数据驱动地动力电池故障诊断系统，包括：

模块1：在各种工况及动力电池各种状态下采集动力电池的性能参数；

模块2：将采集到的数据进行清洗；

模块3：根据清洗后的数据对动力电池的荷电状态soc、健康状态soh进行计算；

模块4：根据实际驾驶经验及汽车安全性制定故障等级；

模块5：将上述步骤2、3、4得出的数据制作成数据集；

模块6：将训练集放入梯度提升回归树模型中，对其进行迭代训练；

模块7：将测试集放入模型中，评估模型的准确度，根据准确度调整模型参数。

所述动力电池性能参数包括：动力电池的容量、电压、内阻、功率。

优选地，所述模块2包括：

模块2.1：进行数据清洗，将偏离严重的数据删除；

模块2.2：删除重复冗余的数据。

优选地，所述模块3包括：

模块3.1：利用目前工程中常见的安时积分法计算磷酸铁锂电池的soc，其计算公式如下所示：

式中，soc0为初始状态下的soc值，可根据ocv-soc表查询；q为磷酸铁锂电池容量；η为静态容量测试值；i为电流值。

模块3.2：利用目前常用的运用电池内阻变化的方式计算soh，其计算公式如下所示：

式中，r0为电池实测内阻；rnew为电池出厂时的内阻；reol为电池达到循环寿命时的内阻值。

优选地，所述模块5包括：

模块5.1：将故障等级与电池参数进行匹配，构成完整数据集；

模块5.2：将数据集拆分成训练集和测试集。

优选地，所述模块6包括：

模块6.1：定义训练集为：x＝x1，...，xn，目标为：y＝y1，...，yn，并运用如下公式，计算最优切分特征j和切分值s的初始值；

式中，c1、c2为梯度提升回归树每个区域的输出值，r1(j，s)为划分的区域。

模块6.2：定义如下式所示的初始化单节点树f0(x)：

式中，c为梯度提升回归树每个区域的输出值。

模块6.3：定义损失函数如下式所示：

l(y，f(x))＝y-f(x)

模块6.4：迭代训练，对每轮迭代训练后的模型进行残差拟合，通过p次迭代训练后，得到如下式所示的梯度提升回归树模型：

式中，为梯度提升回归树中m个节点对原数据域分割生成的对应数据段。

优选地，所述模块7包括：

模块7.1：计算测试集的回归误差；

模块7.2：根据回归误差判断是否修改模型参数。